Pourquoi l’agent IA n’est pas un pur hype (et ce que les sceptiques ne voient pas encore)

Image de l’auteur | Idéogramme

Nous avons tous passé les deux dernières années à créer des applications avec de grands modèles de langage. Des chatbots qui comprennent réellement le contexte aux outils de génération de code qui ne se contentent pas de la saisie automatique mais qui créent quelque chose d’utile, nous avons tous vu les progrès.

Maintenant, alors que l’IA agentique devient courant, vous entendez probablement des refrains familiers: « C’est juste un battage médiatique », « LLMS avec des étapes supplémentaires », « Marketing Fluff for Capital ». Bien que le scepticisme sain soit justifié – car il devrait y avoir une technologie émergente – rejeter l’IA agentique car le simple battage médiatique néglige ses avantages et son potentiel pratiques.

L’IA agentique n’est pas seulement la prochaine chose brillante dans notre cycle perpétuel des tendances technologiques. Et dans cet article, nous verrons pourquoi.

Qu’est-ce que l’agent AI exactement?

Commençons par essayer de comprendre ce qu’est l’agent AI.

L’IA agentique fait référence aux systèmes qui peuvent poursuivre de manière autonome des objectifs, prendre des décisions et prendre des mesures pour atteindre les objectifs – souvent sur plusieurs étapes et interactions. Contrairement aux LLM traditionnelles qui répondent aux invites individuelles, les systèmes agentiques maintiennent le contexte à travers les flux de travail étendus, planent des séquences d’actions et adaptent leur approche en fonction des résultats.

Pensez à la différence entre demander à un LLM « Quel temps fait-il? » Par rapport à un système agentique qui peut vérifier plusieurs services météorologiques, analyser votre calendrier pour les réunions en plein air, suggérer de reprogrammer si des conditions météorologiques graves sont attendues et envoyez en fait ces mises à jour de calendrier avec votre approbation.

Les caractéristiques clés qui séparent l’IA agentique des applications LLM standard comprennent:

Poursuite des objectifs autonomes: Ces systèmes peuvent décomposer des objectifs complexes en étapes exploitables et les exécuter indépendamment. Plutôt que de nécessiter une incitation humaine constante, ils se concentrent sur les objectifs à long terme.

Raisonnement et planification en plusieurs étapes: Les systèmes agentiques peuvent penser à plusieurs avances, compte tenu des conséquences des actions et des stratégies d’ajustement basées sur des résultats intermédiaires.

Intégration des outils et interaction environnement: Ils peuvent travailler avec des API, des bases de données, des systèmes de fichiers et d’autres ressources externes comme extensions de leurs capacités.

Contexte et mémoire persistants: Contrairement aux interactions LLM sans état, les systèmes agentiques maintiennent la conscience des séances étendues, l’apprentissage des interactions précédentes et la construction sur les travaux antérieurs.

Des invites simples aux systèmes d’IA agentiques

Mon voyage (et peut-être le vôtre aussi) avec les LLM a commencé avec les cas d’utilisation classiques dont nous nous souvenons tous: génération de texte, résumé et réponses de questions de base. Les premières applications étaient impressionnantes mais limitées. Vous élaboreriez une invite, obtenez une réponse et recommencez. Chaque interaction a été isolée, nécessitant une ingénierie prompte minutieuse pour maintenir tout sentiment de continuité.

La percée est survenue lorsque nous avons commencé à expérimenter des conversations multiples et des appels de fonction. Soudain, les LLM ne pouvaient pas seulement générer du texte mais interagir avec les systèmes externes. Ce fut notre première expérience avec quelque chose de plus sophistiqué que la correspondance de motifs et l’achèvement du texte.

Mais même ces LLM améliorés avaient des limites. Ils étaient:

• Réactif plutôt que proactif,
• En fonction de la direction humaine pour les tâches complexes, et
• Aux prises avec des flux de travail en plusieurs étapes qui ont nécessité le maintien de l’état entre les interactions.

Les systèmes d’IA agentiques abordent ces limites de front. Récemment, vous avez probablement vu des implémentations d’agents qui peuvent gérer des flux de travail de développement de logiciels entiers – à partir de la collecte des exigences initiales en préparant les scripts pour le déploiement.

Comprendre l’architecture d’origine AI

L’architecture technique des systèmes d’IA agentiques révèle pourquoi ils sont fondamentalement différents des applications LLM traditionnelles. Alors qu’une application LLM standard suit un modèle de réponse de demande simple, les systèmes agentiques implémentent des boucles de contrôle sophistiquées qui permettent un comportement autonome.

Applications LLM standard par rapport aux systèmes d’IA en fonctionnaire | Image de l’auteur | draw.io (diagrams.net)

Au cœur est ce que nous pouvons appeler le cycle « Perceive-plan-ACT ». L’agent perçoit continuellement son environnement à travers diverses entrées (demandes d’utilisateurs, états du système, données externes), prévoit des actions appropriées en fonction de ses objectifs et de son contexte actuel, puis agit en exécutant ces plans via l’utilisation des outils ou l’interaction directe.

La composante de planification est particulièrement importante. Les systèmes agentiques modernes utilisent des techniques comme le raisonnement de l’arbre de pensée, où ils explorent plusieurs séquences d’action possibles avant de s’engager sur un chemin. Cela leur permet de prendre des décisions plus éclairées et de se remettre des erreurs plus gracieusement.

La mémoire et la gestion du contexte représentent un autre saut architectural. Bien que les LLM traditionnels soient essentiellement apatrides, les systèmes agents maintiennent à la fois la mémoire de travail à court terme pour les tâches immédiates et la mémoire à long terme pour l’apprentissage des interactions passées. Cet état persistant leur permet de s’appuyer sur des travaux antérieurs et de fournir une assistance de plus en plus personnalisée.

L’intégration des outils a évolué au-delà de la fonction simple appelant une orchestration sophistiquée de plusieurs services.

Applications d’IA agentiques réelles qui fonctionnent réellement

La preuve de toute technologie réside dans ses applications pratiques. D’après mon expérience, l’agent AI fonctionne très bien lorsque vous avez besoin d’une attention soutenue, d’une exécution en plusieurs étapes et d’une résolution de problèmes adaptative.

L’automatisation du support client a évolué au-delà des chatbots simples vers des systèmes agentiques qui peuvent rechercher des problèmes, se coordonner avec plusieurs systèmes internes et même dégénérer des problèmes complexes aux agents humains avec un contexte détaillé et des solutions suggérées.

L’automatisation du workflow de développement est une autre application prometteuse. Vous pouvez créer un agent qui peut prendre une demande de fonctionnalité de haut niveau, analyser les bases de code existantes, générer des plans d’implémentation, écrire du code sur plusieurs fichiers, exécuter des tests, résoudre les problèmes et même préparer des scripts de déploiement. La principale différence par rapport aux outils de génération de code est leur capacité à maintenir le contexte tout au long du cycle de vie du développement.

Le traitement intelligent des données est un autre exemple où les agents peuvent être utiles. Plutôt que d’écrire des scripts personnalisés pour chaque tâche de transformation de données, vous pouvez créer des agents qui peuvent comprendre les schémas de données, identifier les problèmes de qualité, suggérer et mettre en œuvre des procédures de nettoyage et générer des rapports complets – tout en adaptant leur approche en fonction des caractéristiques spécifiques de chaque ensemble de données.

Ces applications réussissent parce qu’elles gèrent la complexité que les développeurs humains auraient autrement besoin de gérer manuellement. Ils ne remplacent pas le jugement humain mais augmentent nos capacités en gérant l’orchestration et l’exécution de processus bien définis.

Aborder le scepticisme autour de l’IA agentique

Je comprends le scepticisme. Notre industrie a une longue histoire de technologies sur-typées qui ont promis de tout révolutionner, mais au mieux des améliorations marginales. Les préoccupations concernant l’IA agentique sont légitimes et méritent d’être traitées directement.

« C’est juste des LLM avec des étapes supplémentaires« est une critique courante, mais elle manque les propriétés émergentes qui découlent de la combinaison des LLM avec des systèmes de contrôle autonome. Les » étapes supplémentaires « créent des capacités qualitativement différentes. C’est comme dire qu’une voiture est juste un moteur avec des pièces supplémentaires – techniquement vraie, mais la combinaison crée quelque chose de fondamentalement différent de ses composants.

Préoccupations de fiabilité et d’hallucination sont valides mais gérables avec une conception du système appropriée. Les systèmes agentiques peuvent mettre en œuvre des boucles de vérification, des portes d’approbation humaine pour les actions critiques et des mécanismes de retour pour les erreurs. D’après mon expérience, la clé est de concevoir des systèmes qui échouent gracieusement et maintiennent la surveillance humaine le cas échéant.

Coût et complexité Les arguments ont du mérite, mais l’économie s’améliore à mesure que ces systèmes deviennent plus capables. Un agent qui peut effectuer des tâches qui nécessiteraient des heures de coordination humaine justifie souvent ses coûts de calcul, en particulier lorsque l’on considère le coût total de possession, y compris le temps humain et les erreurs potentielles.

AI et développeurs agents

Ce qui m’excite le plus dans l’IA d’agence, c’est comment cela change l’expérience du développeur. Ces systèmes servent de collaborateurs intelligents plutôt que d’outils passifs. Ils peuvent comprendre le contexte du projet, suggérer des améliorations et même anticiper les besoins en fonction des modèles de développement.

L’expérience de débogage à elle seule a été transformatrice. Au lieu de tracer manuellement à travers les journaux et les traces de pile, vous pouvez désormais décrire les symptômes d’un agent qui peut analyser plusieurs sources de données, identifier les causes profondes potentielles et suggérer des étapes de correction spécifiques. L’agent maintient un contexte sur l’architecture du système et les changements récents, fournissant des informations qui prendraient beaucoup de temps pour se réunir manuellement.

La revue du code est passée d’un processus manuel à un effort de collaboration avec les agents de l’IA qui peuvent identifier non seulement les problèmes de syntaxe, mais les préoccupations architecturales, les implications de sécurité et les goulots d’étranglement des performances. Ces agents comprennent le contexte plus large de l’application et peuvent fournir des commentaires qui tiennent compte des exigences commerciales aux côtés des contraintes techniques.

La gestion de projet a énormément bénéficié des agents qui peuvent suivre les progrès dans plusieurs référentiels, identifier les bloqueurs avant de devenir critiques et suggérer une allocation des ressources basée sur les modèles historiques et les priorités actuelles.

Dans l’attente: le chemin pratique vers l’agentique AI

L’avenir de l’IA agentique ne consiste pas à remplacer les développeurs – il s’agit d’amplifier nos capacités et de nous permettre de nous concentrer sur la résolution de problèmes de niveau supérieur. Les systèmes d’IA agentiques que nous construisons aujourd’hui traitent aujourd’hui des tâches de routine, coordonnent des flux de travail complexes et fournissent une assistance intelligente pour la prise de décision.

La technologie est suffisamment mature pour les applications pratiques tout en évoluant rapidement. Les cadres et les outils sont de plus en plus accessibles, permettant aux développeurs d’expérimenter avec des capacités agentiques sans tout construire à partir de zéro.

Je vous recommande de commencer petit mais de penser grand. Commencez par des workflows bien définis et contenus où l’agent peut fournir une valeur claire. Concentrez-vous sur les tâches qui nécessitent une attention ou une coordination soutenue dans plusieurs systèmes – des domaines où l’automatisation traditionnelle est court, mais la surveillance humaine reste réalisable.

Pour résumer: la question n’est pas de savoir si l’agent AI deviendra courant – c’est à quelle vitesse nous pouvons apprendre à travailler efficacement avec ces nouveaux partenaires collaboratifs, si vous voulez.

Conclusion

L’IA agentique représente une étape importante dans la façon dont nous construisons et interagissons avec les systèmes d’IA. Bien sûr, ces systèmes ne sont pas parfaits, et ils nécessitent une implémentation réfléchie et une surveillance appropriée. Mais ce n’est pas seulement un battage médiatique pur.

Pour les développeurs disposés à aller au-delà du scepticisme initial et à expérimenter ces systèmes, l’agent AI offre de véritables opportunités de construire des applications plus intelligentes, capables et autonomes.

Le cycle de battage médiatique finira par se régler, comme il le fait toujours. Quand c’est le cas, je crois que nous constatons que l’IA agentique est devenue tranquillement une partie essentielle de notre boîte à outils de développement – non pas parce qu’elle a été sur-typée, mais parce qu’elle fonctionne réellement.

Bala Priya C est développeur et écrivain technique d’Inde. Elle aime travailler à l’intersection des mathématiques, de la programmation, de la science des données et de la création de contenu. Ses domaines d’intérêt et d’expertise incluent DevOps, la science des données et le traitement du langage naturel. Elle aime lire, écrire, coder et café! Actuellement, elle travaille sur l’apprentissage et le partage de ses connaissances avec la communauté des développeurs en créant des tutoriels, des guides pratiques, des pièces d’opinion, etc. Bala crée également des aperçus de ressources engageants et des tutoriels de codage.