Interview de Chirag Shah, de l’université de Washington, au sujet des agents d’intelligence artificielle

Les agents d’IA sont-ils une mode passagère ou vont-ils transformer les méthodes de travail des entreprises ? Pour comprendre comment ces agents redéfinissent notre quotidien, les modes de fonctionnement des entreprises et l’avenir des interactions entre l’humain et l’IA, Mecalux s’est entretenu avec Chirag Shah, professeur d’informatique à l’université de Washington et expert reconnu en intelligence artificielle.

• Tout le monde ne sait pas ce qu’est un agent IA…

  Le concept d’agent d’IA n’est pas nouveau ; il fait partie intégrante de l’intelligence artificielle depuis ses débuts. Essentiellement, on entend par « agent » toute entité, logicielle ou matérielle, capable de collecter des informations et d’agir de manière autonome. Traditionnellement, les agents étaient d’abord associés à la robotique et désignaient des machines capables de travailler et de prendre des décisions sur le terrain sans intervention humaine.

  Aujourd’hui, le terme « agents d’IA » désigne principalement des agents logiciels. Le principe est toutefois identique : il s’agit de systèmes capables de prendre des décisions, d’exécuter des tâches et d’agir à notre place. Un thermostat, par exemple, est un agent qui décide de lui-même quand enclencher le chauffage ou la climatisation lorsque certains seuils sont dépassés. Dans une optique plus avancée, une voiture autonome est également un agent, bien que beaucoup plus complexe.

• Qu’est-ce qui stimule l’essor des agents d’IA que l’on connaît actuellement ?

  Les agents connaissent un renouveau grâce aux modèles fondateurs. Contrairement à la génération précédente, à savoir Siri ou Alexa, limités à des tâches très spécifiques, les agents d’aujourd’hui tirent parti de grands modèles de langage, de systèmes de vision ou d’outils multimodaux.

  Ces agents dépassent leurs propres capacités. Par exemple, ils ont recours à une calculatrice en cas de difficulté à effectuer un calcul, ou consultent une plateforme de trading ou lancent une recherche sur Internet pour connaître le cours des actions. Certains sont même capables de coder pour résoudre des problèmes. Les modèles fondateurs gagnent par ailleurs en capacité de raisonnement et de connexion, ce qui rend les agents actuels encore plus compétents, efficaces et pratiques par rapport aux générations précédentes.

• Peuvent-ils donc désormais prendre en charge des tâches complexes ?

  Exactement. Grâce à leur capacité à se servir d’outils, à raisonner, voire à collaborer avec d’autres agents par le biais de frameworks (cadres) tels qu’AutoGen ou LangChain, ils peuvent désormais relever des défis auparavant considérés comme impossibles. Il existe aujourd’hui des systèmes multi-agents capables de réaliser des tâches jusqu’alors trop complexes pour un système unique.

  Cela dit, à chaque fois qu’une nouvelle génération d’agents apparaît, on se dit que « cette fois-ci, c’est la solution définitive », jusqu’à ce que ses limitations deviennent évidentes. Les agents d’aujourd’hui ne font pas exception ; d’où mon article « Agents are not enough », qui rappelle que la création de systèmes plus puissants ne suffit pas.

• Dans votre publication scientifique, vous proposez les concepts de « sims » et d’« assistants privés ».

  

  D’après les retours d’expérience avec les générations précédentes d’agents d’IA, ces derniers ne génèrent pas suffisamment de valeur lorsque leur rôle se limite à donner la météo, à diffuser de la musique ou à commander l’éclairage, pour que l’utilisateur continue à s’en servir, et encore moins pour qu’il soit prêt à en payer le prix. La véritable valeur ajoutée réside dans la capacité de ces agents à prendre en charge des tâches complexes. Mais cela ne suffit pas, l’utilisateur exige également de la proactivité et des possibilités de personnalisation. Ainsi, si vous demandez à votre agent virtuel de réserver un trajet Barcelone-Toulouse, il ne se contentera pas de vous proposer des vols s’il fait preuve de proactivité et de personnalisation, mais il saura également s’anticiper à vos préférences en vous recommandant aussi des billets de train.

  Offrir une personnalisation avancée pose toutefois d’importants défis en matière de confidentialité. En effet, un agent peut nécessiter l’accès à des informations sensibles telles que des antécédents médicaux, des données financières ou des habitudes personnelles. La transmission de ces données à des agents publics risque de compromettre la confiance des utilisateurs.

  Dans ma recherche, je propose un système à double type d’agents : agents publics et agents privés. L’assistant privé, qui ne sert aucun objectif commercial, appartient entièrement à l’utilisateur et repose sur ce que j’appelle des « sims », c’est-à-dire des représentations de différents aspects de la vie, allant du travail et des finances à la santé et aux routines personnelles. À partir de ces informations, l’assistant privé peut concevoir des tâches hautement personnalisées tout en préservant les données de l’utilisateur. Ce n’est qu’une fois autorisée par ce dernier que l’assistant fait appel à des agents publics pour accomplir la tâche. De cette manière, l’assistant n’agit pas au hasard et n’a pas besoin de poser d’innombrables questions pour clarifier les choses, puisqu’il connaît déjà suffisamment son utilisateur. Ainsi, à la place de réponses génériques, il formule des recommandations personnalisées avec un taux d’erreur bien inférieur à celui d’un agent public.

• Quelle est la différence entre un agent logiciel et un agent physique ou robotique ?

  Lorsque j’étais étudiant, le terme « agent » désignait principalement des systèmes physiques, à savoir des robots qui prenaient des décisions dans le monde réel à l’aide de capteurs et de signaux extérieurs. Au cours de la dernière décennie, en revanche, les agents logiciels ont occupé le devant de la scène. Aujourd’hui, avec les progrès de la robotique, certaines de ces premières idées commencent à se concrétiser, en particulier dans des environnements contrôlés tels que les usines, où les robots sont déployés en tant qu’agents.

  La plupart des utilisateurs continuent d’interagir au quotidien essentiellement avec des agents logiciels, comme les assistants d’achat virtuels, les outils de productivité ou les chatbots pour le service client. Avec le temps, cette frontière est appelée à s’estomper. Idéalement, il ne sera plus nécessaire de se demander si une tâche est exécutée par un robot physique ou un logiciel – il suffira de dire « je veux que cette tâche soit accomplie » pour que le bon agent, qu’il soit physique ou digital, s’en charge.

  Le scénario le plus prometteur est celui d’un avenir où les humains collaborent avec l’IA

• Comment pensez-vous que les agents d’IA vont transformer les modes de travail et de collaboration entre les humains et les machines ?

  Je ne pense pas qu’un avenir où les agents remplaceraient complètement les humains soit réaliste. Si certains défendent cette idée, elle ne me semble ni souhaitable ni faisable. Je ne pense pas non plus qu’il soit judicieux d’écarter d’emblée les agents. Le scénario le plus prometteur est celui d’un avenir où les humains collaborent avec l’IA.

  Prenons l’exemple de la médecine. Face à un cas complexe, une équipe de spécialistes de différentes disciplines travaille généralement en collaboration pour établir un diagnostic. Cependant, d’ici quelques années, cette équipe pourrait être composée non seulement de docteurs, mais aussi d’agents d’IA spécialisés dans des domaines spécifiques. Dans un tel scénario, les agents mettraient à profit leur rapidité, leur capacité d’analyse et leur portée, tandis que les humains apporteraient leur discernement, leur empathie et leur sens de la responsabilité. Cela se traduirait par des diagnostics plus rapides et plus précis.

  Cette approche met l’accent sur une collaboration renforcée. En effet, les agents ne sont pas censés déposséder les humains de leur contrôle, en particulier dans des domaines critiques tels que la santé ou les transports, où toute erreur peut avoir de graves conséquences. Au contraire, les agents permettent d’étendre les capacités humaines, pour des résultats plus précis et plus efficaces.

  

• De nombreuses entreprises testent déjà des agents d’IA dans les opérations, la logistique et la chaîne d’approvisionnement. Mais dans quelle mesure est-il réaliste de confier à ces agents la prise de décisions ayant un impact direct sur les revenus ?

  Les agents se distinguent par leur rapidité et leur capacité à travailler à l’échelle industrielle : ils sont en mesure de traiter de vastes volumes de données et de prendre des décisions bien plus rapidement que l’humain. Mais la performance ne dépend pas uniquement de la quantité. Imaginons une chaîne de production ; si l’on veut augmenter la productivité et la rentabilité de la fabrication en masse, l’automatisation est nécessaire. L’humain restent toutefois indispensable, non seulement pour concevoir les systèmes et mettre en œuvre les bonnes pratiques, mais aussi pour garantir la qualité, le contrôle et la responsabilisation.

  Si les agents peuvent accélérer les processus, la responsabilité incombe toujours à l’entreprise. On ne peut pas se justifier auprès des autorités de régulation ou des clients en disant : « c’est l’agent qui l’a fait ». En fin de compte, c’est l’entreprise qui assume la responsabilité du résultat, que la décision ait été prise par une personne ou par un système d’IA.

• Plusieurs chercheurs expérimentent déjà la négociation et la conclusion d’accords à l’aide d’agents d’IA dans le domaine de la chaîne d’approvisionnement. Quand verrons-nous ces agents négocier pour le compte des entreprises ?

  Ce phénomène est déjà une réalité dans plusieurs domaines. Prenons l’exemple du secteur publicitaire, où les transactions sont négociées en continu, en l’espace de fractions de seconde. Le nombre de paramètres impliqués dans la vente et la distribution des espaces publicitaires rend la négociation humaine traditionnelle obsolète. Par le passé, ce que l’on nomme aujourd’hui des « agents » était en réalité une série de processus de décision en temps réel, opérant pour le compte des annonceurs et des fournisseurs. La même dynamique est observée sur les marchés boursiers, où les courtiers exécutent des ordres à des vitesses qui dépassent largement les capacités de l’intervention humaine.

  Dans le futur, chaque entreprise pourrait être représentée par son propre agent d’IA, chargé de négocier et d’interagir directement avec les systèmes homologues de ses partenaires ou fournisseurs. Et ce scénario n’a rien d’une fiction futuriste : il est déjà chose faite. De plus en plus d’entreprises exploitent cette capacité pour accélérer des négociations complexes impliquant une myriade de variables en temps réel – une mission extrêmement difficile à accomplir par l’humain. Dans ce contexte, la technologie est appelée à jouer un rôle décisif.

• Dans certains projets logistiques, des jumeaux numériques sont déjà combinés avec des agents d’IA pour simuler des supply chain entières. Cette dynamique se retrouve-t-elle dans d’autres secteurs ?

  

  Les systèmes désignés aujourd’hui comme « agents » ou jumeaux numériques sont en fait utilisés depuis longtemps dans des domaines comme la finance, la santé et le commerce de détail. Si l’on regarde en arrière, il apparaît qu’ils constituaient des exemples de systèmes multi-agents ou de négociation inter-agents, même si ces termes n’étaient pas employés. Les experts en résolution de problèmes ne pensaient pas en termes d’étiquettes, ils mettaient simplement au point des processus qui fonctionnaient.

  La finance est un excellent exemple. Beaucoup de transactions sont déjà réalisées de façon autonome par des agents, souvent sous forme de systèmes basés sur des règles claires, explicables, vérifiables et évolutives, ce qui est vital dans un secteur très réglementé. La santé offre une autre leçon : l’IA est employée comme un outil de support, non un substitut. Les médecins peuvent y recourir pour l’analyse ou la prise de notes, mais la responsabilité finale leur revient. Dans le domaine du retail, la tarification dynamique est bien établie. Ainsi, des plateformes telles qu’Uber ou DoorDash ajustent les prix en temps réel selon la demande et la disponibilité. L’humain surveille, mais ne fait pas les calculs. Par conséquent, les chaînes d’approvisionnement peuvent également en bénéficier. La véritable opportunité réside dans l’apprentissage des réussites et des erreurs des autres industries.

• Que conseilleriez-vous aux chefs d’entreprise qui projettent d’intégrer des agents d’IA ?

  Bien que beaucoup de mes recherches et conseils se concentrent sur les agents d’IA, je débute souvent avec une mise en garde :« Êtes-vous certain de vouloir intégrer des agents ? ». Mon expérience montre en effet que les entreprises qui s’engagent dans l’IA pour de mauvaises raisons – par exemple, « tout le monde le fait, alors nous aussi » – finissent par le regretter tôt ou tard. J’ai constaté de nombreux projets qui échouent ou deviennent trop onéreux.

  Au final, l’essentiel est de piloter l’entreprise, de résoudre les problèmes, d’apporter de la valeur aux clients et de respecter les réglementations. Mon conseil est clair : concentrez-vous sur le problème que vous visez à résoudre. Commencez par la solution, pas par le nom. Focalisez-vous sur votre activité puis recherchez des solutions répondant véritablement à vos besoins. À long terme, cela sera bien plus bénéfique que de se laisser séduire par la dernière tendance ou l’emballement médiatique actuel.