En quoi l’IA agentique diffère-t-elle de l’IA traditionnelle ?
D’après Google Gemini, « l’IA agentique représente un pas en avant significatif par rapport à l’IA traditionnelle, avec des systèmes qui ne sont pas seulement intelligents mais aussi capables d’actions indépendantes, de planification et d’auto-amélioration continue dans des environnements dynamiques ».
Les applications traditionnelles de l’IA s’appuient quant à elles sur un ensemble de règles prédéfinies pour prendre des décisions ou effectuer des tâches simples, et sont généralement scriptées. Toutes ses actions sont contrôlées par des règles et des scripts.
D’ailleurs, les chercheurs en systèmes multi-agents soutiennent que les « agents » traditionnels, qui suivent des règles prédéfinies, ne sont que des programmes – et donc pas vraiment agentiques.
L’IA agentique ne suit pas de script. On lui donne un objectif, en fonction duquel elle détermine le meilleur itinéraire pour l’atteindre. En général, l’IA agentique est aussi soumise à un certain nombre de paramètres : un ensemble d’outils, des instructions sur leur utilisation et des consignes d’exécution des actions.
Parmi les capacités agentiques, on compte également la possibilité d’évaluer différents scénarios et de prédire les résultats de diverses actions. Le système agentique peut même attribuer des valeurs aux actions en fonction de leur alignement sur ses objectifs. Ainsi, il choisit lui-même l’action la plus efficace pour les atteindre.
L’IA agentique utilise de grands modèles de langage (LLM) pour comprendre les entrées de l’utilisateur et communiquer par le dialogue. Ainsi, les agents IA peuvent fournir des réponses en fonction du contexte d’une conversation, y compris les informations déjà communiquées. Cela améliore considérablement la qualité perçue de l’interaction.
Par exemple, si le titulaire d’une police d’assurance automobile demande : « Puis-je ajouter ma nouvelle Peugeot à ma police ? », l’IA peut répondre par « Bien sûr. Pour ajouter votre véhicule Peugeot, j’aurai besoin de savoir… ». Ce dialogue confirme, de manière fluide, que la transaction progresse correctement.
Les utilisateurs peuvent également poser des questions de suivi, auquel cas l’agent se « souviendra » des entrées précédentes et les intégrera à sa réponse. Par exemple, si l’assuré demande : « Le modèle date de 1968. Une assurance spéciale est-elle nécessaire ? », l’agent se « souviendra » que le véhicule est une Peugeot et fera des recherches pour fournir une réponse.
« Pouvez-vous aussi ajouter ma Nissan ? » L’agent reconnaîtra alors que l’assuré demande l’ajout d’un véhicule supplémentaire. L’IA agentique est capable de gérer cette nouvelle requête en toute fluidité, alors qu’une interaction scriptée aurait obligé l’utilisateur à revenir à une étape antérieure de la transaction.
« Pour la Nissan, je n’ai besoin que de l’assurance collision et responsabilité civile, pas de l’assurance tous risques. De combien mon tarif va-t-il augmenter ? »
L’agent sera alors capable de chercher les informations nécessaires, d’obtenir d’éventuelles informations complémentaires et de calculer le montant exact pour apporter une réponse.
