Self-Agentic-AI : la clé de la performance métier
Une étude réalisée par AI Builders met en avant les plateformes d’IA agentique permettant de multiplier les cas d’usages avec des métiers autonomes.
L’intelligence artificielle, notamment l’IA agentique, est à la mode. Soit. Mais les services centraux du Data Office ne peuvent pas s’occuper des multiples petits cas d’usages n’intéressant que quelques collaborateurs, voire un seul. Pourtant, il existe une forte valeur résiduelle dans ces cas d’usages. « Le data office s’est occupé des 20 % de cas d’usages qui permettent de générer 80 % de la valeur mais il ne peut pas s’occuper des petits cas d’usages générant chacun une faible valeur, globalement une grande valeur » s’inquiète Stéphane Roder, CEO d’AI Builders.
Au fil du temps, les data office ont industrialisé leurs processus. De ce fait, ils ne sont plus adaptés au nécessaire artisanat des petits cas d’usages dispersés dans toute l’organisation. Il ne s’agit pas de remettre en cause la centralisation ou la fédération mais bien de la compléter. Pour Stéphane Roder, la solution est simple : « il faut permettre le self-AI ». Il cite notamment le cas de Bank of New-York qui a déployé un framework d’IA et a formé ses collaborateurs pour, en moins d’un an, gagner 40 % de productivité sur les opérations de back office.
Un coût marginal, un bénéfice colossal
Mais comment garantir une certaine rentabilité s’il faut multiplier les développements, donc les coûts ? « Il n’est pas rentable de développer ces cas d’usage en centralisé au niveau du data office » tranche Stéphane Roder. Mais en déployant une plateforme de self-AI, le problème change de dimension. Stéphane Roder explique : « les collaborateurs qui vont développer les agents sont déjà rémunérés pour effectuer leur travail et le coût est donc marginal s’ils sont autonomes. » La maîtrise des modèles de facturation des plateformes peut parfois être délicate mais les coûts restent faibles en regard du reste de l’IT.
Il n’en demeure pas moins que cette autonomie peut entraîner un certain chaos, chacun créant ses petits outils dans son coin sur certaines technologies précises pas nécessairement pérennes ou évolutives. Bref, le risque est le même qu’avec les macros Excel qui finissent en un shadow-IT paralysant. S’il ne faut pas faire n’importe quoi, AI Builders défend malgré tout un modèle d’« émergence débridée ». « Ca couterait plus cher de se priver maintenant, de ne rien faire, plutôt que de rationaliser après coup » martèle Stéphane Roder.
Quels outils utiliser ?
Déployer une plateforme de self-AI ne doit pas être réalisé n’importe comment. Il faut choisir un outil adapté à sa situation. AI Builders a étudié 29 solutions et en a retenu 19. Les plateformes devaient pouvoir se connecter à de multiples outils, de multiples LLM et des sources de données variées tout en gérant correctement la sécurité et la distinction environnement de test / environnement de production. Trois fonctionnalités étaient testées : la construction d’agents, l’intégration au SI et la gouvernance avec suivi des logs et des erreurs. Les plateformes ont été évaluées sur la qualité de leur documentation, leurs fonctionnalités, leur ergonomie (le niveau de formation nécessaire pour s’en servir) et les possibilités d’aller plus loin.
Les solutions ont ensuite été classées avec deux axes : la performance et la maturité marché. Dans la performance, on trouve des critères comme le nombre de LLM et d’API disponibles, l’observabilité des usages, la facilité d’intégration, l’adaptabilité, l’accessibilité par les non-techniciens… La maturité marché, elle, tenait compte de la taille de la communauté d’utilisateurs (surtout pour les solutions open-source), la qualité de la documentation, la gestion des mises-à-jour (y compris la compatibilité ascendante), le niveau de l’interface, la pénétration du marché… Pauline de Lavallade, directrice de recherche d’AI Builders, a présenté l’étude du marché.
Des solutions très différentes
Certaines solutions sont low-code, d’autres no-code. Certaines sont intégrées à des écosystèmes précis (comme Copilot pour l’univers Microsoft), d’autres plus généralistes. Les outils ont des origines variées, de l’ITSM au logiciel métier en passant par des outils de développements, chacun ayant une philosophie issue de son histoire. Le marché est très instable et évolue énormément. La modélisation des coûts de licence est parfois compliquée à comprendre et les modèles économiques mêmes sont instables. Bref, il y a largement de quoi effrayer un manager IT ou métier.
Mais Stéphane Roder conjure : « ne pas se lancer, c’est comme renoncer à la bureautique. Personne n’oserait le faire. Cela entraînerait une explosion de la différence de coûts entre l’entreprise et ses concurrents. » Le choix de l’outil n’est, en plus, qu’une première étape avant d’accompagner les collaborateurs, la gestion du changement étant, comme d’habitude, une condition du succès.