Bienvenue dans Eye on AI. Dans cette édition… Le président Trump vise la réglementation de l’IA par l’État avec un nouveau décret… OpenAI dévoile un nouveau générateur d’images pour rattraper Nano Banana de Google… Google DeepMind forme des agents plus performants pour les mondes virtuels… et le bilan de sécurité de l’IA n’offre pas beaucoup de assurance.
Bonjour. 2025 était censée être l’année de l’agent IA. Mais alors que l’année touche à sa fin, il est clair que ces prévisions des fournisseurs de technologies étaient trop optimistes. Oui, certaines entreprises commencent à utiliser des agents IA. Cependant, ce n’est pas encore le cas pour la plupart des entreprises, notamment pour les déploiements à l’échelle de l’entreprise.
Le mois dernier, l’étude State of AI de McKinsey a révélé que la majorité des entreprises n’ont pas encore commencé à utiliser des agents d’IA, et que 40 % d’entre elles les expérimentent. Moins d’un quart déclarent avoir déployé des agents d’IA à grande échelle pour au moins un cas d’utilisation. Et lorsque nous avons demandé aux gens si leurs cabinets de conseil utilisaient l’IA dans des fonctions spécifiques comme le marketing, les ventes et les ressources humaines, les résultats étaient encore pires. Seulement 10 % des personnes interrogées ont déclaré qu’elles étaient « en pleine expansion » ou « en train d’étendre » leurs agents d’IA dans l’un de ces domaines. L’informatique est l’une des fonctions les plus utilisées par les agents améliorés (les agents sont souvent utilisés pour résoudre automatiquement les tickets de service et installer des logiciels pour les employés). Encore une fois, seulement 2 % des agents ont déclaré qu’ils étaient « à pleine échelle » et 8 % supplémentaires ont déclaré qu’ils étaient « à grande échelle ».
Une grande partie du problème réside dans la difficulté de concevoir des flux de travail permettant aux agents d’IA de produire des résultats fiables. Même les modèles d’IA les plus performants d’aujourd’hui franchissent une frontière étrange entre la capacité d’effectuer certaines tâches dans un flux de travail, mais pas d’autres, tout comme les humains. Les tâches complexes qui collectent des données provenant de plusieurs sources et utilisent des outils logiciels à travers de nombreuses étapes posent des défis particuliers. Plus le flux de travail est long, plus le risque qu’une erreur se produise dans l’une des premières étapes du processus, entraînant un échec, est grand. De plus, les modèles d’IA les plus performants peuvent être coûteux à utiliser à grande échelle, surtout si le flux de travail nécessite que l’agent fasse beaucoup de planification et de raisonnement.
De nombreuses entreprises ont cherché à résoudre ces problèmes en concevant des « workflows multi-agents ». Ce workflow lance différents agents, chacun étant affecté à une seule étape du workflow. Cela peut impliquer d’utiliser un agent pour vérifier le travail d’un autre agent. Bien que cela améliore les performances, cela peut également être coûteux, et dans certains cas, le coût peut être si élevé que l’automatisation du flux de travail n’en vaut pas la peine.
Deux agents IA valent-ils toujours mieux qu’un ?
Une équipe de Google a mené une étude visant à fournir aux entreprises une meilleure grille pour déterminer quand il est préférable d’utiliser un seul agent plutôt que de créer un flux de travail multi-agents, et quel type de flux de travail multi-agents est le meilleur pour une tâche donnée.
Les chercheurs ont mené 180 expériences contrôlées à l’aide de modèles d’IA de Google, OpenAI et Anthropic. Nous les avons testés par rapport à quatre benchmarks d’IA d’agents différents couvrant une variété d’objectifs. Planification dans l’environnement de jeu Minecraft. Planifier et utiliser des outils pour accomplir des tâches commerciales courantes, telles que répondre aux e-mails, planifier des réunions et utiliser un logiciel de gestion de projet. et les références des agences financières. Ce test financier oblige les agents à extraire des informations des documents déposés auprès de la SEC et à effectuer une analyse de base, telle que comparer les résultats réels aux attentes de la direction pour le trimestre précédent, comprendre l’évolution des revenus de segments de produits spécifiques au fil du temps et comprendre la quantité de liquidités dont l’entreprise dispose pour les activités de fusion et d’acquisition.
Depuis un an, l’idée reçue veut que les flux de travail multi-agents produisent des résultats plus fiables. (J’ai déjà écrit sur ce point de vue dans Eye on AI, qui est soutenu par l’expérience de certaines entreprises telles que Prosus.) Mais les chercheurs de Google ont plutôt découvert que la validité de la sagesse conventionnelle dépend en grande partie de la nature exacte de la tâche.
Les performances d’un agent unique sont bonnes pour les étapes séquentielles mais médiocres pour les étapes parallèles.
J’ai découvert que lorsqu’une tâche est séquentielle, comme le sont de nombreuses tâches de référence de Minecraft, il est préférable de déployer un seul agent, à condition qu’un seul agent d’IA puisse effectuer la tâche correctement au moins 45 % du temps (ce qui est une barre assez basse à mon avis). L’utilisation de plusieurs agents dans n’importe quelle configuration a considérablement dégradé les performances globales, allant de 39 % à 70 %. La raison, selon les chercheurs, est que si une entreprise dispose d’un budget symbolique limité pour accomplir l’ensemble de la tâche, les demandes de plusieurs agents essayant de comprendre comment utiliser différents outils peuvent rapidement dépasser ce budget.
Cependant, lorsque la tâche implique des étapes pouvant être réalisées en parallèle, comme c’est le cas pour de nombreuses tâches d’analyse financière, les systèmes multi-agents présentent des avantages significatifs. De plus, les chercheurs ont découvert que la manière exacte dont les agents sont configurés pour travailler les uns avec les autres fait également une grande différence. Pour les tâches d’analyse financière, un système multi-agents centralisé, dans lequel un seul agent coordinateur dirige et supervise les activités de plusieurs sous-agents et tous les flux de communication entre les coordinateurs, a fourni les meilleurs résultats. Le système a fonctionné 80 % mieux qu’un seul agent. D’un autre côté, un système multi-agents indépendant sans coordinateur et avec chaque agent assigné à un rôle restreint et exécuté en parallèle n’a surpassé qu’un agent unique de 57 % seulement.
Des recherches comme celle-ci devraient aider les entreprises à trouver la meilleure façon de configurer les agents d’IA afin que la technologie commence enfin à tenir les promesses de l’année dernière. Pour les entreprises vendant des technologies d’agents d’IA, mieux vaut tard que jamais. Pour les personnes travaillant dans des entreprises qui utilisent des agents IA, nous devons voir comment ces agents impactent le marché du travail. C’est quelque chose que nous surveillerons de près à l’approche de 2026.
Voici donc d’autres nouvelles sur l’IA pour vous.
Jérémy Kern
[email protected]
@jeremyakahn
Cet article a été initialement publié sur Fortune.com
