Technologies

Comment savoir si un processus métier est mûr pour l'IA agentique ?

Dans le service client, l'IA agentique introduit un nouveau paradigme, passant d'une automatisation basée sur des règles à des agents de service client conscients du contexte et s'améliorant par eux-mêmes. (Photo : Charanjeet Dhiman/Unsplash)

L'ère des agents ouvre la voie à de nouveaux niveaux d'automatisation, l'IA devenant autonome dans l'accomplissement de tâches ou la prise de décisions. Mais quels sont les meilleurs candidats au déploiement de cette technologie ?

Publicité2025 sera probablement l'année de l'IA agentique et de nombreuses entreprises cherchent à trouver des cas d'utilisation à valeur ajoutée. D'où la question qu'elles se posent d'emblée : quels sont les processus opérationnels qui se prêtent réellement à l'IA agentique ?

Le cabinet de conseil Deloitte prévoit qu'en 2025, 25% des entreprises qui utilisent l'IA générative lanceront des projets pilotes ou des prototypes d'IA agentique, et que ce chiffre passera à 50% en 2027. Selon le cabinet de conseil, certaines applications d'IA agentique, dans certains secteurs et pour certains cas d'usage, pourraient être réellement adoptées dans les processus existants dès cette année. Mais tous les processus d'entreprise ne sont pas de bons candidats en la matière. Certains observateurs du marché estiment ainsi que l'automatisation déterministe va continuer à dominer les efforts des entreprises en la matière au cours de cette année.

Alignement métier, valeur et risque

Comment une entreprise peut-elle savoir si un processus métier est mûr pour l'IA agentique ? L'un des facteurs à prendre en compte, comme pour tout investissement informatique, consiste à s'interroger sur la valeur ajoutée réelle que l'adoption de l'IA agentique apportera à un processus. « Une stratégie d'IA agentique réussie commence par une définition claire de ce que les agents d'IA sont censés accomplir », souligne Prashant Kelker, directeur de la stratégie et associé au sein du cabinet d'études et de conseil ISG. « Il est essentiel d'aligner les attentes vis-à-vis de l'IA sur les objectifs plus larges de l'entreprise. L'IA agentique a besoin d'une mission. Oublier de définir clairement l'objectif, c'est comme envoyer un navire en mer sans destination. »

Au départ, la décision de savoir si un processus métier est un bon candidat pour passer à l'IA agentique suit les mêmes processus internes applicables à l'évaluation de tout nouveau projet technologique, explique Reiko Feaver, associée au sein du cabinet d'avocats Culhane Meadows, et dont les activités sont tournées vers l'IA.

Si une analyse coûts/bénéfices montre que l'IA agentique apportera ce qui manque aux processus actuels et permettra un retour sur investissement (ROI), alors l'entreprise devrait aller de l'avant en y consacrant les ressources nécessaires, notamment en matière de budget, de personnel et de temps. Si ce n'est que cette équation est rendue plus complexe par la tarification des offres d'IA agentique des fournisseurs, qui n'est pas encore tout à fait claire.

S'interroger sur les ressources et le cadre de gouvernance

Le niveau d'autonomie envisagé, l'augmentation des ressources pour porter les projets et la complexité de l'IA agentique pour un ou plusieurs processus donnés créent également des défis qui doivent être pris en compte, explique Reiko Feaver. La capacité d'une entreprise à relever ces défis peut également déterminer quels processus sont prêts pour l'IA agentique.

Publicité« L'entreprise dispose-t-elle des ressources au lancement du projet et sur la durée pour déployer et améliorer en permanence la technologie de l'IA agentique, y compris concernant l'infrastructure IT et les données nécessaires ?, interroge l'avocate. A-t-elle mis en place une structure d'analyse et de contrôle de la conformité pour évaluer initialement les risques de l'IA agentique, surveiller et corriger les problèmes qui se posent, mesurer le succès et rester à jour sur les lois et réglementations applicables ? »

En outre, l'entreprise peut-elle se permettre une défaillance de l'IA agentique dans un processus, en matière de performance et de conformité ? « Quel serait l'impact sur l'entreprise si l'IA agentique tombait en panne et devait être remplacée par une autre solution pour gérer le processus métier concerné ?, reprend Reiko Feaver. Ce processus peut-il être facilement transféré à une autre solution ? »

Données de qualité et cadre d'actions documenté

Un bon cas d'usage de l'IA agentique dépend également de la qualité des données utilisées pour supporter un processus. « Pour tirer une valeur tangible et un retour sur investissement de l'IA agentique, les entreprises doivent s'assurer qu'elles disposent de données de haute qualité », explique Saket Srivastava, DSI chez le fournisseur de plateformes de gestion professionnelle Asana. « Si les données [sur lesquelles les agents] agissent sont obsolètes, ne sont pas significatives ou ne correspondent pas aux objectifs de l'entreprise, les organisations n'obtiendront pas de résultats tangibles de la part des agents. »

Les agents d'IA ont également besoin d'informations sur les personnes responsables de tâches spécifiques, sur les objectifs, sur le moment où les actions doivent avoir lieu et sur le déroulement du processus. « Sans ce cadre d'action, même les systèmes d'IA les plus avancés auront du mal à fournir une valeur significative », reprend le DSI d'Asana.

L'IA agentique joue déjà un rôle central dans les efforts d'Asana pour transformer la gestion des tâches en interne et pour ses clients. L'année dernière, la société a mis sur le marché des agents d'IA qui donnent des conseils sur les priorités, pilotent les workflows et prennent des actions, tout en s'adaptant aux méthodes de travail spécifiques des individus et des équipes, explique Saket Srivastava.

Asana a également lancé récemment Asana AI Studio, qui utilise l'IA agentique pour permettre aux équipes de créer des workflows en no code, alimentés par l'IA. « Ces workflows [permettent] aux agents d'IA de gérer les tâches manuelles répétitives telles que le tri des demandes de projet, la rédaction de briefs ou l'attribution de tâches, ce qui réduit considérablement le temps que les équipes consacrent à ces tâches, explique Saket Srivastava. Nous avons permis à tous nos employés d'utiliser AI Studio pour des tâches spécifiques telles que la recherche et la rédaction de plans, en veillant à ce que les traductions exactes de contenus ou d'actifs soient conformes à nos directives de la marque », reprend le DSI.

Saket Srivastava, DSI chez le fournisseur de plateformes de gestion professionnelle Asana. (Photo : D.R.)

Par exemple, l'équipe de cybersécurité d'Asana a utilisé AI Studio pour réduire la charge nerveuse liée aux alertes et libérer le temps de travail que l'équipe consacrait auparavant au tri de ces alertes et des vulnérabilités. De son côté, le service informatique utilise Asana AI Studio pour sa gestion des fournisseurs, pour prendre en charge les demandes au help-desk ou encore pour s'assurer qu'il répond aux exigences de conformité et de déploiement des logiciels.

Service client : la cible idéale de l'IA agentique ?

Le service client est un domaine qui apparaît idéal pour le déploiement de l'IA agentique. Les entreprises utilisent depuis un certain temps des serveurs vocaux interactifs (SVI) et des chatbots pour automatiser certaines interactions avec les clients, note Sheldon Montiero, chef de produit et responsable GenAI au sein de la société de conseil en technologie Publicis Sapient. Mais ces solutions sont basées sur des règles et fonctionnent dans le cadre de workflows fixes et prédéfinis, explique-t-il. « Les SVI reposent sur des arbres de décision rigides, ce qui signifie qu'ils ont du mal à répondre aux demandes complexes ou inattendues, frustrant souvent les clients qui restent bloqués dans des boucles infinies ou sont obligés de se répéter », souligne Sheldon Montiero.

Les anciens chatbots fonctionnent sur la base de mots-clés et de réponses préprogrammées, reprend encore l'expert. Suffisant pour les demandes simples et structurées, telles que la vérification du solde d'un compte. Mais ces systèmes échouent lorsque les clients formulent leurs interrogations de manière inattendue, introduisent plusieurs sujets ou que les réponses nécessitent une compréhension fine du contexte.

« Ces deux approches manquent de capacités d'adaptation et de résolution dynamique des problèmes, ce qui conduit à des escalades fréquentes vers les agents humains et à des expériences client médiocres », résume Sheldon Montiero. Selon lui, l'IA agentique introduit un nouveau paradigme, passant d'une automatisation basée sur des règles à des agents de service client conscients du contexte, s'améliorant eux-mêmes et autonomes dans certaines de leurs actions.

Passer de l'automatisation de tâches à la résolution de problèmes

« Le service client est un cas d'utilisation puissant, car il nécessite la résolution de problèmes clients qui peuvent être complexes et se décomposer en plusieurs étapes avec des dépendances entre elles, impliquant la compréhension du contexte et des nuances. Ce qui passe par des capacités de raisonnement pour s'adapter les problèmes des clients, ainsi que des capacités d'ajustement à des conditions changeantes », souligne Sheldon Montiero.

Les interactions avec le service client impliquent des données non structurées telles que du texte, des images et de la voix, et fonctionnent dans des environnements dynamiques, ce qui nécessite un apprentissage constant et une adaptation en temps réel, reprend le responsable. « L'avantage concurrentiel peut être maximisé par une résolution immédiate et autonome [des problèmes des clients], et par l'utilisation du retour d'information pour améliorer le système au fil du temps, explique-t-il. Les anciens chatbots et SVI avaient pour but d'automatiser des tâches. L'IA agentique vise à résoudre les problèmes et à fournir des expériences client en temps réel, adaptatives et personnalisées. »

Les 4 points forts de l'IA agentique

Les experts identifient quatre scénarios ciblant des processus standards qui pourraient constituer autant de cas d'utilisation de l'IA agentique.

1. Optimiser les processus hybrides

Priya Iragavarapu, vice-présidente Data Science et analytics chez AArete, société de conseil, estime que l'IA agentique peut avoir un impact sur les processus d'entreprise qui mélangent déjà des tâches automatisées et des tâches basées sur des prises de décision humaine. « L'IA agentique s'applique mieux aux processus d'entreprise qui mêlent tâches programmées et manuelles au sein d'un même processus », explique-t-elle.

C'est le cas, par exemple, lorsqu'un processus de traitement des demandes d'indemnisation implique la validation automatisée de données structurées - telles que la vérification des numéros de police d'assurance et des dates de couverture - combinée à l'examen manuel de documents non structurés, tels que des rapports médicaux ou l'interprétation d'exceptions qui requièrent l'intervention humaine.

2. Rapprocher et orchestrer les workflows en silo

Autre scénario où l'IA agentique peut être mise à profit : celui où un processus métier s'étend sur plusieurs équipes cloisonnées entre elles, chacune n'ayant aucune visibilité ou accès aux données ou aux systèmes des autres. « Dans ce cas, il est préférable de construire un agent d'IA qui soit formé à l'expertise et aux connaissances interfonctionnelles », explique Priya Iragavarapu. Exemple : un processus order-to-cash dans une grande organisation, où les équipes des ventes, des finances et de la logistique opèrent chacune dans des systèmes distincts.

« L'agent d'IA peut alors intégrer et agréger les données de tous ces systèmes, offrant une vue unifiée pour identifier les goulets d'étranglement, envoyer des alertes proactives sur les retards et aider aux tâches de réconciliation », explique l'experte. L'agent sert de passerelle entre les équipes afin de faciliter les workflow et la prise de décision, ajoute-t-elle.

Lorsque les processus s'étendent sur plusieurs équipes ou départements et nécessitent une coordination importante, ils peuvent bénéficier de la capacité de l'IA à agir en tant qu'orchestrateur, abonde Saket Srivastava.

3. Automatiser les étapes multiples et répétitives

« Les processus qui impliquent des actions routinières et répétitives, telles que la saisie de données, l'attribution de tâches ou la génération de rapports, sont mûrs pour l'IA [agentique] », explique Saket Srivastava. « Ces tâches prennent souvent beaucoup de temps aux employés, mais ne nécessitent pas de réflexion créative ou stratégique approfondie. L'IA agentique peut automatiser ces flux, ce qui permet aux employés de se concentrer sur des activités à plus forte valeur ajoutée. »

ISG utilise l'IA agentique pour certains composants de son outil Tango. « Nous mettons à jour [l'outil] pour intégrer des éléments d'IA et piloter des cas d'utilisation dans les domaines de l'approvisionnement, du sourcing et de la gestion des fournisseurs, qui constituent l'essentiel de nos services de conseil, explique Prashant Kelker. Nous accélérons ces scénarios d'utilisation qui nous permettent d'aller au-delà du Machine Learning traditionnel et d'aller vers des tâches et des prises de décision autonomes. »

Les étapes hautement répétitives et qui suivent des règles bien définies sont des candidats de choix pour l'IA agentique, souligne Prashant Kelker. « Par exemple, l'automatisation du traitement des factures dans la gestion des fournisseurs a conduit à la constitution de notre offre d'analyse des factures, qui garantit que les entreprises ne paient pas deux fois pour le même service, explique-t-il. Les règles doivent être claires et la répétitivité doit être élevée. C'est la combinaison idéale. »

4. Remplacer des tâches manuelles coûteuses

Un autre scénario qui se prête bien à l'IA agentique réside dans les processus métiers impliquant une approche manuelle et l'embauche de salariés pour s'occuper de ces tâches serait trop coûteuse. « C'est le cas, par exemple, des opérations de support client dans une entreprise en forte croissance, explique Priya Iragavarapu. Au lieu d'engager une équipe pour traiter les demandes courantes des clients - état des commandes, problèmes de compte ou le dépannages basiques -, un agent d'IA pourrait traiter une grande partie de ces interactions de manière autonome.

« Il peut résoudre les problèmes courants, transmettre les cas complexes à des agents humains et apprendre au fil du temps à améliorer ses réponses, reprend la vice-présidente Data Science et analytics chez AArete. Cette approche réduit les coûts opérationnels, améliore les temps de réponse et permet aux agents humains de se concentrer sur des interactions à plus forte valeur ajoutée, telles que le traitement des litiges ou l'établissement de relations approfondies avec les clients. »