Ce qu'il faut pour développer des agents IA destinés à la production

Le marché des plateformes de développement d'agents IA évolue rapidement, comme le montre le tout premier « Quadrant des marchés émergents » de Gartner consacré aux plateformes de développement d'agents IA. SnapLogic y est désigné comme « Pace Setter ». Les clients de Gartner peuvent consulter le rapport dans son intégralité.

Que signifie la distinction « Quadrant des marchés émergents » ?

Il est désormais communément admis que de nombreuses personnes testent des agents d'IA, mais que rares sont celles qui les déploient en production. Le rapport souligne explicitement cette situation, en citant les données d'une enquête de Gartner : 

Certains pourraient dire que ce marché n’est pas encore suffisamment mature pour justifier le recours à des outils spécialisés, mais de notre point de vue, c’est tout le contraire, selon la manière dont on définit ce besoin. Après tout, cet EMQ cible les « plateformes de développement d’agents IA ». Ce dernier terme est ici essentiel.

Revenons une nouvelle fois à la source et citons les défis commerciaux identifiés par Gartner et auxquels les fournisseurs apportent des réponses : 

• La nécessité d'automatiser des processus complexes, comportant plusieurs étapes, qui nécessitent un raisonnement et une prise de décision
• La demande en systèmes d'IA capables de s'intégrer étroitement aux architectures d'entreprise existantes
• La nécessité de disposer d'une implémentation d'IA personnalisable et contrôlable, répondant à des normes spécifiques en matière de sécurité, de conformité et de performances

C'est précisément en raison du caractère relativement immature de ce marché que les plateformes s'imposent comme la solution. Les défis mis en évidence par Gartner exigent d'ores et déjà des capacités de raisonnement, d'intégration et de contrôle de niveau entreprise, et ces besoins ne font que s'accroître à mesure que l'adoption de cette technologie gagne en maturité.

Exigences minimales pour la formation des agents

Cette première exigence est fondamentale pour l'ensemble du concept de développement d'agents d'IA. L'objectif principal des cadres multi-agents est d'orchestrer des processus complexes grâce à des décisions autonomes prises par divers sous-agents spécialisés, qui travaillent tous ensemble pour atteindre un objectif unique.

Il s'agit avant tout d'une exigence fonctionnelle incontournable : il est impossible de se lancer dans le « pilotage » ou l'« exploration » sans prendre en charge ce modèle de développement. C'est une nouveauté dans la mesure où, il y a encore un an, cette pratique était peu répandue, et les outils spécialisés permettent effectivement à davantage de collaborateurs au sein de l'organisation d'adopter ces fonctionnalités.

Cela présente un avantage concret. Plus la barrière à l’entrée est faible, plus ces fonctionnalités deviennent accessibles à ceux qui sont les plus proches des réalités des processus métier que les agents d’IA sont appelés à soutenir. 

Des outils conviviaux qui mettent ces fonctionnalités à la portée d'un public plus large que celui des seuls spécialistes de l'IA. Cela renforce la valeur de ces outils en contribuant à garantir que le résultat de cet effort de développement soit adapté à l'usage prévu et soit réellement adopté par les utilisateurs finaux, plutôt que de rester lettre morte en tant que simple démonstrateur d'une technologie sans avenir.

L'IA meurt de déshydratation de données

La deuxième condition est un sujet familier pour les lecteurs de ce blog, qui savent que «la véritable raison pour laquelle les agents d’IA échouent en production n’a rien à voir avec le modèle ». Nous affirmons depuis longtemps que le principal obstacle entre une démonstration impressionnante ou un projet pilote prometteur et un déploiement à grande échelle en production réside dans l’accès aux données. 

Les architectures informatiques d'entreprise ne partent pas de zéro. Il existe déjà de nombreuses applications, systèmes et bases de données qui assurent le fonctionnement quotidien de l'organisation. Tout comme un nouvel employé doit se voir attribuer des droits d'accès à l'ensemble de ces systèmes avant de pouvoir commencer à travailler correctement, les agents d'IA auront eux aussi besoin d'accéder aux données et applications essentielles de l'organisation.

Pour une démonstration, vous pouvez exporter un instantané des données et travailler à partir de celui-ci. Pour un projet pilote, vous pouvez vous créer vous-même un accès à un ou deux systèmes représentatifs — en vous limitant bien sûr aux instances de test. Mais pour un déploiement en environnement de production, il faut une solution bien plus robuste.

Une entreprise dispose aujourd’hui en moyenne de 305 applications SaaS. Ce chiffre ne tient même pas compte des applications sur site qui sont toujours en service. Il n’inclut pas non plus le phénomène en plein essor de l’adoption « informelle » d’applications, qu’elles soient développées en interne ou adoptées discrètement au niveau d’équipes ou de services isolés. 

Même en supposant que vous puissiez obtenir ces identifiants, vous n’avez certainement pas envie de vous lancer dans la recherche d’un moyen d’y accéder — même avec l’aide d’un copilote de programmation basé sur l’IA. Et cela, avant même d’aborder le point suivant.

Des intégrations « en spaghettis » à une architecture gouvernée

Lorsque l'on réfléchit à la nécessité de mettre en place des contrôles sur les agents d'IA, on se concentre généralement sur le risque d'hallucinations (également appelées « confabulations »), les agents pouvant alors fournir une réponse plausible mais erronée. Il s'agit encore d'un domaine très récent, mais des bonnes pratiques commencent à se dessiner. 

L'une des approches les plus prometteuses consiste à associer l'IA probabiliste à la logique déterministe traditionnelle : parfois, ce qu'on recherche, c'est une vérification rigoureuse de l'égalité ou un simple calcul mathématique, et il existe des méthodes éprouvées pour y parvenir sans la complexité (et le coût !) des agents d'IA. Une autre approche est, bien sûr, la bonne vieille supervision humaine : « l'humain aux commandes » qui guide l'IA.

Cependant, il existe également un niveau de contrôle supplémentaire essentiel qui s’exerce au niveau de l’architecture. À un moment donné, pour obtenir l’autorisation de déployer vos agents en production, vous devrez répondre à des questions rigoureuses posées par des personnes chargées de l’architecture et de la conformité :

• Comment votre agent accède-t-il aux données ?
• Quels sont les contrôles que vous avez mis en place concernant les données accessibles au sein de chaque système ?
• Comment pouvons-nous vérifier quelles données votre agent a consultées par le passé ?
• Comment peut-on savoir quel utilisateur a demandé quelles données via l'agent ?
• Comment pouvons-nous déterminer quelle version de votre agent était en cours d'exécution à un moment donné et quelles modifications y ont été apportées par la suite ?

Aucune de ces questions n'est nouvelle; ce sont exactement le genre de questions auxquelles tout développeur d'application aurait dû répondre ces dernières années. 

Le fait que ces questions soient posées au sujet des agents IA témoigne d’une certaine maturité, alors que la phase de « pilotage » et d’« exploration » touche à sa fin et que ces projets commencent à se heurter à des enjeux concrets. Voici la couche de contrôle qui manque à vos agents IA.

Transformer le potentiel en production

Si SnapLogic a été désigné comme « pionnier » dans ce domaine émergent des plateformes de développement d’agents IA, c’est précisément parce qu’il apporte des réponses solides, fiables et éprouvées à toutes ces questions relatives aux agents IA.

AgentCreator est conçu pour faciliter le développement, l'évolution et la maintenance de systèmes multi-agents. L'environnement de développement graphique « low-code »/« no-code » et le copilote SnapGPT mettent ces puissantes fonctionnalités à la disposition des utilisateurs ne disposant pas de connaissances formelles en programmation. Grâce à des fonctionnalités telles que l'Agent Visualizer, les développeurs peuvent observer comment les agents IA communiquent et coopèrent.

Grâce à la prise en charge de MCP, il est très facile de mettre à la disposition des agents l’ensemble des systèmes d’entreprise déjà connectés via les plus de 1 000 « Snaps » de SnapLogic, et ce, de manière sécurisée et régie par des règles. Par exemple, grâce à la fonctionnalité « Trusted Agent Identity », l’agent hérite des identifiants de l’utilisateur à l’origine de la requête, à la fois pour accorder (ou refuser) un accès granulaire et pour auditer cette interaction a posteriori.

Enfin, une structure de données agentique implique l’existence d’un point unique de connexion et de gouvernance pour toutes les interactions avec les systèmes métier clés et les données. Elle remplace les « intégrations en spaghetti », qui résultent de connexions point à point non gérées, par une architecture claire et simple. 

Cette abstraction permet également d'éviter la dépendance vis-à-vis d'un fournisseur inhérente aux piles d'agents intégrées verticalement, préservant ainsi la liberté de modifier et de faire évoluer l'architecture au rythme imposé par l'évolution du domaine de l'IA agentique.

Prêt à découvrir comment ces fonctionnalités s'appliquent concrètement ? Explorez notre plateforme une visite guidée en libre-service ou demandez une démonstration personnalisée afin de discuter des besoins spécifiques de votre entreprise avec notre équipe.