Les patterns d'IA à base d'agents renforcent la…

Les agents IA ne se trompent pas avec assurance à cause d'un mauvais contexte, mais d'une mauvaise ingénierie des données

46

1VentureBeat AI

Les agents IA ne se trompent pas avec assurance à cause d'un mauvais contexte, mais d'une mauvaise ingénierie des données

Un scénario revient de plus en plus souvent dans les équipes qui déploient des chatbots d'entreprise basés sur l'IA : after weeks de réglages, les réponses sont validées par les parties prenantes, le système est mis en production, puis trois mois plus tard il se trompe avec assurance sur environ un tiers des questions posées, sans que personne n'ait touché au modèle ni aux prompts. La cause n'est pas technique au sens classique : les prix ont changé, une politique a été mise à jour, une fiche produit est sortie dans une nouvelle version, et la base de connaissances sous-jacente n'a pas suivi. Un exemple similaire s'est produit dans une chaîne de traitement de données fintech : un système amont a modifié un champ sans prévenir les systèmes en aval, et le pipeline n'a jamais échoué au sens strict puisqu'il continuait de faire remonter des valeurs, simplement fausses, dans les tableaux de bord, jusqu'à ce qu'un client signale une incohérence. Un document de tarification obsolète est récupéré avec la même confiance qu'un document à jour, car le système évalue la pertinence ou la disponibilité de l'information, jamais son exactitude. Ce type de panne est particulièrement dangereux car il reste invisible : tous les indicateurs de supervision restent au vert, le pipeline tourne, le job se termine sans erreur, et pourtant la donnée servie est fausse. Face à ce problème, les équipes commettent généralement la même erreur de diagnostic à deux reprises : elles soupçonnent d'abord le modèle de langage et changent de LLM ou ajustent les prompts, puis, une fois cette piste écartée, elles blâment la couche de récupération de contexte et cherchent à acheter un meilleur outil de retrieval. Or le vrai problème se situe plus en amont, au niveau de l'ingénierie des données elle-même : la supervision existante vérifie si un traitement s'est exécuté, pas si la donnée qu'il a transportée est toujours vraie, un biais qui précède largement l'arrivée de l'IA générative en entreprise. Ce diagnostic explique la ruée actuelle des grands fournisseurs cloud vers ce qu'on appelle la couche de contexte. Amazon Web Services vient d'entrer dans cette course avec un graphe de connaissances qui apprend de l'usage des agents IA, tandis que Snowflake a lancé Horizon Context et Cortex Sense pour cibler précisément ce symptôme de réponses erronées mais confiantes. Ces réponses restent toutefois une couche au-dessus du vrai enjeu, puisqu'un graphe de connaissances dépend toujours de ce qui l'alimente en amont. La solution, selon l'auteur, passe par une véritable observabilité des données, un concept déjà ancien mais encore mal appliqué, où la métrique clé n'est pas un pourcentage de disponibilité mais la couverture réelle de la traçabilité des jeux de données critiques, un chantier qu'Uber a par exemple structuré via une équipe dédiée à la qualité et à l'observabilité des données.

OutilsOpinion

1 source

Leadership dans l'ingénierie assistée par IA

42

2InfoQ AI

Leadership dans l'ingénierie assistée par IA

Justin Reock, responsable technique chez DX (Developer Experience), a présenté une analyse rigoureuse de l'impact réel de l'intelligence artificielle sur le génie logiciel, en s'appuyant sur des données issues des études DORA et DX Research plutôt que sur des témoignages anecdotiques. Son constat central est frappant : 95 % des projets pilotes d'IA générative échouent avant de passer à l'échelle, un phénomène qu'il nomme le « GenAI Divide ». Pour mesurer le retour sur investissement réel, il recommande deux cadres analytiques établis, SPACE et Core 4, qui permettent d'évaluer la productivité des développeurs selon des dimensions multiples, au-delà du simple nombre de lignes de code produites. L'enjeu est considérable pour les équipes d'ingénierie : sans indicateurs adaptés, les organisations risquent de confondre vitesse d'exécution et véritable efficacité. Reock insiste sur la nécessité de concilier rapidité et qualité, mais aussi de réduire la peur des développeurs face à ces outils, qui peut freiner l'adoption et biaiser les résultats. L'objectif n'est pas de remplacer les ingénieurs, mais de leur permettre de se concentrer sur les tâches à forte valeur ajoutée. Ce discours s'inscrit dans un contexte où les grandes entreprises tech investissent massivement dans les agents IA capables d'intervenir à chaque étape du cycle de développement logiciel, du design aux tests en passant par la revue de code. La question n'est plus de savoir si l'IA transformera l'ingénierie logicielle, mais comment les responsables techniques peuvent piloter cette transition avec des méthodes de mesure fiables et une approche centrée sur l'humain.

OutilsOutil

1 source

Simulations en continu : comment les agents IA font avancer l'ingénierie du sous-sol

38

3NVIDIA Developer Blog

Simulations en continu : comment les agents IA font avancer l'ingénierie du sous-sol

L'industrie souterraine, qui englobe l'exploration pétrolière, gazière et géothermique, traverse une transformation numérique majeure portée par l'essor des agents IA capables de fonctionner en continu, 24 heures sur 24 et 7 jours sur 7. Pendant des décennies, exploiter le potentiel des réservoirs souterrains a exigé des ingénieurs spécialisés qui effectuaient manuellement des workflows complexes et chronophages. La croissance exponentielle des volumes de données géologiques et sismiques a creusé un fossé critique entre la vitesse de traitement des machines et la capacité humaine disponible, rendant les simulations à la demande pratiquement impossibles à opérer à grande échelle. L'introduction d'agents IA autonomes dans les boucles de simulation change fondamentalement cette équation. Ces systèmes peuvent enchaîner sans interruption des cycles complets de modélisation de réservoirs, ajuster les paramètres, interpréter les résultats et relancer de nouvelles itérations, sans attendre qu'un expert soit disponible. Pour les opérateurs pétroliers et les équipes d'ingénierie de réservoir, cela se traduit par une réduction drastique des délais de décision et une capacité à explorer un spectre bien plus large de scénarios géologiques en un temps réduit. Ce virage s'inscrit dans une tendance plus large d'automatisation des workflows scientifiques et industriels lourds, où l'IA agentique dépasse le simple rôle d'assistant pour devenir un acteur opérationnel autonome. Le secteur énergétique, sous pression pour optimiser l'extraction tout en réduisant les coûts et l'empreinte carbone, constitue un terrain d'expérimentation privilégié pour ces architectures. Les prochains développements devraient porter sur l'intégration de ces agents dans des pipelines de décision en temps réel, directement connectés aux données de terrain.

UELes acteurs européens du secteur énergétique, notamment dans l'exploration géothermique et pétrolière, pourraient adopter ces architectures agentiques pour réduire leurs coûts opérationnels et accélérer leurs cycles de décision.

OutilsOutil

1 source

38

4VentureBeat AI

Les entreprises IA à base d'agents : concevoir pour des performances mesurables

Les agents d'intelligence artificielle semi-autonomes capables de gérer des tâches métier complexes en temps réel ne sont plus une promesse lointaine, c'est désormais une réalité opérationnelle pour certaines grandes entreprises. EdgeVerve, filiale d'Infosys spécialisée dans l'automatisation intelligente, a récemment publié un cadre de conception pour déployer ces agents à l'échelle industrielle. L'entreprise cite ses propres déploiements en production : dans un environnement financier réel piloté par un directeur financier, sept agents interconnectés ont généré en un an une amélioration de plus de 3 % des flux de trésorerie mensuels, un gain de productivité de 50 % sur les workflows concernés, un onboarding 90 % plus rapide, et un impact total de 32 millions de dollars sur la trésorerie. En maintenance immobilière, des résultats similaires ont été obtenus grâce à des agents spécialisés dans la coordination des interventions. Ces chiffres illustrent ce qui distingue un pilote réussi d'un projet abandonné : l'ancrage dans des objectifs métier mesurables dès le départ. La méthode préconisée consiste à partir des KPI organisationnels, délai de recouvrement (DSO), taux de conformité, temps moyen de résolution (MTTR), satisfaction client (NPS), pour définir les objectifs des agents, puis seulement choisir les workflows à automatiser. Les "zones grises opérationnelles", ces espaces entre les applications où subsistent encore des validations manuelles, des réconciliations et des transferts humains, représentent le prochain gisement de valeur. C'est là que les agents peuvent éliminer les frictions systémiques sans remplacer intégralement des processus formalisés. Le cadre repose sur quatre piliers : autonomie calibrée selon le niveau de risque (de la simple suggestion à l'exécution avec rollback automatique), gouvernance intégrée dès la conception avec des garde-fous stricts sur les données personnelles et réglementaires, observabilité continue via des évaluations et métriques en temps réel, et flexibilité d'intégration allant bien au-delà des seules API classiques, en incluant les flux événementiels, les connecteurs RAG pour bases documentaires, et des fallbacks RPA là où les API n'existent pas. Le risque central identifié est celui des agents "hallucinant" des actions non vérifiables par l'entreprise, d'où l'insistance sur l'idempotence, les mécanismes de retry et les schémas d'outils standardisés. Dans un contexte où de nombreuses entreprises peinent encore à sortir leurs agents du stade expérimental, ce retour d'expérience chiffré positionne EdgeVerve comme un acteur cherchant à normaliser les déploiements agentiques en environnement critique.

OutilsOutil

1 source

Les patterns d'IA à base d'agents renforcent la rigueur d'ingénierie

À lire aussi

Les agents IA ne se trompent pas avec assurance à cause d'un mauvais contexte, mais d'une mauvaise ingénierie des données

Leadership dans l'ingénierie assistée par IA

Simulations en continu : comment les agents IA font avancer l'ingénierie du sous-sol

Les entreprises IA à base d'agents : concevoir pour des performances mesurables