Et si l’IA prenait en charge de manière autonome le développement logiciel ? Les systèmes d’IA agentique, tels que GitHub Copilot Workspace, visent déjà à traiter des demandes de haut niveau et à écrire, tester et déboguer du code de manière autonome. Ce bond en avant, qui va au-delà de la simple génération d’extraits de code pour s’étendre à l’automatisation de flux de travail cognitifs de bout en bout, redéfinit le travail intellectuel et l’interaction avec les logiciels. Il est désormais impératif pour les dirigeants de comprendre l’impact de l’IA agentique sur la stratégie, les feuilles de route et les effectifs. Selon les participants à une récente enquête du Boston Consulting Group, une entreprise sur trois dans le monde prévoit de consacrer plus de 25 millions de dollars à l’IA en 2025.
Définition de l’IA agentique : au-delà des chatbots, vers des acteurs autonomes
Oubliez les simples chatbots. L’IA « agentique » désigne des systèmes conçus pour poursuivre des objectifs de manière autonome. À partir d’un objectif général, un système agentique est capable d’élaborer un plan, d’en exécuter les étapes en interagissant avec divers outils numériques (API, navigateurs, applications) et de s’adapter en fonction des résultats obtenus. Il s’agit d’une évolution de l’IA, qui passe d’un système réagissant sur la base de modèles à un système agissant pour accomplir des tâches spécifiques.
Une grande partie de la confusion provient du fait que l’IA agentique s’appuie souvent sur de puissants modèles d’IA générative, tels que le GPT-4o d’OpenAI ou Gemini de Google, comme moteur de raisonnement central. Cependant, le cadre agentique – illustré par les plateformes issues de l’API Assistants d’OpenAI ou des boîtes à outils open source – fournit les couches essentielles d’autonomie, de planification, de mémoire et d’interaction avec les outils. Imaginez qu’au lieu de disposer d’un moteur puissant, vous ayez un véhicule autonome qui utilise ce moteur pour se faufiler dans la circulation, suivre des itinéraires et atteindre une destination. Cette capacité dynamique le distingue nettement de l’automatisation robotisée des processus, fragile et se contentant de suivre des scripts.
IA agentique contre IA générative : le bond en avant concret à l’origine de l’engouement actuel
La capacité de l’IA générative à créer du contenu – qu’il s’agisse d’extraits de code via le GitHub Copilot original ou de textes marketing via Jasper – est indéniable. Cependant, l’IA agentique exploite cette puissance générative et la rend exploitable. C’est la différence entre demander à une IA d’écrire du code Python et demander à un agent de créer, tester et déboguer un script Python fonctionnel qui s’intègre à une API spécifique afin d’atteindre un objectif commercial.
La vague actuelle d’engouement, qui se traduit par la flambée des valorisations des start-ups spécialisées dans l’IA et l’intérêt intense des géants de la technologie, découle de ce bond en avant vers l’action autonome. Alors qu’une IA de génération pourrait rédiger certaines sections d’un business plan, un système agentique pourrait se voir confier la mission suivante : « Analyser les tendances du marché pour le produit X, identifier les principaux concurrents, rédiger un document de stratégie concurrentielle et planifier une réunion de bilan », en orchestrant des outils de recherche, d’analyse, de génération et de planification. Ce potentiel d’automatisation de bout en bout de flux de travail complexes et comportant plusieurs étapes, allant au-delà de l’intervention humaine à chaque étape, alimente l’immense intérêt stratégique et les investissements considérables.
L’impératif « agentique » : repenser les logiciels, bousculer les acteurs établis
Pourquoi pratiquement toutes les entreprises de logiciels, des hyperscalers aux fournisseurs de SaaS, se précipitent-elles pour mettre au point une stratégie « agentique » ? Parce qu’elle promet de redéfinir l’interaction avec l’utilisateur et la valeur des logiciels. Comme l’a déclaré Satya Nadella, PDG de Microsoft, des technologies telles que Copilot « changent fondamentalement notre rapport à l’informatique », en jouant le rôle d’orchestrateurs.
Nous assistons à une évolution rapide de cette situation :
- L’écosystème Copilot de Microsoft : le déploiement à grande échelle de Microsoft 365 Copilot dans Word, Excel et Teams ne se limite pas à l’intégration de fonctionnalités génératives ; il s’agit de permettre aux utilisateurs de déléguer des tâches telles que « Résumer les e-mails non lus du projet Phoenix et signaler les actions à entreprendre » ou « Analyser les données de vente du quatrième trimestre dans cette feuille Excel et créer un résumé PowerPoint ». Le lancement récent de GitHub Copilot Workspace vise explicitement cet objectif, en cherchant à faire évoluer les demandes des développeurs de la simple description d’un problème vers une pull request testée nécessitant une intervention minimale.
- Intégrations « agentiques » de Google : Google continue d’intégrer davantage Gemini à Workspace, permettant ainsi des actions complexes entre différentes applications. L’évolution des aperçus IA dans la recherche laisse entrevoir un avenir où la recherche ne se contentera plus de fournir des liens, mais effectuera directement des actions ou des tâches de recherche complexes.
- Salesforce, Service Now, Adobe : ces plateformes intègrent des fonctionnalités basées sur l’agentique (telles que Salesforce Einstein Copilot ou Now Assist de Service Now) afin d’automatiser des workflows complexes dans les domaines du CRM, de la gestion des services informatiques et de la création, permettant ainsi aux utilisateurs d’interagir à l’aide de commandes en langage naturel plutôt que via des interfaces utilisateur complexes.
- Start-ups : des entreprises telles qu’Adept AI, qui se consacrent à apprendre à l’IA à utiliser les interfaces logicielles existantes, soulignent l’ambition de créer des agents universels, suscitant un vif intérêt de la part des investisseurs en capital-risque tout au long de l’année 2024.
Cette tendance menace de bouleverser les modèles logiciels établis. Si les utilisateurs peuvent obtenir des résultats complexes grâce à des agents conversationnels venant s’ajouter aux applications traditionnelles, l’interface utilisateur et les fonctionnalités de l’application sous-jacente perdent de leur importance. Les acteurs historiques doivent s’adapter, sous peine d’être relégués au second plan.
Repenser la protection des données : vers une cyber-résilience autonome
Le secteur de la protection des données, confronté à des cybermenaces de plus en plus graves, telles que les attaques sophistiquées par ransomware en plusieurs étapes qui se sont multipliées fin 2024, a désespérément besoin des capacités proactives que promet l’IA agentique :
- Une défense proactive allant au-delà de la détection des anomalies : l’IA actuelle signale les anomalies, mais les systèmes basés sur des agents pourraient aller plus loin. Imaginez un agent capable de détecter les schémas de reconnaissance des ransomwares, de créer de manière autonome des instantanés des machines virtuelles critiques via la plateforme de sauvegarde, de vérifier l’intégrité de ces instantanés et d’isoler les terminaux suspects avant même que le chiffrement ne commence – réduisant ainsi considérablement l’ampleur des dégâts.
- Récupération intelligente et contextuelle : au lieu de plans de Recovery rigides, un agent pourrait analyser l’étendue de l’attaque (par exemple, via des flux de renseignements sur les menaces grâce à une API), identifier les points de Recovery les plus sûrs sur plusieurs systèmes, orchestrer la Recovery à l’aide de l’infrastructure de sauvegarde, effectuer des contrôles automatisés de validation des données et même générer des rapports post-incident.
- Optimisation dynamique des politiques : les agents pourraient analyser l’évolution des exigences réglementaires (telles que les mises à jour du RGPD ou du CCPA) ou les failles de sécurité détectées, puis ajuster automatiquement les politiques de sauvegarde, les fréquences et les paramètres de conservation, garantissant ainsi une conformité continue sans intervention manuelle.
Commvault, Arlie et l’avenir : les architectures « agentiques » au service de la résilience des données
Pour accompagner cette évolution, il faut une plateforme de résilience des données conçue pour un monde piloté par l’IA. Chez Commvault, notre copilote IA, Arlie, exploite déjà l’IA pour fournir des informations pertinentes et rationaliser les opérations. Mais notre vision va plus loin : nous souhaitons mettre en place les « Agentic Fabrics ».
Ce concept envisage une architecture intelligente et interconnectée dans laquelle des agents IA, guidés par Arlie, opèrent et se coordonnent de manière autonome au sein de votre environnement de données hybride. Il ne s’agit pas simplement d’un assistant, mais d’un réseau d’agents spécialisés travaillant ensemble :
- Un agent chargé de surveiller l’état de sécurité pourrait détecter une menace et alerter un autre agent via Arlie afin de sécuriser immédiatement les sauvegardes concernées.
- En se basant sur l’intention de l’utilisateur (« Restaurer la base de données CRM à l’état dans lequel elle se trouvait avant l’activité suspecte d’hier »), Arlie pouvait demander aux agents de coordonner cette restauration complexe sur l’ensemble des serveurs d’applications, des bases de données et du stockage dans le cloud, tout en vérifiant l’intégrité des données après la restauration.
- Les agents pourraient identifier de manière proactive les possibilités de réduction des coûts en analysant les habitudes d’utilisation des données et en transférant automatiquement les données peu utilisées vers des niveaux de stockage moins coûteux, conformément aux objectifs définis dans les politiques.
L’Agentic Fabric incarne la prochaine étape de l’évolution de l’architecture intelligente : un écosystème coordonné au sein duquel des agents d’IA opèrent de manière autonome tout en collaborant à l’échelle de l’ensemble de votre environnement de données. Il ne s’agit pas simplement de déployer des assistants isolés, mais bien de créer un réseau interconnecté d’agents spécialisés qui communiquent et se coordonnent de manière transparente :
- Les agents de sécurité peuvent détecter instantanément les menaces et déclencher des mesures de protection par l’intermédiaire d’autres agents spécialisés, sans intervention humaine.
- Les processus de Recovery peuvent s’appuyer sur l’interprétation de l’intention exprimée en langage naturel (« Restaurer nos systèmes à l’état dans lequel ils se trouvaient avant la violation ») tout en orchestrant des flux de travail techniques complexes dans des environnements hybrides.
- L’optimisation des ressources s’inscrit désormais dans une démarche continue, les agents identifiant de manière proactive les gains d’efficacité et les mettant en œuvre conformément aux politiques définies par l’entreprise.
Cette évolution vers l’IA agentique oblige les organisations à repenser trois aspects essentiels : leur architecture de données (afin de permettre aux agents de fonctionner de manière autonome tout en garantissant la sécurité), leurs cadres de gouvernance (pour établir des garde-fous adaptés aux actions des agents) et leurs stratégies de résilience (en tirant parti des agents pour anticiper les menaces plutôt que de se contenter d’y réagir). Les organisations qui adopteront ce paradigme ne se contenteront pas de gagner en efficacité : elles transformeront en profondeur la manière dont elles protègent, gèrent et exploitent leurs ressources de données.
Alors que le paysage numérique devient de plus en plus complexe et que les vecteurs de menaces se multiplient de manière exponentielle, une question s’impose : votre entreprise se prépare-t-elle à un monde où l’IA ne se contente pas d’assister votre équipe, mais protège activement vos actifs les plus précieux ? La révolution des agents n’est pas pour demain : elle est déjà en train de transformer la technologie d’entreprise. Êtes-vous prêt à évoluer avec elle ?
