Remonter quelques années, et les grands modèles de langage et l’intelligence artificielle générative étaient à peine sur le radar public, et encore moins un catalyseur pour changer notre façon de travailler et d’exécuter des tâches quotidiennes.
Aujourd’hui, l’attention s’est déplacée vers la prochaine évolution de l’IA générative : les agents de l’IA ou de l’IA agentique, une nouvelle race de systèmes de l’IA semi- ou totalement autonomes et donc capables de percevoir, de raisonner et d’agir de leur propre chef. Différent des chatbots qui se posent des questions et résolvent des problèmes, cette classe émergente d’IA s’intègre à d’autres systèmes logiciels pour accomplir les tâches indépendamment ou avec une supervision humaine minimale.
-L’âge agentique de l’IA est déjà là. Nous avons des agents déployés à l’échelle de l’économie pour accomplir toutes sortes de tâches, a déclaré un professeur de gestion, d’informatique et de marketing à MIT Sloan.
Dans son discours d’ouverture au Salon électronique des consommateurs 2025, Jensen Huang, PDG de Nvidia, a déclaré que les agents d’IA d’entreprise créeraient une -(Multi-triillion-dollar) opportunité de nombreuses industries, de la médecine à l’ingénierie logicielle.
A Enquête de printemps 2025 Le groupe de consultation MIT Sloan Management Review et Boston Consulting Group ont constaté que 35 % des répondants avaient adopté des agents d’IA en 2023, et 44 % ont exprimé leur intention de déployer la technologie en ordre court. Les principaux fournisseurs de logiciels, notamment Microsoft, Salesforce, Google et IBM, alimentent la mise en œuvre à grande échelle en intégrant directement des capacités d’IA agentique dans leurs plateformes logicielles.
Pourtant, Aral a dit que même les entreprises à la pointe du déploiement ne saisissent pas pleinement comment utiliser les agents d’IA pour maximiser la productivité et les performances. Il décrit la compréhension collective des implications sociétales de l’IA agentique à plus grande échelle comme naissant, sinon inexistant.
La technologie présente les mêmes défis élevés en matière de qualité des données, de gouvernance, de confiance et de sécurité que les autres applications de l’IA, et l’évolution rapide pourrait également inciter les organisations à adopter l’IA agentique sans comprendre pleinement ses capacités ou avoir créé une stratégie officielle et un cadre de gestion des risques.
-C’est absolument un impératif que chaque organisation ait une stratégie pour déployer et utiliser des agents dans les cas de clients et d’utilisation interne, – Aral a déclaré. Mais ce genre de stratégie d’IA agentique nécessite une compréhension et une évaluation systématique des risques ainsi que des avantages commerciaux afin de fournir une véritable valeur commerciale.
Qu’est-ce que l’IA agentique ?
Bien qu’il n’existe pas de définition universellement acceptée de l’IA agentique, il y a de grandes caractéristiques qui y sont associées. Alors que l’IA générative automatise la création de textes, d’images et de vidéos complexes basés sur l’interaction du langage humain, les agents de l’IA vont plus loin, agissant et prenant des décisions d’une manière que l’homme pourrait, a déclaré le professeur associé MIT Sloan
Dans un document de recherche explorer les implications économiques des agents et des transactions via l’IA, Horton et ses co-auteurs se concentrent sur une classe particulière d’agents d’IA: – les systèmes logiciels autonomes qui perçoivent, raisonnent et agissent dans des environnements numériques pour atteindre des objectifs au nom des principes humains, avec des capacités pour l’utilisation d’outils, des transactions économiques, et l’interaction stratégique. Les agents d’IA peuvent utiliser des modules de construction standard, tels que les API, pour communiquer avec d’autres agents et humains, recevoir et envoyer de l’argent, et accéder et interagir avec Internet, les chercheurs écrivent.
Le professeur MIT Sloan et ses co-chercheurs expliquent en outre dans un article de 2025 que les agents d’IA améliorent les modèles de langages de grande envergure et les modèles d’IA généralistes similaires en leur permettant d’automatiser des procédures complexes. -Ils peuvent exécuter des plans en plusieurs étapes, utiliser des outils externes et interagir avec des environnements numériques pour fonctionner comme des composants puissants dans des flux de travail plus importants, – les chercheurs écrivent.
Par exemple, un agent d’IA pourrait planifier des vacances en utilisant les commentaires d’un consommateur ainsi que l’accès à l’API à des sites Web, des courriels et des plateformes de communication spécifiques comme Slack pour décider quels hôtels ou vols fonctionnent le mieux. Avec les permissions de carte de crédit, l’agent pourrait réserver et payer pour toute la transaction sans participation humaine. Dans le monde physique, un agent d’IA pouvait surveiller les systèmes vidéo et de vision en temps réel dans un entrepôt pour identifier les événements en dehors des opérations normales.
-L’agent pourrait soulever un drapeau rouge ou même être programmé pour arrêter un tapis roulant s’il y avait un problème, – Aral a dit. -Ce n’est pas seulement le monde numérique — les agents peuvent en fait prendre des mesures qui changent les choses qui se passent dans le monde physique.
Aral établit une légère distinction entre les agents d’IA et la catégorie plus large d’IA agentique, bien que la plupart des gens se réfèrent toujours aux deux de façon interchangeable. Il définit l’IA comme étant un système qui intègre plusieurs agents différents qui orchestrent une tâche ensemble, par exemple, un marché d’agents représentant à la fois le côté achat et le côté vente au cours d’une négociation ou d’une transaction.
Comment les entreprises utilisent-elles l’IA agentique?
Les entreprises des différents secteurs commencent à utiliser des agents d’IA. Dans le domaine des services bancaires et financiers, des entreprises comme JPMorgan Chase o Les banques de détail sont en train d’étudier l’utilisation d’agents d’IA pour détecter la fraude, fournir des conseils financiers personnalisés et automatiser les approbations de prêts et les processus juridiques et de conformité, ce qui pourrait réduire le besoin de banquiers subalternes. Des géants comme les détaillants Walmart sont en train de construire des agents d’IA alimentés par LLM pour automatiser les expériences personnelles d’achat et pour faciliter le service à la clientèle et les activités commerciales longues comme la planification des marchandises et la résolution de problèmes.
-Le bénéfice des systèmes d’IA agentiques est qu’ils peuvent compléter un workflow entier avec plusieurs étapes et exécuter des actions, – a déclaré Kellogg.
Une demande particulièrement importante pour les agents peut être l’exécution de tâches que l’être humain aurait normalement – comme rédiger des contrats, négocier des conditions ou déterminer des prix – à un coût marginal beaucoup plus faible.
« La promesse économique fondamentale des agents de l’IA est qu’ils peuvent réduire considérablement les coûts de transaction — le temps et les efforts engagés dans la recherche, la communication et la passation de marchés », a déclaré M. Peyman Shahidi, un doctorant au MIT Sloan.
Selon Horton, les agents de l’IA peuvent également apporter une valeur économique en aidant les humains à prendre de meilleures décisions sur le marché. Ses recherches avec Shahidi sur les agents qui effectuent des transactions économiques font valoir que les déploiera des agents d’IA dans deux scénarios– Oui.
- Prendre des décisions de meilleure qualité que les humains, grâce à moins de contraintes d’information ou de limitations cognitives.
- Prendre des décisions de qualité semblable, voire inférieure, à celles que les humains feraient, mais avec des réductions spectaculaires de coûts et d’efforts.
Dans les marchés où les transactions sont très importantes, comme l’immobilier ou l’investissement, les agents d’IA peuvent analyser de grandes quantités de données et de documentation sans fatigue et à un coût marginal proche de zéro, Horton et ses co-auteurs écrivent. Dans les domaines qui impliquent beaucoup de contreparties ou qui nécessitent un effort substantiel pour évaluer les options — financement de démarrage, admissions dans les collèges, ou achats B2B, pour n’en nommer que quelques-uns — les agents fournissent de la valeur en lisant les examens, en analysant les paramètres et en comparant les attributs d’une gamme d’options.
Les agents d’AI ne se fatiguent pas et peuvent travailler 24 heures sur 24, a dit Horton.
Ses recherches montrent également que les agents d’IA peuvent apporter de la valeur dans les situations où il existe des asymétries d’information, comme les achats d’assurance ou une voiture d’occasion en ligne, en surveillant en permanence une myriade de sources d’information, en croisant les données et en identifiant immédiatement les écarts qui prendraient des heures humaines à découvrir. Les agents de l’IA pourraient transformer l’achat de maisons ou la planification successorale en donnant aux utilisateurs l’expérience collective de millions de transactions pour enrichir leurs négociations.
Les recherches d’Aral , ont montré que lorsque les humains travaillent avec des agents d’IA, de tels appariements peut conduire à une amélioration de la productivité et des performances– Oui.
Académie exécutive de l ‘ AI
En personne au MIT Sloan
Inscrivez-vous maintenant
Que doivent garder à l’esprit les organisations lors de la mise en oeuvre de l’IA agentique?
Bien que les pratiques exemplaires en matière de mise en oeuvre soient toujours en évolution, gardez à l’esprit les éléments suivants pour assurer le succès des agents d’IA :
Rappelez-vous que la mise en œuvre est souvent le plus lourd.
Faire travailler l’IA agentique dans la pratique peut entraîner des défis inattendus. Kellogg et ses collègues , document de recherche 2025 décrit l’utilisation d’un agent d’IA pour détecter les événements indésirables chez les patients cancéreux, en se fondant sur des notes cliniques. Le plus grand défi n’était pas l’ingénierie rapide ou la mise au point de modèles — les chercheurs ont plutôt constaté que 80 % du travail était consommé par des tâches inébranlables associées à l’ingénierie des données, à l’alignement des intervenants, à la gouvernance et à l’intégration des flux de travail.
La conversion des données en formats standard structurés pour les agents d’IA est particulièrement importante, car elle les aide à identifier différentes sources et exigences de données tout en maintenant la cohérence. L’établissement de cadres de validation continus et une gestion robuste des API, ainsi que la collaboration avec les fournisseurs pour s’assurer qu’ils soient à jour sur les dernières versions de modèles, est également crucial pour la capacité de l’AI , agentique de fonctionner en douceur.
D’autres domaines doivent être pris en compte, notamment la mise en place des bons contrôles réglementaires, la mise en place de garde-corps pour prévenir la dérive rapide et modèle, et la définition de résultats clairs et d’indicateurs de rendement clés à chaque phase de déploiement. Il est également important d’établir des mesures alignées sur les principaux objectifs opérationnels, car les avantages de l’IA agentique peuvent être mal interprétés. -Just parce qu’un modèle d’IA agentique récupère 20% de l’heure de quelqu’un, cela ne signifie pas , cela signifie une économie de 20% du coût du travail, , Kellogg dit.
Considérez la personnalité des agents d’IA.
Dans un expérience de commercialisation à grande échelle, l’équipe de recherche d’Aral , a constaté que la conception d’agents d’IA pour avoir des personnalités qui complètent les personnalités d’autres agents et collègues humains a conduit à une meilleure performance, productivité, et résultats de travail d’équipe. Par exemple, les personnes qui ont des personnalités -open- , se comportent mieux lorsqu’elles travaillent avec un agent d’IA consciencieux et agréable, tandis que les personnes consciencieuses se comportent plus mal avec l’IA agréable.
-Les équipes humaines se comportent mieux ou moins bien selon les types de personnes réunies dans l’équipe et les combinaisons de personnalités, – a déclaré Aral. -Il en va de même pour l’ajout d’agents d’IA à une équipe. Un humain surconfident bénéficierait d’un agent d’IA qui repousse, mais ce même type de personnalité d’agent pourrait ne pas avoir d’effet positif sur un individu moins confiant.
Adopter une approche axée sur l’homme pour la prise de décisions.
Les recherches d’Aral , ont également montré que les agents d’IA peuvent lutter avec les tâches que les humains font généralement facilement, comme les exceptions de manipulation, et leur prise de décision reste mal comprise. En partie, les agents d’IA sont formés à prendre des mesures spécifiques dans des situations données.
-Il faut s’assurer que la prise de décision agentique est alignée sur un processus de décision centré sur l’homme, – dit Aral.
Quels sont les risques associés à l’IA agentique?
Il y a une foule de défis que vous devez être conscient de l’IA agentique matures. Il s’agit notamment des éléments suivants :
- Fiabilité irrégulière et comportement contraire à l’éthique. Un agent d’IA voyous qui décide de rejeter une décision de prêt hypothécaire ou d’admission à l’université fondée sur des informations erronées peut faire autant de dommages — ou plus — que de simples hallucinations. -Vous devez être en mesure d’expliquer les décisions d’affaires et appliquer systématiquement les mêmes normes à chaque cas, – Aral dit.
- Cybersécurité. Comme les agents d’IA obtiennent des autorisations d’accéder à différents ensembles de données et systèmes d’entreprise pour automatiser les tâches, ne sous-estimez pas l’importance de construire des systèmes robustes basés sur les permissions, a déclaré Kellogg.
- Responsabilité. Les organisations doivent clairement définir qui porte la responsabilité lorsque l’IA agente fait une erreur ou cause un préjudice, a déclaré Kellogg. Ils devraient accorder une attention particulière à la possibilité de dysfonctionnements du système, en particulier si l’agent d’IA exécute de manière autonome des workflows avec une supervision humaine minimale ou nulle.
Bien que le tableau des risques soit encore flou, les organisations doivent faire en sorte que la surveillance soit une dépense permanente et non un coût ponctuel du projet, a déclaré Kellogg. Un conseil de gouvernance devrait être créé au niveau de l’organisation pour superviser la responsabilisation, tandis que des responsabilités spécifiques – par exemple, le suivi et l’application des règles de sécurité – devraient être déléguées à des personnes clés.
-Alors que vous déplacez l’agence des humains vers les machines, il ya une réelle augmentation de l’importance de la gouvernance et de l’infrastructure pour contrôler et soutenir les systèmes d’agents, -Kellogg dit. Et la réussite reste l’un des plus grands défis — et des risques — à la réussite de l’IA agentique. – Sans mesures communes et robustes, il est difficile de prouver la valeur — ou même de savoir si ces systèmes réalisent réellement les résultats souhaités plutôt que d’introduire par inadvertance de nouveaux risques, , a-t-elle dit.
Prochaines étapes
Lire environ quatre études récentes sur l’IA agentique de l’initiative MIT sur l’économie numérique.
Lire Plus d’infos sur l’IA agentique dans la revue de gestion MIT Sloan :
- —————————————————————————————————————————————————————————————————————————————————————L’entreprise agentique émergente : comment les dirigeants doivent naviguer dans un nouvel âge de l’IA—————————————————————————————————————————————————————————————————————————————————————
- —————————————————————————————————————————————————————————————————————————————————————Agentique AI: Neuf questions essentielles—————————————————————————————————————————————————————————————————————————————————————
Lire l’exposé de recherche –Modèles d’affaires dans l’ère Agentique de l’IA, , , , du Centre MIT pour la recherche sur les systèmes d’information.
Parcourir des Index des agents de l’IA, une base de données publique du laboratoire d’informatique et d’intelligence artificielle du MIT qui documente les systèmes d’intelligence artificielle qui sont utilisés.
Registre pour le cours de formation de la direction du MIT Sloan Académie exécutive de l ‘ AI pour en savoir plus sur l’application de la stratégie d’IA dans votre organisation.
Sinan Aral est une autorité mondiale en analyse des affaires et est le professeur David Austin de gestion, marketing, informatique et science des données à MIT Sloan; directeur de l’Initiative MIT sur l’économie numérique; et un partenaire fondateur des sociétés de capital-risque Manifeste Capital et Milemark Capital. Ses recherches portent sur l’IA appliquée, les médias sociaux et la désinformation.
John Horton est le professeur associé Chrysler de gestion et un professeur associé de technologies de l’information à l’École de gestion MIT Sloan. Ses recherches portent sur l’intersection de l’économie du travail, de la conception du marché et des systèmes d’information. Il est particulièrement intéressé par l’amélioration de l’efficacité et de l’équité des marchés de contrepartie.
C’est Kate Kellogg. est le professeur David J. McGrath Jr. de gestion et d’innovation à l’École de gestion MIT Sloan. Ses recherches visent à aider les travailleurs du savoir et les organisations à élaborer et à mettre en oeuvre des produits prédictifs et générateurs d’IA pour améliorer la prise de décisions, la collaboration et l’apprentissage.
Peyman Shahidi est doctorant au MIT Sloan. Il étudie la conception du marché et l’économie du travail, en mettant l’accent sur les effets de l’IA sur les marchés du travail et les plateformes en ligne.