Depuis 10 ans que l’on parle de l’IA comme d’une révolution, il faut bien reconnaitre que les résultats sont maigres. L’engouement est là mais les succès opérationnels sont rares. Les levées de fonds spectaculaires de startups sont nombreuses, les articles dans la presse comptent par centaines tous les jours et aux quatre coins du monde. Mais pour l’instant la preuve que l’IA va pouvoir produire de la valeur de manière industrielle et pour tous reste à faire. 

Jusqu’ici l’IA est très souvent une affaire de mastodontes issus d’écosystèmes certes médiatiquement éclairés mais difficiles d’accès. Les outils issus du Machine Learning sont certes nombreux dans notre vie quotidienne mais ils restent le fait d’une poignée de géants qui bien qu’ayant massivement diffusé ces outils ont souvent échoué à rassurer quant à leur bienveillance et à leur utilité dans la vie quotidienne du commun des mortels.  À tel point que certains maîtres du domaine redoutent un nouvel hiver de l’IA : une période longue (10 à 20 ans) de désintérêt pendant laquelle nous doutons collectivement de la pertinence de cette technologie. 

Dans notre jargon, les logiciels à base d’IA que nous fabriquons, que nous codons, pour automatiser des tâches humaines ou plus généralement pour résoudre des problèmes opérationnels (prédictions d’achat, détection de fraudes, prévisions de prix, diagnostiques automatiques, robots conversationnels…) portent un nom : ce sont les agents. 

Depuis 2017, nous avons réussi à démontrer scientifiquement que les agents étaient capables de résoudre de vrais problèmes opérationnels. Depuis au moins 7 ans nous avons des exemples clairs d’agents capables de fabriquer beaucoup de valeurs. C’est vrai quantitativement lorsque les agents ont démontré leur capacité à prédire la présence d’hydrocarbures dans certains réservoirs plutôt que d’autres et ainsi permis l’économie de plusieurs millions de dollars en frais de prospection. C’est aussi vrai qualitativement quand des agents ont aidé des médecins à réaliser les bons diagnostics. 

Jusqu’ici ces agents qui étaient souvent des rats de laboratoire permettaient d’entretenir le feu de l’espoir dans l’IA mais n’ont jamais pu s’échapper des labos pour les raisons suivantes :

  1. Ils étaient très chers. Le développement d’un de ces logiciels pouvait aller de 100 000 euros pour les plus basiques jusqu’à plusieurs millions d’euros pour les plus complexes.
  2. Ils étaient très compliqués à réaliser et supposaient de réunir des équipes de supers héros du code.
  3. La complexité induisait très souvent et mécaniquement des sujets de fiabilité.
  4. Ils étaient très difficiles à expliquer. On demandait souvent aux gens de payer des sommes importantes pour des Blackbox.
  5. Il était très complexe d’en démontrer l’utilité dans la vie quotidienne, surtout pour le commun des mortels.
  6. Il était difficile de les partager au sein d’une même organisation (entreprises, administrations...) car en plus de l’outil en lui-même, il fallait développer des interfaces graphiques esthétiques et ergonomiques. Ce qui supposait une équipe et donc des complexités supplémentaires.
  7. Il était très difficile de garantir l’intégration et la confidentialité des données.

Depuis peu, il existe des plateformes d’automatisation qui permettent d’apporter des solutions à ces sept problèmes qui empêchaient jusqu’à présent une appropriation massive de l’intelligence artificielle par des profils d’humain non techniques mais qui ont de vraies compétences. Vous pouvez maintenant aller chercher votre donnée dans plein d’endroits, l’acheminer en quelques clics, construire un agent en combinant les ressources colossales et disponibles qui existent dans l’écosystème IA mode « drag and drop ». Vous assemblez tout ça en mode Lego, vous appuyez sur un bouton et votre agent est prêt à être utilisé par vos collègues. Vous n’aimez pas les Lego ? Qu’à cela ne tienne. Bientôt, un robot les assemblera pour vous. L’avenir est enfin là. Serons-nous à la hauteur ?