Plus de 40 cas d'utilisation de l'IA agentique avec des exemples concrets

Les agents d'IA génératifs autonomes exécutent des tâches complexes avec peu ou pas de supervision humaine. L'IA agentique se distingue des chatbots et des copilotes.

Contrairement à l'IA traditionnelle, notamment l'IA générative , qui nécessite souvent une intervention humaine dans les flux de travail complexes, l'IA agentique vise à naviguer et à optimiser les processus de manière autonome grâce à ses capacités de prise de décision et à son comportement orienté vers un but. Les agents d'IA servent de :

• Développeurs
• Assistants SecOps
• Personnages de jeu à l'apparence humaine
• Créateurs de contenu
• assistants d'assurance
• assistants en ressources humaines (RH)
• assistants du service à la clientèle
• assistants de recherche
• utilisateurs d'ordinateurs
• constructeurs d'agents IA

Les agents d'IA en tant que développeurs

1. Création d'applications

Les éditeurs de code IA comme Cursor AI Editor, Windsurf Editor et Replit visent à créer et déployer des applications ( par exemple, une application de liste de tâches ) en :

• Choisir les outils adaptés à la tâche, comme Flask pour les API ou React pour les interfaces utilisateur.
• Générer du code dans le langage choisi (par exemple, Python, JavaScript) à partir d'instructions simples.
• Automatisation des flux de travail grâce à des intégrations telles que GitHub Actions pour les tests et le déploiement.

Exemple concret :

Un développeur a utilisé l'opérateur OpenAI et l'agent IA Replit pour créer une application complète en 90 minutes . Deux agents ont échangé des identifiants de manière autonome et exécuté des tests.

Exemple concret :

Le mode agent de Cursor Composer vise à générer un jeu de Tic Tac Toe complet à partir d'une seule invite : « Générer un jeu de Tic Tac Toe HTML, CSS et JavaScript pour 2 joueurs. »

Le curseur est capable de coder sur plusieurs fichiers, d'exécuter des commandes et de déterminer automatiquement le contexte dont il a besoin (pas besoin d'ajouter de fichiers).

En savoir plus

Si vous vous intéressez à l'infrastructure qui sous-tend les systèmes d'IA agentifs, nous vous recommandons de consulter nos derniers benchmarks :

• Navigateurs distants : comment l’infrastructure du navigateur permet aux agents d’interagir avec le Web en toute sécurité.
• Comparatif MCP : Meilleurs serveurs MCP pour l’utilisation des outils et l’accès web.

2. Créez votre propre API grâce au codage IA.

Les éditeurs de code IA automatisent la création d'API en transformant les spécifications en code fonctionnel. Voici comment le processus fonctionne généralement :

• Intégrer les résultats dans l'environnement du développeur pour les tests, le contrôle de version et le déploiement.
• Ingestion des spécifications d'API (par exemple, fichiers OpenAPI/Swagger).
• Générer le code backend à partir des points de terminaison, des méthodes et des schémas documentés.

Exemple concret :

Flux de travail API sans code pour les agents IA avec n8n .

Voici une abstraction de haut niveau d'un flux de travail d'API :

3. Édition de code en langage naturel

Vous pouvez sélectionner des extraits de code et exécuter des commandes en langage clair, telles que :

« Doublez la taille du plateau. Rendez-le vert – comme une Apple 2e. » (voir exemple concret ci-dessous).

Exemple concret :

Les agents de codage comme Cursor identifient l'intention, modifient le code concerné dans les fichiers et appliquent les modifications.

4. Création de sites web

Les créateurs de sites web basés sur l'IA, tels que v0 by Vercel , Bolt , Lovable et CerebrasCoder, visent à créer des plateformes complexes comme des sites web d'apprentissage en ligne, en générant des pages clés telles que :

• Pages d'accueil
• pages de liste de cours
• Tableaux de bord personnalisés pour les étudiants

De même, les éditeurs de code IA comme Replit créent des sites web et exploitent les API. ⁴

Exemple concret :

Comment créer un agent IA pour un site web :

Voici le flux de travail d'automatisation :

5. Générer un tableau de bord CRM

Les agents sont capables de générer l' interface frontale , de configurer la logique dorsale et de mettre en place les interactions avec la base de données .

Exemple concret :

Roo Code utilise le modèle DeepSeek pour construire de manière autonome des tableaux de bord CRM complets.

6. Programmation récursive et modernisation du code existant

Alors que la programmation de base est généralement une tâche réservée aux titulaires d'un LLM, les flux de travail de programmation récursive où un agent améliore/étend itérativement le code sur plusieurs couches sont intrinsèquement liés à l'agent .

Les agents réécrivent de manière autonome de grands blocs de code, appliquent des modifications de configuration et testent les résultats de manière cyclique jusqu'à ce qu'un objectif soit atteint.

Exemples concrets :

GT Edge AI convertit le code COBOL existant en Java moderne. ⁷

Persistent fournit un framework multi-agents utilisé pour migrer de manière autonome du code COBOL vers Java ; son fonctionnement repose sur : ⁸

7. Refactorisation du code

En utilisant la programmation récursive, les agents d'IA améliorent continuellement la conception du code sans en modifier le fonctionnement, ce qui le rend plus facile à comprendre et à maintenir.

Exemple concret :

Des développeurs de startups technologiques ont créé un agent qui refactorise votre code dans plus de 25 langages de programmation. ⁹

8. Générer des suggestions de code dans votre EDI

Des agents comme GitHub Copilot fournissent des suggestions de code en temps réel et des autocomplétions, réduisant ainsi la probabilité d'erreurs de syntaxe.

9. Surveillance et optimisation du pipeline CI/CD

Les agents d'IA gèrent l'infrastructure dans des environnements cloud natifs comme Kubernetes. Ces agents DevOps ont pour objectif de :

• Identifier les contrôleurs d'entrée en cours d'exécution ou les autres charges de travail
• Identifier les pods en cours d'exécution
• Interpréter les commandes de haut niveau telles que « arrêter le pod NGINX »

Exemple concret :

Lorsqu'il est connecté à Kubernetes via des outils ou des wrappers, Claude peut agir comme un agent DevOps pour interroger l'état du cluster. « Vérifier si des pods sont en cours d'exécution. »

Agents d'IA comme assistants des opérations de sécurité

10. Renseignements sur les menaces

Les agents collectent et mettent en corrélation les TTP (tactiques, techniques et procédures) des acteurs malveillants à partir de flux de données ouverts et propriétaires, et intègrent les résultats dans les flux de travail de détection.

Exemple concret :

Le Security Copilot de Microsoft comprend un agent spécialisé de briefing sur les menaces Intel qui collecte, filtre et résume dynamiquement les renseignements sur les menaces.

11. Détection et triage

Ces actions interviennent lors de la phase initiale d'ingestion du signal afin de réduire le bruit et d'organiser les données d'alerte avant une analyse plus approfondie.

• Déduplication des alertes : supprime les événements identiques ou quasi identiques provenant de plusieurs sources afin de réduire le bruit.
• Suppression des faux positifs : Supprime les alertes bénignes récurrentes en utilisant les modèles de résolution antérieurs.
• Regroupement/clustering des alertes : Regroupe les alertes liées (même utilisateur, hôte ou tactique) en un seul incident.

Exemple concret :

Charlotte AI effectue une détection et un triage autonomes par:

• Identification des comportements malveillants à partir des TTP connues.
• Mise en correspondance des modèles d'exécution et des chemins d'accès aux fichiers.
• Fournir une explication du verdict compréhensible par l'humain.

12. Enrichissement contextuel et attribution de la menace

Effectuée après le tri initial , cette étape apporte plus de profondeur et de contexte aux alertes.

Les systèmes automatisés d'attribution des attaques analysent les flux CTI, extraient les caractéristiques comportementales et temporelles, et calculent des scores de similarité entre les incidents. Des algorithmes de clustering associent ensuite les intrusions à des acteurs malveillants connus (par exemple, APT41 , Mozi ou Lazarus ) en fonction de la similitude des schémas d'attaque.

Exemple concret :

Google Les agents d'IA Chronicle + Mandiant + Gemini ingèrent de manière autonome les flux de télémétrie et CTI , enrichissent les alertes avec le contexte IOC (par exemple, la réputation IP, les hachages de logiciels malveillants) et croisent les modèles comportementaux avec les tactiques connues des acteurs de la menace du cadre MITRE ATT&CK.

Dans cette configuration d'agents :

• Détection : Un agent d'IA détecte les mouvements latéraux à l'aide de comptes de service .
• Enrichissement : Il enrichit automatiquement l'alerte avec des données provenant des journaux Chronicle , de l'inventaire des actifs et des renseignements sur les menaces de Mandiant .
• Attribution : Un deuxième agent associe cette activité à des chaînes d’intrusion historiques attribuées à un groupe connu (par exemple, APT41 ).

13. Escalade et transfert

• Traduction/simplification des alertes : Convertit les alertes techniques en résumés compréhensibles par les analystes.
• Gestion automatique des tickets et attribution des analystes : crée des tickets et achemine les incidents vers le niveau ou l’équipe appropriée.

14. Mesures de réponse proactives

En SecOps, les agents isolent les terminaux, désactivent les comptes ou arrêtent les processus malveillants. Ces systèmes visent à :

• Interrogation automatique des journaux à l'aide du langage naturel ou de déclencheurs contextuels
• Exécuter des scénarios automatisés pour les enquêtes et l'escalade
• Adaptez les flux de travail en temps réel en fonction des nouvelles preuves ou de la logique pivotée
• Générer une infrastructure sous forme de code (par exemple, Terraform, Pulumi) pour la remédiation
• Élabore et modifie les règles de détection en fonction des enseignements tirés de l'enquête.

Exemple concret :

Google a développé l' agent SOC Manager , qui exploite plusieurs sous-agents pour exécuter un plan de réponse aux incidents structuré pour la détection des logiciels malveillants. ¹⁶

Structure du projet agentique :

Dans la dernière étape du plan de réponse aux incidents (étape 5 : achèvement), les IOC (indicateurs de compromission) ont été bloqués de manière proactive par l'agent SOC Manager exécutant un manuel de confinement automatisé (voir ci-dessous).

Source:
Mandiant & Google Sécurité du cloud ¹⁷

15. Chasse aux menaces

Les agents chargés de la chasse aux menaces ont pour objectif :

• Effectuez une recherche continue d'anomalies dans les journaux d'identité, de réseau et de cloud.
• Automatisez les recherches répétitives telles que les recherches d'indicateurs de compromission (IOC) ou la détection de modèles.
• Détecter les menaces inconnues en comparant le comportement aux données historiques et à l'activité des pairs.

Exemple concret :

Des chercheurs ont développé un système MITRE ATT&CK Driven Threat Hunting automatisé par LLM local , dans lequel des agents d'IA collaborent pour générer des règles Sigma pour la détection des menaces.

Dans cet exemple, un utilisateur saisit une requête (par exemple, « Veuillez générer une règle Sigma pour la détection des attaques Kerberoasting » ) via une interface utilisateur Web.

L'agent 1 récupère les méthodes de détection pertinentes de MITRE ATT&CK, tandis que l'agent 2 utilise cette entrée pour générer des règles Sigma contextuelles à l'aide d'un modèle de langage. ¹⁸

16. Tests automatisés de logiciels et d'applications

Les agents de test IA créent et exécutent des tests unitaires, d'intégration, de vulnérabilité et de performance sans intervention manuelle importante. Cependant, la conception de ces systèmes d'IA est gourmande en ressources, car elle requiert une puissance de calcul considérable.

Exemple concret :

Copilot de Pcloudy fournit des scripts de test Selenium, trouve les navigateurs disponibles pour effectuer les tests et exécute les cas de test. ¹⁹

Lire la suite : Assistants IA d’entreprise , créateurs d’agents IA , agents IA open source .

Des agents d'IA en tant que personnages de jeu à l'apparence humaine

Les agents d'IA améliorent les PNJ et autres processus d'agents dans le monde du jeu en effectuant des comportements de PNJ, en jouant et en s'adaptant, et en générant du contenu procédural .

17. Personnages non-joueurs (PNJ) actifs

Les agents d'IA entièrement autonomes dans les jeux vidéo offrent un comportement et un gameplay similaires à ceux des humains pour les personnages non-joueurs (PNJ).

Exemple concret :

Des chercheurs ont créé une petite ville virtuelle peuplée d'IA en construisant un environnement de type bac à sable similaire à celui des Sims avec 25 agents appelé « Stanford AI Village ».

Dans ce village virtuel, les utilisateurs peuvent observer et interagir avec les agents qui partagent des informations, tissent des liens et organisent des activités de groupe. ²⁰

Voici un aperçu des composantes et des idées clés qui sous-tendent ces concepts :

• Scripts comportementaux : les agents de Stanford AI Village utilisent des scripts prédéfinis pour leurs actions et réactions. Cela peut inclure des comportements de base comme interagir positivement avec d’autres PNJ.
• Comportement dynamique : les PNJ utilisent l’IA pour adapter leur comportement en fonction des actions du joueur, rendant ainsi le monde du jeu plus réactif.
• Recherche de chemin : les PNJ utilisent des algorithmes pour naviguer efficacement dans le monde du jeu, en trouvant des chemins contournant les obstacles et en poursuivant le joueur.

18 Jeu

Les agents d'IA jouent à des jeux vidéo ou aident les joueurs humains à atteindre des objectifs spécifiques en exploitant :

• Recherche de chemin et navigation : les agents du jeu explorent les environnements de jeu, utilisant la méthode des essais et erreurs pour trouver les stratégies optimales. Par exemple, ils apprennent les chemins de navigation dans des labyrinthes complexes en affinant continuellement leur processus de prise de décision.
• Émulation des entrées : les agents de jeu émulent les entrées, telles que les frappes au clavier, les mouvements de la souris ou les commandes de la manette. Cela leur permet d’interagir avec le jeu comme le ferait un joueur humain.
• Adaptabilité du gameplay : les agents analysent le style de jeu du joueur et adaptent l’univers du jeu, les interactions et la conception des missions en conséquence. Par exemple, un joueur privilégiant l’infiltration rencontrera moins d’affrontements directs.

Exemple concret :

Google L'agent multi-processus évolutif et instructible (SIMA) de DeepMind navigue et interagit avec des environnements de jeu. SIMA est conçu pour jouer à des jeux tels que No Man's Sky et Goat Simulator.

Source : Google ²²

19. Génération de contenu procédural

Les agents d'IA sont parfaitement capables de générer de vastes quantités de contenu de jeu de manière algorithmique, comme par exemple :

• Terrain et paysages
• scénarios de combat
• Conception de personnages
• Paysages sonores et musique

Exemple concret :

No Man's Sky , un jeu d'aventure, utilise la génération procédurale pour créer des planètes entières avec :

• Topographies variées (ex. montagnes, vallées, canyons).
• Des biomes uniques (par exemple, déserts, forêts, océans).
• Phénomènes météorologiques dynamiques (ex. : tempêtes, précipitations). ²³

Les agents d'IA en tant que créateurs de contenu

Les agents d'IA automatisent la création, l'édition et la publication de contenu. Ces agents assistent les rédacteurs humains et génèrent du contenu de manière autonome. Voici quelques applications des assistants de rédaction IA :

20. Écriture narrative automatisée

Les agents d'IA rédigent un récit en structurant les chapitres, en rédigeant le contenu et en peaufinant le texte.

Exemple concret :

Dans le cadre d'un projet d'agents d'IA sur GitHub , 10 agents d'IA spécialisés ont travaillé de manière autonome pour écrire un roman de 100 000 mots (environ 300 pages) sans aucune intervention humaine. Voici quelques exemples de textes produits par ces 10 agents :

• Agent de spécification : Analyse les exigences narratives et assure la cohérence du récit.
• Agent de production : Génère du contenu et met en œuvre des changements créatifs.
• Agent de gestion : Assure la coordination entre les agents et suit le flux créatif.
• Agent de duplication : Empêche la redondance et la duplication du contenu.

Voici une diffusion en direct montrant comment les agents créent le roman :

21. Rédaction de rapports techniques ou de propositions

Les agents d'IA rédigent de manière autonome des rapports techniques, notamment :

• Rapports d'ingénierie
• propositions de projet
• Articles de recherche
• Spécifications du produit

Exemple concret :

ParagraphAI , un assistant de rédaction basé sur l'IA, rédige des rapports techniques d'ingénierie en précisant le calendrier, le budget, ainsi que les ressources et le personnel nécessaires. ²⁵

22. Génération d'articles basée sur les connaissances

Les agents puisent des informations dans des bases de connaissances telles que Wikipédia, les manuels de produits ou les revues académiques afin de créer un aperçu complet d'un sujet spécifique.

Exemple concret :

Perplexity Pages transforme les résultats de recherche de l'IA en pages Wikipédia structurées. ²⁶

23. Génération de tableaux de bord et de diagrammes

Les agents génèrent des composants d'interface utilisateur/d'expérience utilisateur, des diagrammes système et des organigrammes à partir d'invites textuelles, ce qui simplifie le processus de conception.

Exemple concret :

FigJam AI utilise des invites textuelles pour générer :

• Tableaux de bord pour les réunions et les exercices d'équipe
• Diagrammes et organigrammes
• Chronologies visuelles et diagrammes de Gantt ²⁷

Des agents IA comme assistants d'assurance

Les agents automatisent l'examen, l'approbation et la détection des fraudes liées aux demandes d'indemnisation, rationalisant ainsi l'ensemble du processus de traitement. Par exemple, une grande compagnie d'assurance automatise environ 90 % des demandes d'indemnisation automobile individuelles en intégrant des agents d'IA personnalisés à son flux de travail. ²⁸

24. Traitement de bout en bout des réclamations

Une fois la demande soumise, un système d'IA automatisé extrait les données pertinentes des formulaires soumis, vérifie les informations par rapport aux bases de données existantes et signale toute incohérence ou tout signal de fraude potentiel.

Exemple concret :

La plateforme Power Platform de Microsoft automatise un formulaire de demande de remboursement d'assurance :

Voici la plateforme Power de Microsoft :

• Documents du formulaire de réclamation capturés, tels que les sélections de cases à cocher et les textes.
• Formulaire de réclamation téléchargé dans l'application de gestion de contenu SharePoint .
• Données extraites du formulaire de réclamation telles que l'identifiant de la réclamation et les valeurs des cases à cocher (par exemple, le type de réclamation, le numéro de police).
• Intégré à Dataverse pour le stockage des données afin d'enregistrer les données extraites (y compris les valeurs des cases à cocher) dans Microsoft Dataverse.
• Les flux de travail traités dans les formulaires , par exemple, utilisaient des agents Power App pour approuver ou refuser les demandes.

25. Souscription

Agentic AI automatise la souscription grâce à des agents spécialisés, notamment un agent d'évaluation des risques pour l'estimation de la probabilité de sinistre et un agent de tarification pour les ajustements dynamiques des primes, etc.

Exemple concret :

Les agents d' Akira AI automatisent la souscription d'assurance et l'évaluation des risques grâce au système multi-agents, chacun étant spécialisé dans un aspect critique de la souscription :

• Agent de collecte de données : Recueille des données structurées et non structurées.
• Agent d'évaluation des risques : analyse les données historiques et les informations relatives aux demandeurs afin de prédire la probabilité de réclamations.
• Agent de détection des fraudes : détecte les anomalies ou les schémas suspects dans les demandes et les requêtes.
• Agent de tarification : propose une tarification basée sur des facteurs tels que les conditions du marché, les prix pratiqués par la concurrence et le comportement des clients. ³⁰

26. Résolution de politique personnalisée

Les agents communiquent au titulaire de la police l'état d'avancement de la demande et les prochaines étapes, y compris toute documentation supplémentaire requise, les mises à jour concernant l'approbation/le refus ou les détails du versement.

Agents d'IA comme assistants en ressources humaines (RH)

Les opérations RH impliquent souvent de nombreuses tâches répétitives, comme la sélection des CV, qui peuvent être automatisées. Voici quelques exemples clés d'IA agentielle dans les opérations RH :

27. Reprise de la sélection

Les flux de travail Agentic automatisent le processus de sélection, filtrent les compétences pertinentes et attribuent automatiquement des scores en fonction de vos critères prédéfinis.

Exemple concret :

PepsiCo utilise des outils d'IA pour classer les candidats en fonction de leur adéquation aux exigences du poste. ³¹

28. Planification des entretiens

Les agents peuvent gérer la planification des entretiens et la coordination entre les candidats et les responsables du recrutement afin de trouver les créneaux horaires optimaux.

Exemple concret :

L'assistant RH de LinkedIn effectue des tâches quotidiennes telles que la synthèse des descriptions de poste, la recherche de candidats et la réalisation d'entretiens de présélection. ³²

29. Automatisation de la paie

Les agents chargés du traitement de la paie calculent les salaires, traitent les déductions et gèrent les retenues d'impôt. Ils s'intègrent aux systèmes d'information des ressources humaines (SIRH) et aux logiciels comptables afin de garantir l'exactitude des données et la conformité aux normes de paie.

Découvrez plus d'informations sur les solutions d'automatisation financière telles que :

• Cas d'utilisation et outils RPA en finance
• outils de référence pour les LLM en finance
• Outils financiers d'IA agentique

Exemple concret :

Le système de paie multi-agents d'Akira AI automatise l'intégralité du cycle de paie. Ce système utilise plusieurs agents, notamment :

Source : Akira AI ³³

Ici, le système de paie multi-agents d'Akira AI utilise plusieurs agents, notamment :

• Agent d'ingestion et de prétraitement des données : Utilise des méthodes d'extraction de données pour nettoyer les données des systèmes RH et financiers.
• Agent de calcul de la paie : Automatise les calculs de paie, y compris le salaire, les déductions et les primes.
• Agent de signalement de conformité : Détecte les problèmes de conformité grâce à l'apprentissage automatique.
• Agent de résolution des requêtes : résout les problèmes de paie à l’aide de RAG .

Agents IA comme assistants du service client

Les chatbots traditionnels répondent aux questions de base, mais ils se heurtent souvent à des difficultés lorsqu'il s'agit d'aider réellement le client. Les outils de service client Agentic changent la donne en :

• Interpréter des demandes nuancées , même lorsque les questions sont vagues ou complexes
• Fonctionnement fluide sur les canaux de chat, voix et e-mail, tout en récupérant les données des profils clients, de l'historique des commandes et des bases de connaissances.
• Conserver le contexte des interactions précédentes permet de répondre de manière plus éclairée et personnalisée.
• Engager le client de manière proactive , par exemple en envoyant des rappels pour les consultations ou les suivis avant même qu'il ne prenne contact.

30. Répondre aux appels des clients :

Lorsqu'un client appelle pour une demande de renseignements, les agents IA traitent l'appel en langage naturel.

Exemple concret :

L'agent Ada AI répond aux appels des clients :

31. Réponse aux demandes des clients

Les agents d'IA fournissent des réponses adaptées au contexte ou orientent les clients vers les ressources appropriées pour obtenir une assistance supplémentaire.

32. Envoi de SMS de suivi et d'information

Après une interaction, les agents envoient des SMS pour assurer le suivi auprès des clients.

33. Génération et optimisation des FAQ

Agents :

• Génère et met à jour automatiquement les FAQ à partir des interactions clients en direct et de l'historique des tickets.
• Intégrez-le aux outils CRM, de chat et de base de connaissances pour identifier les requêtes récurrentes.

Les agents d'IA comme assistants de recherche

Les agents d'IA, utilisés comme assistants de recherche, sont employés dans divers domaines pour faciliter l'analyse des données, la revue de la littérature, la formulation d'hypothèses et la conception expérimentale.

Exemples concrets :

1. La recherche approfondie de OpenAI utilise le raisonnement pour synthétiser de grandes quantités d'informations en ligne et effectuer des recherches en plusieurs étapes au niveau d'un doctorat lors de l'exécution de recherches importantes à l'aide de o3 et DeepSeek . ^{35 36}

Dans une expérience où des chercheurs ont demandé à Deep Research de mener un projet concret à partir d'une consigne détaillée, Deep Research :

• Des questions complémentaires ont été posées afin de clarifier la portée et les détails du projet de recherche avant de commencer.
• Synthèse des résultats de 22 sources basées sur des rapports universitaires et industriels. ³⁷

2. Le système d'aide à la décision clinique (SADC) de ChemicalQDevice a été sollicité pour exécuter un flux de travail d'agents dans le cadre de la découverte de médicaments. Dans cet exemple, le système de ChemicalQDevice :

• Analyse d'une grande quantité de littérature clinique provenant d'ensembles de données.
• J'ai exécuté du code automatisé avec des outils comme GitHub Actions.
• Utilisation de l'IA générative (par exemple, GPT-4 ou des modèles personnalisés), pour générer des hypothèses, suggérer des plans expérimentaux et rédiger des rapports de recherche. ³⁸

3. Le système de flux de travail agentique de bout en bout, otto-SR , exploite les LLM pour effectuer des recherches bibliographiques, appliquer des critères d'inclusion/exclusion, extraire des données structurées et réaliser des méta-analyses. ³⁹

Le système Deep Research ChemicalQDevice et otto-SR de OpenAI peuvent être utilisés dans plusieurs cas d'utilisation d'agents, présentés ci-dessous :

34. Analyse de la littérature et découverte des connaissances

Recherche autonome dans les bases de données académiques, les revues et les dépôts de recherche en ligne (par exemple, Google Scholar, PubMed) pour rassembler les études, les documents et les articles pertinents liés à des sujets de recherche ou des hypothèses spécifiques.

35. Formulation et vérification d'hypothèses

Générer de manière proactive des hypothèses d'analyse basées sur les tendances observées dans les données et les tester (travail généralement effectué par les analystes et les utilisateurs métiers).

36. Exploration et analyse des données

Manipuler des données structurées et non structurées provenant de diverses sources telles que des bases de données de recherche, les médias sociaux, les brevets ou les résultats d'essais cliniques, afin de mieux comprendre les tendances émergentes.

37. Visualisation et présentation des données

Générer des représentations visuelles pertinentes de jeux de données complexes.

Les agents d'IA en tant qu'utilisateurs d'ordinateurs

L’objectif de « l’utilisation de l’ordinateur » est de permettre à l’IA d’interagir avec un ordinateur comme le ferait un humain. Cela offre la possibilité d’effectuer des tâches numériques sans utiliser d’API spécifiques au système d’exploitation ou au Web.

Il existe deux approches pour que les agents d'IA effectuent des tâches comme les humains :

1. Exécution d'actions d'interface utilisateur graphique (GUI) du système d'exploitation ( Claude de Anthropic, OmniParser de Microsoft, etc. ).
2. Navigation Web ( OpenAI Operator, Kura AI, Runner H , HyperWriteAI, MultiOn Agent Q, etc) .

Exemples d'outils :

1. Le nouvel outil Operator de OpenAI permet aux agents IA d'effectuer des tâches sur différents sites web, comme l'achat de nourriture pour animaux de compagnie. ⁴⁰
2. Kura AI et Runner H visent à accomplir des tâches en utilisant des navigateurs web. ^{41 42}
3. HyperWriteAI vise à remplir des formulaires textuels, cliquer sur des boutons et sélectionner des options de menu pour passer une commande en ligne. ⁴³
4. OmniParser de Microsoft améliore la compréhension des interfaces visuelles par les agents pour l'automatisation des interfaces graphiques. ⁴⁴

38. Remplissage de formulaires et automatisation web

Les agents naviguent sur les pages web, cliquent sur des champs et remplissent des formulaires en fonction des instructions de l'utilisateur ou de données structurées.

Exemple concret :

39. Génération et édition de documents

Les agents ouvrent des fichiers, les modifient, les renomment, les organisent et les enregistrent dans des environnements locaux ou cloud.

Exemple concret :

Claude de Anthropic est prié de « Générer 25 lignes d'exemples de dépenses, de les enregistrer dans une feuille de calcul, puis d'ouvrir la feuille de calcul ».

Dans cet exemple, Claude :

• J'ai ouvert le fichier CSV dans l'application LibreOffice Calc.
• J'ai créé un fichier CSV contenant 25 lignes de données d'exemple de dépenses.
• J'ai installé le tableur LibreOffice Calc. ⁴⁶

40. Recherche sur le Web et collecte de données structurées

Contrairement aux scripts d'automatisation de base, les agents de recherche sur le web profond interprètent les informations non structurées sur plusieurs pages et renvoient des informations dans un format structuré.

Exemple concret :

OpenAI's Deep Research , une nouvelle capacité d'agent au sein de ChatGPT conçue pour des plans de recherche Web en plusieurs étapes et à contexte élevé, navigue et synthétise des informations provenant de sources multiples pour répondre à des requêtes complexes.

41. Opérations CLI et exécution de scripts

Les agents de codage basés sur l'interface de ligne de commande, comme Aider, conçus pour les flux de travail de développement basés sur le terminal, exécutent des commandes shell, installent des logiciels, lancent des scripts et interprètent les sorties dans des interfaces de terminal.

Exemple concret :

Aider, un agent de codage IA natif de l'interface en ligne de commande, est utilisé par les développeurs pour refactoriser des bases de code et exécuter des commandes shell telles que l'exécution de suites de tests (pytest, npm test). L'agent interprète les sorties du terminal, corrige les erreurs de manière itérative et enregistre les modifications directement dans les dépôts Git. ⁴⁸

42. Navigation et coordination d'applications multimodales

Les agents GUI unifiés (par exemple, les prototypes d'opérateur OpenAI ) peuvent basculer entre les applications.

Exemple concret :

Pour tester un cas d'utilisation de livraison de commande, j'ai fourni une simple demande d'achat à Open Operator : Aidez-moi à acheter une housse de coussin de style bohème pour moins de 30 $ .

Agents de flux de travail autonomes (tâches à long terme)

Les agents de planification dotés de mémoire et d'outils (par exemple, Auto-GPT, Agent Q avec définition d'objectifs) exécutent des objectifs en plusieurs étapes à travers divers outils (par exemple, recueillir des données, prendre des mesures, réviser le plan), en prenant des décisions en temps réel.

Exemple concret :

Dans cette analyse de rapport financier en plusieurs étapes, l'agent de planification IA se voit confier la tâche suivante : « Analyser les performances financières du dernier trimestre et préparer un résumé pour l'équipe financière. »

L'agent est prié d'obtenir :

• Actualités récentes de l'entreprise (3 articles principaux)
• Cours actuel de l'action de la société (AAPL)
• Informations sur l'entreprise (ex. : profil, capitalisation boursière, secteur)
• Cours historiques des actions (intervalle d'un jour sur le mois dernier)
• Recommandations des analystes (par exemple, recommandations d'achat/de conservation/de vente)

Voici le résultat du rapport financier :

Exemple concret :

L'agent Q de MultiOn réserve un vol.

Création d'agents d'IA

Le passage d'applications d'agents de base, telles que les recherches météorologiques en langage naturel à l'aide d'outils comme LangChain, à des cas d'utilisation plus complexes et autonomes comme le développement d'applications (par exemple, la génération d'un jeu de Tic Tac Toe avec l'éditeur Cursor AI) a engendré les défis suivants :

• Gestion de la complexité dans l'exécution des tâches
  • Normaliser les modèles qui guident leur processus décisionnel.
  • Intégrer plusieurs options et sélectionner l'action optimale pour exécuter une tâche (par exemple : « Dois-je afficher cet écran ou un autre en fonction de la saisie de l'utilisateur ? »).
• Interface avec les systèmes externes et les API

43. Génération d'agents d'IA personnalisés :

Les frameworks de création d'agents IA contribuent à relever ces défis en fournissant :

__21833__
• Cadres de prise de décision et de raisonnement (par exemple, apprentissage automatique ou modèles probabilistes) pour standardiser les modèles et intégrer de multiples options.
• Outils d'accès aux données et d'intégration (par exemple, connecteurs API) pour l'interface avec les systèmes et API externes.

Exemple concret :

Création d'un agent de guide touristique personnalisé pour la Slovénie avec Microsoft 365 :

FAQ

Liens de référence

1.

Lamar on X: "this is wild 🤯🤯🤯 just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent 🤝 ai agent the future is here and it’s insane! https://t.co/jIZnqW4fJD" / X

2.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

3.

Replit’s AI agent built my entire website (I just watched) - YouTube

4.

Replit’s AI agent built my entire website (I just watched) - YouTube

5.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

6.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

7.

Local Models & Inference Engines – GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

10.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

11.

https://www.youtube.com/watch?v=vbbP6Q6BY_U&t=591s

12.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

13.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

14.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

15.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

16.

GitHub - dandye/adk_runbooks · GitHub

17.

Agentic Incident Response - YouTube

18.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

19.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

20.

Agents génératifs : simulations interactives du comportement humain

21.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

22.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

23.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

24.

NLR 🌌 Co-Founder of Mind Protocol en X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

25.

Engineering

26.

Créer une page rapidement

27.

Introducing AI to FigJam | Figma Blog

Figma

28.

Fournisseur d'assurance néerlandais

29.

Automating an insurance claim form with AI Builder - YouTube

30.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

31.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

32.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

Ada Voice + Aircall

35.

Introducing deep research | OpenAI

36.

Deep Research - Marginal REVOLUTION

37.

Deep Research: First Impressions

UX Tigers

38.

ChemicalQDevice

39.

Automation of Systematic Reviews with Large Language Models | medRxiv

40.

Introducing Operator | OpenAI

41.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

42.

43.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet. https://t.co/csGjtIU0

44.

OmniParser

45.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

46.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

47.

Introducing deep research | OpenAI

48.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

49.

Creating an AI Agent for Financial Report Analysis - YouTube

50.

MultiOn AI Agent books a flight - YouTube

51.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017. AIMultiple informe chaque mois des centaines de milliers d'entreprises (selon similarWeb), dont 55 % des entreprises du classement Fortune 500. Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes et le Washington Post, ainsi que par des entreprises mondiales comme Deloitte et HPE, des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne. Vous trouverez d'autres entreprises et ressources réputées ayant fait référence à AIMultiple. Tout au long de sa carrière, Cem a exercé les fonctions de consultant, d'acheteur et d'entrepreneur dans le secteur des technologies. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la numérisation. Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité directe du PDG. Il a également piloté la croissance commerciale de la société de deep tech Hypatos, qui a atteint un chiffre d'affaires annuel récurrent à sept chiffres et une valorisation à neuf chiffres en seulement deux ans. Les travaux de Cem chez Hypatos ont été présentés dans des publications technologiques de référence telles que TechCrunch et Business Insider. Cem intervient régulièrement lors de conférences internationales sur les technologies. Diplômé en génie informatique de l'université de Bogazici, il est également titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire