40+ Cas d'utilisation de l'IA agentique avec des exemples concrets

Les agents 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, en particulier l’IA générative, qui nécessite souvent une intervention humaine dans les workflows complexes, l’IA agentique vise à naviguer et optimiser les processus de manière autonome grâce à ses capacités de prise de décision et à son comportement orienté vers les objectifs. Les agents IA servent de :

Agents IA en tant que développeurs

1. Créer des applications

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

• Sélectionner les bons outils pour la tâche, comme Flask pour les APIs ou React pour les frontends.
• Générer du code dans le langage choisi (par ex., Python, JavaScript) à partir de prompts simples.
• Automatiser les workflows grâce à des intégrations comme GitHub Actions pour les tests et le déploiement.

Comment ça fonctionne :

Un développeur a utilisé OpenAI’s Operator et Replit’s IA Agent pour créer une application entière en 90 minutes. Deux agents ont échangé des identifiants de manière autonome et exécuté des tests. Cette collaboration inter-agents a été intégrée au mode ChatGPT Atlas Agent, étendant les capacités de l’agent au-delà des environnements de développement, comme le e-commerce, la réservation de voyages et les workflows web d’entreprise.¹

Le mode agent Composer de Cursor vise à générer un jeu Tic Tac Toe complet à partir d’un seul prompt :« Générez un jeu Tic Tac Toe en HTML, CSS et JavaScript pour 2 joueurs. »

Cursor est capable de coder dans plusieurs fichiers, d’exécuter des commandes et de déterminer automatiquement le contexte dont il a besoin (sans avoir à ajouter de fichiers).

Exemple réel : Building applications case study

Rakuten a reconstruit son workflow de développement en utilisant Anthropic’s Claude Code dans les tests unitaires, le mocking d’API, la construction de composants, la correction de bugs et la documentation. Rakuten a obtenu :

• Délai de mise sur le marché des fonctionnalités réduit de 79 %
• Exécution de jusqu’à cinq tâches en parallèle
• Compréhension de bases de code complexes et de décisions architecturales.⁴

Découvrez-en plus sur la création d’agents

Si vous explorez l’infrastructure qui alimente les systèmes d’IA agentique, nous vous recommandons de consulter nos derniers benchmarks :

• Navigateurs distants : Comment l’infrastructure de navigateur permet aux agents d’interagir avec le web en toute sécurité.
• MCP benchmark : Top serveurs MCP pour l’utilisation d’outils et l’accès web.

2. Créez votre propre API avec le 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 :

• Intégration de la sortie dans l’environnement du développeur pour les tests, le versioning et le déploiement.
• Ingestion des spécifications d’API (par ex., fichiers OpenAPI/Swagger).
• Génération du code backend basé sur les endpoints, méthodes et schémas documentés.

Comment ça fonctionne :

Workflows d’API sans code pour les agents IA avec n8n.

Voici une abstraction de haut niveau d’un workflow d’API :

3. Édition de code en langage naturel

Vous pouvez sélectionner des extraits de code et donner des commandes en anglais simple telles que :

« Doublez la taille du plateau. Faites-le vert – comme un Apple 2e. » (voir l’exemple réel ci-dessous).

Comment ça fonctionne :

Les agents de codage comme Cursor identifient l’intention, modifient le code pertinent dans plusieurs fichiers et appliquent les changements.

Exemple réel : Natural language code editing

Coinbase est passé à un modèle d’ingénierie axé d’abord sur les agents et construit autour de Cursor, en repensant la planification des sprints et en élargissant l’utilisation parallèle d’agents, ce qui a conduit à :

• 90 % de réduction du délai entre l’idée et la production
• 55 % d’augmentation des pull requests fusionnées par ingénieur.⁶

4. Créer des sites web

Les créateurs de sites web IA comme v0 by Vercel, Bolt, Lovable et CerebrasCoder visent à créer des plateformes complexes telles que des sites d’e-learning, en générant des pages clés comme :

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

De même, des éditeurs de code IA comme Replit créent des sites web et exploitent des APIs.⁵

Comment ça fonctionne :

Voici le workflow d’automatisation :

5. Générer un tableau de bord CRM

Les agents sont capables de générer l’interface front-end, de configurer la logique back-end et de mettre en place des interactions avec la base de données.

Comment ça fonctionne :

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

6. Codage récursif

Bien que le codage de base soit généralement une tâche pour les LLMs, les workflows de codage récursif dans lesquels un agent améliore/étend itérativement le code sur plusieurs couches sont intrinsèquement agentiques.

Les agents réécrivent de manière autonome de grands blocs de code, appliquent des changements de configuration et testent les résultats par cycles jusqu’à ce qu’un objectif soit atteint.

Comment ça fonctionne :

GT Edge IA convertit le code COBOL legacy en Java moderne.⁹

Persistent fournit un framework multi-agents utilisé pour migrer de manière autonome le code COBOL vers Java, il fonctionne en :¹⁰

Exemple réel : codage récursif

Une entreprise mondiale de logistique a utilisé IBM watsonx Code Assistant lors de son programme de modernisation des mainframes. L’outil a scanné le parc, capturé un modèle structurel et fonctionnel de l’application et isolé des services métiers spécifiques à convertir en Java. Ainsi, IBM a aidé l’entreprise à atteindre :

• 60 % d’augmentation de la productivité des développeurs sur la transformation COBOL vers Java
• Java généré validé par des tests unitaires automatisés confirmant des sorties identiques au COBOL d’origine¹¹

7. Refactoring du code

En utilisant le codage récursif, les agents IA améliorent en continu la conception du code sans changer son fonctionnement, le rendant plus facile à comprendre et à maintenir.

Comment ça fonctionne :

Des développeurs d’une start-up technologique ont créé un agent qui refactore votre code dans plus de 25 langages de programmation.¹²

Exemple réel : refactoring de code

Cognition a publié un bilan de performance sur 18 mois de Devin basé sur l’utilisation en production dans sa clientèle, qui inclut Goldman Sachs, Santander et Nubank, rapportant les chiffres suivants de vitesse et de taux de fusion pour les travaux de migration et de refactoring :

• La migration de chaque fichier a été effectuée en 3 à 4 heures, contre 30 à 40 heures pour un ingénieur humain, soit une amélioration d’environ 10x
• Lorsque Oracle a arrêté le support legacy d’une version de Java, Devin a migré chaque dépôt en 14x moins de temps qu’un ingénieur humain
• Environ 67 % des pull requests de Devin sont désormais fusionnées, contre environ 34 %
• Des centaines de milliers de pull requests fusionnées dans toute la clientèle.¹³

8. Générer des suggestions de code dans votre IDE

GitHub Copilot fournit un mode agent autonome capable de tâches de codage multi-étapes, d’exécuter des commandes et d’itérer sur le code de manière indépendante dans VS Code et les IDE JetBrains, allant au-delà des suggestions en temps réel et des auto-complétions.¹⁴

Exemple réel : génération de suggestions de code

Accenture a déployé GitHub Copilot auprès de ses développeurs dans le cadre d’un essai contrôlé randomisé, avec un groupe ayant accès et un groupe témoin sans accès. Les résultats mesurés par la télémétrie DevOps d’Accenture comprennent :

• 8.69 % d’augmentation des pull requests par développeur
• 15 % d’augmentation du taux de fusion des pull requests
• 84 % d’augmentation des builds réussis, indiquant que le débit a augmenté sans compromis sur la qualité
• Environ 30 % des suggestions de Copilot ont été acceptées, avec 88 % des caractères générés conservés dans l’éditeur
• 90 % des développeurs ont déclaré se sentir plus épanouis dans leur travail, et 95 % ont dit aimer davantage coder.¹⁶

9. Surveillance et optimisation des pipelines CI/CD

Les agents IA gèrent l’infrastructure dans des environnements cloud-native comme Kubernetes. Ces agents DevOps visent à :

• Identifier les contrôleurs d’ingress en cours d’exécution ou d’autres workloads
• Identifier les pods en cours d’exécution
• Interpréter les commandes de haut niveau telles que « arrêtez le pod NGINX »

Comment ça fonctionne :

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. « Vérifiez si j’ai des pods en cours d’exécution. ».

Exemple réel : surveillance et optimisation des pipelines CI/CD

NVIDIA a étendu Cursor au-delà de la génération de code pour inclure le débogage, la revue de code, la génération de tests et la QA, et a configuré des règles personnalisées pour automatiser l’ensemble de son flux git.

• 3x plus de code commité par 30 000 développeurs
• Des règles personnalisées automatisent la création de branches, les commits de code, le débogage CI et le suivi des problèmes
• Cursor est utilisé dans pratiquement tous les domaines produits et à chaque étape du cycle de vie du développement logiciel
• Particulièrement efficace pour trouver et résoudre des bugs rares et persistants, avec des agents envoyés pour les corriger

Agents IA en tant qu’assistants SecOps

10. Renseignement sur les menaces

Les agents collectent et corrèlent les TTP des acteurs malveillants (tactiques, techniques, procédures) à partir de flux open source et propriétaires, puis intègrent les résultats dans les workflows de détection.

Comment ça fonctionne :

Microsoft’s Security Copilot inclut un agent de briefing de renseignement sur les menaces spécialisé qui collecte, filtre et résume dynamiquement le renseignement sur les menaces.

Exemple réel : renseignement sur les menaces

TÜV SÜD et Elanco ont tous deux déployé Microsoft Security Copilot pour accélérer les enquêtes et l’analyse des menaces dans leurs environnements informatiques mondiaux.

• TÜV SÜD analyse les menaces 60 à 70 % plus vite
• Elanco a réduit les temps de réponse jusqu’à 50 %
• Les analystes peuvent interroger des vecteurs d’attaque qu’ils n’avaient jamais rencontrés auparavant et obtenir des réponses exploitables sans travailler manuellement sur les flux de renseignement.²⁰

11. Détection & triage

Ces actions ont lieu à l’étape d’ingestion initiale des signaux pour réduire le bruit et organiser les données d’alerte avant une analyse plus approfondie.

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

Comment ça fonctionne :

Charlotte IA effectue une détection et un triage autonomes par :

• Identifier les comportements malveillants en fonction des TTP connus.
• Croiser les schémas d’exécution et les chemins de fichiers.
• Fournir une explication de verdict lisible par un humain.

Exemple réel : détection et triage

CrowdStrike a entraîné Charlotte IA Detection Triage sur des millions de décisions de triage réelles prises par ses propres analystes Falcon Complete MDR, puis l’a publié avec une autonomie bornée définie par le client, permettant aux organisations de définir les actions qu’il peut entreprendre sans aide.

• Un taux de concordance supérieur à 98 % avec les décisions de triage des experts humains de Falcon Complete
• Plus de 40 heures de travail de triage manuel éliminées en moyenne par semaine
• Filtre de manière autonome les faux positifs et clôture les alertes à faible risque avant qu’un analyste ne les voie
• Calcul communiqué : alertes triées en moyenne multipliées par un temps de triage manuel de cinq minutes par alerte²²

12. Enrichissement contextuel & attribution des menaces

Effectué après le triage initial, cette étape ajoute de la profondeur et du contexte aux alertes.

Les systèmes automatisés d’attribution d’attaquants ingèrent des flux CTI, extraient des caractéristiques comportementales et temporelles, et calculent des scores de similarité entre incidents. Les algorithmes de clustering mappent ensuite les intrusions à des acteurs malveillants connus comme (par ex., APT41, Mozi ou Lazarus) en fonction du chevauchement des schémas.

Comment ça fonctionne :

Les agents IA Google Chronicle + Mandiant + Gemini ingèrent de manière autonome la télémétrie et les flux CTI, enrichissent les alertes avec le contexte des IOC (par ex., réputation IP, hashs de malwares), et croisent les schémas comportementaux avec les tactiques des acteurs malveillants connus du framework MITRE ATT&CK.

Dans cette configuration agentique :

• Détection : un agent IA détecte un mouvement latéral 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 de la renseignement sur les menaces Mandiant.
• Attribution : un second agent regroupe cette activité avec des chaînes d’intrusion historiques attribuées à un groupe connu (par ex., APT41).

13. Escalade & transfert

• Traduction / simplification des alertes : convertit les alertes techniques en résumés compréhensibles pour les analystes.
• Création automatique de tickets et affectation des analystes : crée des tickets et route les incidents vers le niveau ou l’équipe approprié.

Comment ça fonctionne :

Torq’s Socrates, un orchestrateur de SOC agentique, coordonne des sous-agents spécialisés (agents de runbook, d’investigation, de remédiation et de gestion des cas) tout au long du cycle de vie des cas de niveau 1.

Dans l’escalade et le transfert, Socrates :

• Crée automatiquement des cas dans les plateformes ITSM (par ex., ServiceNow, Jira), pré-remplis avec les observables, l’enrichissement et les données structurées pertinents.
• Affecte les analystes en fonction de la charge de travail et des plannings.
• Escalade de manière sélective, notamment lorsque la confiance est faible, que l’incident est ambigu ou que l’impact potentiel est élevé.
• Joint l’enrichissement complet lors du transfert, afin que les analystes reçoivent un dossier prêt à traiter au lieu d’une alerte brute.

Exemple réel : étude de cas sur l’escalade et le transfert

Carvana a déployé Torq HyperSOC avec Socrates coordonnant des sous-agents spécialisés tout au long du cycle de vie des cas de niveau 1, de la vérification des utilisateurs à la création de cas et à l’affectation des analystes.

• 100 % des alertes de sécurité de niveau 1 de Carvana sont désormais traitées par le système agentique
• 41 runbooks distincts automatisés en un mois de déploiement
• Les analystes sont libérés pour se concentrer sur les alertes ayant un impact organisationnel potentiel important.
• ²⁵

14. Actions de réponse proactives

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

• Interroger automatiquement les journaux en utilisant le langage naturel ou des déclencheurs contextuels
• Exécuter des playbooks automatisés pour les investigations et l’escalade
• Adapter les workflows en temps réel en fonction de nouvelles preuves ou d’une logique pivotée
• Générer de l’infrastructure-as-code (par ex., Terraform, Pulumi) pour la remédiation
• Rédiger et modifier les règles de détection en fonction des enseignements de l’investigation

Comment ça fonctionne :

Google a développé le agent SOC Manager, qui s’appuie sur plusieurs sous-agents pour exécuter un plan de réponse aux incidents structuré pour la détection de malwares.²⁶

Structure du projet agentique :

Lors de 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 runbook de confinement automatisé (voir ci-dessous).

Source :
Mandiant & Google Cloud Security²⁷

Exemple réel : réponse proactive

Deepwatch, fournisseur de détection et réponse managées, a remplacé un SOAR legacy défaillant par Torq Hyperautomation pour accélérer l’analyse et le triage dans les stacks de sécurité de ses clients.

• Plus de 90 % des tâches de niveau 1 et 2 automatisées
• Des années d’automatisations SOAR legacy accumulées recréées en quelques semaines
• Une intégration client plus rapide que ce que l’entreprise avait atteint auparavant, avec des workflows créés à la demande.²⁸

15. Chasse aux menaces

Les agents de chasse aux menaces visent à :

• Analyser en continu les anomalies dans les journaux d’identité, de réseau et de cloud
• Automatiser les chasses répétitives telles que les recherches d’IOC ou la détection de schémas
• Signaler les menaces inconnues en comparant le comportement aux références historiques et à l’activité des pairs

Comment ça fonctionne :

Des chercheurs ont développé un système de chasse aux menaces piloté par MITRE ATT&CK et automatisé par un LLM local, où des agents IA collaborent pour générer des règles Sigma pour la détection des menaces.

Dans cet exemple, un utilisateur saisit une demande (par ex., « Veuillez générer une règle Sigma pour chasser le Kerberoasting ») via une interface web.

Agent 1 récupère les méthodes de détection pertinentes de MITRE ATT&CK, tandis que Agent 2 utilise cette entrée pour générer des règles Sigma contextuelles à l’aide d’un modèle de langage.²⁹

16. Tests automatisés des logiciels et des applications

Les agents de test IA créent et exécutent des tests unitaires, d’intégration, de vulnérabilité et de performance sans intervention manuelle importante. Cependant, construire ces systèmes d’IA est gourmand en ressources, car ils nécessitent une puissance de calcul significative.

Comment ça fonctionne :

Pcloudy’s Copilot fournit des scripts de test Selenium, trouve les navigateurs disponibles pour tester et exécute les cas de test.³⁰

Exemple réel : tests automatisés

Uber a construit AutoCover, un système de génération de tests multi-agents qui s’intègre au système de build pour découvrir les artefacts de code et les dépendances, et l’a déployé dans toute l’organisation d’ingénierie.

• Déployé pour tous les ingénieurs d’Uber entre septembre 2024 et septembre 2025
• Génère désormais environ 11 % de tous les nouveaux tests revus et ajoutés à la base de code d’Uber
• Produit des centaines de milliers de tests par mois en mode IDE et des dizaines de milliers en mode headless
• Orchestre cinq agents spécialisés couvrant la préparation, la synthèse, l’exécution, la validation et la réparation des tests.³¹

En savoir plus : constructeurs d’agents IA et agents IA open source.

Agents IA en tant que personnages de jeu humanoïdes

Les agents IA améliorent les PNJ et d’autres processus agentiques dans le monde du jeu en exécutant les comportements des PNJ, le jeu et l’adaptabilité, et la génération procédurale de contenu.

17. Personnages non-joueurs (PNJ) agentiques

Les agents IA entièrement autonomes dans le jeu vidéo offrent un comportement et un gameplay semblables à ceux des humains pour les personnages non-joueurs (PNJ).

Exemple réel : PNJ

Des chercheurs ont créé une petite ville virtuelle peuplée d’IA en construisant un environnement bac à sable similaire aux Sims avec 25 agents appelé « Stanford IA Village ».

Dans ce village, les utilisateurs peuvent observer et interagir avec les agents qui partagent des nouvelles, établissent des relations et organisent des activités de groupe. ³²

Voici un aperçu des composants clés et des idées derrière ces concepts :

• Scripts comportementaux : les agents de Stanford IA 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 ajuster leur comportement en fonction des actions du joueur, rendant le monde du jeu plus réactif.
• Pathfinding : les PNJ utilisent des algorithmes pour naviguer efficacement dans le monde du jeu, trouver des chemins autour des obstacles et poursuivre le joueur.

18. Jeu

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

• Pathfinding et navigation : les agents de jeu explorent les environnements de jeu, en utilisant l’essai-erreur pour trouver des stratégies optimales. Par exemple, ils apprennent des chemins de navigation dans des labyrinthes complexes en affinant continuellement leur processus de décision.
• Émulation des entrées : les agents de jeu émulent des entrées, comme les frappes au clavier, les mouvements de souris ou les commandes de 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 d’un joueur et adaptent le monde du jeu, les interactions et la conception des missions en conséquence. Par exemple, un joueur furtif peut rencontrer moins de défis de combat direct.

Exemple réel : jeu

Google DeepMind SIMA (Scalable Instructable Multi-Agent) navigue et interagit avec des situations de jeu. SIMA vise à jouer à des jeux comme No Man’s Sky et Goat Simulator.

Source : Google³⁴

19. Génération procédurale de contenu

Les agents IA sont tout à fait capables de générer de grandes quantités de contenu de jeu de manière algorithmique, telles que :

• Terrains et paysages
• Scénarios de combat
• Conception de personnages
• Paysages sonores et musique

Comment ça fonctionne :

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

• Des topographies variées (par ex., montagnes, vallées, canyons).
• Des biomes uniques (par ex., déserts, forêts, océans).
• Des conditions météorologiques dynamiques (par ex., tempêtes, pluie).³⁵

Agents IA en tant que créateurs de contenu

Les agents IA automatisent la création, l’édition et la publication de contenu, en aidant les rédacteurs humains. Voici quelques applications des assistants d’écriture IA :

20. Écriture narrative automatisée

Les agents IA écrivent un récit en décrivant les chapitres, en rédigeant le contenu et en peaufinant la prose.

Exemple réel : écriture narrative automatisée

Dans un projet d’agents IA sur GitHub, 10 agents IA spécialisés ont travaillé de manière autonome pour écrire un roman de 100 000 mots (~300 pages) sans aucune rédaction humaine.³⁶ Quelques exemples parmi ces 10 agents incluent :

• Agent de spécifications : analyse les exigences de l’histoire et maintient la cohérence narrative.
• Agent de production : génère le contenu et met en œuvre les changements créatifs.
• Agent de gestion : coordonne les agents et suit le flux créatif.
• Agent de duplication : prévient la redondance et les doublons de contenu.

Voici un livestream montrant comment les agents créent le roman :

21. Rédaction de rapports techniques ou de propositions

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

• Rapports d’ingénierie
• Propositions de projet
• Articles de recherche
• Spécifications produit

Comment ça fonctionne :

ParagraphAI, un assistant d’écriture IA, rédige des rapports techniques d’ingénierie en décrivant le calendrier, le budget, ainsi que les ressources et le personnel nécessaires.³⁸

22. Génération d’articles basés sur les connaissances

Les agents extraient des informations de bases de connaissances comme Wikipédia, des manuels de produits ou des revues académiques pour créer un aperçu complet d’un sujet spécifique.

Comment ça fonctionne :

Perplexity Pages transforme les résultats de recherche d’IA générative en pages Wikipédia structurées.³⁹

23. Génération de tableaux de bord et de diagrammes

Les agents génèrent des composants UI/UX, des diagrammes système et des organigrammes à partir de prompts textuels, rationalisant ainsi le processus de conception.

Comment ça fonctionne :

FigJam IA utilise des prompts textuels pour générer :

• Des tableaux de bord pour les réunions et les exercices d’équipe
• Des diagrammes et des organigrammes
• Des frises chronologiques visuelles et des diagrammes de Gantt⁴⁰

Agents IA en tant qu’assistants d’assurance

Les agents automatisent l’examen, l’approbation et la détection de fraude des sinistres, rationalisant ainsi l’ensemble du cycle de traitement des sinistres. Par exemple, un assureur de grande envergure automatise environ 90 % des sinistres automobiles individuels en intégrant des agents IA personnalisés dans leur workflow de sinistres. ⁴¹

Les fournisseurs d’entreprise, comme Oracle et SAP, ont déployé l’IA agentique dans la gestion de la chaîne d’approvisionnement, les opérations financières, les RH et l’expérience client. Ces agents peuvent gérer l’optimisation des stocks, l’automatisation des achats et la réconciliation financière.

24. Traitement des sinistres de bout en bout

Une fois une demande de sinistre soumise, les systèmes d’IA agentique extraient les données pertinentes des formulaires soumis, vérifient les détails par rapport aux bases de données existantes et signalent toute incohérence ou tout signal de fraude potentiel.

Comment ça fonctionne :

Microsoft Power Platform – automatise un formulaire de sinistre d’assurance :

Ici, Microsoft Power Platform :

• Capture les documents de formulaire de sinistre tels que les cases à cocher et les textes.
• Téléverse le formulaire de sinistre dans SharePoint, application de gestion de contenu.
• Extrait les données du formulaire de sinistre telles que l’ID de sinistre et les valeurs des cases à cocher (par ex., type de sinistre, 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.
• Traite les workflows dans les formulaires, par exemple, utilise les agents Power App pour approuver ou refuser les sinistres.

25. Souscription

L’IA agentique automatise la souscription avec des agents spécialisés, notamment un agent d’évaluation des risques pour l’évaluation de la probabilité de sinistres et un agent de tarification pour les ajustements dynamiques des primes, etc.

Comment ça fonctionne :

Akira IA agents automatisent la souscription d’assurance et l’évaluation des risques via un système multi-agents, chacun se spécialisant dans un aspect critique de la souscription :

• Agent de collecte de données : collecte à la fois des données structurées et non structurées.
• Agent d’évaluation des risques : analyse les données historiques et les détails du demandeur pour prédire la probabilité de sinistres.
• Agent de détection de fraude : détecte les anomalies ou les schémas suspects dans les sinistres et les demandes.
• Agent de tarification : suggère une tarification basée sur des facteurs comme les conditions du marché, les prix des concurrents et le comportement des clients.⁴³

Exemple réel : souscription

L’équipe Middle Market américaine de Zurich North America a déployé Sixfold, qui condense des milliers de pages de données d’exposition, de rapports de sinistres et de rapports sur les risques en un narratif de souscription concis que les souscripteurs peuvent ajuster avant d’appliquer leur propre jugement.

• 80 % des dossiers traités par 16 souscripteurs ont été traités avec Sixfold lors du déploiement initial
• Environ 60 minutes économisées par dossier en moyenne
• Lancé avec quatre bureaux Middle Market en janvier 2025, désormais étendu à des dizaines de bureaux dans tout le pays
• Sixfold est entré chez Zurich par le biais du Zurich Innovation Championship 2024, qu’il a remporté dans la catégorie assurance commerciale.⁴⁴

26. Résolution personnalisée des polices

Les agents communiquent le statut du sinistre et les prochaines étapes à l’assuré, y compris les documents supplémentaires requis, les mises à jour d’approbation/refus ou les détails de paiement.

Exemple réel : résolution personnalisée des polices

IA Jim de Lemonade communique les résultats des sinistres directement à l’assuré. Une fois un sinistre déclaré, IA Jim :

• Reçoit la première déclaration de sinistre (FNOL), une courte vidéo ou un texte du client.
• Effectue un triage conversationnel, en posant des questions de clarification pour guider le client tout au long du processus.
• Vérifie les détails de la police et de la couverture avec des contrôles basés sur des règles.
• Exécute des algorithmes anti-fraude avant d’approuver le sinistre.
• Envoie les instructions de paiement à la banque et informe l’assuré que le sinistre a été accepté.

Agents IA en tant qu’assistants en ressources humaines (RH)

Les opérations RH impliquent souvent de nombreuses tâches répétitives comme la présélection de CV qui peuvent être automatisées. Voici des exemples clés d’IA agentique dans les opérations RH :

27. Présélection de CV

Les workflows agentiques automatisent le processus de présélection, filtrent les compétences pertinentes et attribuent automatiquement des scores en fonction de vos critères prédéfinis.

Comment ça fonctionne :

PepsiCo utilise des outils d’IA pour classer les candidats selon leur adéquation aux exigences du poste.⁴⁵

Exemple réel : présélection de CV

Chipotle a déployé l’IA conversationnelle de Paradox en tant que membre virtuel de l’équipe nommé « Ava Cado », qui discute avec les candidats, répond aux questions sur l’entreprise, collecte des informations de base, planifie les entretiens et envoie des offres une fois qu’un responsable a sélectionné un candidat.

• Le délai entre la candidature et la date de début est passé de 12 jours à quatre, soit une réduction allant jusqu’à 75 %
• Le taux de complétion des candidatures est passé de 50 % à plus de 85 %
• Le volume de candidatures a doublé
• Déployé dans plus de 3 500 restaurants en Amérique du Nord et en Europe
• Fonctionne en anglais, espagnol, français et allemand.⁴⁶

28. Planification des entretiens

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

Comment ça fonctionne :

Assistante RH LinkedIn effectue des tâches quotidiennes comme la synthèse des descriptions de poste, la recherche de candidats et les appels de présélection de base.⁴⁷

Exemple réel : planification des entretiens

ISS North America a utilisé l’IA conversationnelle de Paradox pour gérer la couche administrative de planification entre les candidats et les responsables du recrutement dans un environnement de recrutement distribué à volume élevé.

• 85 % de réduction du délai de recrutement
• Environ 10 000 heures économisées par an
• Sur la même plateforme, Great Wolf Lodge économise $700 000 par an et un détaillant a rendu plus de 40 000 heures par semaine aux responsables de magasin
• Un client a réduit le délai moyen de recrutement de plus de 10 jours à moins de cinq immédiatement après le déploiement.⁴⁸

29. Automatisation de la paie

Les agents de traitement de la paie calculent les salaires, traitent les déductions et gèrent les retenues à la source. Ils s’intègrent aux systèmes d’information des ressources humaines (SIRH) et aux logiciels de comptabilité pour garantir l’exactitude et la conformité aux normes de paie.

Découvrez-en plus sur les solutions d’automatisation de la finance, comme :

• Cas d’utilisation et outils RPA pour la finance
• Benchmark des outils LLM pour la finance
• Outils d’IA agentique pour la finance

Comment ça fonctionne :

Le système de paie multi-agents d’Akira IA automatise tous les aspects du cycle de paie. Le système utilise plusieurs agents, notamment :

Ici, le système de paie multi-agents d’Akira IA 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 les salaires, les déductions et les primes.
• Agent de reporting de conformité : détecte les problèmes de conformité à l’aide du machine learning.
• Agent de résolution des requêtes : résout les problèmes de paie à l’aide du RAG.

Agents IA en tant qu’assistants du service client

Les chatbots traditionnels traitent les demandes simples mais peinent face aux requêtes complexes. Les outils de service client agentiques résolvent cela en :

• Interpréter les demandes nuancées, même lorsque les questions sont vagues ou complexes
• Opérer de manière fluide sur les canaux 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, permettant des réponses plus informées et personnalisées
• S’engager de manière proactive, par exemple en envoyant des rappels de contrôle ou de suivi avant que le client n’initie le contact

30. Répondre aux appels clients :

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

Comment ça fonctionne :

Agent IA Ada répond aux appels clients :

31. Répondre aux tickets clients

Les agents IA fournissent des réponses contextuelles ou orientent les clients vers les ressources appropriées pour une assistance supplémentaire.

Exemple réel : réponse aux tickets clients

Fin IA Agent d’Intercom résout les tickets clients de manière autonome. Pour chaque ticket entrant, Fin :

• Déduit l’intention à partir du message du client.
• Récupère le contenu pertinent de la base de connaissances, des articles d’aide et de l’historique des tickets.
• Rédige une réponse, puis décide s’il peut résoudre le ticket seul ou s’il doit escalader.
• Transfère avec le contexte lorsqu’il escalade, en transmettant la transcription complète, son résumé du problème et la raison pour laquelle il n’a pas pu le résoudre.

Synthesia et Fundrise ont déployé le même agent Fin d’Intercom à l’échelle start-up et scale-up, apportant un contrepoint aux chiffres enterprise de Klarna.

• Synthesia : plus de 6 000 conversations résolues en six mois, plus de 1 300 heures de support économisées
• Synthesia : des taux de support en libre-service atteignant 87 %
• Fundrise : plus de 50 % du volume total de support automatisé en trois mois
• Fundrise : 95 % de précision des réponses maintenue, les pics saisonniers de cas réduits de moitié environ d’une année sur l’autre.⁵⁰

32. Envoi de SMS de suivi et informatifs

Après une interaction, les agents envoient des SMS pour assurer un suivi auprès des clients. 42.8 % des entreprises utilisent des agents IA textuels et 33.4 % utilisent des agents vocaux IA pour la prospection proactive. ⁵¹

Comment ça fonctionne :

L’agent IA E-Care de Toyota se connecte à l’électronique embarquée d’une voiture et contacte les clients pour les alerter des besoins de réparation ou d’entretien, puis les guide dans la réservation du véhicule dans un centre de service. L’agent réduit la charge globale des appels de service entrants.⁵²

Contrairement aux envois planifiés, l’envoi sortant agentique s’adapte à chaque destinataire. En cas de panne d’un service public, l’agent :

• Identifie les quartiers touchés, plutôt que d’envoyer un message à toute la base.
• Vérifie le canal préféré de chaque client (SMS, WhatsApp, voix ou e-mail).
• Envoie des mises à jour personnalisées (par ex., « Le courant devrait être rétabli d’ici 16 h 15 »).
• Assure un suivi automatique si le rétablissement prend plus de temps que prévu, en escaladant vers un agent en direct si le client répond avec des préoccupations.

33. Génération et optimisation de FAQ

Agents :

• Génère et met à jour automatiquement les FAQ à partir des interactions clients en direct et de l’historique des tickets.
• S’intègre aux outils CRM, de chat et de base de connaissances pour identifier les questions récurrentes.

Comment ça fonctionne :

Knowledge Builder de Zendesk analyse les tickets des 30 derniers jours, en examinant à la fois les problèmes soulevés par les clients et les solutions fournies par les agents, puis génère une structure de catégories remplie d’articles provisoires. Le copilote de connaissance de Zendesk maintient ensuite la base en :

• Identifier les lacunes de contenu et suggérer des mises à jour des articles qui couvrent partiellement les tickets récurrents.
• Générer des articles ou procédures provisoires à partir des données des tickets.
• Évaluer la santé du contenu selon la couverture, la fraîcheur (part d’articles récemment mis à jour) et la lisibilité par l’IA (part d’articles formatés pour le traitement par l’IA).
• Mettre en avant les sujets de support, signaler les pics de requêtes récurrentes (par ex., réinitialisations de mot de passe) et recommander de nouveaux articles du centre d’aide.

Ne manquez pas nos benchmarks et analyses basées sur les données. Le bouton ouvre Google ; sélectionner AIMultiple confirme que vous souhaitez voir AIMultiple plus souvent dans les résultats de recherche Google.

Ajouter comme source préférée

Agents IA en tant qu’assistants de recherche

Les agents IA en tant qu’assistants de recherche sont utilisés dans divers domaines pour aider à l’analyse des données, à la revue de littérature, à la génération d’hypothèses et à la conception expérimentale.

Exemples réels :

1. OpenAI Deep Research utilise le raisonnement pour synthétiser de grandes quantités d’informations en ligne et effectuer des recherches multi-étapes de niveau doctorat lors de grandes recherches en utilisant les modèles o3 et DeepSeek.⁵³⁵⁴

Dans une expérience où les chercheurs ont demandé à Deep Research de mener un projet réel avec un prompt détaillé, Deep Research :

• A posé des questions de suivi pour clarifier la portée et les détails du projet de recherche avant de commencer.
• A synthétisé les résultats de 22 sources à partir de rapports universitaires et industriels.⁵⁵

2. Le système d’aide à la décision clinique (CDS) de ChemicalQDevice a été invité à exécuter un workflow agentique pour la découverte de médicaments. Dans cet exemple, le système de ChemicalQDevice :

• A analysé de vastes quantités de littérature clinique à partir de datasets.
• A exécuté du codage automatisé avec des outils comme GitHub Actions.
• A utilisé l’IA générative (par ex., GPT-4 ou des modèles personnalisés) pour générer des hypothèses, suggérer des plans expérimentaux et rédiger des rapports de recherche.⁵⁶

3. Le système de workflow agentique de bout en bout, otto-SR, exploite les LLMs pour effectuer des recherches documentaires, appliquer des critères d’inclusion/exclusion, extraire des données structurées et réaliser des méta-analyses.⁵⁷

4. Google a déployé un pair-reviewer agentique lors des conférences ICML et STOC pour automatiser certaines parties du processus d’évaluation scientifique à grande échelle. Lors de ce déploiement, l’agent :

• A traité environ 10 000 articles avec des délais de traitement de 30 minutes par manuscrit.
• A détecté 34 % d’erreurs mathématiques de plus que les méthodes standard de prompting zero-shot.⁵⁸

OpenAI Deep Research, le système ChemicalQDevice et otto-SR peuvent être utilisés dans plusieurs cas d’usage agentiques présentés ci-dessous :

34. Revue de littérature et découverte de connaissances

Les agents IA recherchent de manière autonome dans les bases de données académiques, les revues et les dépôts de recherche en ligne (par ex., Google Scholar, PubMed) pour rassembler les études, articles et publications pertinents liés à des sujets ou hypothèses de recherche spécifiques.

35. Génération et test d’hypothèses

Les agents analytiques avancés scannent en continu les flux de données pour générer et tester de manière autonome des hypothèses métier. Lorsqu’une anomalie comme un pic d’abandon de panier survient, l’agent teste immédiatement des variables comme la latence de la page ou les codes promo ayant échoué, fournissant des insights validés aux utilisateurs en quelques minutes plutôt qu’en jours.

36. Data mining et analyse

Les agents IA ingèrent des données structurées et non structurées provenant de plusieurs sources comme les bases de données de recherche, les médias sociaux, les brevets ou les résultats d’essais cliniques, fournissant des insights sur les tendances émergentes.

Étude de cas data mining et analyse : AES

AES a utilisé des agents construits sur BigQuery et Vertex IA de Google Cloud pour synthétiser des données structurées et non structurées dans l’ensemble de son patrimoine d’audit interne.

• Coûts d’audit réduits de 99 % et délai réduit de 14 jours à une heure
• General Mills a économisé plus de $100 millions de dollars en donnant aux employés un accès sécurisé à l’IA générative sur ses données
• Le département de l’emploi, de la formation et de la réadaptation du Nevada a construit un assistant d’appels qui a aidé les arbitres à décider 4x plus vite.⁵⁹

37. Visualisation et présentation des données

Les agents analytiques compilent automatiquement les données brutes en visuels prêts à présenter, transformant des tendances complexes en graphiques d’analyse de cohortes propres et en cascades financières à l’aide d’outils intégrés comme Tableau ou Power BI.

Agents IA en tant qu’utilisateurs d’ordinateurs

« Computer Use » vise à permettre à l’IA d’interagir avec un ordinateur comme le ferait une personne. Cela offre la flexibilité d’effectuer des tâches numériques sans utiliser d’APIs spécifiques à l’OS ou au web.

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

1. Effectuer des actions d’interface utilisateur graphique (GUI) de l’OS (Anthropic Claude, Microsoft OmniParser, etc.).
2. Navigation web (OpenAI Operator, Kura IA, Runner H, HyperWriteAI, MultiOn Agent Q, etc.).

Exemples d’outils :

1. ChatGPT Atlas avec mode Agent, successeur de l’outil Operator, bascule entre les applications et effectue des tâches web complexes pour unifier l’interface graphique.¹
2. Kura IA et Runner H visent à effectuer des tâches en utilisant des navigateurs web.⁶⁰⁶¹
3. HyperWriteAI vise à remplir des formulaires textuels, cliquer sur des boutons et sélectionner des éléments de menu pour passer une commande en ligne.⁶²
4. Microsoft OmniParser améliore la compréhension par les agents des interfaces visuelles pour l’automatisation des GUI.⁶³

38. Remplissage de formulaires & automatisation web

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

Comment ça fonctionne :

Exemple réel : remplissage de formulaires

Danfoss a déployé des agents IA de Google Cloud dans la fabrication industrielle pour automatiser le traitement des commandes par e-mail et a obtenu :

• 80 % des décisions transactionnelles automatisées
• Le temps de réponse client moyen réduit de 42 heures à un temps quasi réel.⁶⁵

39. Génération et édition de documents

Les agents ouvrent des fichiers, effectuent des modifications, renomment, organisent et sauvegardent des documents dans des environnements locaux ou cloud.

Comment ça fonctionne :

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

Dans cet exemple, Claude :

• A ouvert le fichier CSV dans l’application LibreOffice Calc.
• A créé un fichier CSV avec 25 lignes d’exemples de données de dépenses.
• A installé la feuille de calcul LibreOffice Calc.⁶⁶

40. Recherche web & collecte de données structurées

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

Comment ça fonctionne :

OpenAI Deep Research, une nouvelle capacité agentique de ChatGPT conçue pour la recherche web multi-étapes à fort contexte, planifie, navigue et synthétise les informations provenant de multiples sources pour répondre à des requêtes complexes.

41. Opérations CLI & exécution de scripts

Les agents de codage basés sur la CLI comme Aider, conçus pour les workflows de développement en terminal, exécutent des commandes shell, installent des logiciels, lancent des scripts et interprètent les sorties dans les interfaces de terminal.

Comment ça fonctionne :

Aider, un agent de codage IA natif CLI, est utilisé par les développeurs pour refactorer des bases de code et exécuter des commandes shell comme l’exécution de suites de tests (pytest, npm test). L’agent interprète les sorties du terminal, corrige les erreurs de manière itérative et valide les changements directement dans les dépôts Git.⁶⁷

Alternative à Aider, Cognition a livré Devin 2.0, un ingénieur logiciel IA autonome avec une variante native CLI concurrençant directement les agents en terminal. Devin est capable de refactorer des bases de code, d’exécuter des commandes shell, de lancer des suites de tests et de valider des modifications dans des dépôts Git.⁶⁸

42. Navigation et coordination d’applications multimodales

Les agents GUI unifiés (par ex., les prototypes OpenAI Operator) peuvent basculer entre les applications.

Comment ça fonctionne :

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

43. Agents de workflow autonomes (tâches à long horizon)

Les agents de planification avec mémoire + utilisation d’outils (par ex., Auto-GPT, Agent Q avec définition d’objectifs) exécutent des objectifs multi-étapes sur divers outils (par ex., recueillir des entrées, agir, réviser le plan), en prenant des décisions en temps réel.

Comment ça fonctionne :

Dans cette analyse de rapport financier multi-étapes, l’agent de planification IA reçoit la tâche : « Analysez la performance financière du dernier trimestre et préparez une synthèse pour l’équipe finance. »

Il est demandé à l’agent d’obtenir :

• Les actualités récentes de l’entreprise (3 principales actualités)
• Le cours actuel de l’action de l’entreprise (AAPL)
• Les informations sur l’entreprise (par ex., profil, capitalisation boursière, secteur)
• Les cours historiques de l’action (intervalle d’un jour sur le mois écoulé)
• Les recommandations des analystes (par ex., notes acheter/conserver/vendre)

Voici le rapport financier généré :

MultiOn Agent Q réserve un vol.

Créer des agents IA

Le passage d’applications d’agents de base, comme les recherches météo en langage naturel utilisant des outils comme LangChain, à des cas d’usage autonomes plus complexes comme le développement d’applications (par ex., générer un jeu Tic Tac Toe avec l’éditeur Cursor IA) a entraîné les défis suivants :

Ce changement présente des défis tels que la gestion de workflows multi-étapes, la gestion des boucles d’erreur d’API et le maintien du contexte dans de grandes bases de code.

• Gérer la complexité dans l’exécution des tâches
  • Standardiser les schémas qui guident leur processus de prise de décision.
  • Intégrer plusieurs options et sélectionner l’action optimale pour exécuter une tâche. (par ex., « Dois-je afficher cet écran ou un autre en fonction de la saisie de l’utilisateur ? »).
• Interfacer avec des systèmes externes et des APIs

44. Générer des agents IA personnalisés :

Les frameworks de création d’agents IA aident à relever ces défis en fournissant :

• Des frameworks de prise de décision et de raisonnement (par ex., machine learning ou modèles probabilistes) pour normaliser les schémas et intégrer plusieurs options.
• Des outils d’accès aux données et d’intégration (par ex., connecteurs API) pour interfacer avec les systèmes externes et les APIs.

L’écosystème des développeurs a adopté des outils d’orchestration agentique spécialisés comme LangGraph, CrewAI, le Google Agent Development Kit, Mastra, le OpenAI Agents SDK et le Claude Agent SDK, car ces outils offrent des workflows structurés pour la coordination multi-agents et les tâches à long horizon.

Comment ça fonctionne :

Créer un agent personnalisé de guide de voyage en Slovénie avec Microsoft 365 :

Exemple réel : génération d’agents IA personnalisés

AppFolio a migré son copilote de gestion immobilière Realm-X d’une architecture chaînée vers LangGraph, en publiant des chiffres avant/après sur les résultats du changement.

• 2x d’amélioration de la précision des réponses après la migration
• Plus de 10 heures économisées par semaine et par gestionnaire immobilier
• Le prompting few-shot dynamique a fait passer la performance sur des fonctionnalités spécifiques de 40 % à 80 %.⁷²

FAQ

Citer cette recherche

Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Cas d'utilisation de l'IA agentique avec des exemples concrets}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Consulté le 26 Août 2026}
}

Journal des modifications

22 mises à jour

1. 202626 Août

   De nouveaux exemples concrets ont été ajoutés pour la création d'applications, le codage récursif, la refactorisation de code, la génération de suggestions de code, la surveillance de pipeline CI/CD, la veille sur les menaces, la détection et le triage, l'escalade et le transfert, la réponse proactive, les tests automatisés, le filtrage de CV, la planification d'entretiens et la souscription.

2. 4 Août

   Un exemple réel de l'IA Jim de Lemonade a été ajouté à la section de résolution personnalisée des polices.

3. 16 Juil

   De nouveaux exemples concrets ont été ajoutés pour Socrates de Torq, Fin d'Intercom, E-Care de Toyota, Knowledge Builder de Zendesk et le relecteur agentique de Google.

4. 8 Juil

   L'article a ajouté ChatGPT Atlas avec le mode Agent aux exemples d'outils et a supprimé les sections « Agentic AI vs. AI agents » et « Agentic AI vs generative AI ».

5. 7 Juil

   L'article a ajouté un exemple réel d'Aider, un agent de codage IA natif de CLI, à la section des opérations CLI et de l'exécution de scripts.

6. 202513 Nov

   Une nouvelle section sur les benchmarks d'infrastructure d'IA agentique a été ajoutée à l'article.

7. 16 Juil

   La section « Agents IA en tant qu'assistants SecOps » a été mise à jour avec de nouveaux cas d'utilisation et des exemples concrets, y compris le Copilote de sécurité de Microsoft et l'agent SOC de Google.

8. 20 Juin

   La section « Développement et opérations informatiques » a été remplacée par « Assistants SecOps pour développeurs » et de nouveaux contenus y ont été ajoutés.

9. 19 Juin

   La section « Agents IA en tant que développeurs » a été mise à jour avec de nouveaux cas d'utilisation et des exemples concrets.

10. 11 Avr

    L'article a ajouté le produit Devin à la section des agents d'IA en tant que développeurs.

11. 14 Fév

    L'article a mis à jour les descriptions de plusieurs cas d'utilisation de l'IA agentique et a supprimé la section de création de sites web.

12. 13 Fév

    L'article a ajouté Open Interpreter à la liste des agents logiciels open source et a supprimé la section « Exemples concrets d'agents IA dans les tâches de développement ».

13. 12 Fév

    La section sur les assistants de vente au détail et de commerce électronique a été supprimée.

14. 11 Fév

    L'article a ajouté une nouvelle section sur la génération de contenu procédural pour les agents d'IA.

15. 10 Fév

    La section Assistants de service client a été ajoutée, incluant les principaux agents de service client et leurs exemples concrets.

16. 31 Jan

    La section « Agents IA en tant qu'écrivains » a été mise à jour avec de nouveaux exemples de génération de contenu et les sections suivantes ont été renumérotées.

17. 30 Jan

    La section « Agents IA utilisant des navigateurs web » a été mise à jour avec de nouveaux exemples et renommée « Agents IA en tant qu'utilisateurs d'ordinateurs ».

18. 29 Jan

    L'article a ajouté de nouvelles données pour les sections sur les agents d'IA en tant que développeurs, les agents d'IA en tant que personnages de jeu humanoïdes, les agents d'IA en tant qu'écrivains, les agents d'IA en tant qu'assistants d'assurance, les agents d'IA en tant qu'assistants des ressources humaines (RH), les agents d'IA dans le commerce de détail et le commerce électronique, les agents d'IA en tant qu'assistants de recherche, les agents d'IA utilisant des navigateurs web et la créa

19. 28 Jan

    Une nouvelle section comparant l'IA agentique à l'IA traditionnelle a été ajoutée.

20. 202425 Déc

    La section « Qu'est-ce que l'IA agentique ? » a été ajoutée et la section « Agents d'IA en tant qu'assistants d'assurance » a été mise à jour avec de nouvelles informations.

21. 23 Août

    Des vidéos intégrées ont été ajoutées aux sections sur les agents IA en tant que développeurs, personnages de jeux similaires à des humains, rédacteurs, assistants d'assurance et création d'agents IA.

22. 8 Août

    De nouvelles sections sur les agents d'IA en tant qu'écrivains, assistants d'assurance et assistants de recherche ont été ajoutées, et la section sur les agents d'IA en tant que développeurs a été étendue.

Liens de référence

1.

Introducing Operator | OpenAI

2.

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!" / X

3.

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

4.

Rakuten Claude Code case study | Claude by Anthropic

5.

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

6.

Cursor · Customers

Cursor

7.

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

8.

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

9.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

10.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

11.

Watsonx Code Assistant for Z is the Rosetta Stone for COBOL - IBM Research

IBM

12.

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

13.

Devin's 2025 Performance Review: Learnings From 18 Months of Agents At Work | Cognition

Cognition

14.

Agent mode 101: All about GitHub Copilot’s powerful mode - The GitHub Blog

15.

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

16.

Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog

17.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

18.

NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor

Cursor

19.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

20.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

21.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

22.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

23.

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

MDPI

24.

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

Google Cloud

25.

Torq Expands Agentic AI Capabilities With Powerful New Autonomous, Collaborative Multi-Agent Framework For Security Operations | Torq

Torq®

26.

GitHub - dandye/adk_runbooks · GitHub

27.

Agentic Incident Response - YouTube

28.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

29.

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

30.

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

31.

Automated Software Test Generation at Industry Scale Using a Multi-Agent Architecture and Workflow Integration | Proceedings of the IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice

32.

Generative Agents: Interactive Simulacra of Human Behavior

33.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

34.

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

SIMA team

35.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

36.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

37.

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

38.

Engineering

39.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

40.

Introducing AI to FigJam | Figma Blog

Figma

41.

Dutch Insurance Provider

42.

Automating an insurance claim form with AI Builder - YouTube

43.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

44.

AI tool brings real-world value to Zurich USMM underwriters

45.

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

46.

Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox

47.

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

LinkedIn Talent Solutions

48.

Paradox AI recruiting success stories — Paradox

49.

Ada Voice + Aircall - YouTube

50.

Intercom Claude Platform (API) case study | Claude by Anthropic

51.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

52.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

53.

Introducing deep research | OpenAI

54.

Deep Research - Marginal REVOLUTION

55.

Deep Research: First Impressions

UX Tigers

56.

ChemicalQDevice

57.

Automation of Systematic Reviews with Large Language Models | medRxiv

58.

[2606.28277] Towards Automating Scientific Review with Google's Paper Assistant Tool

59.

25 of my favorite ROI+ customer stories | Google Cloud Blog

Google Cloud

60.

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

61.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

62.

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." / X

63.

OmniParser

64.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

65.

Google Cloud’s Business Trends Report 2026: Key findings

Google

66.

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

67.

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

68.

Devin | The AI Software Engineer

Cognition

69.

Creating an AI Agent for Financial Report Analysis - YouTube

70.

MultiOn AI Agent books a flight - YouTube

71.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

72.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. 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 digitalisation.

Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.

Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.

Voir le profil complet

Recherche effectuée par

Hazal Şimşek

Analyste sectorielle

Suivre

Hazal est analyste sectorielle chez AIMultiple, spécialisée dans l'intelligence des processus (y compris le process mining) et l'automatisation d'entreprise (y compris l'automatisation IT et l'automatisation low-code/no-code).

Voir le profil complet

Soyez le premier à commenter

Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.

Nom

Adresse email

Commentaire

0/450

Publier un commentaire