Premium
Services
Premium

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

Cem Dilmegani
Cem Dilmegani
mis à jour le 8 sept. 2026

Les agents d’IA générative autonomes exécutent des tâches complexes avec peu ou pas de supervision humaine. L'IA agentique diffère des chatbots et des copilotes.

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

L'image simplifiée du flux opérationnel de l'IA agentique

Agents IA en tant que développeurs

1. Création d’applications

Les éditeurs de code IA comme Cursor IA Editor, Windsurf Editor etReplit 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 simples prompts.
  • Automatiser les workflows avec des intégrations telles que GitHub Actions pour les tests et le déploiement.

Fonctionnement :

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

X2

Le mode agent Composer de Cursor vise à générer un jeu de Tic Tac Toe complet à partir d’un seul prompt : « Génère un jeu de 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 des fichiers).

Builder.io3

Exemple réel : Building applications case study

Rakuten a reconstruit son workflow de développement en utilisant Anthropic’s Claude Code pour les tests unitaires, la simulation d’API, la création 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 des bases de code complexes et des décisions architecturales.4

En savoir 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 navigation permet aux agents d’interagir avec le web en toute sécurité.
  • MCP benchmark : Meilleurs 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 :

  • Intégrer le résultat dans l’environnement du développeur pour les tests, le contrôle de version et le déploiement.
  • Ingérer les spécifications d’API (par ex., fichiers OpenAPI/Swagger).
  • Générer le code backend en fonction des endpoints, méthodes et schémas documentés.

Fonctionnement :

Workflows API sans code pour les agents IA avec n8n.

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

APIs pour les agents IA5

3. Édition de code en langage naturel

Vous pouvez sélectionner des extraits de code et donner des commandes en langage naturel telles que :

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

Fonctionnement :

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

Replit’s agent IA en train de créer un site web6

Exemple réel : Natural language code editing

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

  • Une réduction de 90 % du délai entre l’idée et la production
  • Une augmentation de 55 % des pull requests fusionnées par ingénieur.7

4. Création de sites web

Les créateurs de sites web IA comme v0 by Vercel, Bolt, Lovable et CerebrasCoder visent à créer des plateformes complexes comme des sites 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 des APIs.6

Fonctionnement :

Voici le workflow d’automatisation :

Méthode rapide pour créer un agent IA de site web8

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 les interactions avec la base de données.

Fonctionnement :

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

WorldofAI9

6. Recursive codage

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

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

Fonctionnement :

Persistent fournit un framework multi-agents utilisé pour migrer de manière autonome du code COBOL vers Java. Il fonctionne en :

  • Fonctionner dans une boucle de rétroaction continue, où les agents affinent le code de manière itérative ensemble jusqu’à ce que la traduction soit terminée.
  • Lancer la traduction via un agent codeur, qui analyse la structure et les dépendances COBOL pour générer le code Java initial.
  • Évaluer le résultat via un agent réviseur, qui inspecte le Java généré pour en vérifier l’exactitude, l’optimisation et les exigences orientées objet (comme les méthodes getter/setter manquantes).
  • Intégrer les contributions humaines via un agent proxy utilisateur, ce qui permet aux équipes d’injecter des connaissances métier et des normes organisationnelles.10

Exemple réel : Recursive codage

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

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

7. Refactorisation du code

En utilisant le codage récursif, les agents IA améliorent en continu la conception du code sans en modifier le fonctionnement, ce qui le rend plus facile à comprendre et à maintenir.

Fonctionnement :

Les développeurs d’une startup technologique ont créé un agent qui refactorise votre code dans plus de 25 langages de programmation.12

Exemple réel : refactorisation du code

Cognition a publié un bilan de performance de 18 mois de Devin basé sur une utilisation en production dans sa base de clients, qui comprend Goldman Sachs, Santander et Nubank, rapportant les chiffres de vitesse et de taux de fusion suivants pour les travaux de migration et de refactorisation :

  • La migration de chaque fichier s’est achevée en 3 à 4 heures, contre 30 à 40 heures pour un ingénieur humain, soit une amélioration d’environ 10x
  • Lorsque Oracle a mis fin au support hérité 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 % auparavant
  • Des centaines de milliers de pull requests fusionnées dans l’ensemble de la base de clients.13

8. Génération de suggestions de code dans votre IDE

GitHub Copilot propose un mode agent autonome capable de tâches de codage en plusieurs 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.

L’image est un exemple de la façon dont GitHub Copilot peut générer des suggestions de code dans votre IDE
GitHub Copilot suggestions de code14

Exemple réel : génération de suggestion 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 n’y ayant pas accès. Les résultats mesurés à partir de la propre télémétrie DevOps d’Accenture incluent :

  • Une augmentation de 8,69 % des pull requests par développeur
  • Une augmentation de 15 % du taux de fusion des pull requests
  • Une augmentation de 84 % des builds réussis, indiquant que le débit a augmenté sans compromis sur la qualité
  • Environ 30 % des suggestions de Copilot 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.15

9. Surveillance et optimisation des pipelines CI/CD

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

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

Fonctionnement :

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

Utiliser Claude comme agent DevOps16

Exemple réel : surveillance et optimisation des pipelines CI/CD

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

  • 3x davantage 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 utilisé dans pratiquement tous les domaines de produits et à chaque étape du cycle de vie du développement logiciel
  • Particulièrement efficace pour détecter et résoudre des bugs rares et persistants, avec des agents dépêchés pour les corriger.17

Les 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, et intègrent les résultats dans les workflows de détection.

Fonctionnement :

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

L’image est un scénario d’IA agentique montrant comment fonctionne l’agent de briefing de renseignements sur les menaces du Security Copilot de Microsoft.
Microsoft18

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 les environnements informatiques mondiaux.

  • TÜV SÜD analyse les menaces 60 à 70 % plus rapidement
  • Elanco a réduit les temps de réponse jusqu’à 50 %
  • Les analystes peuvent interroger des vecteurs d’attaque qu’ils n’ont jamais rencontrés auparavant et obtenir des réponses exploitables sans parcourir manuellement les flux de renseignements.19

11. Détection & triage

Ces actions se déroulent au stade de l’ingestion initiale des signaux afin de réduire le bruit et d’organiser les données d’alerte avant une analyse plus approfondie.

  • Dédoublonnage 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 à l’aide des schémas de résolution passés.
  • Regroupement / clustering des alertes : regroupe les alertes liées (même utilisateur, hôte ou tactique) en un seul incident.

Fonctionnement :

Charlotte IA effectue une détection et un tri autonomes en :

  • Identifier les comportements malveillants en fonction des TTP connus.
  • Croiser les modèles d’exécution et les chemins de fichiers.
  • Fournir une explication du verdict lisible par l’humain.
L’image montre la capacité de tri de Charlotte IA qui fournit des détails, une recommandation et des explications.
Triage avec Charlotte IA20

Exemple réel : détection et tri

CrowdStrike a formé Charlotte IA Detection Triage sur des millions de décisions de tri réelles prises par ses propres analystes Falcon Complete MDR, puis l’a publié dans le cadre d’une autonomie limitée définie par le client afin que les organisations définissent les actions qu’il peut entreprendre sans aide.

  • Un taux de concordance de plus de 98 % avec les décisions de tri des experts humains de Falcon Complete
  • Plus de 40 heures de travail manuel de tri 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 divulgué : nombre moyen d’alertes triées multiplié par un temps de tri manuel de cinq minutes par alerte21

12. Enrichissement contextuel & attribution des menaces

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

Les systèmes automatisés d’attribution des attaquants ingèrent des flux CTI, extract des caractéristiques comportementales et temporelles et calculent des scores de similarité entre les 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 modèles.

L’image est un diagramme expliquant MDPI, de l’intégration CTI à la définition des caractéristiques, au calcul de similarité et aux étapes d’attribution des attaquants.
MDPI22

Fonctionnement :

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

Google Cloud23

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 threat intelligence Mandiant.
  • Attribution : un second agent regroupe cette activité avec les 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 achemine les incidents vers le niveau ou l’équipe approprié.

Fonctionnement :

Torq’s Socrates, un orchestrateur SOC agentique, coordonne des sous-agents spécialisés (agents Runbook, Investigation, Remediation et Case Management) tout au long du cycle de vie des cas de niveau 1.

En matière d’escalade et de transfert, Socrates :

Torq Démo d’automatisation de la sécurité24
  • Crée automatiquement des cas dans les plateformes ITSM (par ex., ServiceNow, Jira), préremplis avec les observables, l’enrichissement et les données structurées pertinents.
  • Affecte les analystes en fonction de la charge de travail et des plannings de rotation.
  • Escalade de manière sélective, précisément lorsque la confiance est faible, que l’incident est ambigu ou que l’impact potentiel est élevé.
  • Joint l’enrichissement complet au 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 après le déploiement
  • Les analystes sont libérés pour se concentrer sur les alertes ayant un impact organisationnel potentiel important.25

14. Actions de réponse proactives

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

  • Interroger automatiquement les journaux en langage naturel ou avec des déclencheurs contextuels
  • Exécuter des playbooks automatisés pour les enquêtes et l’escalade
  • Adapter les workflows en temps réel en fonction de nouvelles preuves ou d’une logique pivotée
  • Générer de l’infrastructure en tant que code (par ex., Terraform, Pulumi) pour la remédiation
  • Rédiger et modifier des règles de détection en fonction des résultats de l’enquête

Fonctionnement :

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).

L’image provient de l’Agent Development Kit où Google présente l’agent SOC Manager pour exécuter un plan de réponse aux incidents structuré pour la détection de malwares.
Mandiant & Google Cloud Security27

Exemple réel : réponse proactive

Deepwatch, un fournisseur de détection et de réponse gérées, a remplacé un SOAR hérité défaillant par Torq Hyperautomation pour accélérer l’analyse et le tri dans les piles de sécurité de ses clients.

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

15. Chasse aux menaces

Les agents de chasse aux menaces visent à :

  • Rechercher des anomalies en continu dans les journaux d’identité, de réseau et de cloud
  • Automatiser les recherches répétitives comme les recherches d’IOC ou la détection de modèles
  • Signaler les menaces inconnues en comparant le comportement avec les référentiels historiques et l’activité des pairs

Fonctionnement :

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.

L’image est un exemple de diagramme où un utilisateur saisit une demande via une interface web.

Dans cet exemple, un utilisateur saisit une demande (par ex., « Veuillez générer une règle Sigma pour la chasse au Kerberoasting ») via une interface 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.29

16. Test automatisé 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. Toutefois, la création de ces systèmes d’IA est gourmande en ressources, car ils nécessitent une puissance de calcul importante.

Fonctionnement :

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 auprès de 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.

Les 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 des comportements de PNJ, le jeu et l’adaptabilité, et la génération procédurale de contenu.

17. Agentiques personnages non-joueurs (PNJ)

Les agents IA entièrement autonomes dans les jeux vidéo offrent un comportement et un gameplay humanoïdes 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 semblable aux Sims avec 25 agents appelé « Stanford AI Village ».

Dans ce village, les utilisateurs peuvent observer les agents et interagir avec eux pendant qu’ils partagent des nouvelles, nouent des relations et organisent des activités de groupe. 32

Simulacres interactifs33

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

  • Scripts comportementaux : les agents du village Stanford AI 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, ce qui rend le monde du jeu plus réactif.
  • Recherche de chemin : 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 s’appuyant sur :

  • Recherche de chemin et navigation : les agents de jeu explorent les environnements de jeu, en procédant par essais et erreurs 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 les 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 discret peut rencontrer moins de défis de combat direct.

Exemple réel : jeu

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

Agent GenAI pour les environnements virtuels 3D34

19. Génération procédurale de contenu

Les agents IA sont tout à fait capables de générer algorithmiquement de grandes quantités de contenu de jeu, notamment :

  • Terrains et paysages
  • Scénarios de combat
  • Conceptions de personnages
  • Ambiances sonores et musique

Fonctionnement :

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 modèles météorologiques dynamiques (par ex., tempêtes, précipitations).35

Les 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. Rédaction narrative automatisée

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

Exemple réel : rédaction narrative automatisée

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

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

Voici un livestream montrant comment les agents créent le roman :

Écrire un livre avec des agents non supervisés37

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 de produit

Fonctionnement :

ParagraphAI, un assistant d’écriture IA, rédige des rapports techniques d’ingénierie en esquissant 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 une vue d’ensemble complète d’un sujet spécifique.

Fonctionnement :

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 de système et des organigrammes à partir de prompts textuels, ce qui rationalise le processus de conception.

Fonctionnement :

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 chronologies visuelles et des diagrammes de Gantt40

Les agents IA en tant qu’assistants d’assurance

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

Les éditeurs 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 le rapprochement financier.

24. Traitement des sinistres de bout en bout

Une fois qu’un sinistre est soumis, les systèmes d’IA agentique extract 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.

Fonctionnement :

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

Des builders IA automatisant les sinistres d’assurance42

Ici, Microsoft’s Power Platform :

  • Capturé les documents du formulaire de sinistre tels que les sélections de cases à cocher et les textes.
  • Téléversé le formulaire de sinistre vers l’application de gestion de contenu SharePoint.
  • 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.
  • Traité les workflows dans les formulaires, par exemple, utilisé des agents Power App pour approuver ou refuser les sinistres.

25. Évaluation des risques

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

Fonctionnement :

Akira AI‘s agents 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 : collecte 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 : propose une tarification en fonction de facteurs tels que les conditions du marché, les prix des concurrents et le comportement des clients.43

Exemple réel : souscription

L’équipe Middle Market des États-Unis de Zurich North America a déployé Sixfold, qui condense des milliers de pages de données d’exposition, d’historiques de sinistres et de rapports de risque en un récit 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 gagnées par dossier en moyenne
  • Lancé avec quatre bureaux Middle Market en janvier 2025, désormais en expansion vers des dizaines de bureaux dans tout le pays
  • Sixfold est entré chez Zurich par le biais du championnat d’innovation Zurich 2024, qu’il a remporté dans la catégorie assurance commerciale.44

26. Résolution personnalisée des polices

Les agents communiquent au titulaire de la police le statut du sinistre et les prochaines étapes, y compris tout document supplémentaire requis, les mises à jour d’approbation ou de refus, ou les détails de paiement.

Exemple réel : résolution personnalisée des polices

L’IA Jim de Lemonade communique les résultats des sinistres directement au titulaire de la police. Une fois qu’un sinistre est déclaré, IA Jim :

  • Reçoit le premier avis de sinistre (FNOL), une courte vidéo ou un texte du client.
  • Effectue un tri 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 à l’aide de 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 le titulaire de la police que le sinistre a été accepté.
Gestion des sinistres d’assurance de Lemonade45
Laissez notre équipe automatiser l'un de vos processus métier avec des agents IA, gratuitement.
Automatiser un processus

Les agents IA en tant qu’assistants en ressources humaines (RH)

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

27. Présélection des CV

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

Fonctionnement :

PepsiCo utilise des outils d’IA pour classer les candidats selon leur adéquation aux exigences du poste.46

Exemple réel : présélection des 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 manager a sélectionné un candidat.

  • Le délai entre la candidature et la date d’entrée en poste est passé de 12 jours à quatre, soit une réduction pouvant atteindre 75 %
  • Le taux de finalisation 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.47

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.

Fonctionnement :

LinkedIn HR Assistant effectue des tâches quotidiennes comme la synthèse des descriptions de poste, la recherche de candidats et les appels de présélection de base.48

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 fort volume.

  • Une réduction de 85 % du délai d’embauche
  • Environ 10 000 heures économisées chaque année
  • 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 d’embauche de plus de 10 jours à moins de cinq immédiatement après le déploiement.49

29. Automatisation de la paie

Les agents de traitement de la paie calculent les salaires, traitent les retenues et gèrent les prélèvements fiscaux. Ils s’intègrent aux systèmes d’information des ressources humaines (HRIS) et aux logiciels comptables pour garantir l’exactitude et la conformité aux normes de paie.

En savoir plus sur les solutions d’automatisation de la finance telles que :

Fonctionnement :

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

L’image montre un cadre d’architecture d’un système de traitement de la paie autonome d’Akira AI.
Akira AI43

Ici, Akira AI’s système de paie multi-agents 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 retenues 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.

Les agents IA en tant qu’assistants du service client

L’image compare les assistants du service client : 
le libre-service pour les transactions simples comme les chatbots ou les centres de contact, par opposition au support proactif activé par l’IA tout au long du parcours pour résoudre les problèmes et faire des recommandations.

Les chatbots traditionnels traitent les demandes simples mais peinent avec les requêtes complexes. Les outils de service client agentiques répondent à cela en :

  • Interpréter les demandes nuancées, même lorsque les questions sont vagues ou complexes
  • Opérer de manière transparente sur les canaux de chat, de voix et d’email tout en récupérant des données depuis les profils clients, l’historique des commandes et les bases de connaissances
  • Conserver le contexte des interactions précédentes, ce qui permet des réponses plus éclairées et personnalisées
  • S’engager de manière proactive, par exemple en envoyant des rappels de contrôles ou de suivi avant que le client n’initie le contact

30. Répondre aux appels des clients :

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

Fonctionnement :

Ada IA Agent répond aux appels des clients :

Ada IA Agent répondant aux appels des clients50

31. Répondre aux tickets clients

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

Exemple réel : répondre aux tickets clients

Intercom’s Fin IA Agent 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 depuis la base de connaissances, les articles d’aide et l’historique des tickets.
  • Rédige une réponse, puis décide s’il peut résoudre le ticket seul ou s’il doit l’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.
Intercom’s Fin IA Agent51

Synthesia et Fundrise ont déployé le même agent Intercom Fin à l’échelle startup et scale-up, ce qui offre un contrepoint aux chiffres d’entreprise 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.52

32. Envoi de SMS de suivi et d’information

Après une interaction, les agents envoient des SMS pour assurer le suivi auprès des clients. 42,8 % des entreprises utilisent des agents IA textuels et 33,4 % utilisent des agents IA vocaux pour une sensibilisation proactive. 53

Fonctionnement :

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 entrants au service.54

Contrairement aux envois planifiés, les campagnes sortantes agentiques s’adaptent à chaque destinataire. Lors d’une panne de service public, l’agent :

  • Identifie les quartiers concernés, plutôt que d’envoyer un message à toute la base.
  • Vérifie le canal préféré de chaque client (SMS, WhatsApp, voix ou email).
  • 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 humain si le client répond avec des préoccupations.
Agent IA E-Care de Toyota55

33. Génération et optimisation de la FAQ

Les agents :

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

Fonctionnement :

Le 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, et génère une structure de catégories remplie d’articles provisoires. Le knowledge copilot de Zendesk assure ensuite la maintenance de la base en :

  • Identifiant les lacunes de contenu, et en suggérant des mises à jour des articles qui couvrent partiellement les tickets récurrents.
  • Générant des articles ou des procédures provisoires à partir des données des tickets.
  • Évaluant la santé du contenu selon la couverture, la fraîcheur (part des articles récemment mis à jour) et la lisibilité par l’IA (part des articles formatés pour le traitement par l’IA).
  • Mettant en avant les sujets de support, en signalant les pics de questions récurrentes (par ex., réinitialisations de mot de passe) et en recommandant de nouveaux articles du centre d’aide.
Génération et optimisation de la FAQ56
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.
GoogleAjouter comme source préférée

Les agents IA en tant qu’assistants de recherche

L’image montre qu’avant les assistants de recherche d’IA agentique, la recherche sur le web était complexe et chronophage, tandis qu’aujourd’hui l’IA fournit une synthèse de grandes quantités d’informations en ligne grâce à une recherche en plusieurs étapes.

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

Exemples réels :

1. OpenAI’s Deep Research utilise le raisonnement pour synthétiser de grandes quantités d’informations en ligne et effectuer des recherches multi-étapes au niveau doctorat lors de grandes recherches à l’aide des modèles o3 & DeepSeek.5758

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 fondées sur des rapports académiques et industriels.59

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 grandes 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.60

3. Le système de workflow agentique de bout en bout, otto-SR, exploite les LLMs pour effectuer des recherches documentaires, applique des critères d’inclusion/exclusion, extrait des données structurées et réalise des méta-analyses.61

4. Google a déployé un relecteur pair agentique lors des conférences ICML et STOC pour automatiser certaines parties du processus de revue scientifique à grande échelle. Dans 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 zero-shot prompting.62

OpenAI’s Deep Research, le système de ChemicalQDevice et otto-SR peuvent être utilisés dans plusieurs cas d’utilisation 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 collecter des études, des articles et des documents pertinents liés à des sujets ou hypothèses de recherche spécifiques.

35. Génération et test d’hypothèses

Les agents analytiques avancés analysent en continu des flux de données pour générer et tester de manière autonome des hypothèses métier. Lorsqu’une anomalie comme un pic d’abandon de panier se produit, l’agent teste immédiatement des variables telles que la latence des pages ou les codes promo en échec, fournissant des informations validées aux utilisateurs en quelques minutes plutôt qu’en quelques jours.

36. Exploration et analyse de données

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

Étude de cas sur l’exploration et l’analyse de données : AES

AES a utilisé des agents construits sur Google Cloud’s BigQuery et Vertex AI 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 passé 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’appel qui a aidé les arbitres à décider 4x plus rapidement.63

37. Visualisation et présentation des données

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

Les agents IA en tant qu’utilisateurs d’ordinateurs

L’image explique comment les agents agissaient autrefois via du code, par des fonctions ou des API, mais qu’ils agissent désormais en pilotant des interfaces web ou de système d’exploitation.

« 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 au système d’exploitation ou au web.

Il existe deux approches permettant aux agents IA d’effectuer des tâches comme le feraient des humains :

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

Exemples d’outils :

  1. ChatGPT Atlas avec Agent Mode, successeur de l’outil Operator, bascule entre les applications et accomplit des tâches web complexes pour unifier l’interface graphique.1
  2. Kura IA et Runner H visent à accomplir des tâches à l’aide de navigateurs web.6465
  3. HyperWriteAI vise à remplir des formulaires textuels, à cliquer sur des boutons et à sélectionner des options de menu pour passer une commande en ligne.66
  4. Microsoft’s OmniParser améliore la compréhension des interfaces visuelles par les agents pour l’automatisation de l’interface graphique.67

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.

Fonctionnement :

IBMSkills Network68

Exemple réel : remplissage de formulaires

Danfoss a déployé des agents d’IA Google Cloud dans la fabrication industrielle pour automatiser le traitement des commandes par email et a obtenu :

  • 80 % des décisions transactionnelles automatisées
  • Le temps de réponse moyen aux clients réduit de 42 heures à un temps quasi réel.69

39. Génération et édition de documents

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

Fonctionnement :

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

Génération et édition de documents par Claude

Dans cet exemple, Claude :

  • A ouvert le fichier CSV dans l’application LibreOffice Calc.
  • A créé un fichier CSV avec 25 lignes de données de dépenses d’exemple.
  • A installé le tableur LibreOffice Calc.70

40. Recherche web & collecte de données structurées

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

L’image est un diagramme montrant comment les agents de recherche web approfondie traitent les informations non structurées sur plusieurs pages et renvoient des informations dans un format structuré.

Fonctionnement :

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

OpenAI57

41. Opérations CLI & exécution de scripts

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

Fonctionnement :

Aider, un agent de codage IA natif de la CLI, 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 commite les modifications directement dans les dépôts Git.71

Alternative à Aider, Cognition a livré Devin 2.0, un ingénieur logiciel IA autonome avec une variante native de la CLI, en concurrence directe avec les agents basés sur le terminal. Devin est capable de refactoriser des bases de code, d’exécuter des commandes shell, de lancer des suites de tests et de commiter des modifications dans des dépôts Git.72

42. Navigation et coordination d’applications multimodales

Les agents d’interface graphique unifiés (par ex., les prototypes d’OpenAI Operator) peuvent basculer entre les applications.

Fonctionnement :

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

Un exemple d’Open Operator, un agent IA achetant des coussins en ligne.

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

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

L’exemple est un diagramme montrant comment la couche d’entrée (impliquant des documents financiers et des demandes d’utilisateurs) se connecte aux agents RAG, de recherche et de génération de rapports pour comprendre les documents, rechercher et agréger des données afin de rédiger une analyse formatée en rapport.

Fonctionnement :

Dans cette analyse de rapport financier multi-étapes, l’agent de planification IA reçoit la tâche : « Analyse la performance financière du dernier trimestre et prépare un résumé pour l’équipe financière. »

Il est demandé à l’agent d’obtenir :

  • Les actualités récentes de l’entreprise (les 3 principaux articles)
  • Le cours actuel de l’action de l’entreprise (AAPL)
  • Les informations sur l’entreprise (par ex., profil, capitalisation boursière, secteur)
  • L’historique des cours de l’action (intervalle d’un jour sur le mois écoulé)
  • Les recommandations des analystes (par ex., notes d’achat/conservation/vente)
L’image montre le code pour exécuter un agent financier réel afin d’analyser la performance financière du dernier trimestre et de préparer un résumé.

Voici le rapport financier généré :

L’image montre les conclusions de l’agent financier sur le cours actuel de l’action, la performance financière ou l’historique des cours de l’action.
Datacamp73

MultiOn Agent Q réserve un vol.

MultiOn74

Création d’agents IA

L’image explique comment la création d’agents impliquait autrefois des tâches et des agents simples, tandis qu’aujourd’hui des frameworks multi-agents peuvent être construits et personnalisés pour gérer des tâches et des workflows complexes.

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

Cette évolution présente des défis tels que la gestion de workflows multi-étapes, la gestion des boucles d’erreurs d’API et le maintien du contexte sur de grandes bases de code.

  • Gérer la complexité de l’exécution des tâches
    • Standardiser les modèles 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 des données saisies par l’utilisateur ? »).
  • Interface avec les systèmes externes et les 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., apprentissage automatique ou modèles probabilistes) pour standardiser les modèles et intégrer plusieurs options.
  • Des outils d’accès aux données et d’intégration (par ex., connecteurs d’API) pour s’interfacer avec les systèmes externes et les APIs.

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

Fonctionnement :

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

Lisa Crosbie75

Exemple réel : générer des agents IA personnalisés

AppFolio a migré son copilote de gestion immobilière Realm-X d’une architecture en chaîne vers LangGraph, en publiant des chiffres avant/après sur ce que ce changement a apporté.

  • Une amélioration de 2x 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 les performances sur des fonctionnalités spécifiques de 40 % à 80 %.76

FAQ

Si les entreprises mènent de nombreux PoC sur le sujet, le coût des erreurs est assez élevé dans de nombreux workflows d’entreprise. Par exemple,
Dans les workflows réglementés de la finance et de la santé, une seule erreur d’un agent peut déclencher des violations de conformité coûteuses. La nature probabiliste des LLMs réduit leur fiabilité et ralentit l’adoption des agents dans les environnements de production.

Prise de décision : fonctionne avec une intervention humaine minimale en évaluant les situations et en choisissant des actions en fonction d’objectifs prédéfinis et d’un contexte évolutif.

Résolution de problèmes : suit une boucle en quatre étapes : percevoir → raisonner → agir → apprendre.

Autonomie : les systèmes d’IA agentique agissent de manière indépendante.
Interactivité : s’engage de manière proactive avec son environnement, en ajustant ses actions en temps réel (par ex., les voitures autonomes qui prennent des décisions de conduite dynamiques).

Planification : capable d’exécuter des stratégies multi-étapes, ce qui lui permet de résoudre des tâches complexes et d’atteindre des objectifs à long terme.

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.

Cem Dilmegani and Hazal Şimşek (2026) - "40+ Cas d'utilisation de l'IA agentique avec des exemples réels". Publié en ligne sur AIMultiple.com. Consulté le 8 septembre 2026, à : https://aimultiple.com/agentic-ai [Ressource en ligne]

Dilmegani, C., & Şimşek, H. (2026, 8 septembre). 40+ Cas d'utilisation de l'IA agentique avec des exemples réels. AIMultiple. https://aimultiple.com/agentic-ai

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Cas d'utilisation de l'IA agentique avec des exemples réels}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Consulté le 8 septembre 2026}
}

Journal des modifications

20 mises à jour
  1. Remplacement de « Exemple réel » par « Comment ça marche » dans la section « Création d'applications », clarifiant la nature des exemples.

  2. Ajout d'un exemple concret à la section « Résolution personnalisée des polices », offrant une illustration concrète du concept.

  3. Suppression d'une URL spécifique à un pays d'un exemple concret, rendant le contenu universellement accessible.

  4. L'exemple concret dans l'introduction a été étoffé, offrant une compréhension plus large des capacités de collaboration inter-agents.

  5. Mise à jour de l'exemple concret dans la section « Surveillance et optimisation du pipeline CI/CD », offrant une compréhension plus claire du rôle de Claude en tant qu'agent DevOps.

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
Anthropic
5.
APIs for AI Agents: The Only Beginner’s Guide You’ll Ever Need (n8n) - YouTube
6.
Replit’s AI agent built my entire website (I just watched) - YouTube
7.
Cursor · Customers
Cursor
8.
How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube
9.
Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube
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
14.
Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs
15.
Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog
16.
How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube
17.
NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor
Cursor
18.
Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn
19.
Microsoft Security Copilot – Microsoft Adoption
Microsoft Corporation LLC
20.
Using Agentic AI to Power Cloud Detection & Response | CrowdStrike
CrowdStrike
21.
CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage
CrowdStrike
22.
IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data
MDPI
23.
Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog
Google Cloud
24.
Torq Security Automation Demo | Phishing Response Workflow - YouTube
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.
Insurance Underwriting with Agentic AI Risk Evaluation
ElixirClaw
44.
AI tool brings real-world value to Zurich USMM underwriters
45.
Lemonade - Insurance claims handled instantly - YouTube
46.
Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story
47.
Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox
48.
Introducing Hiring Assistant to help recruiters spend more time on their most impactful work
LinkedIn Talent Solutions
49.
Paradox AI recruiting success stories — Paradox
50.
Ada Voice + Aircall - YouTube
51.
A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube
52.
Intercom Claude Platform (API) case study | Claude by Anthropic
Anthropic
53.
5 ways agentic AI can powerfully transform proactive engagement | NiCE
NiCE
54.
AI Agent Examples and Use Cases for Enterprise Contact Centers
Cognigy
55.
Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube
56.
Knowledge Builder in action | Zendesk demo video - YouTube
57.
Introducing deep research | OpenAI
58.
Deep Research - Marginal REVOLUTION
59.
Deep Research: First Impressions
UX Tigers
60.
ChemicalQDevice
61.
Automation of Systematic Reviews with Large Language Models | medRxiv
62.
Towards Automating Scientific Review with Google's Paper Assistant Tool
63.
25 of my favorite ROI+ customer stories | Google Cloud Blog
Google Cloud
64.
Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator
65.
H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch
TechCrunch
66.
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
67.
OmniParser
68.
Create an AI agent to fill forms from your private documents
IBMSkillsNetwork
69.
Google Cloud’s Business Trends Report 2026: Key findings
Google
70.
Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube
71.
GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub
72.
Devin: the autonomous software engineer
Cognition
73.
Creating an AI Agent for Financial Report Analysis - YouTube
74.
MultiOn AI Agent books a flight - YouTube
75.
Lisa Crosbie – Tech Tutorials | Microsoft Business Applications
76.
LangGraph AI Agent Framework for Production Applications
Cem Dilmegani
Cem Dilmegani
Analyste principal
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
Hazal Şimşek
Analyste sectorielle
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.

0/450