40+ Cas d'usage 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 flux de travail complexes, l'IA agentique vise à naviguer et optimiser les processus de manière autonome grâce à ses capacités de prise de décision et son comportement orienté objectifs. Les agents IA servent de :

Les agents IA en tant que développeurs

1. Création d'applications

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

• Sélectionnant les bons outils pour le travail, comme Flask pour les APIs ou React pour les frontends.
• Générant du code dans le langage choisi (par ex., Python, JavaScript) à partir de simples prompts.
• Automatisant les flux de travail avec des intégrations comme GitHub Actions pour les tests et le déploiement.

Exemple concret :

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

Exemple concret :

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 sur plusieurs fichiers, d'exécuter des commandes et de déterminer automatiquement le contexte nécessaire (pas besoin d'ajouter des fichiers).

Explorez davantage la construction 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.
• Benchmark MCP: Les meilleurs serveurs MCP pour l'utilisation d'outils et l'accès web.

2. Créer 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 contrôle de version 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.

Exemple concret :

Flux de travail No-Code pour les APIs avec des agents IA dans n8n.

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

3. Édition de code en langage naturel

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

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

Exemple concret :

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

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 e-learning, générant des pages clés telles que :

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

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

Exemple concret :

Comment construire un agent IA de site web :

Voici le flux de travail automatisé :

5. Génération d'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.

Exemple concret :

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

6. Codage récursif et modernisation du code hérité

Bien que le codage de base soit généralement une tâche pour les LLMs, les flux de travail de codage récursif où un agent améliore/étend le code de manière itérative à travers 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.

Exemples concrets :

GT Edge IA convertit le code COBOL hérité en Java moderne.⁸

Persistent propose un framework multi-agent utilisé pour migrer de manière autonome le code COBOL vers Java, il fonctionne en :⁹

7. Refactorisation de code

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

Exemple concret :

Les développeurs d'une startup technologique ont créé un agent qui refactorise votre code dans 25 langages de programmation ou plus.¹⁰

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 les IDE VS Code et JetBrains, allant au-delà des suggestions en temps réel et des auto-complétions.¹¹

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 charges de travail
• Identifier les pods en cours d'exécution
• Interpréter des commandes de haut niveau telles que « éteindre le pod NGINX »

Exemple concret :

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

Les agents IA en tant qu'assistants SecOps

10. Renseignement sur les menaces

Les agents rassemblent et corrèlent les TTP (tactiques, techniques, procédures) des acteurs de la menace à partir de flux open-source et propriétaires, et intègrent les résultats dans les flux de travail de détection.

Exemple concret :

Microsoft Security Copilot inclut un Agent de Briefing de Renseignement sur les Menaces spécialisé qui rassemble, filtre et résume dynamiquement le renseignement sur les menaces.

11. Détection & triage

Ces actions se produisent 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.
• Groupement / clustering des alertes : Regroupe les alertes liées (même utilisateur, hôte ou tactique) en un seul incident.

Exemple concret :

Charlotte IA effectue une détection et un triage autonomes en :

• Identifiant le comportement malveillant basé sur les TTP connues.
• Recoupant les schémas d'exécution et les chemins de fichiers.
• Fournissant une explication du verdict lisible par l'homme.

12. Enrichissement contextuel et attribution des menaces

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

Les systèmes automatisés d'attribution des attaquants ingèrent des flux CTI, extraient 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 de la menace connus comme (par ex., APT41, Mozi ou Lazarus) sur la base du chevauchement des schémas.

Exemple concret :

Les agents IA Google Chronicle + Mandiant + Gemini ingèrent de la télémétrie et des flux CTI, enrichissent les alertes avec du contexte IOC (par ex., réputation IP, hashes de malware), et recoupent les schémas comportementaux avec les tactiques d'acteurs de la menace connues du framework MITRE ATT&CK.

Dans cette configuration agentique :

• Détection : Un agent IA détecte un mouvement latéral utilisant des comptes de service.
• Enrichissement : Il enrichit automatiquement l'alerte avec des données provenant des logs Chronicle, de l'inventaire des actifs et du 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 et transfert

• Traduction / simplification des alertes : Convertit les alertes techniques en résumés compréhensibles pour les analystes.
• Création automatique de tickets et assignation d'analystes : Crée des tickets et achemine les incidents vers le niveau ou l'équipe appropriée.

Exemple concret :

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 d'un cas Tier-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 pertinentes, l'enrichissement et les données structurées.
• Assigne les analystes en fonction de la charge de travail et des horaires de service.
• Escalade de manière sélective, uniquement lorsque la confiance est faible, l'incident ambigu, ou l'impact potentiel élevé.
• Attache l'enrichissement complet au transfert, de sorte que les analystes reçoivent un dossier de cas prêt à l'action au lieu d'une alerte brute.

14. Actions de réponse proactive

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

• Interroger automatiquement les logs en utilisant le langage naturel ou des déclencheurs contextuels
• Exécuter des playbooks automatisés pour les investigations et l'escalade
• Adapter les flux de travail en temps réel en fonction de nouvelles preuves ou logiques pivotées
• Générer de l'infrastructure-as-code (par ex., Terraform, Pulumi) pour la remédiation
• Rédiger et modifier les règles de détection en fonction des informations tirées des investigations

Exemple concret :

Google a développé l'agent SOC Manager, qui exploite plusieurs sous-agents pour exécuter un Plan de Réponse aux Incidents structuré pour la détection de malware.¹⁸

Structure du projet agentique :

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

Source :
Mandiant & Google Cloud Security¹⁹

15. Chasse aux menaces

Les agents dans la chasse aux menaces visent à :

• Analyser les anomalies en continu sur les logs 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 bases historiques et à l'activité des pairs

Exemple concret :

Des chercheurs ont développé un système de Chasse aux Menaces Piloté par MITRE ATT&CK 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 la chasse au Kerberoasting ») via une interface utilisateur web.

L'Agent 1 récupère les méthodes de détection pertinentes de MITRE ATT&CK, tandis que l'Agent 2 utilise cette entrée pour générer des règles Sigma contextuelles en utilisant un modèle de langage.²⁰

16. Tests logiciels et applicatifs automatisés

Les agents de test IA créent et exécutent des tests unitaires, d'intégration, de vulnérabilité et de performance sans intervention manuelle extensive. Cependant, la construction de ces systèmes d'IA est gourmande en ressources, car ils nécessitent une puissance de calcul significative.

Exemple concret :

Pcloudy’s Copilot fournit des scripts de test Selenium, trouve les navigateurs disponibles pour les tests et exécute les cas de test.²¹

Lire plus : Assistants IA d'entreprise, Constructeurs d'agents IA, Agents IA open-source.

Les agents IA en tant que personnages de jeu humains

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

17. Personnages non-joueurs (PNJ) agentiques

Des agents IA entièrement autonomes dans les jeux offrent un comportement et un gameplay humains pour les personnages non-joueurs (PNJ).

Exemple concret :

Des chercheurs ont créé une petite ville virtuelle peuplée d'IA en construisant un environnement sandbox similaire aux Sims avec 25 agents appelés « Stanford IA Village ».

Dans ce village, les utilisateurs peuvent observer et interagir avec les agents qui partagent des nouvelles, construisent des relations et organisent des activités de groupe. ²²

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

• Scripts comportementaux : Les agents de Stanford IA Village utilisent des scripts prédéfinis pour les actions et réactions. Cela peut inclure des comportements de base comme s'engager 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, trouvant des chemins autour des obstacles et poursuivant le joueur.

18 Jouer à des jeux

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

• Pathfinding et navigation : Les agents de jeu explorent les environnements de jeu, utilisant l'essai et l'erreur pour trouver des stratégies optimales. Par exemple, ils apprennent des chemins de navigation dans des labyrinthes complexes en affinant continuellement leur processus de prise de décision.
• Émulation d'entrées : Les agents de jeu émulent les entrées, telles que les pressions de touches, les mouvements de souris ou les contrôles 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 concret :

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

Source : Google²⁴

19. Génération procédurale de contenu

Les agents IA sont très capables de générer de grandes quantités de contenu de jeu de manière algorithmique, tel que :

• Le terrain et les paysages
• Les scénarios de combat
• Les designs de personnages
• Les paysages sonores et la musique

Exemple concret :

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 schémas météorologiques dynamiques (par ex., tempêtes, précipitations).²⁵

Les agents IA en tant que créateurs de contenu

Les agents IA automatisent la création, l'édition et la publication de contenu, en assistant les rédacteurs humains. Voici quelques applications des assistants de rédaction IA :

20. Rédaction narrative automatisée

Les agents IA rédigent une narration en esquissant des chapitres, en rédigeant le contenu et en peaufinant la prose.

Exemple concret :

Dans un projet d'agent IA sur GitHub, 10 agents IA spécialisés ont travaillé de manière autonome pour écrire un roman de 100 000 mots (~300 pages) sans aucune écriture humaine.²⁶ Quelques exemples de ces 10 agents incluent :

• Agent de spécifications : Analyse les exigences de l'histoire et maintient la cohérence narrative.
• Agent de production : Génère du contenu et implémente des modifications créatives.
• Agent de gestion : Coordonne entre les agents et suit le flux créatif.
• Agent de duplication : Empêche la redondance et les duplications 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 de produits

Exemple concret :

ParagraphAI, un assistant de rédaction IA, rédige des rapports techniques d'ingénierie en décrivant le calendrier, le budget, ainsi que les ressources et le personnel nécessaires.²⁸

22. Génération d'articles basés sur la connaissance

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

Exemple concret :

Perplexity Pages transforme les résultats de recherche en IA générative en pages Wikipedia structurées.²⁹

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.

Exemple concret :

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 Gantt³⁰

Les agents IA en tant qu'assistants en assurance

Les agents automatisent l'examen des sinistres, l'approbation et la détection de la fraude, rationalisant ainsi l'ensemble du cycle de vie du traitement des sinistres. Par exemple, un assureur à grande échelle automatise environ 90% des sinistres automobiles individuels en intégrant des agents IA personnalisés dans son flux de travail de sinistres. ³¹

Les éditeurs d'entreprise, comme Oracle et SAP, ont déployé de 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 un sinistre soumis, un système d'IA agentique extrait les données pertinentes des formulaires soumis, vérifie les détails par rapport aux bases de données existantes et signale toute incohérence ou signal de fraude potentiel.

Exemple concret :

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

Ici, Microsoft Power Platform :

• A capturé les documents du formulaire de sinistre tels que les sélections de cases à cocher et les textes.
• A téléchargé le formulaire de sinistre vers SharePoint, l'application de gestion de contenu.
• A 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).
• S'est intégré à Dataverse pour le stockage des données afin de sauvegarder les données extraites (y compris les valeurs des cases à cocher) dans Microsoft Dataverse.
• A traité les flux de travail dans les formulaires, par exemple, en utilisant 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 sinistre, et un agent de tarification pour les ajustements dynamiques des primes, etc.

Exemple concret :

Les agents d'Akira IA automatisent la souscription d'assurance et l'évaluation des risques grâce à un système multi-agent, chacun se spécialisant dans un aspect critique de la souscription :

• Agent de collecte de données : Recueille 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 tels que les conditions du marché, les prix de la concurrence et le comportement des clients.³³

26.Résolution personnalisée de la police

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

Exemple concret :

L'IA Jim de Lemonade communique les résultats des sinistres directement au titulaire de la police. Une fois un sinistre déposé, l'IA Jim :

• Reçoit le premier avis de sinistre (FNOL), une courte vidéo ou 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 des instructions de paiement à la banque et informe le titulaire de la police que le sinistre a été accepté.

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

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

27. Filtrage des CV

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

Exemple concret :

PepsiCo utilise des outils d'IA pour classer les candidats en fonction de leur adéquation aux exigences du poste.³⁴

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.

Exemple concret :

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.³⁵

29. Automatisation de la paie

Les agents dans le traitement de la paie calculent les salaires, traitent les déductions et gèrent les retenues fiscales. Ils s'intègrent aux systèmes de gestion des informations RH (SIRH) et aux logiciels de comptabilité pour garantir l'exactitude et la conformité aux normes de paie.

Explorez davantage les solutions d'automatisation financière comme :

• Cas d'usage et outils RPA en finance
• Benchmark des outils LLM pour la finance
• Outils d'IA agentique pour la finance

Exemple concret :

Le système de paie multi-agent d'Akira IA automatise chaque aspect du cycle de paie. Le système utilise plusieurs agents, notamment :

Source : Akira IA³⁶

Ici, le système de paie multi-agent 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 provenant 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 en utilisant l'apprentissage automatique.
• Agent de résolution des requêtes : Résout les problèmes de paie en utilisant le RAG.

Les agents IA en tant qu'assistants du service client

Les chatbots traditionnels traitent des requêtes simples mais peinent avec les demandes complexes. Les outils de service client agentiques résolvent ce problème en :

• Interprétant des demandes nuancées, même lorsque les questions sont vagues ou complexes
• Opérant de manière transparente sur les canaux de chat, de voix et d'email tout en récupérant des données à partir des profils clients, de l'historique des commandes et des bases de connaissances
• Conservant le contexte des interactions précédentes, permettant des réponses plus informées et personnalisées
• S'engageant de manière proactive, par exemple en envoyant des rappels pour des bilans de santé ou des suivis 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 avec le langage naturel.

Exemple concret :

L'agent IA d'Ada répond aux appels clients :

31. Répondre aux tickets clients

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

Exemple concret :

L'agent Fin IA 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 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.

32. Envoi de SMS de suivi et d'information

Après une interaction, les agents envoient des SMS pour effectuer un suivi auprès des clients. 42,8% des entreprises utilisent des agents textuels IA et 33,4% utilisent des agents vocaux IA pour la sensibilisation proactive. ³⁸

Exemple concret :

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.³⁹

Contrairement aux envois programmés, la sensibilisation agentique s'adapte à chaque destinataire. En cas de panne de courant, 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 15. »).
• Effectue 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

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 CRM, de chat et de base de connaissances pour identifier les requêtes récurrentes.

Exemple concret :

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

• Identifiant les lacunes de contenu, et en suggérant des mises à jour pour les articles qui ne couvrent que partiellement les tickets récurrents.
• Générant des projets d'articles ou de procédures à partir des données des tickets.
• Notant la santé du contenu sur 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 IA).
• Mettant en lumière les sujets de support, en signalant les pics de requêtes récurrentes (par ex., réinitialisations de mot de passe) et en recommandant de nouveaux articles pour le centre d'aide.

Découvrez davantage de nos benchmarks et analyses basées sur les données dans la recherche Google.

Ajouter comme source préférée

Les 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, la revue de la littérature, la génération d'hypothèses et la conception expérimentale.

Exemples concrets :

1. OpenAI Deep Research utilise le raisonnement pour synthétiser de grandes quantités d'informations en ligne et effectuer des recherches en plusieurs étapes au niveau doctorat lors de l'exécution de recherches importantes en utilisant les modèles o3 & DeepSeek.^{40 41}

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.
• Synthétisé les résultats de 22 sources basées sur des rapports académiques et industriels.⁴²

2. Le système d'aide à la décision clinique (CDS) de ChemicalQDevice a été invité à exécuter un flux de travail 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.
• Exécuté du codage automatisé avec des outils comme GitHub Actions.
• Utilisé l'IA générative (par ex., GPT-4 ou des modèles personnalisés), pour générer des hypothèses, suggérer des conceptions expérimentales et rédiger des rapports de recherche.⁴³

3. Le système de flux de travail 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.⁴⁴

4. Google a déployé un examinateur agentique lors des conférences ICML et STOC pour automatiser certaines parties du processus de révision 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 en plus par rapport aux méthodes standard de zero-shot prompting.⁴⁵

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

34. Revue de la 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 des études, articles et publications pertinents liés à des sujets de recherche ou des hypothèses spécifiques.

35. Génération et test d'hypothèses

Des agents analytiques avancés scrutent en permanence les flux de données pour générer et tester de manière autonome des hypothèses commerciales. Lorsqu'une anomalie comme un pic d'abandon de panier se produit, l'agent teste immédiatement des variables telles que la latence de la page ou les codes promo défaillants, délivrant des informations validées aux utilisateurs en quelques minutes plutôt qu'en jours.

36. Exploration et analyse de données

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 informations sur les tendances émergentes.

37. Visualisation et présentation des données

Les agents analytiques compilent automatiquement les données brutes en visuels prêts à être présentés, cartographiant les tendances complexes dans des graphiques d'analyse de cohorte et des cascades financières en utilisant des outils intégrés comme Tableau ou Power BI.

Les agents IA en tant qu'utilisateurs d'ordinateur

« 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 un OS ou au web.

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

1. Effectuer des actions sur l'interface graphique (GUI) du système d'exploitation (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 Agent Mode, successeur de l'outil Operator, bascule entre les applications et accomplit des tâches complexes basées sur le web pour unifier l'interface graphique.⁴⁶
2. Kura IA etRunner H visent à accomplir des tâches en utilisant des navigateurs web.^{47 48}
3. HyperWriteAI vise à remplir des formulaires textuels, cliquer sur des boutons et sélectionner des options de menu pour passer une commande en ligne.⁴⁹
4. Microsoft OmniParser améliore la compréhension par l'agent des interfaces visuelles pour l'automatisation GUI.⁵⁰

38. Remplissage de formulaires et automatisation web

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

Exemple concret :

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.

Exemple concret :

On demande à Anthropic Claude de « Générer 25 lignes d'exemples de dépenses, les sauvegarder 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 de données de dépenses d'exemple.
• A installé la feuille de calcul LibreOffice Calc.⁵²

40. Recherche web et 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.

Exemple concret :

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

41. Opérations CLI et exécution de scripts

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

Exemples concrets :

Aider, un agent de codage IA natif 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 valide les modifications directement dans les dépôts Git.⁵⁴

Comme 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 refactoriser des bases de code, d'exécuter des commandes shell, d'exécuter des suites de tests et de valider les modifications dans les dépôts Git.⁵⁵

42. Navigation et coordination d'applications multimodales

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

Exemple concret :

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

Agents de flux de travail autonomes (Tâches à horizon long)

Les agents de planification avec mémoire et utilisation d'outils (par ex., Auto-GPT, Agent Q avec définition d'objectifs) exécutent des objectifs en plusieurs étapes à travers des outils variés (par ex., collecter des données, prendre des actions, réviser le plan), prenant des décisions en temps réel.

Exemple concret :

Dans cette analyse de rapport financier en plusieurs étapes, l'agent de planification IA se voit confier la tâche : « Analysez la performance financière du trimestre dernier et préparez un résumé pour l'équipe financière. »

L'agent est invité à obtenir :

• Les actualités récentes de l'entreprise (les 3 principales)
• Le cours actuel de l'action de la société (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 d'achat/conservation/vente)

Voici le résultat du rapport financier :

Exemple concret :

MultiOn Agent Q réserve un vol.

Construire des agents IA

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

Ce changement présente des défis tels que la gestion des flux de travail en plusieurs étapes, la gestion des boucles d'erreur d'API et le maintien du contexte sur de grandes bases de code.

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

43. Générer des agents IA personnalisés :

Les frameworks de construction d'agents IA aident à relever ces défis en fournissant :

• Frameworks de prise de décision et de raisonnement (par ex., apprentissage automatique ou modèles probabilistes) pour standardiser les schémas et incorporer plusieurs options.
• 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 les flux de travail structurés pour la coordination multi-agent et les tâches à horizon long.

Exemple concret :

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

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},
  title  = {{40+ Cas d'usage de l'IA agentique avec des exemples concrets}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Consulté le 16 Juillet 2026}
}

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! https://t.co/jIZnqW4fJD"

3.

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

4.

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

5.

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

6.

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

7.

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

8.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

9.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

10.

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

11.

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

12.

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

13.

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

14.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

15.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

16.

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

MDPI

17.

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

Google Cloud

18.

GitHub - dandye/adk_runbooks · GitHub

19.

Agentic Incident Response - YouTube

20.

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

21.

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

22.

Generative Agents: Interactive Simulacra of Human Behavior

23.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

24.

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

SIMA team

25.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

26.

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

27.

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

28.

Engineering

29.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

30.

Introducing AI to FigJam | Figma Blog

Figma

31.

Dutch Insurance Provider

32.

Automating an insurance claim form with AI Builder - YouTube

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

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

35.

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

LinkedIn Talent Solutions

36.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

37.

Ada Voice + Aircall - YouTube

38.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

39.

AI Agent Examples and Use Cases for Enterprise Contact Centers | Cognigy

Cognigy

40.

Introducing deep research | OpenAI

41.

Deep Research - Marginal REVOLUTION

42.

Deep Research: First Impressions

UX Tigers

43.

ChemicalQDevice

44.

Automation of Systematic Reviews with Large Language Models | medRxiv

45.

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

46.

Introducing Operator | OpenAI

47.

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

48.

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

TechCrunch

49.

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

50.

OmniParser

51.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

52.

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

53.

Introducing deep research | OpenAI

54.

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

55.

Devin | The AI Software Engineer

56.

Creating an AI Agent for Financial Report Analysis - YouTube

57.

MultiOn AI Agent books a flight - YouTube

58.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Analyste principal

Suivre

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

Voir le profil complet

Soyez le premier à commenter

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

Nom

Adresse email

Commentaire

0/450

Publier un commentaire