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

Les agents IA génératifs 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 workflows complexes, l'IA agentique vise à naviguer et à optimiser les processus de manière autonome grâce à ses capacités de prise de décision et à son comportement orienté vers les objectifs. Les agents IA servent de :

Les agents IA comme développeurs

1. Créer des applications

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

• Choisir les bons outils pour la tâche, comme Flask pour les APIs ou React pour les frontends.
• Générer du code dans le langage choisi (par exemple, Python, JavaScript) à partir de prompts simples.
• Automatiser les flux de travail avec des intégrations telles que GitHub Actions pour les tests et le déploiement.

Comment cela fonctionne :

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

Le mode agent Composer de Cursor vise à générer un jeu de morpion complet à partir d'un seul prompt :« Générer un jeu de morpion en HTML, CSS et JavaScript pour 2 joueurs. »

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

Exemple réel : Building applications case study

Rakuten a reconstruit son flux de travail de développement en utilisant Anthropic’s Claude Code pour les tests unitaires, la simulation d'API, la construction de composants, la correction de bugs et la documentation. Rakuten a obtenu :

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

Explorer davantage la création d'agents

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

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

2. Créer votre propre API avec du 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 la sortie dans l'environnement du développeur pour les tests, le contrôle de version et le déploiement.
• Ingérer les spécifications d'API (par exemple, les fichiers OpenAPI/Swagger).
• Générer le code backend en fonction des endpoints, méthodes et schémas documentés.

Comment cela fonctionne :

Des workflows d'API sans code pour les agents IA avec n8n.

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

3. Édition de code en langage naturel

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

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

Comment cela fonctionne :

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

Exemple réel : Natural language code editing

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

• 90 % de réduction du temps entre l'idée et la production
• 55 % d'augmentation des pull requests fusionnées par ingénieur.⁷

4. Créer des sites web

Les créateurs de sites web par IA comme v0 by Vercel, Bolt, Lovable et CerebrasCoder visent à créer des plateformes complexes comme des sites d'e-learning, 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

Comment cela fonctionne :

Voici le workflow d'automatisation :

5. Générer un tableau de bord CRM

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

Comment cela fonctionne :

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

6. Codage récursif

Alors que le codage de base est généralement une tâche pour les LLMs, les workflows de codage récursif où 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 par cycles jusqu'à ce qu'un objectif soit atteint.

Comment cela fonctionne :

GT Edge IA convertit le code COBOL hérité en Java moderne.¹⁰

Persistent fournit un framework multi-agents utilisé pour migrer de manière autonome du code COBOL vers Java. Il fonctionne en :¹¹

Exemple réel : codage récursif

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

• 60 % d'augmentation de la productivité des développeurs sur la transformation COBOL vers Java
• Validation du Java généré avec des tests unitaires automatisés confirmant des résultats identiques au COBOL d'origine¹²

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.

Comment cela fonctionne :

Les développeurs d'une startup technologique ont créé un agent qui refactorise votre code dans plus de 25 langages de programmation.¹³

Exemple réel : refactorisation de code

Cognition a publié une évaluation des performances sur 18 mois de Devin fondée sur une utilisation en production dans sa base de clients, qui inclut Goldman Sachs, Santander et Nubank, et a communiqué les chiffres de vitesse et de taux de fusion suivants pour les travaux de migration et de refactorisation :

• La migration de chaque fichier a été réalisée 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 %
• Des centaines de milliers de pull requests ont été fusionnées dans l'ensemble de la base de clients.¹⁴

8. Générer des 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, au-delà des suggestions en temps réel et des auto-complétions.¹⁵

Exemple réel : génération de suggestions de code

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

• 8.69 % d'augmentation des pull requests par développeur
• 15 % d'augmentation du taux de fusion des pull requests
• 84 % d'augmentation des builds réussis, ce qui indique 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 prendre plus de plaisir à coder.¹⁷

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

Comment cela fonctionne :

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

Exemple réel : surveillance et optimisation des pipelines CI/CD

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

• 3x plus de code commité par 30 000 développeurs
• Des règles personnalisées automatisent la création de branches, les commits de code, le débogage CI et le suivi des problèmes
• Cursor est utilisé dans pratiquement tous les domaines produit et à chaque étape du cycle de vie du développement logiciel
• Particulièrement efficace pour trouver et résoudre des bugs rares et persistants, avec des agents envoyés pour les corriger.¹⁹

Les agents IA comme 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.

Comment cela fonctionne :

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

Exemple réel : renseignement sur les menaces

TÜV SÜD et Elanco ont tous deux déployé Microsoft Security Copilot pour accélérer les investigations 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 et obtenir des réponses exploitables sans parcourir manuellement les flux de renseignement.²¹

11. Détection et triage

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

• Déduplication des alertes : supprime les événements identiques ou quasi identiques provenant de plusieurs sources pour 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, même hôte ou même tactique) en un seul incident.

Comment cela fonctionne :

Charlotte IA effectue une détection et un tri autonomes en :

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

Exemple réel : détection et tri

CrowdStrike a entraîné 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 une autonomie bornée définie par le client afin que les organisations définissent les actions qu'il peut entreprendre sans aide.

• Un taux de concordance supérieur à 98 % avec les décisions de tri des experts humains de Falcon Complete
• Plus de 40 heures de travail de tri manuel éliminées en moyenne par semaine
• Filtre de manière autonome les faux positifs et clôture les alertes à faible risque avant qu'un analyste ne les voie
• Calcul divulgué : nombre moyen d'alertes triées multiplié par un temps de tri manuel de cinq minutes par alerte²³

12. Enrichissement contextuel et 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, 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 malveillants connus (par exemple, APT41, Mozi ou Lazarus) en fonction du chevauchement des schémas.

Comment cela fonctionne :

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

Dans cette configuration agentique :

• Détection : un agent IA détecte les déplacements latéraux à l'aide de comptes de service.
• Enrichissement : il enrichit automatiquement l'alerte avec des données issues des journaux 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 exemple, APT41).

13. Escalade et 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.

Comment cela fonctionne :

Socrates de Torq, 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.

Dans l'escalade et le transfert, Socrates :

• Crée automatiquement des cas dans les plateformes ITSM (par exemple, 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 service.
• Escalade de manière sélective, en particulier lorsque la confiance est faible, que l'incident est ambigu ou que l'impact potentiel est élevé.
• Joint l'enrichissement complet lors du transfert, afin que les analystes reçoivent un dossier prêt à l'action 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 des 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 significatif.²⁷

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 utilisant le langage naturel ou des déclencheurs contextuels
• Exécuter des playbooks automatisés pour les investigations et l'escalade
• Adapter les workflows en temps réel en fonction de nouvelles preuves ou d'une logique réorientée
• Générer de l'infrastructure en tant que code (par exemple, Terraform, Pulumi) pour la remédiation
• Rédige et modifie des règles de détection en fonction des conclusions de l'investigation

Comment cela fonctionne :

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 malwares.²⁸

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).

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 ont été recréées en quelques semaines
• Une intégration des clients plus rapide que ce que l'entreprise avait réussi auparavant, avec des workflows créés à la demande.³⁰

15. Chasse aux menaces

Les agents de chasse aux menaces visent à :

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

Comment cela fonctionne :

Des chercheurs ont développé un MITRE ATT&CK Driven Threat Hunting Automated by Local LLM système, dans lequel des agents IA collaborent pour générer des règles Sigma pour la détection des menaces.

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

Agent 1 récupère les méthodes de détection pertinentes de MITRE ATT&CK, tandis que Agent 2 utilise cette entrée pour générer des règles Sigma contextuelles à l'aide d'un modèle de langage.³¹

16. Tests automatisés de logiciels et d'applications

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

Comment cela fonctionne :

Copilot de Pcloudy fournit des scripts de test Selenium, trouve les navigateurs disponibles pour tester et exécute les cas de test.³²

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 examinés 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
• Orchestrates cinq agents spécialisés couvrant la préparation, la synthèse, l'exécution, la validation et la réparation des tests.³³

Pour en savoir plus : créateurs d'agents IA et agents IA open source.

Les agents IA comme personnages de jeu à l'apparence humaine

Les agents IA améliorent les PNJ et d'autres processus agentiques dans l'univers du jeu en réalisant comportements des PNJ, jeu et adaptabilité, et génération procédurale de contenu.

17. Personnages non-joueurs (PNJ) agentiques

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

Exemple réel : PNJ

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

Dans ce village, les utilisateurs peuvent observer les agents et interagir avec eux tandis qu'ils partagent des nouvelles, nouent des relations et organisent des activités de groupe. ³⁴

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

• Scripts comportementaux : les agents de Stanford IA Village utilisent des scripts prédéfinis pour les actions et les réactions. Cela peut inclure des comportements de base comme interagir positivement avec d'autres PNJ.
• Comportement dynamique : les PNJ utilisent l'IA pour ajuster leur comportement en fonction des actions du joueur, rendant l'univers de jeu plus réactif.
• Pathfinding : les PNJ utilisent des algorithmes pour naviguer efficacement dans l'univers du jeu, trouver des chemins contournant les obstacles et poursuivre le joueur.

18 Jeu

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

• Pathfinding et navigation : les agents de jeu explorent les environnements de jeu, en 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 prise de décision.
• Émulation des entrées : les agents de jeu émulent les entrées, comme les frappes au clavier, les mouvements de la 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 l'univers 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 vidéo

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

Agent GenAI pour environnements virtuels 3D³⁶

19. Génération procédurale de contenu

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

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

Comment cela fonctionne :

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

• Des topographies variées (par exemple, montagnes, vallées, canyons).
• Des biomes uniques (par exemple, déserts, forêts, océans).
• Des schémas météorologiques dynamiques (par exemple, tempêtes, précipitations).³⁷

Les agents IA comme créateurs de contenu

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

20. Rédaction narrative automatisée

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

Exemple réel : rédaction narrative automatisée

Dans un projet d'agents IA GitHub, 10 agents IA spécialisés ont travaillé de manière autonome pour écrire un roman de 100 000 mots (~300 pages) sans aucune intervention humaine.³⁸ Voici quelques exemples de ces 10 agents :

• Agent de spécifications : analyse les exigences de l'histoire et maintient la cohérence narrative.
• Agent de production : génère le contenu et met en œuvre des 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 une diffusion en direct montrant comment les agents créent le roman :

21. Rédaction de rapports techniques ou de propositions

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

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

Comment cela fonctionne :

ParagraphAI, un assistant de rédaction IA, rédige des rapports techniques d'ingénierie en décrivant le calendrier, le budget et les ressources et le personnel nécessaires.⁴⁰

22. Génération d'articles basés sur les connaissances

Les agents extraient des informations de bases de connaissances comme Wikipédia, de manuels de produits ou de revues académiques pour créer une vue d'ensemble complète d'un sujet spécifique.

Comment cela fonctionne :

Perplexity Pages transforme les résultats de recherche d'IA générative en pages Wikipédia structurées.⁴¹

23. Génération de tableaux de bord et de diagrammes

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

Comment cela fonctionne :

FigJam IA utilise des prompts textuels pour générer :

• Des tableaux de bord pour les réunions et les exercices d'équipe
• Des diagrammes et des organigrammes
• Des chronologies visuelles et des diagrammes de Gantt⁴²

Les agents IA comme assistants d'assurance

Les agents automatisent l'examen, l'approbation et la détection de la fraude des sinistres, rationalisant ainsi tout le 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 workflow de sinistres. ⁴³

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

24. Traitement des sinistres de bout en bout

Une fois qu'un sinistre est 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 tout signal de fraude potentiel.

Comment cela fonctionne :

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

Ici, Power Platform de Microsoft :

• Documents de formulaire de sinistre capturés tels que les sélections de cases à cocher et les textes.
• Formulaire de sinistre téléversé vers SharePoint, l'application de gestion de contenu.
• Données extraites du formulaire de sinistre telles que l'ID de sinistre et les valeurs des cases à cocher (par exemple, type de sinistre, numéro de police).
• Intégration avec Dataverse pour le stockage des données afin d'enregistrer les données extraites (y compris les valeurs des cases à cocher) dans Microsoft Dataverse.
• Workflows traités dans les formulaires, par exemple, utilisation des agents Power App pour approuver ou refuser les sinistres.

25. Souscription

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

Comment cela fonctionne :

Akira IA‘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 des anomalies ou des schémas suspects dans les sinistres et les demandes.
• Agent de tarification : suggère une tarification fondée sur des facteurs comme les conditions du marché, les prix des concurrents et le comportement des clients.⁴⁵

Exemple réel : souscription

L'équipe Middle Market 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 risques en une synthèse de souscription concise 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 en moyenne par dossier
• Lancé avec quatre bureaux Middle Market en janvier 2025, le déploiement s'étend désormais à des dizaines de bureaux dans tout le pays
• Sixfold est entré chez Zurich via le championnat d'innovation Zurich 2024, qu'il a remporté dans la catégorie assurance commerciale.⁴⁶

26.Résolution personnalisée des polices

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

Exemple réel : résolution personnalisée des polices

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 First Notice of Loss (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.

Les agents IA comme 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.

Comment cela fonctionne :

PepsiCo utilise des outils d'IA pour classer les candidats selon leur adéquation aux exigences du poste.⁴⁸

Exemple réel : présélection des CV

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

• Le délai entre la candidature et la date de début est passé de 12 jours à quatre, soit une réduction pouvant atteindre 75 %
• Le taux de complétion des candidatures est passé de 50 % à plus de 85 %
• Le volume de candidatures a doublé
• Déployé dans plus de 3 500 restaurants en Amérique du Nord et en Europe
• Fonctionne en anglais, espagnol, français et allemand.⁴⁹

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 les meilleurs créneaux.

Comment cela fonctionne :

Assistant RH LinkedIn effectue des tâches quotidiennes comme la synthèse de descriptions de poste, la recherche de candidats et les appels de présélection de base.⁵⁰

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.

• 85 % de réduction du délai de recrutement
• Environ 10 000 heures économisées par an
• Sur la même plateforme, Great Wolf Lodge économise $700 000 par an et un détaillant a redonné plus de 40 000 heures par semaine aux responsables de magasin
• Un client a réduit le délai moyen de recrutement de plus de 10 jours à moins de cinq immédiatement après le déploiement.⁵¹

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 (SIRH) et aux logiciels de comptabilité pour garantir l'exactitude et la conformité aux normes de paie.

Découvrez davantage de solutions d'automatisation financière comme :

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

Comment cela fonctionne :

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

Ici, Le système de paie multi-agents d'Akira IA utilise plusieurs agents, notamment :

• Agent d'ingestion et de prétraitement des données : utilise des méthodes d'extraction de données pour nettoyer les données des systèmes RH et financiers.
• Agent de calcul de la paie : automatise les calculs de paie, notamment 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 de RAG.

Les agents IA comme assistants du service client

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

• Interpréter les demandes nuancées, même lorsque les questions sont vagues ou complexes
• Fonctionner de manière transparente sur les canaux chat, voix et e-mail tout en récupérant des données à partir des profils clients, de l'historique des commandes et des bases de connaissances
• Conserver le contexte des interactions précédentes, permettant des réponses plus éclairées et personnalisées
• S'engager de manière proactive, par exemple en envoyant des rappels de contrôle ou de suivi avant que le client n'initie le contact

30. Répondre aux appels clients :

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

Comment cela fonctionne :

Ada IA Agent répond aux appels clients :

31. Répondre aux tickets clients

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

Exemple réel : répondre aux tickets clients

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

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

Synthesia et Fundrise ont déployé le même agent Intercom Fin à l'échelle d'une startup et d'une entreprise en croissance, offrant 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.⁵⁴

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. ⁵⁵

Comment cela fonctionne :

L'agent IA E-Care de Toyota se connecte à l'électronique embarquée d'une voiture et contacte les clients pour les alerter des besoins de réparation ou d'entretien, puis les guide dans la réservation du véhicule dans un centre de service. L'agent réduit la charge globale des appels entrants de service.⁵⁶

Contrairement aux envois planifiés, les communications sortantes agentiques s'adaptent à chaque destinataire. En cas de panne d'un 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 e-mail).
• Envoie des mises à jour personnalisées (par exemple, « Le courant devrait être rétabli d'ici 16 h 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

Agents :

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

Comment cela fonctionne :

Knowledge Builder de Zendesk analyse les tickets des 30 derniers jours, en examinant à la fois les problèmes soulevés par les clients et les solutions fournies par les agents, et génère une structure de catégories remplie d'articles brouillons. Le copilote de connaissances de Zendesk maintient ensuite 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 brouillons à partir des données de tickets.
• Évaluant la santé du contenu en matière de couverture, de fraîcheur (part d'articles récemment mis à jour) et de lisibilité par l'IA (part d'articles formatés pour le traitement par l'IA).
• Mettant en avant les sujets de support, en signalant les pics de requêtes récurrentes (par exemple, les réinitialisations de mot de passe) et en recommandant de nouveaux articles pour le centre d'aide.

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

Ajouter comme source préférée

Les agents IA comme assistants de recherche

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

Exemples réels :

1. Deep Research d'OpenAI utilise le raisonnement pour synthétiser de grandes quantités d'informations en ligne et accomplir des recherches multi-étapes de niveau doctorat lors de recherches à grande échelle à l'aide des modèles o3 et DeepSeek.⁵⁹⁶⁰

Dans une expérience où des 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 fondées sur des rapports académiques et industriels.⁶¹

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

• A analysé de vastes quantités de littérature clinique à partir de datasets.
• A exécuté du codage automatisé avec des outils comme GitHub Actions.
• A utilisé l'IA générative (par exemple, GPT-4 ou des modèles personnalisés) pour générer des hypothèses, suggérer des plans expérimentaux et rédiger des rapports de recherche.⁶²

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.⁶³

4. Google a déployé un examinateur par les pairs 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 en plus par rapport aux méthodes standard de prompting zero-shot.⁶⁴

Deep Research d'OpenAI, le système 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 des bases de données académiques, des revues et des dépôts de recherche en ligne (par exemple, Google Scholar, PubMed) pour rassembler des études, des articles et des publications pertinents liés à des sujets ou hypothèses de recherche spécifiques.

35. Génération et test d'hypothèses

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

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

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

• Coûts d'audit réduits de 99 % et temps réduit de 14 jours à une heure
• General Mills a économisé plus de $100 millions en donnant à ses employés un accès sécurisé à l'IA générative sur ses données
• Le département de l'emploi, de la formation et de la réinsertion du Nevada a construit un assistant d'appel qui a aidé les arbitres à décider 4x plus rapidement.⁶⁵

37. Visualisation et présentation des données

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

Les agents IA comme utilisateurs d'ordinateurs

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

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

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

Exemples d'outils :

1. ChatGPT Atlas avec mode Agent, successeur de l'outil Operator, bascule entre les applications et accomplit des tâches complexes basées sur le web pour unifier l'interface graphique.¹
2. Kura IA et Runner H visent à accomplir des tâches à l'aide de navigateurs web.⁶⁶⁶⁷
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.⁶⁸
4. OmniParser de Microsoft améliore la compréhension des interfaces visuelles par les agents pour l'automatisation des GUI.⁶⁹

38. Remplissage de formulaires et automatisation web

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

Comment cela fonctionne :

Exemple réel : remplissage de formulaires

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

• 80 % des décisions transactionnelles automatisées
• Le temps de réponse moyen aux clients est passé de 42 heures à un temps quasi réel.⁷¹

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.

Comment cela fonctionne :

Anthropic’s Claude est invité à « Générer 25 lignes d'exemples de dépenses, les enregistrer dans un tableur, puis ouvrir le tableur ».

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.⁷²

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.

Comment cela fonctionne :

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

41. Opérations CLI et exécution de scripts

Les agents de codage basés sur la CLI comme Aider, 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.

Comment cela fonctionne :

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 commite les modifications directement dans les dépôts Git.⁷³

Comme alternative à Aider, Cognition a livré Devin 2.0, un ingénieur logiciel IA autonome avec une variante native CLI concurrençant directement 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 les dépôts Git.⁷⁴

42. Navigation et coordination d'applications multimodales

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

Comment cela fonctionne :

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 bohème à moins de $30.

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

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

Comment cela fonctionne :

Dans cette analyse de rapport financier en plusieurs étapes, l'agent de planification IA reçoit la tâche : « Analyser la performance financière du dernier trimestre et préparer un résumé pour l'équipe financière. »

Il est demandé à l'agent d'obtenir :

• Les actualités récentes de l'entreprise (les 3 principales actualités)
• Le cours actuel de l'action de l'entreprise (AAPL)
• Les informations sur l'entreprise (par exemple, profil, capitalisation boursière, secteur)
• Les cours historiques de l'action (intervalle d'un jour sur le mois écoulé)
• Les recommandations des analystes (par exemple, notes d'achat/conservation/vente)

Voici le rapport financier en sortie :

MultiOn Agent Q réservant un vol.

Créer des agents IA

Le passage d'applications d'agents de base, comme les recherches météo en langage naturel à l'aide d'outils comme LangChain, à des cas d'usage autonomes plus complexes comme le développement d'applications (par exemple, générer un jeu de morpion avec l'éditeur IA Cursor) a entraîné les défis suivants :

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

• Gérer la complexité de 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 exemple, « Dois-je afficher cet écran ou un autre en fonction de la saisie de l'utilisateur ? »).
• Interfacer avec des systèmes externes et des APIs

44. Générer des agents IA personnalisés :

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

• Des frameworks de prise de décision et de raisonnement (par exemple, des modèles de machine learning ou probabilistes) pour standardiser les schémas et incorporer plusieurs options.
• Des outils d'accès aux données et d'intégration (par exemple, des connecteurs d'API) pour s'interfacer avec des systèmes externes et des APIs.

L'écosystème des développeurs adopte de plus en plus 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 workflows structurés pour la coordination multi-agents et les tâches à long horizon.

Comment cela fonctionne :

Création d'un agent personnalisé de guide de voyage en Slovénie avec Microsoft 365 :

Exemple réel : génération d'agents IA personnalisés

AppFolio a migré son copilote de gestion immobilière Realm-X d'une architecture en chaîne vers LangGraph, en publiant des chiffres avant/après sur les bénéfices apportés par le changement.

• 2x d'amélioration de la précision des réponses après la migration
• Plus de 10 heures économisées par semaine et par gestionnaire immobilier
• Le prompting dynamique few-shot a fait passer la performance sur des fonctionnalités spécifiques de 40 % à 80 %.⁷⁸

FAQ

Citer cette recherche

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

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Şimşek, Hazal},
  title  = {{40+ Cas d'usage de l'IA agentique avec 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

202620252024

1. 26 Août

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

2. 4 Août

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

3. 16 Juil

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

4. 8 Juil

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

5. 7 Juil

   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

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.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

11.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

12.

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

IBM

13.

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

14.

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

Cognition

15.

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

16.

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

17.

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

18.

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

19.

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

Cursor

20.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

21.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

22.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

23.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

24.

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

MDPI

25.

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

Google Cloud

26.

Torq Security Automation Demo | Phishing Response Workflow - YouTube

27.

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

Torq®

28.

GitHub - dandye/adk_runbooks · GitHub

29.

Agentic Incident Response - YouTube

30.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

31.

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

32.

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

33.

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

34.

Generative Agents: Interactive Simulacra of Human Behavior

35.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

36.

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

SIMA team

37.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

38.

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

39.

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

40.

Engineering

41.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

42.

Introducing AI to FigJam | Figma Blog

Figma

43.

Dutch Insurance Provider

44.

Automating an insurance claim form with AI Builder - YouTube

45.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

46.

AI tool brings real-world value to Zurich USMM underwriters

47.

Lemonade - Insurance claims handled instantly - YouTube

48.

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

49.

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

50.

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

LinkedIn Talent Solutions

51.

Paradox AI recruiting success stories — Paradox

52.

Ada Voice + Aircall - YouTube

53.

A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube

54.

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

55.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

56.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

57.

Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube

58.

Knowledge Builder in action | Zendesk demo video - YouTube

59.

Introducing deep research | OpenAI

60.

Deep Research - Marginal REVOLUTION

61.

Deep Research: First Impressions

UX Tigers

62.

ChemicalQDevice

63.

Automation of Systematic Reviews with Large Language Models | medRxiv

64.

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

65.

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

Google Cloud

66.

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

67.

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

TechCrunch

68.

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

69.

OmniParser

70.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

71.

Google Cloud’s Business Trends Report 2026: Key findings

Google

72.

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

73.

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

74.

Devin | The AI Software Engineer

Cognition

75.

Creating an AI Agent for Financial Report Analysis - YouTube

76.

MultiOn AI Agent books a flight - YouTube

77.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

78.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Analyste principal

Suivre

Cem est analyste principal chez AIMultiple depuis 2017.

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

Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.

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

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

Voir le profil complet

Recherche effectuée par

Hazal Şimşek

Analyste sectorielle

Suivre

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

Voir le profil complet

Soyez le premier à commenter

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

Nom

Adresse email

Commentaire

0/450

Publier un commentaire