40+ Cas d'utilisation de l'IA agentic avec des exemples de la vie réelle

Les agents IA génératifs autonomes exécutent des tâches complexes avec peu ou pas de supervision humaine. L'IA agentic diffère des chatbots et des copilotes.

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

Agents IA en tant que développeurs

1. Création d'applications

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

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

Exemple de la vie réelle :

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

Exemple de la vie réelle :

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

Lire plus

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

• Navigateurs distants : Comment l'infrastructure des navigateurs permet aux agents d'interagir avec le web en toute sécurité.
• Benchmark MCP : Meilleurs serveurs MCP pour l'utilisation d'outils et l'accès au web.

2. Créez votre propre API avec le codage IA

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

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

Exemple de la vie réelle :

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

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

3. Édition de code en langage naturel

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

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

Exemple de la vie réelle :

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

4. Création de sites web

Les créateurs de sites web IA comme v0 par Vercel, Bolt, Lovable et CerebrasCoder visent à créer des plateformes complexes comme des sites d'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 créent des sites web et exploitent les API.⁴

Exemple de la vie réelle :

Comment créer un agent IA de site web :

Voici le flux de travail d'automatisation :

5. Génération d'un tableau de bord CRM

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

Exemple de la vie réelle :

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

6. Codage récursif et modernisation du code legacy

Bien que le codage de base soit généralement une tâche pour les LLM, les flux de travail de codage récursif où un agent améliore/étend itérativement le code sur plusieurs couches sont intrinsèquement agentic.

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

Exemples de la vie réelle :

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

Persistent fournit un cadre multi-agent utilisé pour migrer de manière autonome le code COBOL vers Java, il fonctionne en :⁸

7. Refactoring du 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 de la vie réelle :

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

8. Génération de suggestions de code dans votre IDE

Des agents comme GitHub Copilot fournissent des suggestions de code en temps réel et des auto-complétions et réduisent la probabilité d'erreurs de syntaxe.

9. Surveillance et optimisation du pipeline CI/CD

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

• Identifier les contrôleurs d'entrée (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 « arrêter le pod NGINX »

Exemple de la vie réelle :

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

Agents IA en tant qu'assistants SecOps

10. Intelligence sur les menaces

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

Exemple de la vie réelle :

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

11. Détection et triage

Ces actions se produisent au stade de l'ingestion initiale du signal 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 multiples sources pour réduire le bruit.
• Suppression des faux positifs : Supprime les alertes bénignes récurrentes en utilisant les modèles de résolution passés.
• Regroupement / clustering des alertes : Regroupe les alertes connexes (même utilisateur, hôte ou tactique) en un seul incident.

Exemple de la vie réelle :

Charlotte AI effectue une détection et un triage autonomes en :

• Identifiant les comportements malveillants basés sur des TTP connus.
• Croisant les modèles d'exécution et les chemins de fichiers.
• Fournissant une explication de verdict lisible par un humain.

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 cartographient ensuite les intrusions sur des acteurs de menaces connus comme (par ex. APT41, Mozi ou Lazarus) en fonction du chevauchement des modèles.

Exemple de la vie réelle :

Google Chronicle + Mandiant + les agents IA Gemini ingèrent de manière autonome les telemétries et les flux CTI, enrichissent les alertes avec le contexte IOC (par ex. réputation IP, hachages de logiciels malveillants), et croisent les modèles comportementaux avec les tactiques connues des acteurs de menaces du framework MITRE ATT&CK.

Dans cette configuration agentic :

• Détection : Un agent IA détecte le mouvement latéral en utilisant des comptes de service.
• Enrichissement : Il enrichit automatiquement l'alerte avec des données provenant des journaux Chronicle, de l'inventaire des actifs et de l'intelligence sur les menaces Mandiant.
• Attribution : Un deuxième 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 conviviaux pour les analystes.
• Création automatique de tickets et attribution aux analystes : Crée des tickets et achemine les incidents vers le niveau ou l'équipe approprié.

14. Actions de réponse proactive

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

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

Exemple de la vie réelle :

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 logiciels malveillants.¹⁶

Structure du projet agentic :

Dans l'étape finale 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 Security¹⁷

15. Chasse aux menaces

Les agents dans la chasse aux menaces visent à :

• Scanner les anomalies en continu à travers les identités, le réseau et les journaux cloud
• Automatiser les chasses répétitives telles que les recherches IOC ou la détection de modèles
• Signaler les menaces inconnues en comparant le comportement aux bases de référence historiques et à l'activité des pairs

Exemple de la vie réelle :

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 chasser le Kerberoasting ») via une interface web.

L'agent 1 récupère les méthodes de détection pertinentes dans MITRE ATT&CK, tandis que l'agent 2 utilise cette entrée pour générer des règles Sigma sensibles au contexte en utilisant un modèle de langage.¹⁸

16. Tests automatisés de logiciels et d'applications

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

Exemple de la vie réelle :

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

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

Agents IA en tant que personnages de jeux réalistes

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

17. Personnages non-joueurs (PNJ) agentic

Les agents IA entièrement autonomes dans les jeux fournissent un comportement et un gameplay réalistes pour les personnages non-joueurs (PNJ).

Exemple de la vie réelle :

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

Dans ce village, les utilisateurs peuvent observer et interagir avec les agents alors qu'ils partagent des nouvelles, construisent des relations et organisent des activités de groupe. ²⁰

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

• Scripts comportementaux : Les agents du Stanford AI 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 le monde du jeu plus réactif.
• Recherche de chemin : Les PNJ utilisent des algorithmes pour naviguer efficacement dans le monde du jeu, trouvant des chemins autour des obstacles et poursuivant le joueur.

18 Jeu vidéo

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

• Recherche de chemin et navigation : Les agents de jeu explorent les environnements de jeu, utilisant la méthode par essais et erreurs pour trouver des stratégies optimales. Par exemple, ils apprennent les chemins de navigation dans des labyrinthes complexes en affinant continuellement leur processus de prise de décision.
• Émulation des entrées : Les agents de jeu émulent les entrées, telles que les pressions de touches, les mouvements de souris ou les commandes de manette. Cela leur permet d'interagir avec le jeu comme un joueur humain le ferait.
• 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 directs.

Exemple de la vie réelle :

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

Source : Google²²

19. Génération procédurale de contenu

Les agents IA sont très capables de générer de grandes quantités de contenu de jeu algorithmiquement, telles que :

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

Exemple de la vie réelle :

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

• Topographies variées (par ex. montagnes, vallées, canyons).
• Biosphères uniques (par ex. déserts, forêts, océans).
• Modèles météorologiques dynamiques (par ex. tempêtes, pluies).²³

Agents IA en tant que créateurs de contenu

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

20. Rédaction narrative automatisée

Les agents IA écrivent une narration en dressant le plan des chapitres, en rédigeant le contenu et en polissant les chapitres de prose, en rédigeant le contenu et en polissant la prose.

Exemple de la vie réelle :

Dans un projet d'agent IA GitHub, 10 agents IA spécialisés ont travaillé de manière autonome pour écrire un roman de 100 000 mots (~300 pages) sans aucune écriture humaine. 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 changements créatifs.
• 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 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 incluant :

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

Exemple de la vie réelle :

ParagraphAI, un assistant de rédaction IA, rédige des rapports d'ingénierie techniques en dressant le plan du calendrier, du budget et des ressources et du personnel requis.²⁵

22. Génération d'articles basés sur les connaissances

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

Exemple de la vie réelle :

Les pages Perplexity transforment les résultats de recherche de l'IA générative en pages Wikipédia structurées.²⁶

23. Génération de tableaux de bord et de diagrammes

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

Exemple de la vie réelle :

FigJam AI utilise des prompts textuels pour générer :

• Tableaux de bord pour les réunions et les exercices d'équipe
• Diagrammes et organigrammes
• Chronologies visuelles et diagrammes de Gantt²⁷

Agents IA en tant qu'assistants d'assurance

Les agents automatisent l'examen des réclamations, l'approbation et la détection de fraude, rationalisant l'ensemble du cycle de vie du traitement des réclamations. Par exemple, un grand assureur automatise environ 90 % des réclamations automobiles individuelles en intégrant des agents IA personnalisés dans leur flux de travail de réclamation. ²⁸

24. Traitement des réclamations de bout en bout

Une fois qu'une réclamation est soumise, un système d'IA agentic 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 de la vie réelle :

La plateforme Power de Microsoft – automatise un formulaire de réclamation d'assurance :

Ici, la plateforme Power de Microsoft :

• Capture des documents de formulaire de réclamation tels que les sélections de cases à cocher et les textes.
• Télécharge le formulaire de réclamation vers l'application de gestion de contenu SharePoint.
• Extrait les données du formulaire de réclamation telles que l'ID de réclamation et les valeurs de cases à cocher (par ex. type de réclamation, numéro de police).
• Intègre Dataverse pour le stockage des données pour enregistrer les données extraites (y compris les valeurs de cases à cocher) dans Microsoft Dataverse.
• Traite les flux de travail dans les formulaires, par exemple, utilise des agents Power App pour approuver ou refuser les réclamations.

25. Souscription

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

Exemple de la vie réelle :

Les agents d'Akira AI automatisent la souscription et l'évaluation des risques d'assurance grâce au système multi-agent, chacun se spécialisant 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 réclamations.
• Agent de détection de fraude : Détecte les anomalies ou les modèles suspects dans les réclamations et les demandes.
• Agent de tarification : Suggère une tarification basée sur des facteurs tels que les conditions du marché, la tarification des concurrents et le comportement des clients.³⁰

26. Résolution personnalisée de la police

Les agents communiquent le statut de la réclamation et les prochaines étapes à l'assuré, y compris toute documentation supplémentaire requise, les mises à jour d'approbation/refus ou les détails du paiement.

Agents IA en tant qu'assistants 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 de l'IA agentic dans les opérations RH :

27. Filtrage des CV

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

Exemple de la vie réelle :

PepsiCo utilise des outils IA pour classer les candidats en fonction de la mesure dans laquelle ils répondent aux exigences de l'emploi.³¹

28. Planification des entretiens

Les agents peuvent gérer la planification des entretiens et coordonner entre les candidats et les responsables de l'embauche pour trouver des moments optimaux.

Exemple de la vie réelle :

L'assistant RH LinkedIn effectue des tâches quotidiennes comme la synthèse des descriptions de poste, la recherche de candidats et la réalisation d'appels de filtrage de base.³²

29. Automatisation de la paie

Les agents dans le traitement de la paie calculent les salaires, traitent les déductions et gèrent les retenues d'impôt. Ils s'intègrent aux systèmes d'information sur les ressources humaines (SIRH) et aux logiciels de comptabilité pour assurer l'exactitude et la conformité aux normes de paie.

Explorez davantage les solutions d'automatisation financière comme :

• Cas d'utilisation et outils RPA en finance
• Benchmark des outils LLM en finance
• Outils financiers d'IA agentic

Exemple de la vie réelle :

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

Source : Akira AI³³

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

• 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 rapport de conformité : Détecte les problèmes de conformité en utilisant l'apprentissage automatique.
• Agent de résolution de requêtes : Résout les problèmes de paie en utilisant RAG.

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

Ajouter comme source préférée

Agents IA en tant qu'assistants service client

Les chatbots traditionnels répondent aux questions de base, mais ils atteignent souvent un mur lorsqu'il s'agit d'aider réellement le client. Les outils de service client agentic changent cela en :

• Interprétant les demandes nuancées, même lorsque les questions sont vagues ou complexes
• Fonctionnant de manière transparente sur les canaux chat, voix, 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
• Engageant de manière proactive, comme l'envoi de rappels pour des contrôles ou des suivis avant que le client ne prenne contact

30. Répondre aux appels clients :

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

Exemple de la vie réelle :

L'agent IA Ada répond aux appels clients :

31. Répondre aux tickets clients

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

32. Envoi de SMS de suivi et informatifs

Après une interaction, les agents envoient des messages SMS pour faire un suivi avec les clients.

33. Génération de FAQ et optimisation

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

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 de données, à l'examen de la littérature, à la génération d'hypothèses et à la conception expérimentale.

Exemples de la vie réelle :

1. Deep Research de OpenAI utilise le raisonnement pour synthétiser de grandes quantités d'informations en ligne et effectuer des recherches multi-étapes au niveau d'un doctorat lors de l'exécution de grandes recherches en utilisant le o3 & DeepSeek.^{35 36}

Dans une expérience où des chercheurs ont demandé à Deep Research de mener un projet de la vie réelle avec un prompt détaillé, Deep Research :

• A posé des questions de suivi pour clarifier la portée et les détails du projet de recherche avant de commencer.
• A synthétisé les résultats de 22 sources basées sur des rapports académiques et industriels.³⁷

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

• A analysé de grandes quantités de littérature clinique à partir de jeux de données.
• A exécuté du codage automatisé avec des outils comme GitHub Actions.
• A utilisé l'IA générative (par ex. GPT-4 ou des modèles personnalisés) pour générer des hypothèses, suggérer des conceptions expérimentales et rédiger des rapports de recherche.³⁸

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

Deep Research de OpenAI, le système de ChemicalQDevice et otto-SR peuvent être utilisés dans plusieurs cas d'utilisation agentic donnés ci-dessous :

34. Examen de la littérature et découverte de connaissances

Recherche 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, des papiers et des articles pertinents liés à des sujets ou hypothèses de recherche spécifiques.

35. Génération et test d'hypothèses

Génération proactive d'hypothèses d'analyse basées sur des modèles dans les données et test de celles-ci (travail que les analystes et les utilisateurs métier effectuent généralement).

36. Exploration et analyse de données

Manipulation de données structurées et non structurées provenant de plusieurs sources comme les bases de données de recherche, les réseaux sociaux, les brevets ou les résultats d'essais cliniques, fournissant des insights sur les tendances émergentes.

37. Visualisation et présentation des données

Génération de représentations visuelles pertinentes de jeux de données complexes.

Agents IA en tant qu'utilisateurs d'ordinateurs

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

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

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

Exemples d'outils :

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

38. Remplissage de formulaires et automatisation web

Les agents naviguent sur les pages web, cliquent sur les champs et remplissent des formulaires basés sur des prompts utilisateurs ou des données structurées.

Exemple de la vie réelle :

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.

Exemple de la vie réelle :

Anthropic’s Claude est demandé de « Générer 25 lignes de dépenses d'échantillon, 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'échantillon.
• A installé le tableur LibreOffice Calc.⁴⁶

40. Recherche web et collecte de données structurées

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

Exemple de la vie réelle :

Deep Research de OpenAI, une nouvelle capacité agentic dans ChatGPT conçue pour la recherche web multi-étapes et à fort contexte, planifie, navigue et synthétise des informations sur plusieurs sources 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 basés sur terminal, exécutent des commandes shell, installent des logiciels, lancent des scripts et interprètent les sorties dans les interfaces de terminal.

Exemple de la vie réelle :

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 de terminal, corrige les erreurs de manière itérative et valide les modifications directement dans les dépôts Git.⁴⁸

42. Navigation et coordination d'applications multimodales

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

Exemple de la vie réelle :

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

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

Les agents de planification avec mémoire + utilisation d'outils (par ex. Auto-GPT, Agent Q avec définition d'objectifs) exécutent des objectifs multi-étapes à travers divers outils (par ex. rassembler des entrées, prendre des actions, réviser le plan), prenant des décisions en temps réel.

Exemple de la vie réelle :

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

L'agent est demandé d'obtenir :

• Dernières nouvelles de l'entreprise (top 3 histoires)
• Prix actuel de l'action de l'entreprise (AAPL)
• Informations sur l'entreprise (par ex. profil, capitalisation boursière, secteur)
• Prix historiques des actions (intervalle de 1 jour sur le mois passé)
• Recommandations des analystes (par ex. notes d'achat/vente/conservation)

Voici la sortie du rapport financier :

Exemple de la vie réelle :

MultiOn Agent Q réservant un vol.

Création d'agents IA

Le passage des applications d'agents de base, comme les recherches de météo en langage naturel utilisant des outils comme LangChain, à des cas d'utilisation plus complexes et autonomes comme le développement d'applications (par ex. générer un jeu de Morpion avec l'éditeur Cursor AI) a entraîné des défis :

• Gestion de la complexité dans l'exécution des tâches
  • Standardisation des modèles qui guident leur processus de prise de décision.
  • Incorporation de multiples options et sélection de l'action optimale pour exécuter une tâche. (par ex. « Devrais-je afficher cet écran ou un autre en fonction de l'entrée utilisateur ? »).
• Interface avec des systèmes externes et des API

43. Génération d'agents IA personnalisés :

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

• Cadres de prise de décision et de raisonnement (par ex. apprentissage automatique ou modèles probabilistes) pour standardiser les modèles et incorporer plusieurs options.
• Outils d'accès et d'intégration des données (par ex. connecteurs API) pour interagir avec des systèmes externes et des API.

Exemple de la vie réelle :

Création d'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'utilisation de l'IA agentic avec des exemples de la vie réelle}},
  year   = {2026},
  month  = mar,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Consulté le 25 Mars 2026}
}

Liens de référence

1.

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

2.

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

3.

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

4.

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

5.

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

6.

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

7.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

8.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

9.

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

10.

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

11.

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

12.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

13.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

14.

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

MDPI

15.

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

Google Cloud

16.

GitHub - dandye/adk_runbooks · GitHub

17.

Agentic Incident Response - YouTube

18.

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

19.

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

20.

Generative Agents: Interactive Simulacra of Human Behavior

21.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

22.

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

SIMA team

23.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

24.

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

25.

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

26.

Engineering

27.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

28.

Introducing AI to FigJam | Figma Blog

Figma

29.

Dutch Insurance Provider

30.

Automating an insurance claim form with AI Builder - YouTube

31.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

32.

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

33.

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

LinkedIn Talent Solutions

34.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

35.

Ada Voice + Aircall - YouTube

36.

Introducing deep research | OpenAI

37.

Deep Research - Marginal REVOLUTION

38.

Deep Research: First Impressions

UX Tigers

39.

ChemicalQDevice

40.

Automation of Systematic Reviews with Large Language Models | medRxiv

41.

Introducing Operator | OpenAI

42.

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

43.

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

TechCrunch

44.

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

45.

OmniParser

46.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

47.

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

48.

Introducing deep research | OpenAI

49.

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

50.

Creating an AI Agent for Financial Report Analysis - YouTube

51.

MultiOn AI Agent books a flight - YouTube

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