L'IA agentique, et sa vraie place dans les systèmes que nous construisons
L'IA agentique est facile à survendre et difficile à déployer de façon responsable. Voici comment nous l'abordons — et où elle touche déjà les plateformes que nous construisons pour commerçants, cliniques et opérateurs.
L'« IA agentique » apparaît aujourd'hui dans presque chaque argumentaire commercial, et ce qu'on qualifie d'agentique n'est souvent qu'un chatbot mieux packagé — quelque chose qui répond bien à une question mais n'agit pas réellement. Un système agentique véritable prend des décisions, enchaîne plusieurs étapes vers un objectif, et s'ajuste quand le premier plan échoue, le tout dans des limites définies délibérément par quelqu'un.
Nous suivons cela de près, non pas parce que c'est à la mode, mais parce que c'est le même problème que nous résolvons depuis nos premiers produits connectés : transformer des données opérationnelles en temps réel en décisions plus rapides. Les agents IA d'entreprise figurent déjà dans notre feuille de route comme une direction assumée — ceci est un regard concret sur ce que cela signifie en pratique, pas un article de battage médiatique.
Découvrez comment nous aidons les équipes du secteur Tech & Logiciels →Ce que nous entendons par « agentique », concrètement
Trois éléments distinguent un système agentique d'une simple fenêtre de discussion qui paraît intelligente : il agit sur des données en temps réel plutôt que sur une consigne statique, il enchaîne plusieurs étapes vers un objectif plutôt que de répondre à une question à la fois, et il opère selon des règles métier et des permissions explicites — en transférant la main à une personne dès qu'il sort de son périmètre.
Un assistant scripté qui répond bien aux questions courantes, comme la barre de recherche de notre propre widget Care Team, est réellement utile. Mais il n'est pas agentique — il ne prend pas d'action et n'enchaîne pas de décisions par lui-même. Cette distinction compte, car c'est précisément là que commence le vrai travail d'ingénierie.
Les fondations existent déjà dans la plupart de ce que nous construisons
Un agent a besoin de trois choses avant de pouvoir faire quoi que ce soit d'utile : des données structurées en temps réel, des règles métier claires, et un véritable point d'intégration pour agir — pas seulement observer. C'est précisément ce qu'une grande partie de notre gamme de produits fournit déjà : le flux d'inventaire en direct d'IntelliPOS, les données en direct des livreurs et itinéraires de Delivery Advisor, les modules inventaire, RH, CRM et ventes de Business Advisor.
Un agent sans ces fondations n'est qu'une démonstration. Un agent construit sur un système qui suit déjà l'inventaire ou les livraisons en temps réel a quelque chose de réel sur quoi agir — c'est pourquoi nous voyons cela comme la prochaine couche des plateformes que nous avons déjà construites, et non comme un produit séparé ajouté après coup.
Vers où cela mène, cas d'usage par cas d'usage
Rien de ce qui suit n'est une fonctionnalité livrée aujourd'hui — voici la direction que ces fondations indiquent, secteur par secteur :
- Commerce de détail : un agent de réapprovisionnement qui surveille la vitesse d'écoulement des stocks et rédige un bon de commande avant qu'un rayon ne soit réellement vide, au lieu de se contenter de déclencher une alerte pour quelqu'un.
- Livraison et logistique : un agent de répartition qui réaffecte un livreur en cours de route dès qu'un retard est détecté, plutôt que de le signaler sur un tableau de bord pour qu'un répartiteur le remarque.
- Santé : un agent de suivi qui surveille les rendez-vous manqués et exécute de bout en bout la séquence de rappel et de reprise de rendez-vous, pas seulement un simple SMS de rappel.
- Opérations métier : un agent au sein de Business Advisor qui réconcilie l'inventaire, signale les anomalies entre les modules et rédige le rapport — au lieu que quelqu'un exporte un tableur pour tout rassembler.
Comment nous l'abordons — délibérément, pas par défaut
Notre stack technique comprend déjà les éléments nécessaires : TensorFlow, PyTorch et OpenCV pour la modélisation, Ollama pour exécuter des modèles sur une infrastructure que nous contrôlons. L'objectif n'est pas de greffer une API IA tierce sur chaque produit — c'est de garder les données métier et clients à l'intérieur d'une infrastructure que nous contrôlons, chaque fois que c'est réaliste. C'est le même principe qui nous a fait construire notre propre recherche par mots-clés pour Care Team plutôt que de router chaque question de visiteur vers un modèle externe.
Un agent capable de réellement réapprovisionner un stock ou de rediriger un livreur a besoin de garde-fous, pas d'une confiance aveugle. Chaque agent que nous construisons est cantonné précisément à ce qu'il est autorisé à toucher, avec un transfert clair vers une personne pour tout ce qui sort de ce périmètre — la même rigueur de livraison et la même sécurité dès la conception auxquelles nous nous astreignons déjà, appliquées à un type de système plus récent.
Où en sommes-nous aujourd'hui
Les agents IA d'entreprise se trouvent dans ce que nous appelons le Laboratoire — un investissement actif, pas encore une garantie livrée sur chaque produit. Ce qui est réel aujourd'hui, c'est la fondation opérationnelle sur laquelle repose déjà la plupart de nos produits : inventaire en temps réel, données de livraison en temps réel, règles métier structurées en RH, CRM et ventes.
Si un système que vous utilisez suit déjà ce type de données opérationnelles en temps réel, il est plus proche d'être prêt pour les agents qu'il n'y paraît. C'est généralement là que commence notre discussion.