Ce document présente un point de vue décrivant l'architecture informatique dont les entreprises auront besoin au cours des 3 à 5 prochaines années pour capturer pleinement la valeur d'une force de travail agentique. Il décrit la transformation informatique requise pour soutenir le déploiement à grande échelle d'agents IA. L'objectif est de fournir un guide stratégique et une architecture de référence pour aider les DSI, les CDO et les responsables informatiques à planifier leur parcours vers le statut d'Entreprise Agentique.

De puissants modèles d’IA permettent de créer une force de travail agent capable de détecter l’environnement, de raisonner sur les données, de prendre des décisions autonomes, d’exécuter des tâches et de collaborer efficacement avec les travailleurs humains. Cette nouvelle force de travail promet un changement radical en matière d’innovation, de productivité et d’agilité, créant de la valeur pour les actionnaires et les clients. Pour réaliser cette vision, les organisations doivent subir une transformation métier et informatique pour devenir des Entreprises Agentiques.

Aujourd'hui, l'entreprise traditionnelle est confrontée à des inefficacités opérationnelles dues aux cloisonnements de l'information, aux employés ensevelis dans un travail manuel, aux incitations mal alignées dans les structures organisationnelles et aux boucles de rétroaction disjointes entre les stratégies et les résultats. Ces problèmes entraînent des expériences clients sous-optimales, des processus inefficaces et des opportunités de croissance manquées.

L’entreprise Agentic surmonte ces limitations en intégrant une force de travail numérique composée d’agents IA intelligents à des travailleurs humains. Avec cette nouvelle force de travail augmentée par l’IA, une organisation peut favoriser l’innovation pour la croissance, favoriser l’excellence opérationnelle et renforcer la résilience de l’entreprise avec plusieurs types de nouvelles capacités métiers.

Nouvelles capacités commerciales pour favoriser l'innovation :

• Productivité humaine augmentée : La vitesse, l'échelle et la nature toujours active des agents IA permettent aux entreprises d'automatiser les tâches répétitives, et de libérer les travailleurs humains pour se concentrer sur des tâches à valeur ajoutée et plus créatives.
• Amélioration de la capacité adaptative : Comme le raisonnement des agents IA peut être observé, ils peuvent apprendre et déployer dynamiquement de nouvelles compétences, permettant à l’entreprise d’améliorer continuellement ses performances pour atteindre ses objectifs métiers et s’adapter rapidement aux nouvelles opportunités du marché.

Exemple en action — Innovation de l'expérience client dans les services financiers : Une société de gestion de patrimoine peut utiliser un agent IA pour réinventer son modèle d’engagement client. L'agent surveille de façon autonome les portefeuilles, identifie les moments importants pour un examen client et prépare le plan préalable à l'appel pour le conseiller, ajustant le plan à mesure que des nouvelles apparaissent. Cela permet au conseiller humain d'offrir une expérience client proactive et personnalisée à grande échelle, en renforçant les relations et en découvrant de nouvelles opportunités.

Nouvelles capacités commerciales pour protéger et garantir la résilience organisationnelle :

• Capacité de la force de travail élastique : Les entreprises peuvent rapidement adapter leur capacité à faire face aux augmentations de charge de travail en fonction de l'évolution de la conjoncture, sans les coûts et les délais liés à l'augmentation de la force de travail entièrement humaine.
• Résilience opérationnelle prédictive : La nature 24/7 des agents IA leur permet d'anticiper, de modéliser et d'atténuer de façon autonome et en temps réel les risques opérationnels, de conformité et de sécurité, garantissant ainsi à l'entreprise de maintenir la Trust de ses clients et parties prenantes.

Exemple en action - Protection des données des clients : Une grande entreprise peut déployer un agent de gouvernance des données IA pour analyser l'environnement réglementaire afin de détecter les modifications apportées aux lois sur la confidentialité des données, découvrir et classer les informations confidentielles dans les jeux de données d'entreprise, puis appliquer la politique de gouvernance appropriée. L'agent peut examiner les demandes d'accès aux données et acheminer les exceptions vers un analyste humain pour examen, ce qui réduit les risques de conformité tout en permettant d'utiliser les données de manière fiable.

Nouvelles capacités métiers qui optimisent l'excellence opérationnelle :

• Exécution de processus autonome : Une force de travail numérique peut exécuter des tâches complexes en plusieurs étapes 24 heures sur 24 et 7 jours sur 7 à la vitesse de la machine (avec des êtres humains dans la boucle), réduisant ainsi les coûts et les processus d'échelle efficacement.
• Orchestration transfrontière : Les agents IA peuvent travailler à travers les silos d’information et d’incitation qui contraignent habituellement les travailleurs humains, favorisant l’agilité des processus transversaux.

Exemple en action — Optimisation de l'entonnoir marketing dans le commerce de détail : Une équipe marketing de détail peut déployer un agent IA pour accélérer son processus de campagne en réponse aux nouvelles tendances de consommation. L'agent peut générer des plans marketing, collaborer avec des équipes marketing, produit et commerciales pour examen, puis créer automatiquement des garanties numériques et les exécuter sur plusieurs canaux, ajustant dynamiquement la campagne en fonction des commentaires en temps réel.

L'architecture informatique de l'entreprise peut être représentée en utilisant une construction de couche. Les couches regroupent logiquement les fonctionnalités techniques associées et facilitent le raisonnement structuré, mais n'impliquent pas nécessairement des implémentations spécifiques ou le degré de conception d'une couche de façon monolithique ou plus hétérogène. Dans cette vue de couche (Figure 1), l'architecture informatique traditionnelle comprend cinq couches principales : Infrastructure, Données, Intégration, Application et Expérience. Deux niveaux intercalaires, Sécurité et Opérations TI, couvrent ces niveaux pour garantir la gouvernance, la surveillance et la protection.

L'architecture informatique traditionnelle a été conçue pour un paradigme où l'intelligence de l'entreprise résidait dans les travailleurs humains qui prenaient des mesures dans les applications pour accéder aux données, appliquer une logique métier, faciliter la collaboration et exécuter des workflows. Il n'est pas conçu pour un paradigme où les agents IA peuvent raisonner et prendre des mesures pour certains cas d'utilisation précédemment effectués par des humains (ou pas effectués du tout) alors que les humains supervisent les agents IA et se concentrent sur des tâches plus créatives et ambiguës.

Bien que l'architecture traditionnelle puisse prendre en charge les déploiements à l'échelle secondaire d'agents IA aujourd'hui, elle ne peut pas fournir pleinement les capacités métiers de l'entreprise Agentic décrites ci-dessus. La réalisation de ces capacités nécessite une architecture TI conçue pour le déploiement généralisé d'agents IA puissants, capables de gérer de larges cas d'utilisation, au lieu d'être limitée à des déploiements ciblant des cas d'utilisation étroits.

Les agents IA vont continuer à s’améliorer au cours des 5 prochaines années, et l’architecture TI devra évoluer afin de prendre conscience de la valeur d’agents IA plus puissants et intelligents, pour devenir une preuve future. Premièrement, les agents deviendront plus intelligents à mesure que les modèles IA sous-jacents (tels que les LLM multimodaux) et les architectures cognitives des agents évolueront (par exemple, planification à plusieurs étapes, décomposition des tâches, etc.). Deuxièmement, les agents IA auront des capacités d’apprentissage et d’adaptation améliorées avec des améliorations de la mémoire, des capacités d’auto-réflexion et la possibilité d’apprendre à partir de commentaires. Troisièmement, les agents IA auront une plus grande capacité à interagir avec d'autres agents, outils et données, comme en témoigne l'écosystème en évolution rapide des normes de technologie ouvertes (par exemple Model Context Protocol, Agent2Agent, etc.). Ces trois tendances technologiques vont permettre aux agents IA d’être plus puissants en exécutant des tâches plus abstraites et complexes, mais elles vont également introduire de nombreux défis pour l’architecture informatique d’aujourd’hui.

Premièrement, les agents IA s’appuient fondamentalement sur des modèles IA, développés en interne et de source externe, qui évoluent rapidement et nécessitent une gestion sophistiquée, partagée et normalisée des modèles IA/ML. Aujourd'hui, les modèles d'IA sont intégrés à des cas d'utilisation spécifiques dans une application, pas en tant que capacités partagées de réutilisation avec des outils communs pour la formation, le déploiement, la gouvernance et la gestion des risques. À l'avenir, les entreprises devront être en mesure d'utiliser différents modèles d'IA pour divers cas d'utilisation d'agents, ce qui nécessite un outillage permettant aux agents d'échanger des modèles sous-jacents (p. ex. modèle de base ou modèle plus petit spécifique au domaine) en fonction du contexte commercial. Cela nécessite de gérer les modèles IA développés en interne ou hébergés avec un outillage de cycle de vie unifié pour garantir la cohérence, la réutilisation, l'évolutivité et l'efficacité. De la même façon, l'accès aux modèles IA hébergés en externe nécessite un cadre de contrôle à l'échelle de l'entreprise pour garantir des performances, une sécurité, une conformité, une disponibilité et une fiabilité optimales.

Deuxièmement, les agents IA ont des modèles d'échelle et des exigences opérationnelles distincts tels que l'hébergement, le développement, le raisonnement, l'apprentissage, la gestion de la mémoire et les opérations, qui nécessitent une frontière architecturale séparée et dédiée pour les agents. L'incorporation de cette fonctionnalité directement dans l'architecture d'application statique et déterministe actuelle entraînerait une complexité architecturale et des risques inutiles. De plus, les agents IA doivent interagir avec les applications existantes via des interfaces standardisées ou des systèmes de messagerie pour une interaction en temps réel.

Troisièmement, les agents IA doivent être capables de raisonner sur des jeux de données disparates et de collaborer entre eux, souvent à travers des piles d'applications cloisonnées, mais dans l'architecture actuelle, il n'existe aucune fonctionnalité sémantique commune pour fournir une compréhension partagée permettant à ces agents de raisonner sur différents jeux de données. Par conséquent, bien que les agents à usage unique puissent être déployés avec succès, leur adaptation pour qu'ils puissent travailler en grand nombre sur des tâches complexes et inter-silos reste difficile et risquée.

Enfin, l'architecture informatique d'entreprise actuelle manque d'un moyen efficace d'orchestrer, d'optimiser et de régir les processus métiers de bout en bout qui incluent les workflows dynamiques exécutés par des agents plus puissants, ce qui augmentera et dans certains cas remplacera le rôle joué par les travailleurs humains dans ce processus. Aujourd'hui, les outils d'automatisation sont exploités pour gérer des workflows linéaires et déterministes qui suivent généralement une séquence prédéfinie, documentés dans des langages spécifiques au processus, et s'appuient sur une logique statique qui change rarement. Les technologies IA peuvent améliorer certains de ces processus linéaires (par exemple, en utilisant des modèles ML au lieu de règles métiers codées en dur pour calculer les seuils d’approbation de prêt), mais les aspects stratégiques et d’exécution de la plupart des processus métiers critiques restent par nature dynamiques et flexibles. Les tâches telles que le développement de stratégies marketing, la résolution de problèmes clients complexes ou la prospection de clients ont des objectifs clairs (satisfaction client, vitesse de résolution des requêtes, etc.) mais ne suivent pas une séquence d'exécution fixe et prédéfinie.

Actuellement, les entreprises traditionnelles comptent principalement sur l'humain pour coordonner et exécuter ces processus métiers complexes (tels que l'établissement d'une stratégie et la gestion de programmes complexes). À mesure que les agents de l’IA continueront d’évoluer (plus d’intelligence, d’apprentissage et de capacités d’interaction) au cours des 3 à 5 prochaines années, leur capacité à exécuter ces processus dynamiques de façon autonome s’élargira considérablement, introduisant des complexités et des défis d’intégration dépassant de loin les capacités des outils d’intégration et d’automatisation existants. La nature adaptative et dynamique des agents IA crée un fort besoin de nouvelles capacités d���orchestration pour garantir un contrôle au niveau de l’entreprise, une visibilité complète et un alignement cohérent avec les objectifs stratégiques de l’entreprise, en particulier dans la gestion de workflows complexes, longs et à plusieurs étapes qui englobent les agents IA, les humains, les outils d’automatisation et d’autres systèmes déterministes.

L'architecture informatique de l'entreprise Agentic établit une plate-forme pour des actions intelligentes en intégrant de façon transparente les travailleurs humains, les agents IA et les systèmes déterministes. Cette architecture permet à la fois aux agents humains et IA d'accéder dynamiquement à et d'exploiter Knowledge entreprise unifié à partir de diverses sources de données, enrichies du contexte sémantique pour exécuter efficacement des workflows et des processus complexes alignés avec les objectifs métiers stratégiques. L'architecture informatique existante d'un ensemble de plates-formes cloisonnées et de solutions ponctuelles évoluera vers un ensemble de services applicatifs composables, d'outils sémantiques et de données, et de réseaux d'agents IA supervisés et régis par de nouveaux outils intelligents d'orchestration de processus métiers.

Cette architecture permet aux agents de détecter, de raisonner et d'agir dans leurs périmètres respectifs, de travailler dans et entre les domaines métiers, et d'apprendre, de s'améliorer et de s'adapter en permanence. Cela nécessite une conception axée sur des mécanismes robustes pour accéder aux données et Knowledge (compréhension sémantique), des protocoles et des interfaces de communication flexibles et standardisés (tels que agent à agent, agent à systèmes déterministes et agent à humain) et de manière critique, orchestrer les workflows et les processus entre les agents, les humains, et les outils d'automatisation et les systèmes déterministes.

Pour réaliser la vision architecturale d'une plate-forme pour des actions intelligentes, les principes de conception suivants sont recommandés comme meilleure pratique:

• Composabilité et modularité : Concevez des éléments architecturaux en tant que composants modulaires avec des interfaces standardisées afin de permettre un assemblage rapide et dynamique des capacités des agents, des workflows et des surfaces à visage humain. Donnez la priorité à des contrats d’interface clairs et à l’abstraction afin de permettre aux agents IA de composer des workflows avec la plus grande flexibilité.
• Données et sémantique d'abord : Garantissez un accès complet, précis, rapide, sécurisé et économique aux données, avec une compréhension sémantique partagée permettant aux agents de raisonner efficacement à travers les systèmes cloisonnés. Cela nécessite de traiter les données (et les métadonnées) comme un produit, avec des outils pour garantir la qualité, la filiation, la gouvernance et l'accès, ainsi qu'un moyen de fournir une compréhension sémantique partagée entre les agents et les humains.
• Observabilité informatique et métier incorporée : Incorporez des capacités de surveillance, de traçage, d'évaluation et d'explicabilité de bout en bout à l'architecture complète pour recueillir des connaissances sur le raisonnement, les comportements, les interactions système et l'impact des agents sur les indicateurs de performance clés métiers afin d'optimiser en permanence les performances des agents. Cela inclut l'optimisation des coûts (FinOps), les métriques de développement durable et la télémétrie opérationnelle tout en maintenant Trust, conformité et consommation responsable des ressources. Comme les agents IA sont intrinsèquement non déterministes, l’observabilité est primordiale pour garantir que les agents IA peuvent opérer de façon fiable, conforme et vérifiable avec une surveillance humaine.
• Trust-throughout: Appliquez des autorisations dynamiques et précises basées sur l'intention des tâches de l'agent (accès aux données, actions, etc.) et implémentez des pratiques de sécurité complètes, notamment l'équipe rouge, l'analyse CVE automatisée, la détection des vulnérabilités et des contrôles de validation basés sur le risque. Des contrôles plus précis et dynamiques sont nécessaires compte tenu du risque que les agents entraînent des risques en cascade dus à leur capacité à fonctionner à des vitesses de machine. Assurez-vous que tous les résultats générés par l’IA (à partir d’agents ou de modèles) sont rigoureusement validés par rapport aux politiques définies de conformité, de sécurité, de toxicité et de biais avant utilisation ou livraison, ce qui nécessite des mécanismes de consignation et d’explicabilité avec des pistes d’audit vérifiables pour les décisions, les actions, les contenus et les prédictions en IA.
• Agent d'abord avec surveillance humaine : Permettez aux agents IA d'être l'outil par défaut pour résoudre les cas d'utilisation métiers, sauf autres considérations (par exemple, coût, adéquation technique), et concevez des systèmes informatiques accessibles pour les workflows des agents. Cela inclut la capacité des humains à surveiller, intervenir et remplacer n'importe quelle étape du processus d'un agent. Les agents ont besoin de capacités autoréfléchissantes pour rechercher proactivement des conseils humains si leur confiance dans la prise de décision est inférieure aux seuils préprogrammés.
• Interaction réactive et multimodale : Activez l'architecture pour prendre en charge des mécanismes complets d'invocation et de réponse des agents dans tous les types d'interaction, y compris les protocoles agent à agent, les entrées multimodales humaines (voix, texte, visuel), les événements métiers, les signaux système et les données en continu. Activez les capacités de traitement piloté par l'événement et en temps réel pour permettre aux agents de réagir à tout signal opportun de n'importe quelle source ou format.
• Infrastructure prête pour l’IA : Assurez-vous que l'infrastructure peut évoluer élastiquement avec la redondance intégrée pour gérer les charges de travail IA fluctuantes, et intégrez des pipelines ML/LLM dans l'architecture des données et des applications, tout en préservant la conformité aux exigences de résidence des données.
• Écosystème ouvert : Privilégiez l'interopérabilité et évitez le verrouillage technologique en privilégiant des normes ouvertes, des protocoles et des interfaces bien définies (API, événements) pour bénéficier de l'écosystème technologique.

Pour réussir à activer et à adapter la transformation agentique, les entreprises doivent aller au-delà de la simple amélioration des couches actuelles ; elles doivent envisager explicitement d’introduire quatre couches architecturales supplémentaires (figure 2) conçues spécifiquement pour répondre aux besoins des agents IA.

La couche Agentic est dédiée au développement et à la gestion des agents IA, englobant les capacités cognitives telles que la planification, le raisonnement, la mémoire, l'utilisation des outils, la gestion des états et le contrôle du cycle de vie. Cette couche répond aux exigences techniques et opérationnelles uniques des agents IA, garantit l'interopérabilité entre les applications et les magasins de données grâce à des protocoles standardisés, et facilite la collaboration entre agents. La couche applicative existante évoluera vers des services applicatifs à composer dynamiquement pour les workflows des agents.

La couche sémantique est introduite pour résoudre la déconnexion entre les données brutes d’entreprise et la compréhension sémantique dont les agents IA ont besoin. Il code et gère explicitement les entités métiers, les concepts, les définitions et les inter-relations, créant une ontologie d'entreprise et une représentation de Business Knowledge pour permettre une compréhension sémantique partagée qui propulsent des workflows multi-agents plus complexes exécutant des tâches de niveau supérieur. Au-delà d'un catalogue de données, la couche sémantique traduit une requête en langage naturel en requêtes précises sur des magasins de données spécifiques, harmonise les résultats et renvoie une réponse contextuelle et enrichie pour l'agent. La couche de données existante s'unifie en adoptant des lacs centralisés tout en élargissant l'accès aux données via un tissu de données prêt pour l'IA afin de prendre en charge les principes du modèle d'exploitation du maillage de données.

La couche IA/ML centralise la gestion des capacités IA d'entreprise, notamment les grands modèles de langage, les grands modèles d'action et les modèles ML spécifiques au domaine, en gérant à la fois les modèles IA développés en interne tout au long de leur cycle de vie et l'accès/l'utilisation contrôlée aux services IA externes. Contrairement aux architectures traditionnelles dans lesquelles les modèles IA sont incorporés dans des applications, cette couche établit les modèles IA en tant que composants de première classe et services partagés dans l'entreprise. Il se concentre sur les capacités IA contrôlées par l'entreprise (pas sur les capacités IA fournies par des fournisseurs externes). Cette couche fournit l'intelligence pour divers agents et autres charges de travail IA dans l'entreprise avec des mécanismes standardisés de Trust, de sécurité, de conformité et de déploiement.

La couche d'orchestration d'entreprise est l'abstraction fonctionnelle qui permet de coordonner, de gouverner et d'optimiser des workflows complexes à plusieurs étapes et des processus métiers qui couvrent les agents IA, les humains, les outils d'automatisation et les systèmes déterministes. Cette couche exploite un modèle d'orchestration mixte qui permet aux agents individuels et aux systèmes de gérer de façon autonome les tâches chorégraphiées localement en utilisant des protocoles ouverts tels que MCP et A2A tout en assurant une supervision et une coordination centralisées de bout en bout de l'ensemble du processus. Pour implémenter le modèle d'orchestration fusionnée, cette couche représente les processus métiers critiques sous des formats sémantiquement riches lisibles par machine qui définissent à la fois les étapes déterministes (modélisées pendant la conception) et les étapes dynamiques (décidées par les agents à l'exécution) d'un processus métier, créant ainsi la fondation du modèle de processus pour la gouvernance et l'optimisation.

Traditionnellement, une grande partie des processus métiers pilotés par l'homme restent non documentés ou inaccessibles sous des formes lisibles par machine. Cependant, l'observabilité détaillée des activités des agents IA, y compris les données enrichies et les métadonnées sur leurs tâches et leurs actions, permet de capturer, de documenter et d'intégrer un travail dynamique, auparavant non structuré, avec des workflows linéaires déterministes pour créer des modèles de processus complets. La documentation détaillée sur les processus capture les interdépendances des tâches et les parcours d'exécution auparavant invisibles, ce qui permet à l'entreprise d'optimiser en permanence l'efficacité opérationnelle, de résoudre efficacement les blocages et de codifier systématiquement les meilleures pratiques identifiées par les agents dans des playbooks réutilisables à l'échelle de l'entreprise. Il en résulte un jumeau numérique holistique de processus individuels et, à l'échelle, de toute l'entreprise.

Par exemple, des processus complexes tels que l'exécution de stratégies commerciales complètes ou l'intégration de nouveaux employés impliquent de nombreuses étapes interdépendantes dans lesquelles la couche d'orchestration peut garantir des niveaux appropriés d'implication humaine (par exemple, traitement des exceptions), une autonomie limitée pour les agents IA et imposer la conformité. Tout au long de ces processus, la couche d'orchestration descendante ajoute de la prévisibilité et de la gouvernance, suit et évalue en permanence les indicateurs de performance clés (KPI), garantit l'intégrité transactionnelle des workflows et de la logique de restauration, et maintient la visibilité sur chaque étape du workflow pour garantir l'alignement avec les objectifs métiers globaux. Pour implémenter cette fonctionnalité, cette couche consomme des stratégies, des règles et des garde-fous de la couche de sécurité et de gouvernance (via policy-as-code) et des objectifs métiers et des indicateurs de performance clés stockés dans la couche sémantique. Compte tenu de la nature autonome et rapide des interactions pilotées par l’IA, le seul fait de s’appuyer sur une chorégraphie décentralisée risque d’entraîner un désalignement stratégique ou des infractions à la conformité, en particulier dans les workflows longs et à plusieurs étapes. L'approche d'orchestration mixte atténue ces risques en incorporant des règles métiers à l'échelle de l'entreprise, des contrôles de conformité et l'application des politiques directement dans des workflows complexes, et intègre la supervision humaine à des moments critiques.

Chacune de ces 11 couches contribue à une fonctionnalité spécifique pour déployer les agents IA à grande échelle de façon sécurisée, fiable et efficace, afin d'exploiter tout le potentiel de l'IA agentique pour transformer le travail dans une entreprise. La section ci-dessous présente la fonction de la couche, les changements inédits dus à la montée en puissance des agents IA et ses capacités technologiques clés.

Fonction : La Couche d'expérience sert d'interface principale pour les utilisateurs humains. Elle permet l'interaction multimodale en capturant les entrées (texte, voix, visuel) et en fournissant des réponses contextuelles pertinentes sur plusieurs appareils. Il transmet de façon transparente les intentions des utilisateurs à la Couche Agentic pour action, tout en fournissant l'interface utilisateur dynamique et des visualisations qui facilitent les escalades humaines et les approbations dans les workflows des agents.

Ce qui est différent par rapport à aujourd'hui : L'IA va augmenter les interfaces basées sur l'interface graphique traditionnelles avec le traitement en langage naturel, la sensibilisation contextuelle et l'aide proactive à la décision. Les agents IA seront en mesure d’initier proactivement des interactions, en fournissant des recommandations personnalisées et en temps réel à travers tous les canaux et toutes les modalités.

Principales capacités technologiques :

• IA conversationnelle et assistants numériques : Activez l'UX par défaut pour offrir une assistance IA afin de prendre en charge les utilisateurs humains.
• Interface utilisateur Attribution et transparence : Rendre les réponses explicites dans l'interface utilisateur, par exemple afficher les citations, les sources des fichiers/systèmes et l'approche/la justification des décisions.
• Service de notification proactive et ambiante : Permet aux agents d'envoyer proactivement des connaissances ou des alertes aux utilisateurs sur le canal et le facteur de forme les plus appropriés, en fonction du contexte actuel de l'utilisateur.
• Expériences Omnichannel : Fournit une expérience transparente, cohérente et unifiée à travers tous les canaux avec la continuité du parcours, où les conversations et les tâches suivent la personne au lieu de l'application.
• Capacités multimodales : Permet aux humains d'interagir avec les agents et les applications par texte, voix, image, toucher, vidéo et AR/VR afin de permettre aux agents de comprendre et de présenter des informations dans la modalité la plus efficace.
• Personnalisation sensible au contexte et interface utilisateur dynamique : Active les expériences utilisateur en temps réel contextuelles (temps, localisation, actions utilisateur) pour activer la personnalisation, y compris la génération d'interface utilisateur sur le champ.

Fonction : La couche Agentic agit en tant qu'environnement d'exécution par défaut pour travailler dans l'entreprise où les agents IA décomposent les tâches de la couche d'expérience et exécutent les tâches en assemblant dynamiquement des workflows à l'aide des outils de la couche applications et services d'application et de la couche de données. L'état de configuration des agents IA est stocké et géré dans cette couche. Les agents sont instanciés pour des tâches spécifiques et les instances d'agent spécifiques sont ensuite décommissionnées. Cette implémentation permet aux agents d'être toujours invoqués à partir du dernier état de configuration basé sur des optimisations hors ligne (en utilisant les fonctionnalités des couches IA/ML, observabilité et orchestration). Cette couche est responsable de la gestion complète du cycle de vie, de la coordination et de la gouvernance des agents IA.

Ce qui est différent par rapport à aujourd'hui : Cette couche va émerger la série disparate actuelle de pilotes et de déploiements agents limités. Bien qu'il existe des robots basés sur des règles, il existe peu de logiciels adaptatifs, non déterministes et orientés vers des objectifs déployés à grande échelle.

Principales capacités technologiques :

• Environnement d'exécution de l'agent : Gère le cycle de vie, l'exécution et l'allocation de ressources pour les agents IA.
• Suite de gestion du cycle de vie des agents : Inclut des infrastructures de développement, des outils de développement et de test, et des systèmes de gestion pour les activités des agents et le contrôle des versions.
• Moteur de raisonnement de l'agent : Un cadre cognitif permettant aux agents de décomposer des objectifs, de planifier et de décider des outils à utiliser pour résoudre des problèmes complexes.
• Magasin de mémoire et de contexte de l'agent : Permet aux instances d'agent de rappeler et de gérer le contexte des interactions précédentes, afin de garantir la cohérence et la personnalisation.
• Protocoles d'interopérabilité des agents : Interfaces standardisées pour la communication d'agent à agent (A2A) et pour l'interface des agents avec des systèmes externes (par exemple via le protocole Model Context Protocol).
• Registre d'outils : Un ensemble organisé d'outils pris en charge en interne et en externe que les agents peuvent invoquer pour réaliser une tâche particulière.
• Registre des agents : Un écosystème organisé de solutions et d'agents IA prédéfinis qui prend en charge la découverte et la correspondance des capacités.
• Application de la politique de l'agent distribué : Permet la gouvernance à l'échelle de l'entreprise en permettant aux agents de vérifier eux-mêmes la conformité avant de prendre des mesures.
• Cadre d'auto-réflexion et d'adaptation des agents : Fournit un mécanisme permettant à un agent d'analyser ses propres performances et, avec l'approbation humaine, de déclencher des améliorations ou de suggérer des modifications à lui-même.

Fonction : Cette couche fonctionne comme une plate-forme d'intelligence centralisée, offrant des modèles d'IA sous forme d'ensemble de services partagés à consommer par la couche Agentic (et les applications) pour alimenter ses capacités de raisonnement et de prise de décision avec des infrastructures de sécurité et de surveillance intégrées.

Ce qui est différent par rapport à aujourd'hui : Traditionnellement, les modèles IA étaient incorporés à des applications spécifiques. Dans l'architecture informatique d'Agentic Enterprise, la couche IA/ML sera un ensemble de services centralisés de première classe qui propulse de nombreuses applications et agents, prenant en charge tout le cycle de vie du modèle, depuis le développement jusqu'au service en temps réel à grande échelle.

Principales capacités technologiques :

• Modèles de base prédéfinis : Modèles ML volumineux entraînés sur un large spectre de données, capables d'effectuer une grande variété de tâches générales.
• Génération augmentée par récupération (RAG) : Un pipeline centré sur l’IA qui ancre les modèles de base dans des données spécifiques à l’entreprise pour améliorer la précision et réduire les hallucinations.
• AI Trust, Safety, & Governance Hub: Une série d'outils intégrés au cycle de vie du modèle pour appliquer les principes d'IA responsable tels que la détection des biais, l'explicabilité et la surveillance de la sécurité.
• Passerelle du modèle : Un moteur d'acheminement qui agit en tant que point d'entrée unique pour toutes les requêtes d'inférence de modèle, en gérant les appels à divers modèles internes et externes afin d'optimiser les coûts, les performances et la conformité.
• Système de développement de modèle : Un environnement de développement intégré pour les scientifiques des données avec des outils de prétraitement des données, d'entraînement au modèle et d'expérimentation.
• MLOps & Lifecycle Automation Pipeline: Le moteur CI/CD pour l'apprentissage machine, qui automatise le cycle de vie complet des modèles, depuis l'entraînement jusqu'au déploiement et au retrait.
• Exécution de service et d'inférence du modèle : Un environnement évolutif et à faible latence pour déployer des modèles entraînés en tant que points de terminaison d'API sécurisés pour la consommation en temps réel.
• Registre de modèle et d'actif : Un référentiel centralisé et contrôlé par version pour tous les actifs IA/ML, y compris les modèles, les jeux de données et le code source, qui garantit la reproductibilité et l'auditabilité.
• Génération et gestion de données synthétiques : Outil permettant de générer et de gérer des données synthétiques qui conservent les propriétés statistiques des données réelles sans exposer d'informations confidentielles.

Fonction : La couche d'orchestration Enterprise est le plan de contrôle du travail de bout en bout dans une entreprise agentique. Il garantit que les workflows et les interactions des agents respectent les objectifs de l'entreprise et les politiques de gouvernance. Il consomme la télémétrie d'observabilité d'autres couches pour élaborer des modèles de processus métier complets, permettant l'optimisation par rapport aux indicateurs de performance clés tirés de la couche sémantique. Cette couche fournit le contexte partagé et la mémoire à long terme à chaque nouvelle instance d'un agent IA pour les workflows critiques.

Ce qui est différent par rapport à aujourd'hui : Cette couche offre une visibilité unifiée sur les processus métiers en créant des modèles lisibles par la machine qui capturent à la fois des étapes structurées et déterministes, et le travail non structuré et dynamique effectué par les humains et les agents. Il va au-delà des modèles actuels de collaboration et de gouvernance centrés sur l'humain en encodant par programmation des objectifs métiers et des règles de conformité en tant que contraintes dans les workflows des agents pour régir leur force de travail.

Principales capacités technologiques :

• Moteur d'exécution de workflow hybride : L'exécution principale qui exécute le « modèle d'orchestration mixte », fournissant une supervision centralisée tout en permettant la chorégraphie des agents locaux.
• Gouvernance des processus et moteur de contraintes : Un service de gouvernance en temps réel qui consomme et applique des règles métiers déclaratives, des politiques et des contraintes à tous les processus en vol.
• Gestion de la mémoire partagée et du contexte : Une couche mémoire partagée accessible à tous les acteurs d'un workflow pour maintenir la continuité et la cohérence à travers plusieurs étapes.
• Process Modeling Studio : Un environnement de conception permettant de créer et de gérer des modèles de processus lisibles par la machine et riches en sémantique, qui définissent des étapes déterministes et dynamiques orientées vers des objectifs.
• Optimisation des processus et simulation : Une capacité qui construit des simulations numériques de processus métiers pour l'analyse avancée, les simulations what-if et l'optimisation prédictive.
• Découverte des processus et surveillance de l'état de santé : Ingère des modèles de processus et des données en temps réel pour générer des rapports sur les métriques métiers d'intégrité des processus.
• Modélisation numérique des processus jumelés : Un miroir en temps réel des workflows live pour tester, simuler des modifications et optimiser sans impacter la production.

Fonction : Cette couche expose les fonctionnalités d'application métier existantes en tant qu'outils et services composables et modulaires que les agents peuvent utiliser. Il sert également d'exécution de présentation pour incorporer des capacités agentiques à l'expérience utilisateur. Les applications continuent d'être le système d'enregistrement, mais sont repensées pour être des capacités « headless » pour les agents.

Ce qui est différent par rapport à aujourd'hui : Les applications vont évoluer des interfaces utilisateur monolithiques vers des « services back-end » que les agents peuvent appeler dynamiquement via des API et des événements. Cette couche sera intégrée nativement aux agents et modèles IA, et la prolifération des grands modèles de langage à usage unique de génération de code entraînera une augmentation du nombre de micro-applications personnalisées élaborées par des agents.

Principales capacités technologiques :

• Services d'application modulaires : Logique métier décomposée à partir d'applications traditionnelles, publiée sous forme d'actions lisibles par machine que les agents peuvent appeler.
• Agent Embedding SDKs : Boîtes à outils et bibliothèques qui permettent aux développeurs d'incorporer en toute sécurité des agents directement dans des interfaces utilisateur d'application.
• Services de génération d'interface utilisateur dynamique : Les services qui permettent à un agent IA de générer ou de modifier des composants d'interface utilisateur en temps réel en fonction du contexte de l'utilisateur.
• Infrastructures d'interface utilisateur natives de l'IA : Infrastructures frontales conçues avec la prise en charge intégrée pour gérer les interfaces utilisateur pilotées par l'IA, telles que la gestion des données probabilistes et les réponses de texte en continu.
• Systèmes d'engagement perfusés par l'agent : Applications de productivité et de collaboration d'entreprise qui intègrent les capacités des agents IA via des composants visuels.
• Développement d'applications low-code / no-code avancé par l'IA : Outils qui permettent aux utilisateurs et aux agents de créer des applications et des services personnalisés en langage naturel et en invites.
• Garde-fous de l'application pour l'utilisation de l'agent : Contrôles côté application pour l'utilisation des agents, tels que la limitation de taux, les autorisations étendues et la télémétrie.

Fonction : La couche sémantique offre une compréhension unifiée des données et Knowledge dans l'entreprise, permettant aux humains et aux agents IA d'interpréter et d'agir de façon cohérente sur les informations. Il utilise des outils de représentation Knowledge tels que des ontologies et des graphiques Knowledge pour traduire les requêtes en langage naturel en requêtes de données précises et sensibles au contexte.

Ce qui est différent par rapport à aujourd'hui : Alors que les entreprises d'aujourd'hui ont des magasins de métadonnées disparates, l'architecture informatique de l'entreprise Agentic nécessite un Enterprise Knowledge Graph (EKG) centralisé qui associe les données entre les domaines avec des relations sémantiques explicitement définies. Cela fournit le contexte riche que les agents IA peuvent traverser pour effectuer des raisonnements complexes, créant des exigences pour un ensemble de capacités techniques afin d'alimenter les graphiques Knowledge qui couvrent plusieurs domaines fonctionnels.

Principales capacités technologiques :

• Service de métadonnées : Fournit des métadonnées descriptives, notamment le lignage des données, la propriété et les classifications.
• Glossaire d'entreprise et gestion de la taxonomie : Un outil permettant aux utilisateurs professionnels de définir et d'accepter des conditions métiers standard.
• Gestion du modèle sémantique : Un système permettant aux ingénieurs Knowledge de créer, gérer et régir des modèles sémantiques et des ontologies.
• Enterprise Knowledge Graph (EKG): Une instanciation à l'exécution de l'ontologie d'entreprise qui stocke et mappe les relations entre les entités commerciales.
• Moteur Ingestion de métadonnées et harmonisation : Un pipeline automatisé qui remplit et maintient l'Enterprise Knowledge Graph à partir de divers systèmes sources.
• Moteur de requête sémantique: Interprète les requêtes en langage naturel et construit des requêtes structurées basées sur l'EKG pour récupérer des données de diverses sources.
• Moteur de raisonnement sémantique : Analyse et dérive Knowledge implicite et relations cachées à partir de l'EKG.

Fonction : La couche de données est la source fondamentale de vérité. Elle gère et fournit un accès sécurisé et régi à toutes les données de l'entreprise que la couche sémantique peut interpréter, la couche IA/ML à utiliser pour la formation, les applications à utiliser pour les transactions et les agents pour le raisonnement.

Ce qui est différent par rapport à aujourd'hui : La couche de données évolue pour être plus unifiée, en temps réel et axée sur la gouvernance, souvent centrée sur un lac de données à l'échelle du cloud. Il doit gérer un volume et une variété de données plus importants et passer du traitement par lot à la diffusion en temps réel pour prendre en charge les agents réactifs. La gouvernance et la qualité des données revêtent une importance encore plus grande pour empêcher les données pauvres de créer des sorties IA défectueuses.

Principales capacités technologiques :

• VectorDB : Une base de données spécialisée optimisée pour le stockage et l'interrogation d'incorporations vectorielles à haute dimension, critique pour le RAG.
• Pipelines de données analytiques intelligentes : Un service automatisé piloté par les métadonnées pour l'ingestion, la transformation et le chargement de données (ETL/ELT) dans la couche de données.
• Enterprise Data Lakehouse : Un référentiel central de données structurées, semi-structurées et non structurées, optimisé pour les analytiques et les charges de travail IA.
• Fédération et recherche de données zéro copie : Techniques d'accès, d'interrogation et de recherche de données dans plusieurs magasins sans mouvement physique des données.
• Natural Language to SQL : Une technique de conversion de requêtes en langage naturel en SQL.
• Service de catalogue de données et de découverte d'entreprise : Un inventaire centralisé et recherchable de tous les actifs de données de l'entreprise.
• Gestion des données principales et de référence (MDM) : Gère le « disque d'or » pour les entités commerciales critiques telles que Client et Produit.
• Service de qualité des données adaptative : Un service de surveillance continue qui utilise l'IA pour détecter automatiquement et corriger en temps réel les Problèmes de qualité des données.
• Contrats de données : Accords lisibles par ordinateur entre producteurs de données et consommateurs qui spécifient le schéma, la sémantique et les accords de niveau de service d'échange de données.
• Magasins de données spécialisés en IA : Bases de données conçues pour des cas d'utilisation spécifiques de l'IA, par exemple des séries temporelles ou des bases de données de graphiques.
• Tissu de données prêt pour l'IA : Une couche d'abstraction de données logique qui fournit une vue unifiée et virtualisée des données à travers différents systèmes physiques.
• Traitement des données en temps réel : Capacités de traitement et d'analyse des flux de données multimodaux en continu à des vitesses machine.

Fonction : La couche Infrastructure sous-tend toutes les autres couches, fournissant les capacités de calcul, de stockage, de réseau et de cloud requises pour exécuter les charges de travail IA et agents à grande échelle de manière résiliente et économique.

Ce qui est différent par rapport à aujourd'hui : Les charges de travail IA nécessitent plus d'évolutivité et d'élasticité pour gérer la nature probabiliste des systèmes agentsiques. L'infrastructure doit prendre en charge le provisionnement rapide, le matériel spécialisé tel que les GPU et le trafic réseau à faible latence et haut débit pour la communication inter-agents.

Principales capacités technologiques :

• Infrastructure en tant que code : Provisionnement et gestion automatisés de l'infrastructure avec des pipelines de déploiement CI/CD.
• Infrastructure IA hybride et multi-cloud : Tire parti de l'élasticité du cloud public et de l'infrastructure spécialisée pour les charges de travail d'IA générative.
• Computation, stockage et réseau optimisés pour l'IA : Alloue et adapte dynamiquement les ressources d'infrastructure en fonction de la demande variable des charges de travail IA.
• Infrastructure IA Edge : Permet de déployer des modèles et des agents IA à la périphérie du réseau pour des cas d'utilisation avec des exigences de latence ou de confidentialité uniques.
• Infrastructure d'autoguérison : Utilise l'IA pour gérer la récupération du système sans saisie manuelle, ce qui garantit une haute disponibilité.
• Calcul IA durable : Des approches éconergétiques pour atténuer l’impact environnemental des charges de travail IA.
• Autoscaling sensible aux coûts et au carbone : Utilise les FinOps et les signaux de développement durable pour piloter l'échelle et le placement de la capacité.

Fonction : La couche d'intégration sert de trame de communication universelle pour tous les systèmes (hérités et nouveaux) à travers des API, des événements, des protocoles et des middlewares pour permettre aux agents de découvrir et d'interagir de façon transparente avec des services, des données et des outils.

Ce qui est différent par rapport à aujourd'hui : L'intégration doit évoluer pour prendre en charge les modèles de communication dynamiques, plusieurs-à-plusieurs, des agents IA, plutôt que de gérer uniquement des interactions statiques prédéterminées entre quelques systèmes connus. Il nécessite un traitement des données en temps réel, et doit permettre la découverte ponctuelle et la collaboration entre les agents.

Principales capacités technologiques :

• Connexion des données opérationnelles : Outils assistés par l'IA pour le mappage automatique de schémas, la transformation de données et la génération de workflows, notamment les capacités pilotées par l'API, pilotées par l'événement et l'ETL inverse.
• Gestion d'API adaptative et maillage de service : Passerelles d'API et technologie de maillage de service qui peuvent enregistrer, découvrir et régir dynamiquement des services avec l'application adaptative des politiques pour les agents.
• Semantic Knowledge Adapters: Un composant d'intégration qui fournit un vocabulaire et un modèle de données partagés entre les agents et les applications pour une interprétation cohérente des données.
• Tissu d'intégration pilotée par l'événement : Un backbone de messagerie et de streaming à haut débit et faible latence qui permet une communication asynchrone et découplée.
• Passerelle du protocole de l'agent : Une passerelle pour les services MCP qui permet aux agents de découvrir en toute sécurité des outils et de déclencher des actions, reliant MCP à des API et des événements internes.
• Catalogue et place de marché des capacités composables : Un catalogue centralisé et gouverné pour toutes les capacités de l'entreprise (API, services, compétences des agents, modèles et jeux de données) annotées avec des métadonnées sémantiques pour la composition à la demande.

Fonction : Cette couche surveille et gère la santé et les performances opérationnelles des agents et de l'ensemble du système (principe incorporé de l'observabilité), offrant transparence et contrôle en générant des connaissances permettant l'audit, le débogage, l'explicabilité, le coût et l'optimisation des ressources de la force de travail des agents de l'entreprise.

Ce qui est différent par rapport à aujourd'hui: Cette couche devient d’autant plus cruciale que les agents IA risquent de créer des erreurs à la vitesse de la machine. Il doit s'étendre au-delà de la surveillance de l'infrastructure pour inclure le comportement imprévisible des agents autonomes, nécessitant de nouveaux types de télémétrie et la capacité de comprendre la justesse sémantique, pas seulement les performances techniques.

Principales capacités technologiques :

• Plate-forme de surveillance et d'observabilité en temps réel : Recueille en permanence des journaux, des métriques et des traces dans tout l'environnement informatique, avec des extensions pour les métriques ML et le comportement des agents.
• Gestion des coûts FinOps & Cloud : Responsable du suivi, de l'analyse et de l'optimisation des coûts d'infrastructure associés à l'IA et aux charges de travail des agents.
• Surveillance spécifique aux agents et aux ML : Consigne chaque étape de l'exécution d'un agent dans un journal d'audit immuable et profile en permanence les comportements des agents afin de détecter les écarts par rapport aux normes établies.
• AIOps, Gestion des incidents et des changements : Utilise l'IA/ML pour prédire les problèmes informatiques potentiels, identifier les causes profondes et créer des workflows de correction.
• Boucle de rétroaction d'apprentissage fermée : Intègre la télémétrie d'observabilité des agents dans les pipelines MLOps, ce qui permet un réentraînement automatique du modèle ou un ajustement rapide.
• Moteur d'observabilité sémantique : Intègre l'observabilité à la couche sémantique pour la contextualisation afin de permettre la détection d'anomalies sémantiques dans le comportement des agents.

But : Cette couche incorpore Trust et sécurité dans toute l'architecture en protégeant les actifs de l'entreprise contre les menaces, en gérant les risques et en garantissant la conformité aux exigences réglementaires. Il comprend la gestion de l'identité, la détection des menaces, la GRC et des mesures de sécurité spécifiques à l'IA.

Ce qui est différent par rapport à aujourd'hui : La couche de sécurité doit évoluer pour répondre aux nouvelles surfaces d'attaque présentées par les modèles et les agents IA, telles que l'injection rapide et l'empoisonnement du modèle. La gestion de l'identité et de l'accès doit passer de contrôles statiques basés sur le rôle à des autorisations dynamiques basées sur l'intention, accordées juste à temps et révoquées immédiatement après leur utilisation.

Principales capacités technologiques :

• Sécurité des entrées/sorties LLM et garde-fous : Des garde-fous d'entreprise appliqués à l'invite et à l'heure de réponse pour bloquer les contenus dangereux, les fuites d'informations d'identification personnelle et les jailbreaks.
• Architecture Zero Trust avec vérification IA : Authentification continue améliorée par l'analyse comportementale basée sur l'IA, avec un accès précis et juste à temps pour les agents en fonction de leur tâche spécifique.
• Infrastructure de sécurité des agents : Modèles d'autorisation précis, surveillance des comportements nocifs et mécanismes de confinement pour interrompre en toute sécurité les activités des agents.
• Sécurité du modèle IA : Une stratégie de défense en profondeur avec des contrôles à chaque étape du cycle de vie du modèle pour protéger contre l'empoisonnement, l'extraction et les attaques adverses.
• IA de protection de la vie privée : Techniques telles que l'apprentissage fédéré et la confidentialité différentielle pour protéger les données confidentielles.
• Gendarmerie royale du Canada : Utilisation d'agents IA pour surveiller en permanence la conformité de l'architecture TI avec les contrôles.
• Moteur de politique en tant que code : Une source de vérité unique pour définir des règles métiers et des contraintes de conformité sous un format déclaratif et lisible par machine afin de définir des garde-fous pour le comportement des agents.
• Équipe rouge continue : Tests contradictoires automatisés et continus des modèles et des agents d’IA afin d’identifier les vulnérabilités avant que les assaillants ne les exploitent.

Pour se transformer en Agentic Enterprise, il faut suivre un parcours en plusieurs étapes en jetant les bases technologiques tout en créant une valeur métier tangible (voir la figure 3 ci-dessous). Bien que la feuille de route précise dépende de la stratégie, de la culture, du modèle de gouvernance de l’IA et du point de départ de l’architecture TI de l’entreprise, la plupart des organisations doivent adopter une approche progressive en tant qu’agents puissants de la poursuite des investissements TI avec une portée, une complexité et une création de valeur croissantes. Le modèle de maturité agentique de Salesforce offre un cadre utile de niveaux de maturité permettant aux entreprises d'élaborer une stratégie de transformation. Il montre comment les capacités des agents peuvent évoluer depuis la recherche d'informations de base (niveau 1) jusqu'à l'orchestration de workflows multidomaines (niveaux 2 et 3) et multiagents (niveau 4). Pour réussir à franchir ces étapes, l'architecture TI doit évoluer de manière concertée, avec des investissements ciblés dans différentes couches de l'architecture à chaque phase afin de répondre aux besoins des déploiements d'agents IA plus complexes et à plus forte valeur ajoutée. Pour chaque niveau de maturité, les capacités technologiques spécifiques requises dans les 11 couches architecturales sont identifiées avec une justification de l'investissement.

Niveau de maturité 1 : Agents de récupération d'informations

Objectif commercial et valeur : Augmenter la productivité des travailleurs humains en fournissant une interface conversationnelle de confiance pour interroger Knowledge Enterprise. La valeur première est d'augmenter les capacités humaines, pas de les remplacer. Ces agents aident les humains en récupérant des informations et en recommandant des actions.

Concentration architecturale : L'accent est mis sur la mise en place d'une fondation de données sûre et fiable et sur les composants IA de base nécessaires à la récupération d'informations. La gouvernance et l'observabilité sont essentielles dès le premier jour pour renforcer la Trust des utilisateurs et contrôler les coûts.

Investissements technologiques clés (figure 4) :

À ce stade, les TI devraient se concentrer sur la création d'un pipeline de données à agent fiable et d'autres capacités de base. Les technologies de la couche de données, telles que le VectorDB, sont essentielles pour activer les techniques de génération augmentée de récupération (RAG) qui propulsent les agents de récupération d'informations. Il s ' accompagne d ' une couche IA/ML centralisée qui comprend une passerelle modèle permettant d ' accéder en toute sécurité et à un coût contrôlé aux modèles de base et une plateforme IA Trust, Safety & Governance permettant de surveiller les produits dangereux et d ' en garantir la conformité. La gestion des données et les glossaires métiers de la Couche sémantique sont essentiels pour permettre aux agents de récupérer des informations précises. Les capacités d'exécution et de cycle de vie des agents sont requises pour garantir que les agents élaborés à cette étape peuvent être modifiés et étendus pour de futurs cas d'utilisation. Pour générer de la valeur et renforcer la confiance des utilisateurs, la couche d'expérience doit inclure une interface utilisateur Attribution et transparence, qui rend les réponses des agents explicables en montrant des citations et les sources de ses informations. Les investissements fondamentaux en matière d ' observabilité et de sécurité (par exemple zero Trust) doivent commencer à être mis en œuvre pour préparer les futurs déploiements d ' agents.

Niveau de maturité 2 : Orchestration simple, agents de domaine unique

Objectif commercial et valeur : Automatisez les tâches courantes et orchestrez les workflows peu complexes dans un seul domaine métier. Cela améliore l'efficacité opérationnelle et réduit le travail manuel, ce qui permet aux travailleurs humains de se concentrer sur des activités à plus forte valeur.

Concentration architecturale : Le changement architectural clé est la récupération de données en lecture seule vers l'exécution d'actions. Cela nécessite d'entamer un long parcours pour modulariser les fonctionnalités applicatives (souvent exposées sous forme d'API) auxquelles les agents ont accès, de mettre en œuvre une sécurité robuste pour les actions des agents, et d'élaborer des fonctionnalités de développement sémantique et IA pour renforcer l'intelligence des agents IA.

Investissements technologiques clés (figure 5) :

Les investissements sont axés thématiquement sur la capacité des agents IA à agir avec une gouvernance appropriée en place. La couche Applications et services d'application subit un changement critique, car la logique métier monolithique est décomposée en services d'application (API) modulaires que les agents peuvent appeler. Ils sont protégés par des garde-fous d'application pour empêcher les agents de submerger les systèmes, avec des intégrations dans les outils d'observabilité. Pour piloter ces agents, il faut investir dans le raisonnement des agents, les protocoles d'outils (tels que MCP) et les registres. Cela introduit de nouveaux risques, rendant un infrastructure de sécurité des agents et un modèle IA dédiés et des capacités de surveillance des agents essentielles pour la gouvernance et la sécurité. Enfin, les entreprises peuvent commencer à adapter leurs capacités IA/ML pour des modèles personnalisés afin de piloter ces agents qui s'attaquent à des tâches spécifiques au domaine.

Niveau de maturité 3 : Agents d'orchestration multidomaines

Objectif commercial et valeur : Automatisez des processus métiers complexes de bout en bout qui dépassent les frontières organisationnelles et fonctionnelles (tels que « devis-encaissement », « piste à commande »). La valeur réside dans la suppression des silos, l'accélération des temps de cycle de processus et l'optimisation de chaînes de valeur complètes au sein de l'entreprise. Des changements d’étape plus importants dans la productivité des travailleurs humains sont possibles à mesure que les barrières organisationnelles commencent à tomber et que les humains commencent à se concentrer davantage sur la supervision des agents IA.

Concentration architecturale : L'architecture doit désormais prendre en charge des questions techniques transversales. Une compréhension sémantique partagée dans l'entreprise, un moteur d'orchestration centralisé pour la gouvernance et un tissu d'intégration découplé et piloté par les événements deviennent les facilitateurs critiques.

Investissements technologiques clés (figure 6) :

Les investissements technologiques sont axés sur l'orchestration de processus à l'échelle de l'entreprise à travers les humains, les agents et les systèmes déterministes. La couche d'orchestration devient un centre d'investissement, nécessitant un Moteur d'exécution de workflow hybride pour coordonner les activités, et un Moteur de gouvernance et de contraintes des processus pour appliquer des règles métiers et des politiques de conformité sur les processus en vol, car les agents travaillent dans différents domaines, souvent avec des politiques et des définitions sémantiques différentes. Cette coordination interdomaines n ' est possible qu ' avec une couche sémantique mature dotée d ' un Enterprise Knowledge Graph (EKG), qui crée une compréhension commune des relations entre les entités commerciales dans les différents domaines. La couche d'intégration doit évoluer pour inclure un tissu d'intégration piloté par l'événement, qui utilise une colonne vertébrale en continu pour découpler les systèmes et permettre la communication résiliente et asynchrone typique des processus d'entreprise à long terme. Compte tenu de la valeur plus élevée de ces workflows et des risques associés, des investissements supplémentaires dans la sécurité et la surveillance deviennent essentiels (par exemple AIOps, policy-as-code). Enfin, d’autres investissements doivent être réalisés dans la couche Applications et services (par exemple, LCNC activée par l’IA, expériences utilisateur plus dynamiques et multimodales) à mesure que les utilisateurs humains commencent à surveiller et à collaborer avec des agents IA plus compétents.

Niveau de maturité 4 : Orchestration multi-agents et multi-domaines

Objectif commercial et valeur : Reconcevez et optimisez les opérations commerciales dans tous les domaines afin de favoriser les changements d'étapes dans la productivité et l'efficacité. Cette étape progresse vers la création d'une simulation numérique globale (jumeau numérique) de l'entreprise pour l'amélioration continue et la planification stratégique à travers les principaux processus métiers et workflows.

Concentration architecturale : La dernière étape vise à favoriser une collaboration dynamique et émergente entre les agents. Cela nécessite des protocoles de communication d'agent à agent (A2A) avancés, des capacités d'auto-apprentissage des agents, un investissement supplémentaire dans la maturation des couches Orchestration, Données et Sémantique, et une infrastructure entièrement dynamique et auto-guérison pour répondre aux besoins croissants des charges de travail IA dynamiques à mesure que les agents sont déployés dans l'ensemble de l'entreprise.

Investissements technologiques clés (figure 7) :

Les investissements thématiques visent à créer un système autonome et auto-amélioré. Dans la couche Agentic, une infrastructure d'auto-réflexion et d'adaptation de l'agent fournit le mécanisme permettant à un agent d'analyser ses propres journaux de performance et de déclencher des améliorations. Cet apprentissage est pris en charge par la couche Opérations TI et Observabilité, qui implémente une boucle de rétroaction d'apprentissage fermée afin de renvoyer automatiquement les données d'observabilité dans les pipelines MLOps pour le réentraînement du modèle, qui peut également exploiter la génération de données synthétiques pour optimiser davantage les performances du modèle. Avec le déploiement de réseaux d'agents à travers les services et les efforts continus de modularisation des applications, d'autres investissements dans la sécurité et, surtout, un catalogue de capacités composable deviennent nécessaires pour permettre aux agents de composer dynamiquement des capacités afin de résoudre des tâches plus abstraites et plus importantes. Ces processus sont tous orchestrés et optimisés via une nouvelle capacité Digital Twin Process Modeling qui utilise des données en temps réel pour créer des simulations d'analyse « what-if » et d'optimisation prédictive, permettant à l'entreprise de tester et de déployer en toute sécurité de nouveaux déploiements agents.

Conclusion

La feuille de route vers une Entreprise Agentique traverse une évolution architecturale TI. Les architectes d'entreprise seront les moteurs cruciaux de cette transformation, car ils guideront les décisions d'investissement critiques, avec d'autres partenaires de l'entreprise et de l'informatique, nécessaires à l'organisation pour tirer parti des nouvelles capacités commerciales de l'entreprise Agentic.