Les salles de conférence sont consommées par l'informatique, les investisseurs y parient, les décideurs le testent et les analystes de Gartner prédisent qu'en 2028, un tiers des logiciels d'entreprise incorporeront l'agent AI - passant de seulement 1% en 2024 - entra?nant 15% des décisions commerciales quotidiennes à gérer de manière autonome.

Cependant, au milieu de toute l'excitation, quelque chose se sent mal et la plupart des entreprises restent prises dans leurs essais, dont beaucoup ne progressent jamais vers une mise en ?uvre ou un défaut à grande échelle pendant le déploiement. Pour la perspective, 85% des initiatives de l'IA échouent . Lorsque vous demandez à ceux qui développent ces solutions ce qui se passe vraiment, le thème récurrent est que bien qu'ils possèdent des agents d'IA, ils n'ont pas l'écosystème pour les soutenir.

Construire des infrastructures initialement

Aishwarya Singh, vice-présidente principale des services de collaboration numérique chez NTT Data , a vu ce récit de déplier de première main. ?Les principaux obstacles économiques impliquent l'investissement initial substantiel dans les infrastructures et la technologie, les frais de fusion de l'IA avec les systèmes actuels et la demande de personnel spécialisé pour superviser et maintenir les systèmes d'IA?, a-t-elle déclaré lors d'une entrevue.

En théorie, l'IA agentique devrait réduire les co?ts et simplifier les processus. Pourtant, dans la pratique, il introduit des couches supplémentaires des deux - en particulier si les entreprises l'abordent comme un produit plut?t que comme un processus. ?De nombreux dirigeants sous-estiment le temps, l'effort et les ressources nécessaires à une intégration réussie?, a fait remarquer Singh. ?L'intervalle peut entra?ner des retards de projet, des dépassements budgétaires et des performances inférieures.?

Introduit en mars de cette année, les nouveaux services d'origine AI de NTT Data , développés à l'aide de Copilot Studio de Microsoft et Azure AI Foundry, visent à résoudre ce problème - pas simplement en déploiement des agents mais en soutenant tout le cycle de vie: consultation, création, exécution, surveillance, recyclage et optimisation. Il s'agit d'une infrastructure d'IA en tant que service géré, et il est déjà mis en ?uvre en interne dans toute l'entreprise.

?Dans nos systèmes de billetterie internes, la productivité a augmenté de 50 à 65%?, a déclaré Singh. ?Nous développons des agents à travers différents types de billets et les connectons à des LLM omnicanal afin que nous puissions constamment ajouter une nouvelle automatisation par la voix, le courrier électronique et le chat.?

La pénurie de talents de l'IA

Cependant, l'absence d'infrastructure ou d'écosystème n'est pas le seul facteur entravant l'IA de l'agence. Un autre problème, potentiellement encore plus grand, est la pénurie de talents de l'IA. Selon une récente étude Accenture impliquant 3 400 dirigeants et 2 000 projets d'entreprise, seulement 13% des efforts d'IA offrent des avantages commerciaux importants. La raison? Les entreprises dépensent trois fois plus en technologie que pour les gens - et cet écart de compétences en IA est évident.

"La préparation au talent est l'un des plus grands obstacles à l'échelle et à l'extraction de la valeur pour les entreprises", a déclaré Jack Azagury, directeur général du groupe pour consulter chez Accenture. "Vous pouvez investir dans tous les outils de Gen AI disponibles, mais si votre personnel ne sait pas comment ou pourquoi les utiliser, la valeur ne se matérialisera tout simplement pas."

Singh est d'accord, soulignant que cet élargissement de l'écart des talents de l'IA est la raison pour laquelle les données NTT investissent dans la formation de 200 000 employés et certifiant 15 000 experts Genai cette année. ?Cela a également déclenché de nombreuses idées sur la fa?on dont nous pouvons exploiter cette technologie pour améliorer nos propres performances commerciales, ce qui a conduit à de nouvelles innovations remarquables?, a-t-elle ajouté.

Le dilemme du déploiement de l'IA

Une fois que vous dépassez la situation difficile des talents, vous rencontrez un défi encore plus grand dans le déploiement de l'IA. Un récent document de travail du National Bureau of Economic Research a examiné l'utilisation des chatbot de l'IA sur 7 000 lieux de travail et a découvert que ces chatbots n'avaient pratiquement aucun impact notable sur les salaires ou les heures de travail dans toute profession. Malgré une adoption généralisée, l'étude a révélé qu'en moyenne, l'IA ne permettait qu'aux employés que 3% de leur temps, avec seulement 3 à 7% de cela se traduisant par une rémunération plus élevée.

Encore plus frappant est la constatation que la plupart des employés ont redirigé leur temps sauvé vers d'autres taches, souvent ceux créés par le système d'IA lui-même - en réduisant la sortie de l'IA, en vérifiant les faits fabriqués ou en ajustant le ton. Essentiellement, la technologie a ajouté plus de complexité qu'elle n'a supprimé.

Cela reflète ce que IBM a également découvert dans une étude distincte montrant que seulement 25% des projets d'IA réalisent leur retour sur investissement attendu (ROI). Et le dernier rapport d'Informatica révèle que les problèmes de qualité et d'intégration des données restent la principale cause de la plupart des défaillances du projet d'IA .

Le point à retenir est que les agents de l'IA ne se développent pas parce que les entreprises n'ont pas compris - ou comprise - comment évoluer les conditions environnantes.

La complexité post-déploiement

Si vous parvenez à déployer efficacement vos agents d'IA, vous devez maintenant faire face à ce qui se produit par la suite. Même le meilleur agent d'IA nécessite une équipe derrière cela: les développeurs, les commissaires de données, les architectes de sécurité, les formateurs, les éthiciens, etc. C'est là que la plupart des entreprises rencontrent la plus grande difficulté, selon Singh - pas dans le déploiement d'un agent mais dans la gestion de ce qui suit.

?Le post-déploiement, la gestion des agents implique des mises à jour de routine, le suivi des performances, les audits de sécurité et l'alignement sur l'évolution des objectifs commerciaux?, m'a-t-elle informé. ?Une préoccupation majeure que nous entendons des clients est la meilleure fa?on de gérer l'afflux d'agents d'IA agentiques au sein de leurs organisations.? C'est précisément là que de nombreuses organisations naviguent aveuglément, construisant des agents d'IA sans stratégie pour les maintenir en marche, gouvernés et optimisés à grande échelle.

Pour relever ce défi de montage, Singh a mentionné que les données NTT commen?aient à introduire des agents des tuteurs et des agents d'équipe rouge - des modèles con?us pour surveiller la sécurité, la conformité et l'intégrité opérationnelle à mesure que les agents prolifèrent entre les fonctions - dans leur pile gérée.

Où commence le véritable retour sur investissement

Alors, qu'est-ce qui réussit? Si l'agent d'agence est alourdie par toutes ces complexités, pourquoi y a-t-il encore autant d'enthousiasme à ce sujet, suffisamment pour que de nombreuses entreprises mondiales planifèrent un changement d'IA agentique? La réponse de Singh est que, malgré les défis et les revers, l'agent AI a des applications pratiques qui offrent un aper?u de son potentiel lorsqu'ils sont correctement déployés.

?Nous observons les meilleurs cas d'utilisation dans les services informatiques, l'automatisation des processus tactiques, le service client et les modèles multi-agents pour des taches plus complexes comme la gestion des stocks?, a précisé Singh. ?Les clients peuvent anticiper une période de récupération de 6 à 12 mois. Les gains de productivité deviennent généralement apparents au cours des premiers mois.?

Pourtant, ces résultats émergent uniquement lorsqu'il existe un système complet qui soutient l'agent - celui qui comprend la gestion du changement, le développement des talents, l'intégration multiplateforme et l'optimisation continue. Comme l'a souligné Singh, les entreprises qui réussissent sont celles qui prototypent rapidement les cas d'utilisation tactique et les équipes alignées à hyperscaler préparées à évoluer dans leurs environnements cloud existants.

Ma?triser les fondamentaux

L'IA agentique ne se développera pas parce que vous avez embauché un vendeur. Il se développera parce que vous avez établi l'architecture interne - y compris technique, organisationnel et humain - pour le soutenir. C'est le message clé pour que les entreprises qui prévoient d'étendre l'agent AI aujourd'hui, selon les analystes, les projections et plusieurs études de cas d'entreprise.

Chaque histoire d'agent d'agence réussie commence par la ma?trise des bases - les données, les talents et les infrastructures. Et cela, a souligné Singh, exige une planification considérable. La question n'est pas de savoir si les entreprises peuvent évoluer leurs projets d'IA agentiques. C'est s'ils sont prêts à faire ce qu'il faut pour y arriver.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!