.webp "Dell AI Factory with NVIDIA Logo")
- À retenir
- Ce que l’IA agentique signifie pour le travail
- Comment l’IA agentique transforme les flux de travail et la coordination
- Pourquoi les écosystèmes d’IA ouverts sont importants pour les agents d’IA d’entreprise
- Comment Dell AI Factory with NVIDIA accompagne les agents d’IA à grande échelle
- Comment Dell AI Data Platform accompagne les agents d’IA à grande échelle
- Quelle infrastructure faut-il à l’IA agentique pour la production ?
- Les risques à gérer avant de faire passer les agents d’IA à l’échelle
- Comment les dirigeants doivent-ils se préparer à la collaboration entre humains et agents ?
- FAQ
À retenir
- L’IA agentique fait évoluer l’IA au travail, de la génération de contenu à l’exécution des flux de travail.
- Le passage à l’échelle des agents autonomes exige des environnements d’exécution sécurisés, une exécution sécurisée des modèles, des données d’entreprise fiables et des contrôles de gouvernance — pas seulement l’accès aux modèles d’IA.
- Les écosystèmes ouverts et les infrastructures d’IA hybrides donnent aux organisations la flexibilité nécessaire pour déployer les agents là où ils offrent les meilleurs résultats sur les plans métier, de la sécurité et des opérations.
L’IA agentique au travail transforme la manière dont les organisations attribuent le travail, font avancer les tâches et coordonnent les équipes. Les collaborateurs utilisent déjà l’IA pour obtenir une assistance au quotidien. Les agents destinés au travail ajoutent une couche supplémentaire en planifiant les étapes, en utilisant des outils approuvés et en exécutant des tâches définies avec moins d’instructions.
Les flux de travail gagnent en efficacité lorsque l’IA passe de l’aide ponctuelle à l’action. Un agent peut maintenir une file de tickets en mouvement en acheminant les demandes jusqu’à ce qu’un examen soit nécessaire, mais généraliser ce type de travail dans toute l’entreprise exige davantage que de l’automatisation. Les équipes ont besoin d’une base opérationnelle qui préserve la gouvernance à mesure que les cas d’usage des agents d’IA se multiplient.
Ce que l’IA agentique signifie pour le travail
L’IA agentique désigne des systèmes capables de poursuivre un objectif défini, de prendre des décisions et d’agir avec un minimum d’instructions humaines. Dans un environnement de travail, un agent peut examiner un ticket informatique, déterminer s’il peut appliquer un correctif en toute sécurité, exécuter l’action ou transmettre le problème à une personne lorsqu’un jugement ou une approbation est nécessaire.
Les copilotes restent généralement dans le cadre de la tâche de l’utilisateur et l’aident à rédiger, résumer, rechercher ou analyser. Les agents peuvent prendre en charge une partie du flux de travail lui-même, mais ce qui les distingue est aussi leur capacité à décider comment accomplir ce travail dans des limites approuvées. Contrairement aux copilotes, qui assistent principalement l’utilisateur ou génèrent du contenu, les agents autonomes peuvent accéder aux données, appeler des outils, interagir avec des applications et agir au nom des utilisateurs.
À mesure que les agents passent de l’assistance à l’exécution du travail, les entreprises ont besoin d’environnements d’exécution sécurisés qui gouvernent l’identité, les autorisations, l’accès aux outils, l’application des politiques et l’observabilité. Le passage de relais entre l’humain et le système devient plus important, car l’agent ne produit plus seulement un résultat à examiner : il peut aussi lancer des actions dans les systèmes de l’entreprise.
Capacité | Copilotes d’IA | Agents d’IA |
| Rôle principal | Assister un utilisateur | Choisir des actions, s’adapter et agir dans un flux de travail défini |
| Intervention de l’utilisateur | Instructions fréquentes | Objectifs et points de contrôle définis par des personnes |
| Accès au système | Souvent une seule application | Données, applications et outils |
| Cas d’usage privilégié | Rédaction, synthèses et analyse | Exécution de flux de travail, acheminement adaptatif et réalisation de tâches en plusieurs étapes |
| Contrôle essentiel | Examen des résultats | Autorisations et pistes d’audit |
L’accès doit déterminer le modèle d’examen. Un travail de synthèse peut faire l’objet d’une vérification plus légère. Dès qu’un agent peut modifier des autorisations, approuver des dépenses, émettre des remboursements ou déclencher d’autres opérations financières, les garde-fous doivent intervenir avant l’action.
Comment l’IA agentique transforme les flux de travail et la coordination
L’IA agentique remodèle les flux de travail en prenant en charge une coordination qui dépend habituellement de relances manuelles. Au lieu d’attendre qu’une personne vérifie l’état d’avancement, attribue l’étape suivante ou assure une transition, un agent peut maintenir le travail en mouvement jusqu’à ce qu’une action soit effectuée ou qu’une personne doive examiner la situation ou prendre une décision.
Moins de transferts entre les équipes
En rassemblant ce contexte avant l’examen, les agents peuvent faire avancer une demande sans retirer la responsabilité de la décision à la personne qui en est chargée.
Une automatisation des flux de travail plus flexible
L’automatisation traditionnelle suit des règles fixes, tandis que les flux de travail fondés sur l’IA agentique peuvent gérer davantage de variations en interprétant le contexte et en utilisant des outils approuvés dans des limites définies.
Une meilleure visibilité sur le travail
Les agents d’IA d’entreprise correctement gouvernés peuvent laisser une trace de chaque processus. Les dirigeants peuvent exploiter cette visibilité pour repérer les goulots d’étranglement et retracer rapidement les erreurs.
Pourquoi les écosystèmes d’IA ouverts sont importants pour les agents d’IA d’entreprise
Les écosystèmes d’IA ouverts sont importants pour les agents d’IA d’entreprise, car la plupart des organisations ont besoin d’agents capables de fonctionner avec plusieurs modèles, applications, sources de données et exigences de gouvernance. Les grandes entreprises reposent rarement sur une seule plateforme : l’IA agentique doit donc pouvoir se connecter avec flexibilité aux systèmes existants, sans contraindre chaque équipe à suivre une seule voie technique étroite.
Les informations dont un agent a besoin peuvent déjà être réparties entre des référentiels de fichiers, du stockage objet, des bases de données, des lacs de données, des plateformes CRM, des systèmes de gestion des tickets et d’autres applications métier. Une approche modulaire et hybride permet aux organisations de connecter les sources approuvées nécessaires à un flux de travail, tout en laissant les autres systèmes et données en place. Cela peut réduire la nécessité de reconstruire ou de consolider tout l’environnement de données avant de mettre un agent au travail.
Par exemple, un agent de centre de services pourrait récupérer la documentation de dépannage, consulter la fiche d’un appareil et l’historique récent des tickets, puis recommander une solution. Si l’étape suivante consiste à modifier les autorisations d’un utilisateur, le flux de travail pourrait transmettre cette action à une personne pour approbation au lieu d’autoriser l’agent à effectuer lui-même la modification. Le même flux de travail combine le contexte d’entreprise récupéré, les systèmes métier existants, les contrôles d’accès et l’examen humain.
Les exigences des agents varient selon les flux de travail : chaque cas d’usage a donc besoin de ses propres règles d’accès, d’examen et d’auditabilité. Les écosystèmes ouverts peuvent raccourcir le passage du pilote au déploiement en permettant aux équipes de s’appuyer sur les outils et processus métier existants.
À mesure que les agents prennent en charge davantage de tâches, les écosystèmes ouverts aident les équipes à conserver le contrôle sans s’enfermer dans une architecture unique. L’IA agentique destinée à améliorer la productivité des équipes doit laisser de la place à l’expérimentation, mais la gouvernance doit rester intacte à mesure que les cas d’usage se développent.
Comment Dell AI Factory with NVIDIA accompagne les agents d’IA à grande échelle
La Dell AI Factory with NVIDIA favorise l’adoption de l’IA agentique en s’appuyant sur des technologies telles que NVIDIA NemoClaw et OpenShell, conçues pour sécuriser les agents autonomes dès l’environnement d’exécution. Les agents commencent avec des autorisations limitées, l’inférence peut rester privée par défaut et les actions sont régies par des contrôles fondés sur des politiques pour l’identité, l’accès aux outils, les mouvements de données et l’observabilité.
Dell étend cette base sécurisée avec une infrastructure d’entreprise, des logiciels d’IA, un accès sécurisé aux données et des contrôles de gouvernance au sein d’un environnement coordonné, afin d’aider les organisations à faire passer les agents des pilotes à la production.
Dans cette architecture plus large, Dell AI Data Platform with NVIDIA fournit la base de données nécessaire à l’IA agentique. Elle prépare et traite les données d’entreprise, construit des index consultables et contribue à gouverner l’accès aux sources structurées, non structurées et en continu, afin que les agents puissent récupérer le contexte métier à jour dont ils ont besoin.
Cela devient d’autant plus important que les organisations vont au-delà des pilotes isolés. Les agents en production peuvent devoir puiser dans plusieurs sources de données actives au cours d’un même flux de travail, plutôt que de s’appuyer sur un ensemble fixe de documents. Des pipelines de données reproductibles et une récupération gouvernée contribuent à maintenir ce contexte disponible à mesure que les charges de travail augmentent.
Cette base est essentielle, car les agents destinés au travail ont besoin de davantage que d’un accès aux modèles. Ils ont besoin de connexions autorisées aux données métier, aux outils approuvés, aux systèmes de flux de travail, à la supervision et aux circuits d’examen, afin d’agir conformément aux politiques plutôt que de fonctionner comme des expérimentations isolées.
L’IA agentique introduit de nouvelles exigences qui dépassent celles de l’IA générative traditionnelle. Les agents autonomes ont besoin d’environnements d’exécution sécurisés pour gouverner les actions et l’utilisation des outils, d’un accès fiable aux données et aux flux de travail de l’entreprise, ainsi que de la flexibilité nécessaire pour exécuter des modèles de pointe, propriétaires et ouverts là où ils sont les plus pertinents.
Donner aux agents d’IA accès aux données d’entreprise gouvernées
Dell AI Factory with NVIDIA réunit ces capacités grâce à NVIDIA OpenShell pour des environnements d’exécution d’agents sécurisés, à l’informatique confidentielle pour une exécution sécurisée des modèles et à Dell AI Data Platform with NVIDIA pour préparer, gouverner, indexer et fournir les données d’entreprise sous forme de contexte en temps réel aux agents d’IA.
Ensemble, ces capacités donnent aux organisations la flexibilité nécessaire pour déployer des agents et des modèles dans le cloud, les centres de données et les environnements de bureau, tout en préservant la sécurité, la gouvernance et le contrôle. Les agents peuvent fonctionner au plus près des données et des systèmes dont ils dépendent, tandis que les responsables informatiques et métier conservent une supervision plus claire, une meilleure application des politiques et une préparation à la production à mesure que l’adoption de l’IA agentique progresse.
Comment Dell AI Data Platform accompagne les agents d’IA à grande échelle
Dell AI Data Platform with NVIDIA donne aux agents d’IA accès au contexte actuel de l’entreprise en préparant, indexant et fournissant des données provenant de sources structurées, non structurées et en continu. Ce contexte peut provenir de plusieurs systèmes à la fois, ce qui est important pour les agents qui doivent récupérer des informations avant de prendre une décision ou d’effectuer une action.
À mesure que l’utilisation des agents se développe, l’accès doit également rester contrôlé. Des autorisations fondées sur le rôle et la finalité peuvent limiter les données qu’un agent est autorisé à récupérer, tandis que des processus reproductibles de préparation et d’indexation contribuent à maintenir ces informations à jour au lieu de s’appuyer sur un jeu de données statique issu d’un pilote.
La génération augmentée par récupération (RAG) ancre les réponses et les actions d’un agent dans les informations de l’entreprise, plutôt que de reposer uniquement sur les connaissances intégrées au modèle. En production, la qualité de cette récupération est déterminante : les index doivent rester à jour, les autorisations des sources doivent être conservées et les métadonnées doivent aider à identifier le bon contenu. Les performances de récupération influent également sur la rapidité de réponse de l’agent, tandis que l’auditabilité aide les équipes à comprendre quelles informations l’agent a utilisées lorsqu’il a effectué une action.
Plusieurs offres Dell AI Data Platform répondent à ces exigences de la couche de données :
- Dell Data Search Engine : Fournit une récupération vectorielle, sémantique, par mots-clés et hybride pour les contenus d’entreprise.
- Dell Data Orchestration Engine : Coordonne la préparation des données et les pipelines qui fournissent aux applications et aux agents d’IA des informations exploitables.
- Dell PowerScale : Fournit un accès hautes performances aux données basées sur des fichiers et aux données non structurées utilisées par les charges de travail d’IA.
- Dell Data Analytics Engine : Récupère des informations structurées dans des sources distribuées sans exiger la consolidation préalable de chaque jeu de données.
La plateforme est conçue pour les environnements hybrides : les données et les charges de travail d’IA peuvent donc rester réparties entre le cloud, le centre de données et les sites en périphérie. À mesure que de nouveaux agents et flux de travail sont ajoutés, les besoins en recherche, en récupération et en traitement des données augmentent également. Une couche de données modulaire permet aux organisations d’étendre ces capacités sans reconstruire tout l’environnement pour chaque nouveau cas d’usage.
Quelle infrastructure faut-il à l’IA agentique pour la production ?
Au-delà de la couche de données, l’IA agentique a besoin d’une infrastructure de production prenant en charge l’utilisation d’outils approuvés, l’intégration aux flux de travail, la supervision et la surveillance humaine. Comme les agents destinés au travail peuvent agir dans plusieurs systèmes, les entreprises ont besoin de contrôles définissant ce que les agents peuvent faire et les situations dans lesquelles les collaborateurs doivent examiner leur travail.
Les entreprises doivent également prévoir l’économie des jetons de l’IA agentique. Les agents d’IA peuvent consommer davantage de jetons que les copilotes, car ils peuvent raisonner sur des tâches en plusieurs étapes, appeler des outils, récupérer du contexte, résumer les résultats et réessayer des actions avant de terminer un flux de travail. À grande échelle, le coût par jeton, le délai par jeton et l’utilisation globale peuvent donc devenir des indicateurs d’infrastructure importants. Dell et NVIDIA ont tous deux souligné le coût par jeton comme mesure clé de l’économie des fabriques d’IA, et une couverture récente de Dell Technologies World 2026 a relevé que l’IA agentique peut rendre l’utilisation des jetons plus difficile à prévoir à mesure que les flux de travail autonomes se développent.
Domaine architectural | Pourquoi c’est important pour l’IA agentique |
| Récupération gouvernée | Fournit un contexte d’entreprise à jour tout en préservant les autorisations de l’utilisateur, du rôle, du flux de travail et de la source |
| Intégration des données | Connecte les agents aux informations structurées et non structurées approuvées dans les environnements d’entreprise hybrides |
| Environnement d’exécution des agents | Fournit l’environnement d’exécution sécurisé qui gouverne la manière dont les agents accèdent aux outils, aux données, aux modèles et aux systèmes d’entreprise, tout en appliquant les politiques, les autorisations et l’observabilité. |
| Informatique confidentielle | Protège les modèles et les données tout en permettant le déploiement sécurisé de modèles de pointe, propriétaires et ouverts dans des environnements hybrides |
| Identité et autorisations | Limite ce que les agents peuvent voir ou faire selon le rôle, la tâche et la sensibilité des données |
| Intégration des outils | Connecte les agents aux systèmes approuvés tels que les plateformes de gestion des tickets, CRM, RH, finance ou service client |
| Supervision humaine | Définit quand les personnes doivent approuver directement les actions sensibles et quand elles surveillent les opérations autonomes au moyen d’alertes, de circuits d’escalade et de l’examen des exceptions |
| Observabilité | Suit les actions, les erreurs, les escalades et les examens effectués par les agents |
| Gouvernance | Définit où les agents peuvent opérer, ce qui doit être examiné et la manière dont les problèmes sont transmis |
| Économie des jetons | Suit l’utilisation des jetons, le coût de l’inférence, la latence et l’utilisation globale lorsque les agents effectuent des tâches en plusieurs étapes avec des outils et des sources de données |
Faire passer les agents d’IA du pilote à la production
Un déploiement en production peut commencer avec des agents opérant sous des autorisations limitées et ayant accès à un ensemble contrôlé d’outils et de données. Les équipes peuvent ensuite connecter les données d’entreprise gouvernées, définir les contrôles du flux de travail et de l’examen, puis surveiller l’activité des agents avant d’élargir l’accès ou l’autonomie.
Le passage à l’échelle ne doit intervenir qu’après avoir testé ces contrôles dans le flux de travail. Les autorisations peuvent alors être élargies selon le rôle et la finalité, à mesure que les équipes vérifient que la récupération, les approbations, les circuits d’escalade et la supervision fonctionnent comme prévu.
Pour les déploiements d’entreprise sur site ou privés, l’infrastructure d’IA agentique maintient les agents à proximité des données, des applications et des flux de travail sur lesquels ils agissent, tout en préservant les limites d’accès, la supervision et les circuits d’examen.
Les risques à gérer avant de faire passer les agents d’IA à l’échelle
Dans les flux de travail réglementés ou sensibles, le modèle de contrôle approprié dépend de ce à quoi l’agent peut accéder, des actions qu’il peut effectuer et de l’incidence de ces actions sur les clients, les collaborateurs, les finances ou les données protégées.
Le passage à l’échelle des agents d’IA introduit des risques différents selon le flux de travail et le niveau d’accès. Les entreprises ont besoin d’un modèle de contrôle qui définisse le périmètre de chaque agent, limite l’accès selon le rôle et la finalité et exige un examen humain avant l’exécution des actions les plus risquées.
Cas d’usage d’un agent d’IA au travail | Risque à gérer | Contrôles requis |
| Support informatique | Accès avec des autorisations excessives | Vérifications d’identité et règles d’escalade |
| Opérations commerciales | Utilisation non approuvée des données clients | Autorisations CRM et examen humain |
| Support RH | Exposition des informations des collaborateurs | Sources approuvées et mesures de protection de la vie privée |
| Flux de travail financiers | Approbations erronées ou documentation manquante | Journaux d’audit et points de contrôle des approbations |
| Service client | Réponses inexactes ou inappropriées | Contrôle qualité et déclencheurs d’escalade |
| Orchestration des agents | Utilisation incontrôlée des jetons et coûts d’exécution | Budgets de jetons, limites d’étapes, surveillance de l’exécution et déclencheurs d’escalade |
L’observabilité fournit aux dirigeants les éléments probants dont ils ont besoin avant d’étendre l’utilisation des agents. Lorsque les équipes peuvent retracer l’activité des agents jusqu’aux contrôles concernés, elles peuvent changer d’échelle progressivement au lieu de s’appuyer uniquement sur les premiers résultats des projets pilotes.
Comment les dirigeants doivent-ils se préparer à la collaboration entre humains et agents ?
Les dirigeants qui préparent la collaboration entre humains et agents doivent définir les domaines dans lesquels les agents peuvent agir, ceux où les personnes restent responsables, ainsi que la manière dont le travail est contrôlé avant que l’IA agentique ne s’intègre aux opérations quotidiennes.
- Adéquation aux workflows : Déterminer où les agents d’IA ont leur place, quelles tâches ils peuvent prendre en charge et dans quels domaines les personnes doivent rester responsables des décisions.
- Modèle de contrôle : Définir le rôle, les autorisations, le circuit de contrôle, les déclencheurs d’escalade et les limites de chaque agent d’IA avant sa mise en production.
- Transparence pour les employés : Expliquer où les agents d’IA sont utilisés, comment les employés peuvent contester leurs résultats et dans quels cas les problèmes doivent être transmis à un niveau supérieur.
Des limites claires rendent l’adoption moins perturbatrice, car les employés peuvent voir comment les agents d’IA s’intègrent aux processus métier et dans quels domaines le jugement humain continue de déterminer le résultat.
FAQ
Qu’est-ce que l’IA agentique dans le monde du travail ?
Dans le monde du travail, l’IA agentique désigne des systèmes d’IA capables de faire progresser des tâches définies et axées sur des objectifs, avec un contrôle humain lorsque cela est nécessaire.
Quelle infrastructure est nécessaire à l’IA agentique ?
L’IA agentique nécessite un accès sécurisé aux données métier, des environnements d’exécution fiables, une certaine souplesse dans le choix des modèles, des circuits de déploiement gouvernés et une surveillance permettant aux agents de passer des projets pilotes à la production.
Comment les employés doivent-ils travailler avec les agents d’IA ?
Les employés doivent considérer les agents comme des outils d’assistance aux workflows, contrôler les résultats présentant un risque élevé et transmettre les décisions nécessitant un jugement humain à un niveau supérieur.
Quelle est la différence entre les copilotes d’IA et les agents d’IA ?
Les copilotes d’IA aident à accomplir des tâches individuelles, tandis que les agents d’IA peuvent faire progresser des processus en plusieurs étapes dans les limites approuvées.
Comment l’IA agentique peut-elle réduire les coûts opérationnels ?
L’IA agentique peut réduire les coûts opérationnels en faisant progresser les tâches courantes, en réunissant le contexte nécessaire avant le contrôle, en acheminant les tâches et en créant des enregistrements de l’activité des agents. Les entreprises ont toutefois besoin d’autorisations claires, de circuits de contrôle et d’observabilité avant de déployer des agents à grande échelle dans des workflows sensibles.
Comment les entreprises peuvent-elles mesurer la réussite de l’IA agentique ?
Les entreprises peuvent mesurer la réussite de l’IA agentique en vérifiant si les agents accélèrent le travail tout en préservant le contrôle, la responsabilité et la gouvernance.
Comment Dell AI Data Platform prend-elle en charge les agents d’IA à grande échelle ?
Dell AI Data Platform prend en charge les agents d’IA à grande échelle en préparant et en indexant les données d’entreprise afin de permettre une recherche gouvernée dans des sources structurées et non structurées. Elle peut prendre en charge des environnements hybrides, en permettant aux données et aux workloads d’IA de rester répartis entre le datacenter, le cloud et la périphérie plutôt que de tout regrouper dans un référentiel unique.
À mesure que l’utilisation des agents se développe, la couche de données fonctionne avec les contrôles d’exécution sécurisée, d’identité, de politiques et d’observabilité de Dell AI Factory with NVIDIA. Cette combinaison aide les agents à récupérer un contexte à jour et adapté aux autorisations, tout en fournissant aux équipes informatiques un moyen cohérent de gérer les accès, de surveiller l’activité et de prendre en charge des workflows de production reproductibles.