La plupart des DSI ont déjà intégré des agents dans leurs suites de productivité, les déploient dans des unités opérationnelles spécifiques et permettent à leurs équipes d'assembler des agents personnalisés. Pourtant, lorsqu'on les interroge sur le ROI total de ces initiatives, la plupart des DSI peinent encore à chiffrer les résultats. De nombreuses équipes construisent également des agents cloisonnés et fragiles, sans stratégie cohérente pour les relier entre eux, ce qui les rend difficiles à gouverner et engendre une prolifération de l'IA.
Les DSI devraient plutôt traiter les agents comme des logiciels. Comme les autres systèmes logiciels, les agents dépendent du contexte, d'outils, d'autorisations, de workflows, de garde-fous d'exécution et d'une surveillance continue. Pour générer de la valeur à l'échelle de l'entreprise, les agents doivent être bien conçus, testés, déployés avec soin, surveillés en production et améliorés au fil du temps, de la même manière que les équipes d'ingénierie livrent d'autres types de logiciels de qualité professionnelle.
Les entreprises qui déploient des agents selon un modèle reflétant le cycle de développement logiciel obtiennent trois avantages que les projets pilotes d'IA ad-hoc ne procurent pas à eux seuls :
- Un langage commun pour parler des agents entre les différentes fonctions.
- Un modèle reproductible qui définit le ROI de chaque agent et du portefeuille dans son ensemble.
- Une vision claire des risques et des responsabilités à chaque étape.
L'ADLC a joué un rôle déterminant pour aider nos clients comme Zillow, Ericsson et Motive à déployer l'adoption des agents à grande échelle, avec des millions d'exécutions d'agents par semaine. L'ADLC nous a également permis, chez Glean, d'obtenir des résultats significatifs pour nos propres équipes : un seul agent déployé au sein de l'équipe d'ingénierie de Glean a permis de récupérer plus de 17 000 heures d'ingénierie par an et plus de 1,7 M$ de ROI.
Au vu de ces résultats, il est clair que le Agent Development Lifecycle n'est pas un énième cadre pour expérimenter avec les agents, mais bien une approche disciplinée pour construire des agents qui génèrent une valeur commerciale tangible.
Et désormais, nous intégrons l'ADLC directement dans la plateforme Work AI de Glean.
Présentation du Agent Development Lifecycle
Lorsque l'on échange avec des équipes dont les projets d'agents sont au point mort, on entend rarement « le modèle n'était pas assez intelligent ». On entend plutôt des affirmations comme : l'agent ne disposait pas du bon contexte, les intégrations sont fragiles et doivent sans cesse être reconstruites d'un agent à l'autre, ou encore personne ne sait à quoi ressemble le succès après le lancement.
Chacun de ces points de friction témoigne de l'absence d'un modèle opérationnel. Chaque fonction et chaque fournisseur finit par réinventer un mini cycle de développement logiciel pour les agents, avec son propre langage, ses propres indicateurs et ses propres standards. Cela rend très difficile la comparaison des agents, leur gouvernance ou la décision de ceux qui méritent davantage d'investissement.
L'ADLC d'entreprise fournit un cycle de vie unique que chaque créateur d'agents peut suivre. Pour un workflow simple et à faible risque, les équipes peuvent franchir ces étapes en quelques minutes ou quelques heures ; pour un agent critique pour l'activité, elles peuvent prendre plusieurs jours, voire quelques semaines. Mais la discipline de suivre l'ADLC compte dans tous les cas. Entrons dans le détail.
Opportunité – Commencez par expliciter le problème métier que l'agent est censé résoudre. Utilisez un langage simple : qui est concerné aujourd'hui, comment le travail se déroule sans l'agent, et quel changement tangible vous attendez si l'agent réussit. Cela ancre tout ce qui suit dans des résultats qui comptent déjà pour l'entreprise, et non dans une simple démo intéressante.
Conception – Décrivez ce dont l'agent est réellement responsable. Définissez l'unité de travail (un ticket, un incident, un appel, un workflow), à quel moment il doit s'exécuter, de quelles informations il a besoin et ce qu'il doit produire à chaque fois. Soyez explicite sur ce qui relève du périmètre, ce qui en est exclu et les hypothèses à tester rapidement.
Performance – Transformez cette intention en un ensemble restreint et concret d'indicateurs de succès : les KPI métier que vous comptez faire évoluer, ainsi que des signaux de qualité et de sécurité centrés sur l'agent. Convenez de références et de plages cibles, et décidez en amont de ce qui vous amènerait à étendre, suspendre ou annuler le déploiement de l'agent.
Contexte – Identifiez l'ensemble minimal de sources de données respectueuses des autorisations, d'outils, d'exemples et de signaux de feedback dont l'agent a besoin pour accomplir sa tâche et être évalué équitablement. Cela inclut les systèmes qu'il peut consulter, les actions qu'il est autorisé à effectuer et la télémétrie que vous utiliserez pour comprendre ses performances.
Développement – Transformez la conception en un agent fiable. Choisissez le bon modèle d'exécution (par exemple, un workflow structuré plutôt qu'un mode auto plus flexible), puis testez-le par rapport à des exemples de référence, exécutez-le en parallèle du processus existant et menez un projet pilote avec des partenaires de conception jusqu'à ce que l'agent se comporte de manière prévisible — et pas seulement sur un jeu de démonstration soigneusement sélectionné.
Lancement – Traitez le déploiement comme un exercice de conduite du changement, et non comme un simple interrupteur. Déterminez qui verra l'agent en premier, comment il apparaîtra dans leur workflow, de quelle formation et de quelle communication ils ont besoin, et quels garde-fous, SLO et mécanismes d'arrêt d'urgence doivent être en place avant d'élargir l'accès.
Surveiller et améliorer – Exploitez l'agent comme n'importe quel autre système critique. Utilisez des tableaux de bord, des alertes et des runbooks pour suivre son impact et sa qualité dans le temps, gérer les incidents et réinjecter les signaux du monde réel — retours des utilisateurs, substitutions, dérive des indicateurs clés — dans les étapes antérieures du cycle de vie, afin que l'agent continue de s'améliorer.
Cette étape n'est pas ponctuelle, mais constitue en réalité un processus continu : les agents sont maintenus, surveillés, mis à niveau et finalement mis hors service à mesure que les besoins de l'entreprise évoluent.
De nouvelles capacités des agents Glean débloquent l'ADLC
Nous avons concentré nos investissements produit autour des grandes étapes de l'ADLC : concevoir les bons agents, activer votre contexte d'entreprise en gardant la pleine maîtrise, déployer les agents en toute confiance et les exploiter comme un portefeuille.
Voici les nouveautés :
- Les agents en mode auto sont désormais disponibles pour tous : Décrivez ce que vous souhaitez qu'un agent accomplisse, et les agents en mode auto se chargent du reste en planifiant, en raisonnant et en agissant à travers votre graphe d'entreprise, dans le cadre des garde-fous et des actions gérées que votre organisation contrôle. Aucun workflow prédéfini. Aucune configuration manuelle. C'est un chemin fondamentalement plus rapide pour passer de l'intention à quelque chose que vous pouvez tester et itérer immédiatement. Il s'agit de la version la plus importante que nous ayons livrée à ce jour pour les créateurs d'agents.
- Vues de débogage et de traçage : Les agents échouent de manières qui ne sont pas toujours évidentes. Lorsqu'un problème survient en cours d'exécution, vous devez voir exactement ce qui s'est passé, pas seulement le résultat final. La vue de débogage expose chaque étape : les entrées, les appels d'outils et les décisions qui ont produit chaque résultat. Ce niveau de visibilité referme la boucle entre « quelque chose a mal tourné » et « voici ce qu'il faut changer ».
- Sous-agents : Plutôt que de créer un agent monolithique unique pour gérer chaque aspect d'un processus, les équipes peuvent désormais créer des sous-agents réutilisables qui peuvent être invoqués au besoin. Cela permet aux agents de fonctionner comme les meilleures équipes d'ingénierie conçoivent leurs systèmes : modulaires, testables et gouvernés à chaque niveau.
- Bac à sable d'agent : Le bac à sable d'agent est désormais disponible pour les agents. Cette fonctionnalité puissante offre à chaque agent autonome un environnement d'exécution sécurisé et privé : un système de fichiers pour organiser et récupérer les résultats intermédiaires au cours d'une tâche de longue durée, comme l'analyse de grands lots d'appels Gong, et un interpréteur de code pour les calculs qui vont au-delà de ce que le raisonnement d'un modèle de langage seul peut gérer de manière fiable.
Pour en savoir plus sur le bac à sable d'agent, consultez cet article de blog.
- Bibliothèque d'agents : À mesure que le nombre d'agents dans votre organisation augmente, la découvrabilité devient un véritable problème. La bibliothèque d'agents donne aux administrateurs le contrôle sur les agents visibles par qui, la façon dont ils sont décrits et la manière dont ils sont catégorisés. Cela garantit que les bons agents atteignent les bonnes personnes et que le catalogue ne devienne pas du bruit. Les contrôles de vérification et de curation garantissent que ce qui est présenté aux collaborateurs reflète une décision délibérée, et non simplement ce qui a été publié le plus récemment.
- Politiques d'accès des agents : Désormais, les administrateurs peuvent définir des garde-fous à l'échelle de l'organisation que tous les agents doivent respecter, comme empêcher les stagiaires d'écrire dans n'importe quel système d'enregistrement à l'aide d'agents. Cela offre aux entreprises une tranquillité d'esprit et garantit que tous vos agents sont sous contrôle.
- Insights sur les agents : De nouvelles surfaces d'insights vous donnent une vue sur les agents qui gagnent en popularité, ceux qui sont rarement utilisés, les endroits où les utilisateurs donnent des retours négatifs et la façon dont les comportements évoluent au fil du temps. Les mécanismes de retour au sein des agents permettent aux créateurs de recueillir des signaux structurés pour alimenter l'itération.
La prochaine vague de l'IA d'entreprise ne sera pas remportée par les équipes qui réalisent le plus de démonstrations d'agents. Elle sera remportée par les équipes capables de transformer des idées prometteuses en résultats reproductibles et mesurables, ce que l'Agent Development Lifecycle est conçu pour offrir. Il donne aux équipes un modèle pratique pour décider quoi créer, ancrer les agents dans le bon contexte et les améliorer en fonction de leurs performances réelles.
Nos nouvelles fonctionnalités d'agents reflètent une évolution plus large dans la façon dont les entreprises doivent aborder les agents : comme des systèmes qui doivent être conçus, gouvernés et améliorés au fil du temps.
Car en entreprise, le succès ne viendra pas du déploiement du plus grand nombre d'agents. Il viendra de la création d'agents fiables, gouvernables et véritablement utiles, le genre que les organisations peuvent améliorer au fil du temps et déployer en toute confiance.
Prêt à découvrir l'intérieur de l'ADLC ?
Nous avons rassemblé ces idées, ainsi que de nombreux exemples détaillés, dans notre nouvel eBook, Le guide du CIO sur les agents IA d'entreprise, qui présente l'ADLC, parcourt des exemples concrets d'agents dans les domaines de l'Assistance, des Ventes et de l'Ingénierie, et montre comment mesurer le ROI d'une manière à laquelle votre CFO fera confiance.
{{richtext-banner-component}}
