La plupart des CIO ont déjà intégré des agents dans leurs suites de productivité, les utilisent dans des unités métier individuelles et permettent aux équipes d'assembler des agents personnalisés. Pourtant, lorsqu'on leur demande le ROI total de ces initiatives, la plupart des CIO sont encore en train d'en calculer les chiffres. De nombreuses équipes créent également des agents en silos, fragiles, sans stratégie cohérente pour les relier entre eux, ce qui les rend difficiles à gouverner et entraîne une prolifération de l'IA.
Les CIO devraient plutôt traiter les agents comme des logiciels. Comme les autres systèmes logiciels, les agents dépendent du contexte, des outils, des autorisations, des workflows, des garde-fous d'exécution et d'une supervision continue. Pour générer de la valeur à l'échelle de l'entreprise, les agents doivent être bien conçus, testés, déployés avec précaution, surveillés en production et améliorés au fil du temps, de la même manière que les équipes d'ingénierie livrent les autres types de logiciels d'entreprise.
Les entreprises qui déploient des agents selon un modèle calqué sur le cycle de vie du développement logiciel obtiennent trois choses qu'elles n'obtiennent pas avec de simples pilotes IA ad hoc :
- Une façon commune de parler des agents entre les fonctions.
- Un schéma répétable qui définit le ROI de chaque agent et du portefeuille dans son ensemble.
- Une vision claire du risque et de la responsabilité à chaque étape.
L'ADLC a été un facteur clé pour aider nos clients comme Zillow, Ericsson et Motive à faire passer l'adoption des agents à l'échelle, avec des millions d'exécutions d'agents par semaine. L'ADLC nous a également permis chez Glean d'obtenir des résultats concrets 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 cycle de développement d'agents n'est pas un simple cadre d'expérimentation avec les agents, mais plutôt une manière rigoureuse de concevoir des agents qui génèrent une valeur métier claire.
Et maintenant, nous intégrons directement l'ADLC à la plateforme Work IA de Glean.
Présentation du cycle de développement d'agents
Lorsque vous échangez avec des équipes dont les projets d'agents ont stagné, vous entendez rarement « le modèle n'était pas assez intelligent ». Vous entendez plutôt des remarques comme : l'agent n'avait pas le 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 douleur reflète l'absence d'un modèle opérationnel. Chaque fonction et chaque fournisseur finit par réinventer une mini chaîne de développement logiciel pour les agents, avec son propre langage, ses propres métriques et ses propres standards. Il devient alors très difficile de comparer les agents, de les gouverner ou de décider lesquels méritent davantage d'investissement.
L'ADLC Enterprise fournit un cycle unique que chaque créateur d'agents peut suivre. Pour un workflow simple et peu risqué, les équipes peuvent parcourir ces étapes en quelques minutes ou heures pour un agent critique pour l'activité, cela peut prendre plusieurs jours, voire quelques semaines. Mais la discipline consistant à suivre l'ADLC reste importante dans tous les cas. Entrons dans le détail.
Opportunity – Commencez par formuler clairement le problème métier que l'agent est censé résoudre. Utilisez un langage simple : qui est concerné aujourd'hui, comment le travail se fait sans l'agent, et quel changement tangible vous attendez si l'agent réussit. Cela ancre tout ce qui suit dans des résultats auxquels l'entreprise tient déjà, et pas seulement dans une démonstration intéressante.
Design – Décrivez ce dont l'agent est réellement responsable. Définissez l'unité de travail (un ticket, un incident, un appel, un workflow), quand il doit s'exécuter, quelles informations il lui faut et ce qu'il doit produire à chaque fois. Soyez explicite sur ce qui est dans le périmètre, hors périmètre, et sur les hypothèses qui doivent être testées tôt.
Performance – Transformez cette intention en un petit ensemble concret de métriques de succès : les KPIs métier que vous vous attendez à voir évoluer, ainsi que des signaux de qualité et de sécurité centrés sur l'agent. Convenez des points de référence et des plages cibles, et décidez à l'avance de ce qui vous amènerait à étendre, suspendre ou revenir en arrière sur l'agent.
Context – Identifiez l'ensemble minimal de sources de données, d'outils, d'exemples et de signaux de feedback, tous sensibles aux permissions, dont l'agent a besoin pour faire son travail et être évalué équitablement. Cela inclut les systèmes qu'il peut lire, les actions qu'il est autorisé à effectuer et la télémétrie que vous utiliserez pour comprendre ses performances.
Develop – Transformez la conception en un agent fiable. Choisissez le bon modèle d'exécution (par exemple un workflow structuré plutôt qu'un auto-mode plus flexible), puis testez-le sur des exemples de référence, exécutez-le en parallèle du processus existant et pilotez-le avec des partenaires de conception jusqu'à ce que l'agent se comporte de manière prévisible — pas seulement sur un jeu de démonstration soigneusement sélectionné.
Launch – Traitez le déploiement comme un exercice de conduite du changement, et non comme un simple basculement. Décidez qui verra l'agent en premier, comment il apparaîtra dans leur workflow, de quelle formation et de quelle communication ils auront besoin, et quels garde-fous, SLOs et coupe-circuits doivent être en place avant d'élargir l'accès.
Monitor & ; Improve – Faites fonctionner l'agent comme n'importe quel autre système critique. Utilisez des tableaux de bord, des alertes et des runbooks pour suivre l'impact et la qualité dans le temps, gérer les incidents et réinjecter les signaux du monde réel — retours utilisateurs, contournements, dérive des métriques clés — dans les étapes précédentes du cycle afin que l'agent continue de s'améliorer.
Cette étape n'est pas une phase ponctuelle, mais bien un processus continu, les agents étant maintenus, surveillés, mis à niveau et finalement retirés lorsque les besoins de l'entreprise évoluent.
De nouvelles capacités pour les agents Glean débloquent l'ADLC
Nous avons concentré nos investissements produits autour des grandes étapes de l'ADLC : concevoir les bons agents, activer le contexte de votre entreprise avec un contrôle total, déployer les agents en toute confiance et les exploiter comme un portefeuille.
Voici les nouveautés :
- Les agents auto-mode sont désormais généralement disponibles : Décrivez ce que vous voulez qu'un agent accomplisse, et les agents auto-mode s'occupent du reste en planifiant, en raisonnant et en agissant sur 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 entre l'intention et quelque chose que vous pouvez tester et faire évoluer immédiatement. C'est la publication la plus importante que nous ayons livrée à ce jour pour les créateurs d'agents.
- Vues de débogage et de trace : Les agents échouent parfois de manière qui n'est pas toujours évidente. Lorsqu'un problème survient en cours d'exécution, vous devez voir exactement ce qui s'est passé, et 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 permet de relier « quelque chose s'est mal passé » à « voici ce qu'il faut changer ».
- Sous-agents : Au lieu de construire un seul agent monolithique pour gérer chaque aspect d'un processus, les équipes peuvent désormais créer des sous-agents réutilisables, invoqués selon les besoins. Cela permet aux agents de fonctionner comme le font les meilleures équipes d'ingénierie pour concevoir des systèmes : modulaires, testables et gouvernés à chaque couche.
- Agent sandbox : Agent sandbox 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 sorties intermédiaires au cours d'une tâche de longue durée, comme l'analyse de grandes séries d'appels Gong, et un interpréteur de code pour les calculs que le raisonnement du modèle de langage seul ne peut pas gérer de manière fiable.
Pour en savoir plus sur agent sandbox, consultez cet article de blog.
- Bibliothèque d'agents : À mesure que le nombre d'agents dans votre organisation augmente, la découvrabilité devient un vrai problème. La bibliothèque d'agents donne aux administrateurs le contrôle sur les agents visibles par chacun, sur la manière dont ils sont décrits et sur leur catégorisation. 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 affiché aux employés reflète une décision délibérée, et non simplement ce qui a été publié le plus récemment.
- Politiques d'accès aux agents : Désormais, les administrateurs peuvent définir des garde-fous à l'échelle de l'organisation que tous les agents doivent respecter, par exemple empêcher les stagiaires d'écrire dans un système d'enregistrement à l'aide d'agents. Cela apporte de la sérénité aux entreprises et garantit que tous vos agents restent sous contrôle.
- Insights agents : De nouveaux panneaux d'insights vous donnent une vue sur les agents qui montent en puissance, ceux qui sont rarement utilisés, les endroits où les utilisateurs donnent des retours négatifs et la manière dont les comportements évoluent dans le temps. Les mécanismes de feedback à l'intérieur des agents permettent aux créateurs de recueillir des signaux structurés pour piloter les itérations.
La prochaine vague de l'IA d'entreprise ne sera pas remportée par les équipes qui ont le plus de démonstrations d'agents. Elle sera remportée par les équipes capables de transformer des idées prometteuses en résultats répétables et mesurables, précisément ce que le cycle de développement d'agents est conçu pour offrir. Il fournit aux équipes un modèle pratique pour décider quoi construire, ancrer les agents dans le bon contexte et les améliorer à partir des performances réelles.
Nos nouvelles fonctionnalités d'agents reflètent un changement plus large dans la manière dont les entreprises doivent aborder les agents : comme des systèmes qui doivent être conçus, gouvernés et améliorés dans la durée.
Car dans l'entreprise, le succès ne viendra pas du fait de livrer le plus grand nombre d'agents. Il viendra du fait de construire des agents dignes de confiance, gouvernables et réellement utiles — le type d'agents que les organisations peuvent améliorer dans le temps et déployer à grande échelle avec confiance.
Prêt à entrer dans l'ADLC ?
Nous avons rassemblé ces idées — ainsi que de nombreux exemples détaillés — dans notre nouvel eBook, The CIO's Guide to Enterprise AI Agents, qui présente l'ADLC, passe en revue des exemples concrets d'agents dans le support, les ventes et l'ingénierie, et montre comment mesurer le ROI d'une manière que votre CFO acceptera.
{{richtext-banner-component}}
