Bulletin The Geospatial Edge : numéro 14, T3 2025

Le bulletin The Geospatial Edge est publié par Esri Canada à l'intention des gestionnaires et des professionnels chargés de développer les capacités géospatiales de leur organisation. Dans ce numéro, Matt Lewin aborde une approche de la modélisation d’un agent d’intelligence artificielle dans une perspective commerciale, à l’aide d’un simple canevas de solution d’une page.

L’engouement pour les agents d’IA est omniprésent – sur la scène des conférences, dans les feuilles de route des produits et dans les gros titres promettant une transformation. Mais derrière l’effervescence, la réalité s’installe. Selon Gartner, 40 % des projets d’IA agentique seront abandonnés d’ici 2027. C’est une statistique qui donne à réfléchir et qui indique clairement que l’enthousiasme seul ne garantit pas le succès.

Qu’est-ce qui est à blâmer? Les coûts, les risques et les bénéfices non réalisés sont tous mis en évidence. Mais une déclaration clé du rapport fait ressortir un problème sous-jacent que j’ai personnellement observé et que je crois être le cœur du problème : de nombreux cas d’utilisation identifiés comme agentiques n’ont jamais vraiment nécessité une mise en œuvre agentique en premier lieu.

Il semblerait que nous ayons un problème avec la façon dont les agents sont conçus et conceptualisés en premier lieu, bien avant l’étape du développement.

D’après mes observations, les approches de la conception d’agents d’IA commencent souvent par des données et des algorithmes. Bien que techniquement rigoureuses, ces méthodes peuvent négliger le contexte plus large de l’entreprise, ce qui conduit à des solutions qui ne sont pas alignées sur les priorités de l’organisation ou qui sont trop complexes et trop coûteuses pour justifier l’investissement. Une approche plus prudente consisterait à inverser le scénario et à commencer par les capacités commerciales que votre agent modélise et les résultats que vous essayez d’obtenir. Sur cette base, vous concevez l’architecture cognitive de l’agent en fonction de ces besoins.

Dans cet article, j’examine une approche de la modélisation d’un agent d’intelligence artificielle d’un point de vue commercial à l’aide d’un simple canevas de solution d’une page.

À propos des capacités des entreprises

Les capacités commerciales représentent une abstraction de haut niveau des fonctions commerciales essentielles d’une organisation. Plus précisément, ils représentent ce que fait une entreprise, par opposition à la manière dont ces capacités sont mises en œuvre. De cette manière, les capacités des entreprises se concentrent sur les résultats plutôt que sur les processus.

En règle générale, les capacités commerciales sont organisées en niveaux imbriqués, les capacités de premier niveau représentant les résultats les plus vastes et les plus stratégiques d’une organisation, et les capacités de niveau inférieur représentant des sous-capacités plus granulaires associées à des résultats plus tactiques. La gestion de la relation client est un exemple de capacité de premier niveau, l’accueil et la fidélisation des clients étant des sous-capacités de niveau inférieur.

Pour une compréhension plus complète des capacités des entreprises, lisez cet excellent article.

Ce qui fait que les agents d’IA sont bien adaptés pour manifester les capacités des entreprises, c’est leur nature axée sur les résultats. Les logiciels traditionnels sont alignés sur les fonctions : ils exécutent des tâches sur la base d’entrées et de flux de travaux prédéfinis. En revanche, les agents d’IA peuvent être alignés sur les capacités : ils fonctionnent de manière autonome pour atteindre un objectif, en s’appuyant sur des données, des modèles et des cadres de raisonnement. Donnez à un agent un objectif et les données nécessaires, et il peut planifier, raisonner et ajuster ses propres étapes pendant qu’il travaille. Cela fait des agents le miroir presque parfait d’une capacité dont l’essence est également axée sur les résultats (« garantir un taux d’activation des clients de 80 % » par opposition à « exécuter ce travail par lots à trois heures du matin »).

L’anatomie du canevas

Le canevas de solution de l’agent d’IA s’articule autour de plusieurs sections clés, chacune ayant une fonction distincte dans la conception de l’agent.

Pour illustrer le fonctionnement du canevas, j’utiliserai un exemple tiré d’un article que j’ai écrit il y a quelques années, qui traitait de l’utilisation de la technologie SIG pour aider à gérer les lieux de vote le jour de l’élection pour le compte d’une municipalité. Cet exemple est à bien des égards un problème géographique, et je m’intéresse à la manière dont les progrès de l’IA et de la technologie de raisonnement géospatial pourraient contribuer à résoudre ce problème.

La gestion des élections est une fonction essentielle des administrations municipales. En la matière, une bonne gestion est vitale pour garder la confiance des citoyens. Un processus bâclé peut entacher les relations publiques durablement. Le jour des élections, la gestion efficace des bureaux de vote est une préoccupation majeure. Parmi leurs nombreuses responsabilités, les fonctionnaires municipaux et les bénévoles doivent veiller à ce que les bureaux de vote soient installés et ouverts à temps, que les bulletins de vote soient disponibles tout au long de la journée, que les électeurs handicapés bénéficient d’aménagements d’accessibilité et que les bureaux de vote ferment à l’heure.

Comment décider si un agent d’intelligence artificielle peut vous aider dans ce processus? Utilisons le canevas pour organiser les éléments clés et procéder à la détermination.

Commencez par définir clairement le nom et l’objectif de votre agent d’intelligence artificielle. Cela signifie qu’il faut donner à l’agent un titre descriptif et une définition qui reflète la capacité opérationnelle pertinente que vous modélisez. Dans le cas des bureaux de vote, appelons-le Gestionnaire du flux d’électeurs, et définissons-le pour qu’il se concentre sur la gestion des bureaux de vote le jour de l’élection afin d’assurer des opérations fluides et des temps d’attente minimaux. Il se passe beaucoup de choses le jour de l’élection. Nous voulons donc être clairs sur l’aspect de la gestion du jour de l’élection que notre agent est censé prendre en charge. Dans ce cas, nous nous concentrons sur les aspects opérationnels de la gestion des files d’attente et des temps d’attente le jour des élections. Les autres activités du jour de l’élection (par exemple, la communication des résultats) et les activités de planification à plus long terme (par exemple, la sélection des lieux de vote) ne sont pas couvertes par cet agent.

Contexte opérationnel

L’objectif général de l’agent étant clairement défini, l’étape suivante consiste à définir le contexte opérationnel. Chaque agent d’IA doit être clairement défini en fonction des capacités opérationnelles qu’il prend en charge. Il s’agit du fondement du canevas, car il définit l’environnement opérationnel dans lequel l’agent fonctionne.

Dans notre exemple, l’agent est conçu pour le bureau électoral d’une Ville, qui est responsable de la planification et de l’exploitation des bureaux de vote afin de garantir que les électeurs puissent voter de manière efficace, équitable et conforme aux exigences légales.

Cette section du canevas comprend trois éléments essentiels :

Capacité opérationnelle. Quelle est la fonction de l’organisation? Dans ce cas, il s’agit de l’orchestration des bureaux de vote.

Problème. Quel problème l’organisation tente-t-elle de résoudre? Les longues files d’attente dans les bureaux de vote peuvent décourager la participation, en particulier celle des personnes âgées et des personnes handicapées, et éroder la confiance du public.

Résultats souhaités. À quoi ressemble la réussite? Les principaux résultats sont le maintien d’un temps d’attente moyen inférieur à 20 minutes, l’assurance qu’aucun endroit ne dépasse 30 minutes et la réalisation de l’objectif de débit par heure.

L’étape clé de ce processus consiste à définir clairement les résultats souhaités, qui deviennent en fin de compte les objectifs de l’agent. Les agents d’IA, par définition, sont orientés vers un objectif, ce qui signifie qu’ils ne se contentent pas de répondre à des requêtes; comme les assistants d’IA, ils planifient et exécutent des tâches complexes en fonction d’un ensemble global d’objectifs et de résultats. Comme indiqué plus haut, dans notre exemple de lieu de vote, nos principaux objectifs concernent les temps d’attente et le débit. Un ensemble clair d’objectifs permet à l’agent d’IA de hiérarchiser les actions et de mesurer leur efficacité.

Remarque : les objectifs d’un agent d’intelligence artificielle doivent être limités par un ensemble de contraintes qui empêchent les conséquences négatives ou involontaires. Ils sont identifiés comme « garde-fous » dans la section « Paramètres de conception ».

Capacités cognitives

La section suivante définit le comportement de l’agent. Les capacités cognitives d’un agent définissent la manière dont il perçoit son environnement, raisonne à son sujet et agit pour atteindre les objectifs qu’il s’est fixés. C’est ce que l’on appelle le cycle cognitif de l’agent, qui détermine la manière dont un agent fonctionne de manière autonome dans des environnements dynamiques.

Voir (perception). L’agent doit ingérer et interpréter des données provenant de diverses sources. Dans l’exemple du bureau électoral, il s’agit de surveiller en direct les files d’attente grâce à des capteurs, de prévoir les taux de participation, d’obtenir des données météorologiques et routières, et de mettre à jour la disponibilité du personnel et du matériel. Ces données permettent à l’agent de se faire une idée en temps réel de l’environnement opérationnel.

Réfléchir (raison). L’agent doit être capable d’analyser les données et de prendre des décisions en connaissance de cause. Il prédit où et quand se produiront les poussées de participation électorale, simule des interventions telles que la réaffectation de personnel ou d’équipement, évalue l’impact sur le respect des règles et l’équité, et choisit la réponse la plus optimale et la plus juste.

Agir (exécution). Enfin, l’agent doit pouvoir agir. Il recommande des réaffectations de ressources, redirige les électeurs vers d’autres sites, met à jour les tableaux de bord des temps d’attente et informe les responsables tout en enregistrant ses actions pour en rendre compte.

En présentant les capacités de l’agent en termes cognitifs semblables à ceux de l’homme, le canevas rend les fonctionnalités techniques plus accessibles à ceux qui ne sont pas forcément familiarisés avec l’IA ou la terminologie des logiciels.

Paramètres de conception

La dernière partie du canevas traite de l’échafaudage technique et opérationnel autour de l’agent. Ces paramètres de conception comprennent les entrées de données clés, l’interface utilisateur, la supervision humaine et les garde-fous, et sont essentiels pour garantir que votre agent est non seulement fonctionnel, mais aussi digne de confiance et utilisable.

Données clés. Les données que votre agent exploite sont peut-être la considération la plus importante en matière de conception. L’efficacité de votre agent dépend en grande partie de la qualité des données sur lesquelles vos modèles d’apprentissage sont formés, en plus des sources externes de données auxquelles votre agent accède pendant le cycle de cognition.

Les données d’entraînement constituent la base des capacités de prédiction et de raisonnement de l’agent. Elles sont utilisées pendant la phase de développement pour construire des modèles capables d’anticiper des tendances, de simuler des résultats et de prendre des décisions éclairées. Pour l’agent Gestionnaire du flux d’électeurs, les données de formation pertinentes sont les suivantes :

• Historique de la participation électorale

• Longueur des files d’attente et temps d’attente antérieurs

• Corrélations avec les données météorologiques et routières

• Historique des effectifs et du déploiement des équipements

Ces ensembles de données sont généralement nettoyés, étiquetés et utilisés pour former des modèles d’apprentissage automatique qui sous-tendent les capacités de raisonnement de l’agent.

Les données consommées par l’agent pendant son fonctionnement, souvent en continu et en temps réel, sont vitales pour la connaissance de la situation et la réactivité. Elles alimentent les capacités de perception et d’action de l’agent, lui permettant de percevoir le moment présent et d’exécuter des décisions, telles que la mise à jour des tableaux de bord ou la notification aux responsables. Les ensembles de données pourraient inclure ce qui suit :

• Comptage de la longueur des files d’attente (mis à jour sur une application mobile par le personnel de surveillance)

• Flux de données météorologiques et routières actualisées

• Mise à jour de la disponibilité du personnel et de l’équipement

• Cartes des lieux de vote

Interface utilisateur. L’agent doit interagir avec les différentes parties prenantes par le biais d’interfaces appropriées. Il s’agit notamment d’un tableau de bord des opérations pour le siège, d’une application mobile pour les superviseurs de sites et les bénévoles, et d’un portail public pour les électeurs. La conception réfléchie de ces interfaces est essentielle pour l’adoption et la transparence.

Supervision humaine. Les agents d’intelligence artificielle ne doivent pas fonctionner de manière isolée. Dans l’exemple du bureau électoral, les responsables des élections approuvent l’affectation des ressources, les superviseurs des bureaux de vote donnent suite aux recommandations et le personnel sur le terrain met à jour l’application et donne des informations en retour. Cela garantit que le jugement humain reste au cœur de la prise de décision.

Garde-fous. En fin de compte, l’agent doit opérer dans des limites clairement définies. Il doit être conforme aux règlements électoraux et aux principales réglementations, maintenir des pistes d’audit transparentes, protéger la vie privée des électeurs et éviter les résultats qui désavantagent certains groupes d’électeurs. Ces garde-fous sont essentiels pour instaurer la confiance et garantir l’équité.

Points de vue des praticiens

En parcourant l’exemple du lieu de vote à l’aide du canevas, j’ai trouvé qu’il était étonnamment éclairant, mais aussi qu’il me donnait à réfléchir. L’idée de construire un agent intelligent pour gérer le flux des électeurs semble excellente, mais au fur et à mesure que je remplissais chaque section du canevas, en particulier les capacités cognitives et les entrées de données, j’ai commencé à me demander si cet agent était vraiment réalisable. Le bureau électoral pourrait-il accéder de manière fiable aux données de file d’attente en temps réel de chaque bureau de vote? Ou pourrait-il s’appuyer sur les préposés aux bureaux de vote pour mettre à jour de façon continue la longueur des files d’attente? Fondamentalement, le coût ou la complexité de la mise en place d’un tel système permettrait-il d’obtenir le rendement nécessaire?

C’est précisément là que le canevas a prouvé sa valeur. Il ne m’a pas seulement aidé à imaginer ce que l’agent pourrait faire; il m’a forcé à me confronter à ce dont il aurait besoin pour réussir. C’est l’essence même de cet outil. Il ne s’agit pas d’une spécification technique, mais d’un schéma conceptuel. Il s’agit d’un document de travail conçu pour vous aider à vous mettre d’accord sur la raison d’être de l’agent, sur son mode de fonctionnement et sur les critères de réussite.

Finalement, j’ai décidé qu’un cas d’utilisation plus étroit et plus ciblé serait un point de départ plus efficace. Il s’agit par exemple d’optimiser les niveaux de personnel sur un site unique ou de prévoir les heures de pointe sur la base de l’historique de la fréquentation et des conditions météorologiques. Il s’agit de cas d’utilisation plus simples, mais toujours dans l’esprit de l’IA agentique, c’est-à-dire qu’ils sont orientés vers un but, nécessitent une mémoire persistante des interactions et orchestrent des tâches, des outils et d’autres agents (potentiellement).

À mesure que les agents d’IA s’intègrent dans les entreprises, la nécessité d’une conception réfléchie et orientée vers un but précis se fait de plus en plus sentir. Un canevas comme celui-ci (ou un canevas que vous construisez vous-même) peut vous aider, vous et votre équipe, à affiner les critères de conception essentiels avant de vous lancer dans un travail de mise en œuvre coûteux. Au fil des ans, j’ai utilisé de nombreux canevas de conception tels que le canevas de proposition de valeur, le canevas de modèle d’affaires et la stratégie géospatiale en une page (une cocréation). Tous ont été utiles à leur manière, mais l’essentiel est qu’ils conduisent tous à un processus qui vous aide à réfléchir avant d’agir. C’est toujours une bonne chose!

Parlons-en ensemble

Exploitez-vous le potentiel de l’IA et des agents d’IA pour votre entreprise? Essayez-vous d’intégrer l’IA dans votre programme SIG? Vous vous demandez comment commencer? Envoyez-moi un courriel ou connectez-vous avec moi sur LinkedIn. J’aimerais avoir de vos nouvelles!

Cordialement,

Matt

The Geospatial Edge est un bulletin d’information périodique sur la stratégie géospatiale et l’intelligence de localisation édité par Matt-Lewin, directeur des services-conseils stratégiques d’Esri-Canada. Ce billet de blogue est une copie du numéro envoyé aux abonnés en septembre 2025. Si vous souhaitez recevoir The Geospatial Edge et les messages connexes d'Esri Canada directement dans votre boîte de réception, visitez notre centre de préférences en matière de communications et cochez la case « Stratégie SIG » parmi les champs d’intérêt.-

Ce billet a été écrit en anglais par Matthew Lewin et peut être consulté ici.