Tout agent IA doit pouvoir s’appuyer sur une capacité de raisonnement. C'est ce qui lui permet d'analyser, de s'adapter et de prendre des décisions pertinentes. Jusqu'au lancement d'Agentforce par Salesforce en septembre 2024, aucun agent, aucun “copilote” et aucun assistant d'IA n'offrait un véritable moteur de raisonnement conçu pour convertir données brutes et métadonnées en actions imitant ou enrichissant la réflexion humaine.
« Les moteurs de raisonnement combinent des modèles, des données, une logique métier, des événements et des flux de travail au sein d'architectures cognitives unifiées », explique Phil Mui, Ph.D., Vice-Président Senior “Produits & Ingénierie” chez Salesforce AI Research (la division R&D consacrée à l'IA de Salesforce). « Les moteurs de raisonnement sont des systèmes complexes, plus performants avec un niveau de sophistication de type “système 2”. Ces moteurs disposent d'un temps d'inférence plus rapide. Ils comprennent les nuances et les contextes relatifs aux requêtes des utilisateurs, afin de fournir des réponses plus précises, plus fiables et pouvant déclencher des actions. »
Il s'agit d'un changement marquant par rapport aux assistants IA que nous avons appris à connaître, avec leurs prompts standardisés et leurs réponses imprévisibles. Inspirés par le best-seller du psychologue Daniel Kahneman, “Thinking, Fast and Slow”, les moteurs de raisonnement s'appuient sur la structure bicéphale du système de pensée humaine : le “système 1” s'illustrant par le fait que nous pouvons parfois être prompts à réagir dans l'instant parce qu'une situation l'exige. Quant au 'système 2', il se caractérise par un temps de réflexion approfondi pour trouver des solutions à des problèmes ou à des besoins complexes.
Sur le marché, de nombreux assistants IA créés à partir de zéro sont souvent de simples couches logicielles qui s'appuient sur des LLM. Ces assistants de type « système 1 » sont conçus pour des tâches basiques telles que répondre à des questions fréquemment posées ou traiter des commandes produits. Or, les entreprises qui envisagent de déployer des agents pour aider les salariés à être plus efficaces dans leur quotidien nécessitent des agents avec des niveaux de raisonnement plus élevés. C'est là que l'inférence du « système 2 » entre en jeu, avec sa capacité à comprendre et à analyser une situation, à fournir des informations pertinentes et à suggérer des actions.
Système 1 / Système 2 : entre rapidité d’exécution et traitement de demandes complexes
C'est en partie ce qui rend unique Agentforce, la première plateforme de travail numérique pour les entreprises. En utilisant le raisonnement par inférence de type “système 2”, le moteur de raisonnement Atlas, le « cerveau » d'Agentforce, peut extraire les données les plus pertinentes, puis raisonner et agir, améliorant ainsi considérablement les processus dans le service client, les ventes et les opérations. Lorsqu'il est confronté à une demande, Atlas permet à Agentforce d'affiner la requête - en l'enrichissant d'un contexte additionnel - puis d'utiliser une méthode RAG* (Retrieval Augmented Generation) avancée pour extraire les données et métadonnées pertinentes, le tout en évaluant la qualité de sa propre réponse. Cette capacité à répondre à une question, puis à réfléchir à la réponse avant de chercher à répondre à nouveau, permet d'obtenir des réponses et des actions plus précises par rapport à d'autres assistants de type “système 2” qui ne disposent pas d'un vaste contexte de données et de métadonnées au sein de la plate-forme Salesforce.
Cette réflexion étape par étape permet également de minimiser l'impact négatif lié aux hallucinations de l'IA. En effet, selon une étude récente de Salesforce, 78 % des salariés cesseraient d'utiliser un agent IA s'il produisait des réponses incorrectes. Si les temps de réponse rapides et instinctifs de type “système 1” permettent de traiter des requêtes simples, ils sont souvent moins performants face à des situations complexes. Les LLM ont la possibilité de combler ces lacunes en fournissant des résultats qui semblent réels, mais qui s'avèrent inexacts, ce qui crée des risques importants pour les entreprises.
Avec les taux d'hallucinations des chatbots IA sur le marché qui varient de 3 % à 27 %, la valeur apportée par un moteur de raisonnement de type “système 2” est indéniable : fonder les décisions sur un raisonnement plus profond réduit les erreurs, tout en fournissant des réponses plus complètes et plus nuancées à des questions complexes. Les agents IA qui utilisent un raisonnement de type “système 2”, alimentés par des solutions telles que Salesforce Data Cloud qui unifient et harmonisent les données des entreprises et des clients, minimisent davantage les risques d'hallucinations, tout en fournissant des informations plus contextuelles et exploitables, notamment des citations en ligne qui indiquent les sources utilisées par Agentforce pour élaborer sa réponse.
« Nous savons que les LLM peuvent avoir des hallucinations lorsqu'ils reçoivent des requêtes complexes », explique Claire Cheng, Ph.D., Vice-Présidente “Machine Learning & Ingénierie” chez Salesforce AI. « Mais en accédant aux données spécifiques d'un secteur d'activité ou d'un client, les agents peuvent raisonner beaucoup mieux et comprendre le contexte d'une demande pour fournir des réponses plus personnalisées et plus pertinentes », ajoute-t-elle.
Imaginez qu'un client d'une banque demande à un agent IA de lui expliquer comment l'évolution des taux d'intérêts peut affecter son portefeuille. Il s'agit d'une question complexe. Un système RAG typique ou un simple assistant d'IA générerait probablement une réponse simple, qui s'appuie sur des articles issus d'une base de connaissances accessible au public. Cependant, il ne serait pas en mesure d'évaluer d'autres considérations très pertinentes, telles que la somme que le client possède sur ses comptes d'investissement ou les conseils de la banque sur la manière d'identifier les fonds susceptibles d'être sensibles aux variations des taux d'intérêt.
En revanche, les agents capables d'effectuer des recherches et des raisonnements plus poussés pourraient fournir une réponse plus complète et détaillée pour conseiller le client sur la stratégie d'investissement à adopter, voire même donner quelques options de conseil financier pour guider sa prise de décision.
Par exemple, lorsqu'un moteur de raisonnement analyse une interaction avec un service client, il ne se contente pas de fournir une réponse unique et adaptée à la demande du client. Il évalue chaque élément de texte récupéré, réorganise les éléments les plus pertinents, puis synthétise la réponse finale en se basant uniquement sur les éléments qui correspondent à la requête du client. Grâce à des techniques améliorées de traitement des requêtes et aux métadonnées, les clients d'Agentforce ont pu améliorer de 33 % la précision des réponses par rapport aux solutions IA traditionnelles. Claire Cheng explique également que la pertinence des réponses fournies a doublé depuis la mise à disposition des premiers projets pilotes d'Atlas.
Les agents IA répondent déjà aux besoins des entreprises
« Pour la plupart des entreprises, choisir entre un copilote IA et un agent s’avère assez simple », poursuit Claire Cheng. « Si tout ce dont vous avez besoin, ce sont des réponses à des questions courantes, comme celles qu'un stagiaire ou un employé en début de carrière serait en mesure de fournir, alors les assistants ou copilotes d'IA traditionnels suffisent. Toutefois, si vous souhaitez vous appuyer sur un niveau d'expertise plus élevé, vous avez besoin d'agents dotés de moteurs de raisonnement avancés », ajoute-t-elle.
De nombreuses entreprises tirent déjà parti de ces capacités de raisonnement avancées d’Agentforce. Par exemple, The Adecco Group, leader mondial du recrutement, s’appuie sur Agentforce en tant qu’assistant, tant pour les recruteurs que pour les candidats. Fonctionnant 24 heures sur 24 et 7 jours sur 7, Agentforce traite efficacement des millions de CV, met en relation des candidats avec des opportunités d’emploi adaptées à leur profil et les présélectionne de manière proactive. Il aide également les candidats à affiner leur CV, ce qui permet d’optimiser le processus de recrutement et de mettre en valeur les compétences spécifiques des candidats.
C’est en combinant des agents spécialisés, des données clients et des automatisations de processus métiers que les entreprises pourront tirer parti des agents IA, quel que soit le rôle occupé au sein de l'entreprise.
Quelles prochaines évolutions pour les moteurs de raisonnement ?
À mesure que l'IA poursuit son développement, les moteurs de raisonnement joueront un rôle essentiel dans l'amélioration des capacités des agents autonomes. Phil Mui prévoit que ces systèmes deviendront encore plus efficaces grâce à des capacités qui leur permettront de fonctionner comme des experts spécifiques à un domaine d'activité, plutôt que comme des assistants polyvalents.
Les moteurs de raisonnement évolueront pour traiter des interactions de plus en plus complexes. Agentforce 2.0 peut désormais gérer une plus grande variété d'interactions, y compris celles qui nécessitent une réflexion approfondie. Par exemple, une question simple comme « Quel est l'état de mon portefeuille d'investissements ? » utilisera un raisonnement basique pour des réponses rapides. En revanche, une question plus approfondie, telle que « Quel est le bon véhicule d'investissement pour financer les études de mon enfant, en fonction de mes revenus et de mon appétence au risque ? » fera appel à un raisonnement plus poussé avec des extracteurs de données avancés.
« La différence entre cette nouvelle version d'Agentforce et la précédente est qu'elle est désormais capable de raisonner plus profondément, d'extraire des données à l'aide d'une technologie plus avancée et de générer non seulement des réponses simples, mais surtout des réponses exploitables », explique Claire Cheng.
Les prochaines innovations liées aux systèmes multi-agents et à l'IA collaborative pourraient encore accroître le potentiel des moteurs de raisonnement. En faisant collaborer des agents spécialisés, les entreprises seront en mesure de relever des défis complexes nécessitant des compétences diverses, de l'optimisation de la chaîne d'approvisionnement à la personnalisation des soins de santé. D'ici peu, les moteurs de raisonnement fourniront également les capacités pour que plusieurs agents puissent travaillent ensemble sur divers projets.
Par exemple, un spécialiste du marketing qui lance un nouveau produit pourrait utiliser un agent doté d'un moteur de raisonnement pour l'aider à élaborer une campagne. L'agent collaborerait avec d'autres agents qui diffuseraient cette campagne via les canaux pertinents, tout en dialoguant avec les clients pour répondre à leurs questions, puis en mobilisant des agents spécialisés sur les ventes qui finaliseraient la transaction.
A l’heure actuelle, la transition des moteurs de raisonnement du système 1 au système 2 est un véritable bond en avant dans le développement de l'IA. En intégrant des moteurs de raisonnement avancés, des entreprises comme Salesforce ouvrent la voie à des systèmes d'IA plus précis, plus fiables et mieux adaptés à la complexité des enjeux business des entreprises.
« Dans les années à venir, je pense que nous serons en mesure de fournir davantage d’agents spécialisés », ajoute Claire Cheng. « Le moteur de raisonnement devrait être l'un des premiers facteurs pris en compte par les entreprises lorsqu'elles comparent les options en matière d'agents IA et de plate-formes de travail numériques. »
« Les moteurs de raisonnement combinent des modèles, des données, une logique métier, des événements et des flux de travail au sein d'architectures cognitives unifiées », explique Phil Mui, Ph.D., Vice-Président Senior “Produits & Ingénierie” chez Salesforce AI Research (la division R&D consacrée à l'IA de Salesforce). « Les moteurs de raisonnement sont des systèmes complexes, plus performants avec un niveau de sophistication de type “système 2”. Ces moteurs disposent d'un temps d'inférence plus rapide. Ils comprennent les nuances et les contextes relatifs aux requêtes des utilisateurs, afin de fournir des réponses plus précises, plus fiables et pouvant déclencher des actions. »
Il s'agit d'un changement marquant par rapport aux assistants IA que nous avons appris à connaître, avec leurs prompts standardisés et leurs réponses imprévisibles. Inspirés par le best-seller du psychologue Daniel Kahneman, “Thinking, Fast and Slow”, les moteurs de raisonnement s'appuient sur la structure bicéphale du système de pensée humaine : le “système 1” s'illustrant par le fait que nous pouvons parfois être prompts à réagir dans l'instant parce qu'une situation l'exige. Quant au 'système 2', il se caractérise par un temps de réflexion approfondi pour trouver des solutions à des problèmes ou à des besoins complexes.
Sur le marché, de nombreux assistants IA créés à partir de zéro sont souvent de simples couches logicielles qui s'appuient sur des LLM. Ces assistants de type « système 1 » sont conçus pour des tâches basiques telles que répondre à des questions fréquemment posées ou traiter des commandes produits. Or, les entreprises qui envisagent de déployer des agents pour aider les salariés à être plus efficaces dans leur quotidien nécessitent des agents avec des niveaux de raisonnement plus élevés. C'est là que l'inférence du « système 2 » entre en jeu, avec sa capacité à comprendre et à analyser une situation, à fournir des informations pertinentes et à suggérer des actions.
Système 1 / Système 2 : entre rapidité d’exécution et traitement de demandes complexes
C'est en partie ce qui rend unique Agentforce, la première plateforme de travail numérique pour les entreprises. En utilisant le raisonnement par inférence de type “système 2”, le moteur de raisonnement Atlas, le « cerveau » d'Agentforce, peut extraire les données les plus pertinentes, puis raisonner et agir, améliorant ainsi considérablement les processus dans le service client, les ventes et les opérations. Lorsqu'il est confronté à une demande, Atlas permet à Agentforce d'affiner la requête - en l'enrichissant d'un contexte additionnel - puis d'utiliser une méthode RAG* (Retrieval Augmented Generation) avancée pour extraire les données et métadonnées pertinentes, le tout en évaluant la qualité de sa propre réponse. Cette capacité à répondre à une question, puis à réfléchir à la réponse avant de chercher à répondre à nouveau, permet d'obtenir des réponses et des actions plus précises par rapport à d'autres assistants de type “système 2” qui ne disposent pas d'un vaste contexte de données et de métadonnées au sein de la plate-forme Salesforce.
Cette réflexion étape par étape permet également de minimiser l'impact négatif lié aux hallucinations de l'IA. En effet, selon une étude récente de Salesforce, 78 % des salariés cesseraient d'utiliser un agent IA s'il produisait des réponses incorrectes. Si les temps de réponse rapides et instinctifs de type “système 1” permettent de traiter des requêtes simples, ils sont souvent moins performants face à des situations complexes. Les LLM ont la possibilité de combler ces lacunes en fournissant des résultats qui semblent réels, mais qui s'avèrent inexacts, ce qui crée des risques importants pour les entreprises.
Avec les taux d'hallucinations des chatbots IA sur le marché qui varient de 3 % à 27 %, la valeur apportée par un moteur de raisonnement de type “système 2” est indéniable : fonder les décisions sur un raisonnement plus profond réduit les erreurs, tout en fournissant des réponses plus complètes et plus nuancées à des questions complexes. Les agents IA qui utilisent un raisonnement de type “système 2”, alimentés par des solutions telles que Salesforce Data Cloud qui unifient et harmonisent les données des entreprises et des clients, minimisent davantage les risques d'hallucinations, tout en fournissant des informations plus contextuelles et exploitables, notamment des citations en ligne qui indiquent les sources utilisées par Agentforce pour élaborer sa réponse.
« Nous savons que les LLM peuvent avoir des hallucinations lorsqu'ils reçoivent des requêtes complexes », explique Claire Cheng, Ph.D., Vice-Présidente “Machine Learning & Ingénierie” chez Salesforce AI. « Mais en accédant aux données spécifiques d'un secteur d'activité ou d'un client, les agents peuvent raisonner beaucoup mieux et comprendre le contexte d'une demande pour fournir des réponses plus personnalisées et plus pertinentes », ajoute-t-elle.
Imaginez qu'un client d'une banque demande à un agent IA de lui expliquer comment l'évolution des taux d'intérêts peut affecter son portefeuille. Il s'agit d'une question complexe. Un système RAG typique ou un simple assistant d'IA générerait probablement une réponse simple, qui s'appuie sur des articles issus d'une base de connaissances accessible au public. Cependant, il ne serait pas en mesure d'évaluer d'autres considérations très pertinentes, telles que la somme que le client possède sur ses comptes d'investissement ou les conseils de la banque sur la manière d'identifier les fonds susceptibles d'être sensibles aux variations des taux d'intérêt.
En revanche, les agents capables d'effectuer des recherches et des raisonnements plus poussés pourraient fournir une réponse plus complète et détaillée pour conseiller le client sur la stratégie d'investissement à adopter, voire même donner quelques options de conseil financier pour guider sa prise de décision.
Par exemple, lorsqu'un moteur de raisonnement analyse une interaction avec un service client, il ne se contente pas de fournir une réponse unique et adaptée à la demande du client. Il évalue chaque élément de texte récupéré, réorganise les éléments les plus pertinents, puis synthétise la réponse finale en se basant uniquement sur les éléments qui correspondent à la requête du client. Grâce à des techniques améliorées de traitement des requêtes et aux métadonnées, les clients d'Agentforce ont pu améliorer de 33 % la précision des réponses par rapport aux solutions IA traditionnelles. Claire Cheng explique également que la pertinence des réponses fournies a doublé depuis la mise à disposition des premiers projets pilotes d'Atlas.
Les agents IA répondent déjà aux besoins des entreprises
« Pour la plupart des entreprises, choisir entre un copilote IA et un agent s’avère assez simple », poursuit Claire Cheng. « Si tout ce dont vous avez besoin, ce sont des réponses à des questions courantes, comme celles qu'un stagiaire ou un employé en début de carrière serait en mesure de fournir, alors les assistants ou copilotes d'IA traditionnels suffisent. Toutefois, si vous souhaitez vous appuyer sur un niveau d'expertise plus élevé, vous avez besoin d'agents dotés de moteurs de raisonnement avancés », ajoute-t-elle.
De nombreuses entreprises tirent déjà parti de ces capacités de raisonnement avancées d’Agentforce. Par exemple, The Adecco Group, leader mondial du recrutement, s’appuie sur Agentforce en tant qu’assistant, tant pour les recruteurs que pour les candidats. Fonctionnant 24 heures sur 24 et 7 jours sur 7, Agentforce traite efficacement des millions de CV, met en relation des candidats avec des opportunités d’emploi adaptées à leur profil et les présélectionne de manière proactive. Il aide également les candidats à affiner leur CV, ce qui permet d’optimiser le processus de recrutement et de mettre en valeur les compétences spécifiques des candidats.
C’est en combinant des agents spécialisés, des données clients et des automatisations de processus métiers que les entreprises pourront tirer parti des agents IA, quel que soit le rôle occupé au sein de l'entreprise.
Quelles prochaines évolutions pour les moteurs de raisonnement ?
À mesure que l'IA poursuit son développement, les moteurs de raisonnement joueront un rôle essentiel dans l'amélioration des capacités des agents autonomes. Phil Mui prévoit que ces systèmes deviendront encore plus efficaces grâce à des capacités qui leur permettront de fonctionner comme des experts spécifiques à un domaine d'activité, plutôt que comme des assistants polyvalents.
Les moteurs de raisonnement évolueront pour traiter des interactions de plus en plus complexes. Agentforce 2.0 peut désormais gérer une plus grande variété d'interactions, y compris celles qui nécessitent une réflexion approfondie. Par exemple, une question simple comme « Quel est l'état de mon portefeuille d'investissements ? » utilisera un raisonnement basique pour des réponses rapides. En revanche, une question plus approfondie, telle que « Quel est le bon véhicule d'investissement pour financer les études de mon enfant, en fonction de mes revenus et de mon appétence au risque ? » fera appel à un raisonnement plus poussé avec des extracteurs de données avancés.
« La différence entre cette nouvelle version d'Agentforce et la précédente est qu'elle est désormais capable de raisonner plus profondément, d'extraire des données à l'aide d'une technologie plus avancée et de générer non seulement des réponses simples, mais surtout des réponses exploitables », explique Claire Cheng.
Les prochaines innovations liées aux systèmes multi-agents et à l'IA collaborative pourraient encore accroître le potentiel des moteurs de raisonnement. En faisant collaborer des agents spécialisés, les entreprises seront en mesure de relever des défis complexes nécessitant des compétences diverses, de l'optimisation de la chaîne d'approvisionnement à la personnalisation des soins de santé. D'ici peu, les moteurs de raisonnement fourniront également les capacités pour que plusieurs agents puissent travaillent ensemble sur divers projets.
Par exemple, un spécialiste du marketing qui lance un nouveau produit pourrait utiliser un agent doté d'un moteur de raisonnement pour l'aider à élaborer une campagne. L'agent collaborerait avec d'autres agents qui diffuseraient cette campagne via les canaux pertinents, tout en dialoguant avec les clients pour répondre à leurs questions, puis en mobilisant des agents spécialisés sur les ventes qui finaliseraient la transaction.
A l’heure actuelle, la transition des moteurs de raisonnement du système 1 au système 2 est un véritable bond en avant dans le développement de l'IA. En intégrant des moteurs de raisonnement avancés, des entreprises comme Salesforce ouvrent la voie à des systèmes d'IA plus précis, plus fiables et mieux adaptés à la complexité des enjeux business des entreprises.
« Dans les années à venir, je pense que nous serons en mesure de fournir davantage d’agents spécialisés », ajoute Claire Cheng. « Le moteur de raisonnement devrait être l'un des premiers facteurs pris en compte par les entreprises lorsqu'elles comparent les options en matière d'agents IA et de plate-formes de travail numériques. »
Autres articles
-
Salesforce lance Tableau Einstein Alliance, un écosystème de partenaires pour accélérer le développement et l’intégration des agents IA analytiques
-
Salesforce accélère son expansion dans l'IA avec Zoomin
-
Salesforce dévoile une nouvelle version de Data Cloud qui révolutionne l'expérience client grâce à l'analyse de données non structurées
-
Salesforce dévoile une mise à jour de Tableau Einstein pour intégrer les agents IA autonomes sur sa plateforme analytique
-
Salesforce démocratise l’IA générative : fini les données clients inexploitées !
