Démarrer l'essai gratuit
Tendances Nouveau Genres Auteurs
EnglishEnglish
EspañolSpanish
简体中文Chinese
繁體中文Chinese (Traditional)
FrançaisFrench
DeutschGerman
日本語Japanese
PortuguêsPortuguese
ItalianoItalian
한국어Korean
РусскийRussian
NederlandsDutch
العربيةArabic
PolskiPolish
हिन्दीHindi
Tiếng ViệtVietnamese
SvenskaSwedish
ΕλληνικάGreek
TürkçeTurkish
ไทยThai
ČeštinaCzech
RomânăRomanian
MagyarHungarian
УкраїнськаUkrainian
IndonesiaIndonesian
DanskDanish
SuomiFinnish
БългарскиBulgarian
עבריתHebrew
NorskNorwegian
HrvatskiCroatian
CatalàCatalan
SlovenčinaSlovak
LietuviųLithuanian
SlovenščinaSlovenian
СрпскиSerbian
EestiEstonian
LatviešuLatvian
فارسیPersian
മലയാളംMalayalam
தமிழ்Tamil
اردوUrdu
Recherche en cours...
SoBrief
Intelligence artificielle agentique

Intelligence artificielle agentique

Titre original: Agentic Artificial Intelligence
Les agents d’IA peuvent agir sur des systèmes réels. Découvrez où fixer les limites avant qu’ils n’agissent.
par Pascal Bornet 2025 572 pages
3.89
409 évaluations
Écouter
Immersif
V2.3
Amazon Kindle Audible
Essayez l'accès complet pendant 3 jours
Débloquez l'écoute et bien plus !
Continuer

Points clés

Faire de l’IA une opératrice encadrée plutôt qu’une brillante conseillère

La capacité qui fait défaut, c’est l’action. L’IA générative peut produire un plan convaincant, mais un agent peut aussi utiliser des outils pour poursuivre un objectif. Le livre appelle cela l’IA agentique: un système d’IA qui perçoit son environnement, planifie, agit et réfléchit aux résultats. Elle naît de la combinaison de modèles linguistiques, capables d’interpréter et de raisonner, et de l’automatisation, qui exécute des actions numériques.

Trois échecs révèlent le fossé. Un itinéraire de vacances incluait des hôtels indisponibles, une équipe de recherche a failli présenter des sources fabriquées et des systèmes hospitaliers ont détecté un danger sans pouvoir coordonner une réponse. Ces cas illustrent des défaillances d’exécution, d’apprentissage et de coordination. Les agents visent à combler ces lacunes, mais ne sont pas des experts autonomes fiables: leurs actions exigent toujours des limites claires, une vérification et une supervision humaine.

Analyse

Le passage du conseil à l’action modifie le profil de risque, et pas seulement l’expérience utilisateur. Un paragraphe trompeur peut être vérifié avant d’être utilisé ; un agent ayant accès aux paiements, à la planification ou aux données des patients peut transformer une déduction erronée en événement réel. La définition des autorisations est donc aussi importante que la qualité du modèle. L’idée la plus forte du livre est que, dans la pratique, l’intégration fait partie de l’intelligence. Sa mise en garde est tout aussi importante : il ne faut pas confondre un système capable d’agir avec un système qui comprend les conséquences de ses actes.

Choisir le degré d’autonomie en fonction du risque, et non de l’attrait technologique

Les capacités se développent par étapes. Le Cadre de progression de l’IA agentique décrit des systèmes allant du travail manuel à l’automatisation fondée sur des règles, puis à l’automatisation intelligente, aux flux de travail agentiques, aux systèmes semi-autonomes et enfin aux systèmes entièrement autonomes. Selon le livre, la plupart des agents déployés se situent autour des niveaux 2 ou 3; le niveau 5 reste théorique, tandis que le niveau 4 n’apparaît principalement que dans des domaines restreints.

Plus d’autonomie n’est pas automatiquement préférable. Un calcul financier prévisible peut se prêter à une automatisation fondée sur des règles, tandis que la rédaction d’une réponse personnalisée à un client peut tirer parti d’un agent fondé sur un modèle linguistique, avec une vérification humaine. Ce cadre sert à adapter les capacités et la supervision à une tâche; il ne s’agit pas d’une course au niveau le plus élevé. Les auteurs conseillent, en pratique, de commencer par des systèmes plus simples, d’apprendre à connaître leurs modes de défaillance, puis d’accroître leur autonomie lorsque les éléments disponibles le justifient.

Analyse

Cette approche par étapes rappelle l’ingénierie de la sécurité, où les systèmes sont certifiés pour des conditions d’exploitation précises plutôt qu’évalués selon leur capacité théorique maximale. Elle permet aussi d’éviter une erreur courante en matière d’approvisionnement : acheter le produit le plus avancé avant même d’avoir défini le travail à accomplir. Ce cadre fournit un vocabulaire commun utile, mais ses niveaux ne constituent pas une norme technique universelle. Les organisations devraient évaluer les performances réelles de leurs propres flux de travail, car l’étiquette d’un fournisseur ne garantit ni fiabilité, ni autonomie, ni comportement sûr.

Donner à chaque agent une boîte à outils limitée et une issue sûre

Les outils transforment les plans en conséquences. Les agents peuvent utiliser des API, des bases de données ou des interfaces informatiques pour envoyer des messages, mettre à jour des dossiers et déclencher des transactions. Dans un cas de vente au détail, un agent de gestion des stocks a considéré des vins de grande valeur comme des produits invendus et les a mis en promotion, coûtant à l’entreprise près de 100 000 dollars de recettes potentielles. Il a suivi son objectif d’optimisation, mais n’avait pas le contexte commercial nécessaire pour comprendre que ces vins étaient destinés à vieillir.

Limiter délibérément les capacités. Les auteurs privilégient les agents spécialisés, en attribuant souvent un seul outil à chacun, et estiment qu’environ six outils peuvent constituer une limite supérieure pratique pour de nombreuses tâches. Définissez la finalité de chaque outil, ses entrées et ses sorties, ses restrictions et son comportement en cas de défaillance. N’accordez que les autorisations nécessaires, prévoyez des solutions de secours pour les services essentiels et offrez une voie d’escalade vers une personne lorsque la récupération automatisée échoue.

Analyse

Il s’agit d’appliquer à l’IA le principe du moindre privilège : un agent ne peut pas détourner une capacité qu’il ne possède pas. Des outils limités facilitent également les tests et les audits, comme la conception modulaire aide les ingénieurs à isoler les pannes. La spécialisation entraîne toutefois des coûts de coordination, surtout lorsque de nombreux agents se transmettent le travail. La bonne question n’est donc pas simplement de savoir combien d’outils un agent possède, mais si chaque capacité a un responsable clairement désigné, une finalité circonscrite et une procédure de reprise en cas de défaillance.

Amener les agents complexes à ralentir, à vérifier leurs hypothèses et à comparer leurs réponses

La reconnaissance rapide de motifs peut faire manquer des contraintes. Les auteurs ont testé un modèle linguistique et un modèle de raisonnement sur une grille de mots croisés dont les réponses devaient satisfaire des définitions qui se recoupaient. Le modèle linguistique a répondu presque instantanément, mais commis cinq erreurs importantes. Le modèle de raisonnement a pris plus de deux minutes et fourni une solution presque correcte, en exposant les contraintes, en essayant différentes possibilités et en vérifiant les lettres aux intersections.

Privilégier la délibération lorsque les erreurs comptent. Le livre décrit les modèles de raisonnement comme des systèmes entraînés à traiter les problèmes avec plus de méthode, et les systèmes multiagents comme des groupes d’agents spécialisés capables de se critiquer ou de se compléter. Une étude citée dans le livre a montré qu’un groupe diversifié de modèles avait atteint 91 % d’exactitude sur des problèmes mathématiques complexes. Multiplier les agents ne rend pas automatiquement le système plus sûr: une réponse erronée peut se propager dans un système connecté; des points de contrôle et une vérification indépendante sont donc essentiels.

Analyse

La distinction pratique oppose la production fluide à la satisfaction de contraintes. De nombreuses tâches professionnelles impliquent des dépendances, des exceptions et des règles qu’on ne peut résoudre en produisant simplement un texte plausible. Prendre le temps de délibérer et comparer des approches indépendantes peut révéler des erreurs, à l’image de l’évaluation par les pairs ou de l’informatique tolérante aux pannes. Toutefois, une chaîne de raisonnement visible ne prouve pas que l’explication d’un modèle reflète fidèlement la manière dont il a produit sa réponse. La vérification devrait confronter le résultat à des contraintes externes, plutôt que de récompenser simplement une explication élaborée.

Donner aux agents une mémoire utile, puis encadrer ce qu’ils conservent

La mémoire rend la continuité possible. Le livre distingue la mémoire à court terme, qui conserve le contexte de l’interaction en cours, la mémoire à long terme, qui retient les informations utilisées d’une session à l’autre, et les boucles de rétroaction, qui mettent à jour ce que le système utilise. La mémoire à long terme peut contenir des informations épisodiques sur des interactions passées, des faits sémantiques et des connaissances procédurales sur la manière d’accomplir des tâches.

La conservation doit être sélective. Un système de prise de rendez-vous médical qui mémorisait les préférences des patients aurait réduit de 70 % le temps de planification et augmenté leur satisfaction de 45 %. Mais tout sauvegarder créerait des problèmes de confidentialité, d’exactitude et de récupération des informations. Les auteurs recommandent de décider quelles données doivent être conservées, de ne récupérer que les informations pertinentes, de les vérifier pour repérer les erreurs ou les informations obsolètes, et de permettre aux utilisateurs de corriger ou de supprimer les éléments enregistrés. La mémoire n’améliore l’utilité que si elle reste exacte, pertinente et protégée comme il convient.

Analyse

La mémoire n’est pas une fonctionnalité neutre. Elle fait passer un assistant de la réponse à la demande présente à l’influence sur les échanges futurs, en s’appuyant sur les informations mémorisées à propos de l’utilisateur. Cela peut éviter des tâches répétitives, mais aussi conserver des préférences dépassées, des déductions erronées ou des détails sensibles. Les recherches sur la mémoire humaine offrent un contraste utile : les gens oublient et reconstruisent leurs souvenirs, tandis que les bases de données peuvent préserver précisément des informations, mais sans discernement. Une bonne conception doit assurer la continuité tout en prévoyant des mécanismes de correction, de suppression et de consentement.

N’automatiser des tâches qu’après en avoir démontré l’intérêt et la faisabilité

Trouver la bonne première tâche. Les Trois cercles des occasions offertes par l’IA agentique invitent à se demander si l’automatisation d’une tâche aurait un impact notable, si les technologies actuelles peuvent l’accomplir et si l’effort est justifié. Recherchez des tâches répétitives reposant sur des données accessibles, des critères de réussite clairs et des conséquences maîtrisables en cas de problème. Les auteurs mettent en garde contre l’automatisation de postes entiers ou de processus mal compris.

Définir l’agent avant de le construire. Leur Cadre A.G.E.N.T. couvre l’identité, les outils et le modèle, le flux de travail, les règles de décision, ainsi que les tests et la confiance. Pour créer une lettre d’information, un projet a fait appel à des agents spécialisés dans la recherche, le résumé, la compilation et la mise en forme, tandis que des personnes sélectionnaient les articles et approuvaient la publication. Selon les auteurs, le temps de production hebdomadaire est ainsi passé de plus de dix heures à moins de deux. La leçon consiste à commencer par une tâche mesurable et à repenser le processus, plutôt que de se contenter d’automatiser ses défauts existants.

Analyse

Cette approche associe le coût d’opportunité à la préparation de la mise en œuvre, ce qui constitue une base d’investissement plus solide que le seul enthousiasme technologique. Elle reconnaît aussi qu’un processus est un arrangement social, et non une simple succession de clics. Une tâche qui semble répétitive peut dissimuler des exceptions, un jugement informel ou des responsabilités que la documentation ne révèle pas. De petits projets pilotes peuvent mettre au jour ces dépendances cachées, mais les équipes devraient mesurer la qualité et les effets en aval, en plus du temps gagné. Sinon, un chiffre d’efficacité impressionnant pourrait simplement déplacer le travail vers les personnes chargées de la vérification ou vers les clients.

Repenser les flux de travail avec les employés, puis accroître l’autonomie en fonction des résultats

Le déploiement transforme le travail des gens. Dans le cas de Pets at Home présenté dans le livre, un scribe IA transcrivait les consultations vétérinaires avec une exactitude annoncée de 99,6 %, tandis que des agents contribuaient aussi à la détection de la fraude et au travail des employés en magasin. L’entreprise a associé des projets ambitieux à des applications ciblées et à une supervision humaine lorsque l’exactitude était essentielle. Cet exemple montre que la valeur créée par l’IA dans une entreprise dépend de la qualité des données, de l’intégration et de la conception du travail, et pas seulement de l’agent lui-même.

Laisser la confiance se construire avec l’expérience. Les auteurs recommandent de commencer par une vérification étroite, puis de concentrer l’attention humaine sur les cas complexes ou lourds de conséquences lorsque les performances deviennent fiables. Les employés devraient contribuer à cartographier les flux de travail, à tester les prototypes et à repérer les situations où l’agent doit transmettre le dossier à une personne. Une baisse temporaire d’efficacité peut se produire pendant que chacun apprend de nouvelles habitudes. Considérer cette période d’adaptation comme un travail de mise en œuvre, plutôt que comme une preuve d’échec, donne aux équipes le temps d’acquérir des compétences pratiques et une confiance bien calibrée.

Analyse

Il s’agit autant d’un argument en faveur du changement organisationnel que d’un argument technologique. La participation donne aux employés la possibilité d’apporter leur connaissance du terrain et de prendre part à la refonte du travail, tandis que l’autonomie progressive évoque l’apprentissage auprès d’un maître : les responsabilités augmentent avec les compétences démontrées. Toutefois, la consultation ne saurait remplacer un pouvoir réel. Si les employés contribuent à configurer les systèmes, mais n’ont aucune voix au chapitre sur les conséquences pour les effectifs ou sur la surveillance, leur participation peut sembler purement cosmétique. Une refonte efficace devrait prévoir des transitions de rôle claires, de la formation et une explication crédible de la répartition des bénéfices issus de l’automatisation des tâches courantes.

Intégrer au système la responsabilité humaine et les garanties techniques

L’autonomie doit être encadrée avant le lancement. Le livre relate des cas où des agents ont pris des engagements inappropriés, commandé trop de stocks ou généré des opérations boursières qui ont soulevé des préoccupations de conformité. De telles défaillances peuvent survenir même lorsqu’un système poursuit l’objectif qui lui a été assigné. Les garanties recommandées comprennent des limites de transaction, des seuils d’approbation, des pistes d’audit, de la surveillance, des contrôles de confidentialité et un moyen permettant aux personnes d’arrêter ou de remplacer les actions du système.

La gouvernance relève de plusieurs responsables. Les gouvernements établissent les règles et les mécanismes de responsabilité, les organisations fixent les normes de déploiement et surveillent les systèmes, et les opérateurs interviennent dans des flux de travail précis. Parmi les protections concrètes figurent les tests dans des conditions de défaillance, l’escalade lorsque le niveau de confiance est faible et les disjoncteurs qui interrompent une succession d’erreurs. La gouvernance doit faire partie de la conception des cas d’usage, et non se réduire à des formalités administratives ajoutées après le déploiement. La vérification humaine n’a de sens que si les personnes chargées de l’effectuer disposent d’assez de contexte, d’autorité et de temps pour modifier la décision d’un agent.

Analyse

Le principe essentiel pour concevoir ces systèmes est celui du confinement : il faut partir du principe que des composants peuvent tomber en panne, puis empêcher qu’une défaillance ne se transforme en cascade. Cette approche relie la gouvernance de l’IA à l’aviation, à la cybersécurité et aux contrôles des risques financiers, où la sûreté dépend de défenses à plusieurs niveaux plutôt que d’une prédiction parfaite. La simple mention d’une intervention humaine ne prouve pas grand-chose ; une personne qui entérine mécaniquement des résultats opaques n’assure pas une supervision efficace. La responsabilité exige également des décisions traçables et une partie clairement désignée pour intervenir lorsque la surveillance révèle un préjudice.

Développer le jugement humain tout en décidant qui profite des gains de l’automatisation

Le rôle humain doit évoluer, sans être idéalisé. Les auteurs mettent en avant trois capacités tournées vers l’avenir: l’adaptabilité au changement, la compétence dans le travail avec l’IA et les capacités spécifiquement humaines qu’ils appellent Humics, notamment la créativité, le jugement critique et l’authenticité dans les relations sociales. À mesure que les agents prennent en charge les tâches courantes, les personnes pourront consacrer davantage de temps aux décisions complexes, aux relations et à la création. Le livre cite des expériences de réduction du temps de travail hebdomadaire comme preuve que la productivité ne doit pas nécessairement se traduire par des horaires plus longs.

L’issue sociale est un choix. L’IA peut libérer du temps pour l’apprentissage, le soin et la participation à la vie collective, mais le travail économisé ne se transforme pas automatiquement en loisirs ou en rémunération équitable. L’éducation, les transitions professionnelles, la gouvernance et des politiques comme le revenu de base universel déterminent toutes qui en bénéficie. Les auteurs préconisent de mesurer la réussite en fonction du bien-être humain autant que de l’efficacité, tout en reconnaissant que la répartition des gains demeure une question sans réponse.

Analyse

L’argument distingue judicieusement les possibilités techniques du devenir social. Les gains de productivité peuvent favoriser la réduction du temps de travail, l’amélioration des services ou l’augmentation des profits ; les institutions et le pouvoir de négociation contribuent à déterminer laquelle de ces issues se concrétise. De même, la créativité et l’empathie sont importantes, mais elles ne doivent pas servir de prétexte à abandonner les travailleurs dont les tâches sont automatisées. L’éducation doit apprendre aux gens à questionner, à interpréter et à collaborer, et non seulement à utiliser de nouveaux outils. Le critère central est la répartition : l’accroissement des capacités des machines élargit-il l’autonomie humaine pour tous, ou concentre-t-il le contrôle et les récompenses ?

Analyse

La contribution la plus durable du livre tient à sa redéfinition opérationnelle de l’IA. Au lieu de traiter la fluidité des modèles linguistiques comme une fin en soi, il demande ce qui se passe lorsqu’un modèle peut utiliser des outils, retenir certaines informations et poursuivre un objectif en plusieurs étapes. Cette perspective rend la technologie intelligible aux gestionnaires et aux praticiens: l’autonomie est une variable de conception, l’accès aux outils constitue une surface de risque et la mémoire relève d’un choix organisationnel. Le cadre de progression et les conseils de mise en œuvre offrent un vocabulaire pratique pour parler des capacités sans supposer que tout produit qualifié d’agent est aussi autonome qu’un autre.

Son procédé narratif le plus efficace consiste à opposer une recommandation impressionnante à un transfert qui échoue dans le monde réel. Le planificateur de vacances, l’incident évité de justesse dans le domaine de la recherche et le scénario de coordination hospitalière rendent mémorables les lacunes d’exécution, d’apprentissage et de coordination. Pourtant, la multiplicité des exemples pose aussi un problème de preuve. Les résultats rapportés par des entreprises et l’échantillon de recherche portant sur 167 entreprises constituent des indications utiles, mais le texte ne démontre pas que les gains de productivité annoncés se généralisent à tous les secteurs, à toutes les tâches ou à toutes les organisations. Les lecteurs devraient les considérer comme des éléments de preuve issus de cas particuliers, et non comme des prévisions universelles.

Il existe une tension féconde entre le fait de présenter les agents comme des collègues numériques et celui de décrire des systèmes probabilistes, limités par leur contexte et dépendants d’outils soigneusement encadrés. La métaphore du collègue aide les équipes à réfléchir à la délégation et à l’intégration, mais elle peut aussi laisser entendre un degré de compréhension ou de responsabilité que le modèle ne possède pas. L’interprétation la plus sûre est fonctionnelle: les agents accomplissent les tâches qui leur sont assignées, tandis que les personnes et les institutions restent responsables des objectifs, des autorisations, de la validation et des conséquences.

La vision sociale du livre est la plus forte lorsqu’elle refuse d’assimiler l’efficacité au progrès. L’automatisation peut libérer les gens des tâches répétitives, mais le temps et la richesse qui en résultent ne sont pas automatiquement partagés. Cette idée relie l’architecture technique aux relations de travail, à l’éducation et à la gouvernance publique. La question essentielle n’est donc pas seulement de savoir si les agents peuvent agir, mais aussi qui définit leurs objectifs, qui peut contester leurs actions et qui reçoit la valeur qu’ils créent.

Résumé en 30 secondes
Les agents d’IA peuvent utiliser des outils, conserver des informations et poursuivre des objectifs : leurs permissions et leur mémoire doivent donc être encadrées avec soin. Adaptez leur autonomie aux conséquences de la tâche et commencez par des tâches répétitives dont les critères de réussite sont clairs. Limitez les outils, prévoyez une approbation humaine et des dispositifs d’arrêt d’urgence, et n’accroissez l’autonomie que lorsque la fiabilité des performances est démontrée. L’automatisation peut faire gagner beaucoup de temps, mais ces gains d’efficacité ne profitent pas automatiquement aux travailleurs.
Contient des spoilers

Dernière mise à jour:

Signaler un problème

Résumé des avis

3.89 sur 5
Moyenne de 409 évaluations de Goodreads et Amazon.

Rien à traduire ici, le contenu fourni est nul.

Votre note :
4.44
166 évaluations
Envie de lire le livre complet ?

Glossaire

IA agentique

IA qui poursuit des objectifs

Un système d’IA qui utilise des modèles et des outils numériques pour atteindre un objectif précis au moyen d’une succession d’actions. Au lieu de simplement générer une réponse à une invite, il peut recueillir des informations, planifier des étapes, agir par l’intermédiaire de systèmes connectés et s’adapter en fonction des résultats. Son autonomie dépend de ses outils, de ses instructions, de sa mémoire et de la supervision dont il fait l’objet.

Cadre SPAR (percevoir, planifier, agir, réfléchir)

Percevoir, planifier, agir, réfléchir

Un modèle du cycle fondamental par lequel un agent d’IA poursuit un objectif. L’agent perçoit les informations de son environnement, planifie une ligne de conduite, agit au moyen des outils disponibles et réfléchit aux résultats pour orienter les étapes suivantes. Ce cadre décrit des capacités, mais n’indique pas avec quelle fiabilité ni quel degré d’autonomie un agent donné les met en œuvre.

Cadre de progression de l’IA agentique

Niveaux de capacité des agents

Une classification en six étapes qui commence par le travail humain manuel au niveau 0, puis passe par l’automatisation fondée sur des règles, l’automatisation intelligente, les flux de travail agentiques et les systèmes semi-autonomes, jusqu’au système entièrement autonome, qui reste théorique. Elle aide les organisations à comparer les capacités et les besoins en matière de supervision. Les niveaux décrivent différents degrés d’autonomie ; ils ne signifient pas que le niveau le plus élevé est toujours préférable.

Trois piliers (action, raisonnement, mémoire)

Action, raisonnement, mémoire

Les trois capacités que le livre juge nécessaires pour rendre les agents d’IA utiles dans le travail réel. L’action permet à un agent d’agir sur des systèmes au moyen d’outils ; le raisonnement l’aide à interpréter le contexte, à planifier et à choisir parmi différentes étapes ; la mémoire lui permet de conserver des informations pertinentes et de tirer parti des retours. Une faiblesse dans l’une de ces capacités peut compromettre un système qui semble performant aux tests de référence.

Cadre de résilience des outils

Évaluer les risques de défaillance des outils

Une méthode d’évaluation des outils selon le degré de contrôle dont dispose une organisation sur leur disponibilité et l’importance de chacun d’eux pour la mission d’un agent. Les outils difficiles à maîtriser et ayant un fort impact nécessitent des solutions de secours fiables et des plans de repli testés. Le cadre prévoit également une escalade vers un humain lorsque les solutions automatisées ne peuvent pas accomplir la tâche sans risque.

Cadre A.G.E.N.T.

Un plan de conception d’agent

Un guide en cinq parties pour créer un agent d’IA. Il couvre l’identité de l’agent, ses outils et son modèle, son exécution et son flux de travail, sa navigation et ses règles, ainsi que les tests et la confiance. Cette démarche invite les concepteurs à définir l’objectif et les limites de l’agent, à choisir les modèles et les outils, à préciser le flux de travail et les règles de décision, puis à tester continuellement les performances, à recueillir des retours et à gérer le degré d’autonomie.

Modèle de confiance progressive

Accroître l’autonomie sur la base de preuves

Une approche graduelle de la supervision humaine selon laquelle un agent commence sous étroite surveillance, passe à une vérification sélective après avoir démontré la fiabilité de ses performances et finit par fonctionner sous supervision stratégique pour les tâches courantes. Chaque étape doit répondre à des critères explicites. Ce modèle considère que la confiance se construit à partir de comportements observés, et non qu’elle découle d’une décision d’accorder une autonomie totale dès le déploiement.

Capacités humaines distinctives (Humics)

Capacités propres aux humains

Le terme employé par le livre pour désigner les capacités qui, selon lui, restent particulièrement importantes aux côtés de l’IA, notamment la créativité authentique, le jugement critique et l’authenticité sociale. Elles aident les personnes à interpréter les résultats de l’IA, à prendre des décisions nuancées, à nouer des relations humaines et à créer des œuvres ayant une portée émotionnelle ou éthique. Ce concept vise à orienter le développement professionnel vers des forces complémentaires des capacités des machines.

Mémoire épisodique, sémantique et procédurale

Trois types de connaissances conservées

Trois catégories servant à décrire la mémoire à long terme des agents d’IA. La mémoire épisodique consigne des interactions et des résultats particuliers ; la mémoire sémantique stocke des faits et des connaissances propres à un domaine ; la mémoire procédurale représente des flux de travail et des instructions pratiques. Un système peut combiner ces trois types de mémoire pour personnaliser ses réponses, retrouver les connaissances pertinentes et exécuter les tâches de façon cohérente.

À propos de l'auteur

Rien à traduire ici, le contenu fourni est vide.

Télécharger le PDF

Pour garder le résumé de Intelligence artificielle agentique pour plus tard, téléchargez gratuitement le PDF. Vous pouvez l’imprimer ou le lire hors ligne quand vous le souhaitez.
Download PDF

Télécharger l'EPUB

Pour lire le résumé de Intelligence artificielle agentique sur votre liseuse ou dans une application de lecture, téléchargez gratuitement l’EPUB. Le format numérique .epub est idéal pour lire des livres numériques sur téléphone, tablette ou liseuse.
Download EPUB
Envie de lire le livre complet ?
Suivre
Écouter
Accueil
Swipe
Biblio
Appli
Essayez l'accès complet pendant 3 jours
Écoutez, enregistrez, et plus encore
Comparer les fonctionnalités Gratuit Pro
📖 Lire les résumés
Lisez des résumés illimités. Les utilisateurs gratuits en reçoivent 3 par mois
🎧 Écouter les résumés
Écoutez des résumés illimités dans 40 langues
—
❤️ Favoris illimités
Limité à 4 pour les utilisateurs gratuits
—
📜 Historique illimité
Limité à 4 pour les utilisateurs gratuits
—
📥 Téléchargements illimités
Limité à 1 pour les utilisateurs gratuits
—
Calendrier sans engagement
Aujourd'hui : Accès immédiat
Écoutez les résumés complets de plus de 26 000 livres. Soit plus de 12 000 heures d'audio !
Jour 2 : Rappel d'essai
Nous vous enverrons une notification pour vous informer que votre essai se termine bientôt.
Jour 3 : Votre abonnement commence
Vous serez débité le 24 nov.,
annulez à tout moment avant.
Consume 2.8× More Books
2.8× livres de plus Écoute Lecture
Nos utilisateurs nous adorent
1M+ lecteurs
Trustpilot Rating
TrustPilot
4.6 Excellent
Ce site change tout. Je n'ai jamais lu autant de résumés aussi rapidement. Je recommande vivement.
— Dave G
Ça vaut vraiment le coup en temps et en argent, et c'est très bien fait. Je n'ai jamais vu cette qualité de résumés ailleurs. Très utile !
— Em
Hautement recommandé !! Service fantastique. Parfait pour ceux qui veulent plus qu'un aperçu sans tous les détails d'un livre audio complet.
— Greg M
Économisez 62 %
Annuel
$119.88 $44.99/an/an
$3.75/mois
Mensuel
$9.99/mois
Démarrer un essai gratuit de 3 jours
3 jours gratuits, puis $44.99/an. Annulez à tout moment.
Unlock a world of fiction & nonfiction books
Plus de 26 000 livres pour le prix de 2 livres
Lisez n'importe quel livre en 10 minutes
Découvrez de nouveaux livres comme sur Tinder
Demandez n'importe quel livre s'il n'est pas encore résumé
Lisez plus de livres que quiconque
L'appli n°1 pour les amateurs de livres
Lifelike & immersive summaries
Garantie satisfait ou remboursé 30 jours
Téléchargez les résumés en EPUB ou PDF
Annulez à tout moment en quelques clics

Pourquoi un seul résumé ?

Scanner
Trouvez un code-barres à scanner

⭐
⭐
⭐
Nous avons un cadeau spécial pour vous
Ouvrir
38 % de réduction
RÉDUCTION POUR VOUS
⭐
⭐
⭐
$79.99
$49.99/an
Seulement $4.16 par mois
Continuer
2 touches pour commencer, résiliation ultra simple
Paramètres
Général
Widget
Chargement...