Modèle 6 : fonctionnalités axées sur l’IA

Concevez de nouvelles fonctionnalités avec des agents en tant que blocs de construction principaux, et non pas des modifications aux flux de travail existants. Ces fonctionnalités n’étaient pas possibles avant l’IA. Ils s’améliorent au fil du temps grâce aux commentaires, à l’apprentissage et à l’optimisation continue.

Dans ce modèle, les agents opèrent dans des boucles de sens-décider-agir : surveillance continue des signaux, prise de décisions autonomes dans les limites, exécution d’actions et apprentissage des résultats. Ces systèmes ne sont pas des assistants. Ce sont des systèmes intelligents qui créent une valeur métier.

Note

Ce modèle diffère des cinq autres par sa nature, et pas seulement par son degré. Il n’existe aucun processus existant à comparer, aucune base de référence à améliorer et aucun flux de travail titulaire pour guider la conception. Vous devez tout construire, y compris la manière dont vous mesurez le succès.

Ce que ce modèle est

Les fonctionnalités métier d’IA commencent par une question que les autres modèles ne se posent jamais : que pouvons-nous faire que nous n’avons tout simplement pas pu faire avant ? La réponse n’est pas une version plus rapide du travail d’aujourd’hui. C’est une nouvelle capacité, souvent une boucle autonome qui détecte une situation, décide et agit, et qui s’améliore au fil du temps. Les agents sont les éléments constitutifs de la capacité, et non un ajout greffé sur un flux existant.

Ce modèle est l’expression la plus aboutie du volet exécution du passage de l’assistance à l’exécution. Parce qu’il n’y a pas de précédent, vous devez inventer la conception, les garde-fous et les mesures.

Que font les agents

Les agents de ce modèle passent au-delà de l’exécution de flux de travail définis pour fonctionner de manière autonome :

  • Moteurs d’optimisation continue : tarification, inventaire, planification.
  • Boucles de décision natives de l’IA : détection des fraudes, réponse aux anomalies, routage adaptatif.
  • Plateformes de détection de marché : surveillance concurrentielle, analyse des tendances, identification des opportunités.
  • Systèmes de planification prédictive : prévision de la demande, planification de la capacité, modélisation des risques.
  • Génération de flux de travail autonome : agents qui conçoivent et optimisent leurs propres processus.
  • Orchestration multi-agent : équipes coordonnées d’agents spécialisés qui résolvent des problèmes complexes.

Ces fonctionnalités créent de la valeur qui n’existe pas sans IA. Ils ne sont pas des versions plus rapides des processus existants. Ils sont vraiment nouveaux.

Ce que font les humains

Les humains agissent en tant que propriétaires de produits. Ils définissent des objectifs, définissent des limites, surveillent les résultats et prennent des décisions stratégiques sur l’évolution des capacités. Ils ne font pas le travail. Au lieu de cela, ils régissent le système qui s’en charge.

Cette transformation de rôle est la plus importante de n’importe quel modèle. Les humains responsables sont responsables des résultats même s’ils n’exécutent pas le travail eux-mêmes. Voici ces restrictions :

  • Définissez les critères de réussite et les métriques de résultat pour les systèmes autonomes.
  • Définissez les limites dans lesquelles les agents opèrent (et ajustez-les à mesure que la confiance se renforce).
  • Surveillez les boucles d’apprentissage pour garantir que les fonctionnalités s’améliorent dans la bonne direction.
  • Prenez des décisions stratégiques sur le moment où développer l’autonomie de l’agent.
  • Régir les pratiques d’IA responsables à mesure que les fonctionnalités deviennent plus sophistiquées.

Fonctionnement du modèle d’exploitation

Le déploiement de ce modèle nécessite des modifications sur quatre dimensions :

Dimension Avant Après
Personnes Opérateurs exécutant des tâches Propriétaires de produits qui régissent les fonctionnalités
Agents Exécution d’étapes prédéfinies Boucles autonomes de perception-décision-action
Gouvernance Vérifications de conformité Contrôles incorporés au cycle de vie avec surveillance continue
Metrics Débit et efficacité Facultatif stratégique + taux d’apprentissage + vitesse d’adaptation

Profil de maturité cible

Ce schéma exige une maturité maximale pour les cinq facteurs de capacité. Il n’y a pas de raccourcis.

Profil de maturité

Facteur moteur de capacité Niveau cible Pourquoi
Technologie et données 500 (Efficace) Le changement d’échelle. Orchestration multi-agent, télémétrie en temps réel et infrastructure d’apprentissage.
Stratégie et expérience IA 500 (Efficace) La capacité est la stratégie, menée selon un processus d’itération continue.
Stratégie métier 500 (Efficace) Nouvelle fonctionnalité métier, avec des processus adaptatifs et autonomes.
Gouvernance et sécurité 500 (Efficace) Gestion prédictive des risques et conformité continue pour les systèmes autonomes.
Organisation et culture 500 (Efficace) Une communauté autonome et une culture d’apprentissage qui peut inventer et exploiter le nouveau.

Insights clés : ce modèle exige la maturité la plus élevée parmi toutes les fonctionnalités. Il n’existe aucun processus existant à comparer, aucune base de référence pour mesurer l’amélioration et aucun flux de travail titulaire pour guider la conception. Tout doit être construit, y compris la manière dont vous mesurez le succès.

Facteur de changement d’échelle : technologie et données, notamment l’orchestration multi-agent, la télémétrie en temps réel et l’infrastructure d’apprentissage. Sans une base technique robuste, les capacités autonomes deviennent imprévisibles et indécurisables.

Les fonctionnalités IA-first sont détenues en tant que produits, couvrent plusieurs domaines et nécessitent des équipes de produits distribuées fonctionnant au sein de normes partagées. Le Centre d’excellence fournit des modèles d’architecture, des frameworks IA responsables et des normes d’orchestration. Il ne fournit pas de manière centralisée.

Tip

Dans ce modèle, le rôle déterminant est celui du product owner de l’agent. Il s’agit d’un produit, et non d’un projet. Il a besoin d’une discipline de gestion des produits : une feuille de route, un backlog, une définition du succès et une équipe engagée dans son évolution à long terme. Sans ce rôle, la fonctionnalité est générée une fois et n’a jamais été améliorée.

En savoir plus sur la structure, les rôles et la gouvernance à plusieurs niveaux de risque dans Créer un Centre d’excellence agentique.

Ce dont vous avez besoin et n’en avez pas besoin

Tu as besoin de:

  • Propriété du produit avec des équipes dédiées : chaque fonctionnalité a besoin d’un propriétaire de produit et d’une équipe avec le mandat, les compétences et la continuité pour le développer au fil du temps. Ce développement n’est pas un projet qui se termine.
  • Limites de l’autonomie avec surveillance continue : définissez des limites claires qui évoluent à mesure que la confiance s’installe. Commencez à faire preuve de prudence et développez-les en fonction des preuves.
  • Boucles d’apprentissage continu : la fonctionnalité s’améliore à travers chaque interaction. Conception pour l’apprentissage dès le début, car il est beaucoup plus difficile de l’ajouter ultérieurement.
  • Pratiques intégrées de l’IA responsable : l’éthique et la sécurité doivent être intégrées à l’architecture, pas boulonnées après le déploiement. Cette approche inclut les tests de biais, l’évaluation de l’équité et la conception d’explication.
  • Culture de l’expérimentation avec des contrôles à sécurité intégrée : Les équipes ont besoin d’être autorisées à essayer de nouvelles approches et de garde-fous clairs lorsque les choses tournent mal. Les cultures qui punissent l’échec ne peuvent pas créer de systèmes d’apprentissage.
  • Architecture multi-agent : si votre fonctionnalité implique des agents coordonnés, concevez la coordination de l’agent à agent dès le début. La rénovation de l’architecture multi-agent est coûteuse.

Vous n’avez pas besoin des éléments suivants :

  • Automatisation incrémentielle : ce modèle ne concerne pas la création de processus existants 10% plus rapidement.
  • Livraison informatique centrale : ces fonctionnalités nécessitent des équipes de produits dédiées avec une expertise de domaine.
  • Modernisation des flux de travail existants : conception à partir de zéro pour l’exécution native de l’IA. Les contraintes de flux de travail héritées limitent ce qui est possible.
  • Builds ponctuelles : ces fonctionnalités doivent continuellement apprendre et améliorer. Une capacité qui n’apprend pas se dégrade avec le temps.
  • Gestion de projet traditionnelle : utilisez la gestion des produits avec des cycles d’expérience. Les jalons et les livrables sont le modèle de gouvernance incorrect pour les systèmes d’apprentissage.

IA responsable à grande échelle

Les fonctionnalités axées sur l’IA sont à l’avant-garde du fonctionnement autonome de l’IA. Les pratiques d’IA responsables sont particulièrement critiques ici, car :

  • Les agents opèrent avec une autonomie élevée et une surveillance humaine limitée en temps réel.
  • Les erreurs peuvent se propager à la vitesse de la machine avant que les humains puissent intervenir.
  • Les systèmes d’apprentissage peuvent développer des comportements inattendus au fur et à mesure qu’ils optimisent.
  • L’échelle de l’impact, à la fois positive et négative, est supérieure à n’importe quel autre modèle.

Générez l’IA responsable dans votre architecture dès le premier jour :

  • Explication : Pouvez-vous comprendre pourquoi le système a pris une décision spécifique ? Si ce n’est pas le cas, vous ne pouvez pas détecter ou corriger la dérive.
  • Surveillance des biais : évaluez en permanence si l’apprentissage renforce les préjugés ou crée des résultats inéquitables.
  • Fonctionnalité de restauration : Pouvez-vous revenir à un état précédent si une mise à jour d’apprentissage est incorrecte ?
  • Remplacement humain : même dans des systèmes entièrement autonomes, définissez les conditions dans lesquelles un humain peut intervenir et comment cette intervention est implémentée.

Apprenez-en davantage sur les principes d’application de l’IA responsable.

Métriques de valeur et de réussite

La valeur ici est l’existence d’une fonctionnalité qui n’existait pas avant et les nouveaux résultats qu’il crée. Menez avec des mesures de création de valeur et d’existence, et non des pourcentages d’efficacité, car il n’y a pas de base antérieure à améliorer.

À quoi ressemble la valeur

  • Nouvelles fonctionnalités qui n’étaient pas possibles avant l’IA.
  • Nouveaux revenus, services ou modèles métier.
  • Réponse autonome à une vitesse et à une échelle qu’aucun processus manuel ne pourrait atteindre.
  • Un avantage cumulatif à mesure que la capacité apprend et s’améliore.

Métriques de réussite à suivre

Catégorie Exemples de mesures Ce qu’il vous dit
Création de valeur (titre) Nouveau chiffre d’affaires ou nouveau modèle économique créé, apparition d’une nouvelle capacité (« pouvons-nous désormais faire X ? »), nouvelle portée atteinte Indique si la fonctionnalité crée une valeur qui n’existe pas avant.
Autonomie et boucle Latence de décision du signal à l’action, taux d’achèvement des tâches autonomes, débit de boucle et mise à l’échelle, coût unitaire par tâche autonome Si la boucle perception-décision-action fonctionne à la vitesse et à l’échelle d’une machine.
Qualité et sécurité Scores d’évaluation, d’ancrage et de sécurité, taux d’escalade et de repli Indique si le système autonome reste correct et sûr à mesure qu’il s’exécute.
Débit d’innovation Temps de lancement d’une nouvelle fonctionnalité, nombre de fonctionnalités en production, réutilisation dans les scénarios Que vous puissiez atteindre à plusieurs reprises la frontière, pas seulement une seule fois.
Governance Part des agents sous identité managée, taux de conformité aux politiques, nombre d’agents fantômes Si le patrimoine autonome reste régi au fur et à mesure qu’il augmente.

Comment mesurer

  • Les évaluations de Microsoft Foundry et l’observabilité permettent de suivre le comportement de l’agent et d’évaluer la qualité et la sécurité, ce qui est particulièrement important lorsqu’il n’existe pas de référence de base.
  • Définissez la mesure du succès à l’avance, car la fonctionnalité n’a pas de précédent. Décidez de ce que l’on dirait « bon » avant de lancer.
  • Microsoft Agent 365 gouverne et mesure l’environnement autonome, y compris la découverte des identités et des agents fantômes.

Tip

Ne jugez pas une capacité entièrement nouvelle à l’aune d’anciens indicateurs d’efficacité. « Combien de temps avons-nous sauvé » suppose un processus qui n’existe pas. Mesurez si la fonctionnalité existe maintenant, quelle nouvelle valeur elle crée et comment s’exécute la boucle autonome en toute sécurité. Concevez la métrique en parallèle de la fonctionnalité.

Anti-modèles courants

Les défaillances dans ce domaine proviennent du traitement du travail de frontière comme un projet normal.

Anti-modèles À quoi ça ressemble. Que faire à la place
Productivité déguisée La fonctionnalité « entièrement nouvelle » n’est en réalité qu’une tâche existante réalisée plus rapidement. Testez l’idée : pourriez-vous le faire du tout avant l’IA ? Si oui, elle appartient à un autre modèle.
Anciennes métriques sur le nouveau travail Le succès est jugé par le temps enregistré par rapport à une base de référence qui n’existe pas. Définissez les mesures d’existence et de création de valeur avant.
Construction avant que la fondation ne soit prête La fonctionnalité démarre avant la technologie, les données et la gouvernance sont suffisamment matures. L’infrastructure ne peut pas prendre en charge les boucles d’apprentissage, la télémétrie et la surveillance dont elle a besoin. Par conséquent, le système n’est pas imprévisible sans visibilité sur la raison pour laquelle il se comporte comme il le fait. Atteignez d’abord une maturité suffisante en matière de technologie, de données et de gouvernance. Générez l’orchestration, la télémétrie en temps réel et la boucle d’apprentissage avant la fonctionnalité.
Apprentissage sans garde-fous Le système apprend des données opérationnelles sans surveillance, renforçant des modèles inattendus, optimisant pour l’objectif incorrect ou amplifiant les biais présents dans les données. Définissez ce que le système doit et ne doit pas apprendre avant d’activer l’apprentissage et surveillez-le en continu.
Aucun garde-fou inventé Les limites de sécurité sont supposées à partir d’autres modèles qui ne conviennent pas. Concevoir des garde-fous spécifiquement pour cette fonctionnalité, car il n’y a aucun précédent.
Révision responsable de l’IA planifiée après le lancement L’équipe prévoit d’aborder les enjeux de l’IA responsable une fois la capacité démontrée. Par la suite, l’architecture est fixe et le coût du changement est élevé. Incorporez l’IA responsable dès le début.
Approche projet appliquée à un produit L’équipe franchit l’étape de la mise en production et estime le travail terminé. La fonctionnalité n’est pas maintenue, les boucles d’apprentissage ne sont pas surveillées et le système se dégrade au fil du temps. Traitez-le comme un produit avec un engagement de gestion indéfini, pas un projet qui se termine au lancement.
Expérimentation non gouvernementale Les agents de frontière prolifèrent sans identité ni surveillance. Gouverner avec une identité managée et un registre à partir du début.

Témoignages de clients

Ces témoignages clients publiés par Microsoft illustrent comment une expertise peut être déployée à grande échelle grâce à des agents fondés sur des sources et citant leurs références, tout en laissant aux personnes la responsabilité finale.

Client Résultat signalé
Microsoft (Ask Microsoft) Un système multi-agent, avec des sous-agents spécialisés ancrés sur du contenu spécifique, offre jusqu’à 61% latence inférieure et jusqu’à 70% moins d’escalades humaines, avec des visiteurs engagés beaucoup plus susceptibles de s’inscrire.
Fujitsu Une IA composite orchestre plusieurs agents spécialisés et un agent d’orchestrateur qui répondent « en tant qu’équipe ». Cette architecture multi-agent, qui n’existait pas dans l’IA générative conventionnelle, améliore la création de propositions de 67%.
Quantum Capital Group Réduisez la planification du scénario de développement de champs de 3 semaines à 20 minutes avec l’optimisation géospatiale sur Azure et un agent de requête Copilot Studio.
Physics Wallah Prend en charge deux millions d’étudiants avec le tuteur ia « Gyan Guru » sur Azure OpenAI.
Rolls-Royce L’utilisation de la machine a augmenté de 30% avec l’IA prédictive sur Azure Databricks et Microsoft Cloud for Manufacturing.
Les entreprises Estée Lauder Ramenez de plusieurs semaines à quelques minutes le temps nécessaire à la remontée d’insights consommateurs grâce à l’agent « ConsumerIQ » dans Copilot Studio et Azure OpenAI.

Les fonctionnalités agentiques de Microsoft pour ce modèle

Les exemples suivants mettent en évidence les fonctionnalités particulièrement pertinentes pour les fonctionnalités IA-first. Utilisez ces exemples comme point de départ pour la correspondance des fonctionnalités à vos scénarios et segments utilisateur, puis explorez l'écosystème de l'agent de Microsoft pour obtenir l'image complète.

Créer la capacité

Sol, connexion et observation

Évaluer et tester avant d’expédier

À ce niveau d’autonomie et de complexité, l’évaluation continue est une discipline d’ingénierie de base, et non une liste de contrôle avant lancement.

  • L’évaluation des agents dans Copilot Studio effectue des évaluations structurées qui notent les réponses selon des dimensions de qualité telles que la précision, l’ancrage factuel et l’accomplissement des tâches. Utilisez-la pour valider le comportement de l’agent dans toute la plage d’entrées, y compris les cas de périphérie et les scénarios contradictoires, avant et après chaque modification.
  • Kit d’agent Copilot (anciennement nommé Kit Copilot Studio) étend la couverture des tests avec des tests par lots, des exécutions de régression automatisées et un tableau de bord d’évaluation. Pour les systèmes IA-first qui s’améliorent au fil du temps, les preuves d’évaluation reproductibles et auditables sont essentielles pour maintenir la confiance à mesure que la capacité évolue.

Comment savoir que vous êtes prêt

Ce modèle est destiné aux organisations qui opèrent à la maturité la plus élevée. Considérez-le quand :

  • Vous avez des équipes avancées qui peuvent concevoir, exécuter et améliorer des systèmes autonomes.
  • Vous avez la base technique : orchestration multi-agent, télémétrie en temps réel et boucle d’apprentissage.
  • Vous pouvez inventer des garde-fous et des mesures de réussite où aucune n’existe.
  • Vous pouvez régir un patrimoine autonome avec une identité managée et une conformité continue.
  • Vous appliquez déjà bien plusieurs autres modèles.

Étapes suivantes

Passer l’évaluation de l’état de préparation de l’agent

Vous pouvez également explorer le modèle complet d’adoption de l’IA Agentic.

Explorez d’autres modèles plus en détail :

  • Last updated on