IBM et l'IA agentique : Transformer les entreprises

L'importance des agents d'IA dans l'évolution des entreprises

Les guides ont aidé l'humanité tout au long de son histoire. Les civilisations préhistoriques comprenaient que le soleil et la lune pouvaient être utilisés pour naviguer sur de vastes distances, que ce soit sur terre ou en mer. Au fil du temps, divers voyages ont facilité la production de cartes pour une meilleure planification et un temps de trajet plus rapide vers des destinations répétées. Des siècles plus tard, l'introduction de la boussole a permis aux marins d'atteindre une plus grande précision dans la recherche de destinations inexplorées. Aujourd'hui, les applications de navigation GPS guident chacun de nos déplacements. Dans le monde actuel de l'IA agentique, les agents d'IA ont, sans conteste, le potentiel de permettre une adoption évolutive de l'IA, transformant les industries telles que nous les connaissons. Cependant, un guide intelligent, la logique agentique, est nécessaire pour réaliser ce potentiel en favorisant une qualité d'agent élevée, une rentabilité et, par conséquent, la confiance des utilisateurs finaux.

Défis et solutions dans les flux de travail d'entreprise

De nombreuses études ont souligné l'échec écrasant des pilotes d'IA, tandis que d'autres ont également mis en évidence la nécessité pour l'IA d'opérer au cœur des flux de travail d'entreprise afin de permettre une adoption évolutive. Pour mieux comprendre ce phénomène et l'affirmation associée, une analyse des flux de travail d'entreprise est nécessaire. Ces flux de travail sont :

• Dynamiques et de longue durée
• Possèdent une pléthore d'APIs, de bases de données et de services
• Souvent contraints par des politiques commerciales et/ou des réglementations

Pour qu'un agent fonctionne efficacement, compte tenu de ces caractéristiques, il est naturellement nécessaire d'élargir le contexte du modèle, que les LLM de pointe possèdent certainement, mais à quel prix ? Augmentation des hallucinations, consommation de tokens ? De plus, les LLM peuvent-ils être équipés d'un guide intelligent, un GPS, pour permettre l'exécution de l'IA agentique au cœur du flux de travail, conduisant à des résultats plus souhaitables ? Nous avons testé ces hypothèses en concevant et en construisant des agents, équipés d'une logique d'agent pertinente, pour les offres d'IBM en tenant pleinement compte des caractéristiques ci-dessus. Ces offres concernent certaines des tâches les plus difficiles auxquelles sont confrontés les experts en la matière qui gèrent diverses étapes du cycle de livraison de logiciels d'entreprise pour des charges de travail critiques, notamment :

• Compréhension des applications écrites en code hérité (Cobol / PL/1)
• Accélération de la génération de tests pour les développeurs
• Réponse proactive aux incidents et amélioration de la résilience des applications
• Automatisation de la modernisation de la conformité pour des environnements critiques

Avant d'examiner chacun de ces domaines en détail, définissons ce qui caractérise la logique d'agent. La logique d'agent est constituée de primitives logicielles, telles que des graphes de connaissances, des algorithmes, des bibliothèques d'analyse de programmes, qui opèrent au niveau agentique (au sein d'un cadre d'agent) et peuvent orienter intentionnellement le LLM dans la direction du flux de travail d'entreprise, réduisant ainsi l'espace de contexte. Ce faisant, elle tend à générer des résultats plus performants de manière plus rentable. Examinons maintenant comment la logique d'agent peut atteindre de tels résultats dans chacun des quatre domaines ci-dessus.

Compréhension des applications écrites en code hérité (Cobol / PL/1) - analyse de programme

IBM watsonx Code assistant for Z (WCA4Z), utilisé pour accélérer le développement et la modernisation des applications mainframe avec l'IA et l'automatisation, est équipé d'un agent App Insights pour la compréhension des applications - l'un des principaux domaines d'intérêt des clients d'entreprise gérant des charges de travail critiques sur mainframe IBM. Cet agent exploite une analyse statique approfondie de l'application et stocke une représentation pré-indexée dans un schéma de base de données qui s'étend sur des centaines de tables interconnectées avec des sémantiques complexes, permettant à l'agent de récupérer des informations précises et structurées déjà disponibles ; améliorant ainsi la précision des réponses, réduisant l'utilisation de tokens et minimisant les interactions répétées avec le modèle de langage (Mistral Medium 250B dans ce cas). Cette approche, lorsqu'elle est appliquée à plusieurs systèmes hérités critiques (jusqu'à 1 million de lignes de code et 1 000 programmes), maintient une performance de compréhension des applications marginalement supérieure avec une consommation de tokens environ 30 fois inférieure à celle d'une approche de LLM de pointe uniquement.

Accélération de la génération de tests pour les développeurs avec Aster - analyse de programme

Aster est une bibliothèque d'analyse de programme et de pré- et post-traitement de données propriétaire d'IBM utilisée pour la génération basée sur des agents de tests unitaires, d'intégration, d'API et de changements ; qui, à partir de l'analyse de plusieurs communautés de développeurs, obtient des évaluations supérieures par rapport à divers outils open-source ou tests écrits par des développeurs. Sur la base de ces résultats et de benchmarks supérieurs de couverture de lignes, de branches et de méthodes par rapport à des outils open-source similaires (tests d'intégration) et à des LLM et agents de codage en zero-shot (tests unitaires), tous testés sur des applications open-source, nous avons exécuté Aster en mode pré-production sur plus de 75 applications Java d'IBM CIO (jusqu'à 560 classes et 67 000 lignes de code) avec le modèle Devstral 24B. Les résultats à l'état stable à ce jour montrent une amélioration de 20 % à 45 % de la couverture des lignes, des branches et des méthodes, couplée à une performance supérieure sur un sous-ensemble de ces applications par rapport à un agent de codage de pointe avec une consommation de tokens de plusieurs ordres de grandeur inférieure (jusqu'à 15 fois). La raison de ces résultats est que la sortie de l'analyse de programme (utilisée pour inciter et "focaliser" le LLM) couplée à des sous-agents pour augmenter la couverture et remédier aux erreurs d'exécution et de compilation permet d'obtenir un résultat plus performant avec une réduction significative des coûts.

Réponse proactive aux incidents et amélioration de la résilience des applications - graphes de connaissances, bibliothèques d'analyse de programmes et orchestration pilotée par l'observabilité

Alors que le contexte des LLM pour les cas d'utilisation liés aux applications, comme décrit dans les points 1 et 2, est "restreint" au code source de l'application, pour la gestion en temps réel des applications sur l'infrastructure déployée, l'ensemble de la pile informatique entre en jeu. Ici, nous définissons un graphe de connaissances (KG) englobant des entités (microservices, services de base de données/middleware, MELT, etc.) couplé à des connaissances intégrées ("tribales") provenant d'experts du domaine. Avec un tel graphe et en limitant le LLM à un raisonnement local pour des résultats non déterministes, une approche pilotée par l'observabilité est utilisée pour réduire l'espace de contexte englobant la pile informatique et le code source de l'application sous-jacente (si pertinent) pour l'analyse des causes profondes des incidents (et d'autres cas d'utilisation). Avec cette approche, en tirant parti du modèle de données équivalent d'Instana, nous avons constaté que l'agent propriétaire Instana "I3" (investigation intelligente des incidents) a atteint jusqu'à 4,0 fois d'amélioration par rapport à l'agent ReAct avec GPT-5.1, mesuré à l'aide d'ITBench. Avec Gemini 3 Flash, la performance de l'agent ReAct s'améliore pour se situer à 17 % en dessous de celle de l'agent I3 tout en consommant 1,6 fois plus de tokens. Nous avons étendu cette approche au code source avec des agents pour l'analyse de code (tirant parti des graphes de dépendance de programme) et la remédiation des bogues (tirant parti de l'échelle d'inférence), également testés sur ITBench, illustrant une performance supérieure pour les agents d'analyse de code et de remédiation des bogues (Gemini 2.5 Flash) par rapport à un agent de codage de pointe, tant pour la recherche du microservice responsable (3,0 fois) que pour la réparation des bogues (1,6 fois), tout en consommant respectivement 3,7 fois et 5,9 fois moins de tokens. Ce système multi-agents a été annoncé lors d'IBM Think dans le cadre de la nouvelle plateforme IBM Concert pour les opérations IT shift-left et est également en cours de test en interne avec IBM CIO.

Automatisation de la modernisation de la conformité IT pour des environnements critiques - algorithmes et planification adaptative et orchestration

Les entreprises sont confrontées à des exigences de conformité de plus en plus complexes et fragmentées, obligeant les équipes à passer un temps considérable à créer manuellement des contrôles, des évaluations et des plans de remédiation. Aucune connaissance centralisée n'existe et les corrections sont écrites manuellement, ce qui introduit un risque d'erreurs et de failles de sécurité. Étant donné que le travail de conformité est complexe et comporte plusieurs étapes, il nécessite une automatisation coordonnée pilotée par des politiques à travers des agents spécialisés plutôt qu'un effort manuel ou des invites simples d'IA. Notre système multi-agents automatise la conformité en décomposant algorithmiquement des tâches complexes en étapes coordonnées, utilisant la planification adaptative, la décomposition dynamique et le séquençage des flux de travail avec un retour d'information continu pour identifier itérativement les corrections et élargir les évaluations. Il est 1,3 à 2,0 fois plus performant que les agents précédents (Claude 4 Sonnet) utilisant des stratégies de planification fixes, comme mesuré également à l'aide d'ITBench. Cette approche transforme la conformité en un processus auto-correcteur continuellement guidé et améliore considérablement les résultats, en particulier dans des scénarios complexes, augmentant les taux de réussite de quelques pourcentages à plus de 80 % (Claude 4 Sonnet). Ce système multi-agents et plus de 16 000 mappages de contrôles numérisés ont été dévoilés dans le cadre d'IBM Sovereign Core lors d'IBM Think, intégrés avec la surveillance, la détection de dérive, fournissant une génération automatique de preuves, garantissant que les preuves d'audit restent sous le contrôle sécurisé du client.

Les exemples ci-dessus illustrent l'impact de la logique d'agent dans la réduction du contexte des LLM et dans l'orientation du LLM pour traverser le cœur du flux de travail de manière hautement performante et rentable. De plus, nous avons employé des approches similaires dans deux études de cas, l'une avec un agent généraliste configurable (CUGA) dans le domaine de la santé et l'autre pour la maintenance conditionnelle des actifs physiques avec IBM Global Real Estate.

Études de cas

Étude de cas 1 : Agent généraliste configurable (CUGA) - benchmark santé - application des politiques algorithmiques

L'exemple suivant du service client d'une compagnie d'assurance santé illustre de manière concise pourquoi les systèmes agentiques surpassent les modèles conversationnels uniquement basés sur des LLM dans des environnements réglementés. Le système de politique de CUGA (agent généraliste configurable) met en œuvre la politique en tant que code pour la gouvernance des agents, qui est appliquée en temps réel indépendamment des invites du modèle et sans ajustement fin. Nos expériences montrent que le système de politique de l'agent comble de grandes lacunes en matière de correction des tâches, en appliquant des flux de travail structurés et un traitement sûr des intentions.