Malgré toutes les données que les systèmes d'IA accumulent et analysent continuellement, les agents IA d'entreprise souffrent souvent d'une lacune curieuse : un manque de connaissance. Plus que les données, la connaissance est la compréhension de ce que signifient les données dans le contexte d'organisations individuelles. Les agents IA ont besoin de cette compréhension pour raisonner sur les situations, prendre des décisions et finalement agir. Sans connaissance suffisante, les agents sont sujets à prendre des décisions erronées et peu fiables. Un manque de connaissance, selon notre recherche, est une raison majeure pour laquelle les cas d'utilisation d'IA agentive n'arrivent jamais en production.
La pression concurrentielle rend urgent de résoudre ce problème. Les organisations doivent déployer et étendre davantage de leurs projets agentifs pour capturer les gains d'efficacité promis par l'IA. Échouer risque de gaspiller l'investissement déjà engagé dans ces projets et cède du terrain à des concurrents qui mettent déjà leurs agents au travail plus efficacement.
Basé sur une enquête auprès de 300 cadres de données, IA et autres technologies, le rapport constate que les faiblesses en matière de données et de connaissance entravent constamment les progrès des agents IA. En moyenne, seulement environ un tiers (34%) des projets d'IA agentive des organisations arrivent en production. Un petit groupe de leaders de production (où en moyenne 61% des projets agentifs avancent au-delà du pilote) ont des capacités de connaissance plus fortes, surtout en ce qui concerne la sémantique.
La fragmentation des données a été le plus souvent citée comme un défi majeur pour étendre l'accès des agents à la connaissance (citée par 55%). La plupart des entreprises visent à renforcer le lien entre les données et les agents, les experts voyant une couche de connaissance comme un moyen privilégié d'y parvenir. Les priorités d'investissement incluent les technologies de récupération comme les pipelines d'ingestion, les API prêtes pour l'IA et la génération augmentée par récupération (RAG) ; les agents d'évaluation IA ; et les graphes de connaissances.
Source: MIT Technology Review AI · Résumé par HeadlinesBriefing