Pour IBM, l’adoption massive de l’IA en entreprise passera par la « logique d’agent »

Résumé

Dans un billet publié sur le blog d’Hugging Face, IBM Research défend l’idée que l’adoption scalable de l’IA en entreprise ne peut pas reposer uniquement sur les LLM, mais doit s’appuyer sur une « agentic logic ». Deux cas d’usage, autour d’IBM watsonx Code Assistant for Z et d’Aster, illustrent les gains de performance et de coût obtenus.

Les faits

Dans un article publié sur le blog d’Hugging Face, IBM Research soutient que « l’adoption scalable de l’IA en entreprise » dépend d’une couche de « agentic logic » venant guider les modèles de langage dans des workflows complexes. Les auteurs comparent cette logique d’agent à un « GPS » permettant de diriger l’agent vers des résultats plus fiables, tout en maîtrisant les coûts de calcul. IBM décrit les workflows d’entreprise comme « dynamiques et de longue durée », composés d’« une pléthore d’API, bases de données et services », et souvent contraints par des « politiques métier et/ou des réglementations ». Dans ce contexte, les LLM de pointe disposent certes d’un contexte étendu, mais au prix de « hallucinations accrues » et d’une consommation de jetons plus élevée. La logique d’agent est définie comme des « primitives logicielles, telles que graphes de connaissances, algorithmes, bibliothèques d’analyse de programmes » opérant dans une couche agentique pour « orienter intentionnellement le LLM dans la direction du workflow d’entreprise » et « réduire l’espace de contexte ». Un premier cas d’usage détaillé concerne IBM watsonx Code Assistant for Z (WCA4Z), utilisé pour « accélérer le développement et la modernisation d’applications mainframe avec l’IA et l’automatisation ». L’outil embarque un agent App Insights dédié à la compréhension applicative, qui s’appuie sur une analyse statique profonde et stocke une représentation pré-indexée dans un schéma de base de données « couvrant des centaines de tables interconnectées avec des sémantiques complexes ». Cette approche permet à l’agent de récupérer des informations structurées précises, d’« améliorer la précision des réponses », de « réduire l’usage de jetons » et de « minimiser les interactions aller-retour » avec le modèle de langage (Mistral Medium 250B). Sur des systèmes legacy critiques allant « jusqu’à 1 million de lignes de code et 1 000 programmes », IBM indique que cette méthode maintient des performances de compréhension applicative « marginalement supérieures » à une approche reposant uniquement sur un LLM de pointe, tout en consommant environ « 30× moins de jetons ». Le second exemple est Aster, décrit comme une bibliothèque propriétaire IBM d’analyse de programmes et de pré/post-traitement des données, utilisée pour la génération agentique de tests unitaires, d’intégration, d’API et de tests basés sur les changements. IBM explique que, d’après l’analyse de « multiples communautés de développeurs », Aster obtient de meilleures évaluations que « divers outils open source ou des tests écrits par des développeurs ». Testé sur des applications open source, Aster affiche des benchmarks de couverture de lignes, de branches et de méthodes supérieurs à ceux d’outils open source comparables (tests d’intégration) et à des LLM en zéro-shot ou des coding agents (tests unitaires. IBM précise faire tourner Aster en pré-production sur « plus de 75 applications Java IBM CIO » pouvant atteindre « plus de 560 classes et 67 000 lignes de code », en s’appuyant sur le modèle Devstral 24B. Les résultats en régime établi montrent une amélioration de « +20 % à +45 % » de la couverture de lignes, de branches et de méthodes, avec « des performances supérieures sur un sous-ensemble de ces applications » par rapport à un coding agent de pointe, et une consommation de jetons inférieure de « plusieurs ordres de grandeur (jusqu’à 15×) ».

Pourquoi c’est important

L’article d’IBM Research met en lumière un enjeu central pour les entreprises : l’intégration de l’IA au cœur des workflows métiers exige plus que de simples LLM puissants. En ajoutant une couche de logique d’agent fondée sur l’analyse de programmes, les graphes de connaissances ou des bibliothèques spécialisées, IBM montre qu’il est possible de renforcer la qualité des résultats tout en réduisant les coûts de calcul. Les exemples de watsonx Code Assistant for Z et d’Aster illustrent une approche pragmatique de l’IA générative en environnement critique : plutôt que d’augmenter indéfiniment la taille des modèles, IBM investit dans des architectures agentiques qui structurent le contexte, limitent les hallucinations et optimisent la consommation de jetons. Cette stratégie pourrait servir de référence aux grandes organisations cherchant à déployer l’IA à grande échelle dans des systèmes legacy et des chaînes de développement logiciel complexes.

Questions fréquentes

Qu’entend IBM par « agentic logic » ?

IBM définit la logique d’agent comme des primitives logicielles (graphes de connaissances, algorithmes, bibliothèques d’analyse de programmes) qui guident intentionnellement le LLM dans le workflow d’entreprise et réduisent l’espace de contexte.

Pourquoi les seuls LLM ne suffisent-ils pas selon IBM ?

Les LLM de pointe offrent un contexte étendu mais au prix de plus de hallucinations et d’une forte consommation de jetons. IBM estime qu’il faut une logique d’agent pour orienter le modèle et rendre l’IA plus fiable et plus économique.

Quel est le rôle d’IBM watsonx Code Assistant for Z dans cette approche ?

Watsonx Code Assistant for Z utilise un agent App Insights qui s’appuie sur une analyse statique profonde et une base de données pré-indexée pour améliorer la compréhension applicative, augmenter la précision des réponses et réduire d’environ 30× la consommation de jetons par rapport à un LLM seul.

Qu’est-ce qu’Aster et à quoi sert-il ?

Aster est une bibliothèque propriétaire IBM d’analyse de programmes et de pré/post-traitement des données, utilisée pour générer des tests unitaires, d’intégration, d’API et des tests basés sur les changements dans un cadre agentique.

Quels gains IBM revendique-t-il avec Aster ?

IBM indique que sur plus de 75 applications Java CIO, Aster améliore la couverture de lignes, de branches et de méthodes de +20 % à +45 %, tout en consommant jusqu’à 15× moins de jetons qu’un coding agent de pointe sur un sous-ensemble d’applications.

Source

Auteur

Rédaction spécialisée dans la veille et l'analyse de l'actualité de l'intelligence artificielle, des puces IA, des robots, des agents IA et de la recherche.