J'ai construit plus de 12 systèmes d'agent d'IA de production à travers le développement, DevOps et les opérations de données.C'est pourquoi le hype actuel autour des agents autonomes est mathématiquement impossible et ce qui fonctionne réellement dans la production. Tout le monde dit que 2025 est l’année des agents de l’IA. Les titres sont partout : « L’IA autonome va transformer le travail », « Les agents sont la prochaine frontière », « L’avenir est agent ». Pendant ce temps, j’ai passé l’année dernière à construire de nombreux systèmes d’agents différents qui fonctionnent réellement dans la production. Au cours de l’année écoulée, j’ai construit plus d’une douzaine de systèmes d’agents de production tout au long du cycle de vie du développement logiciel : Générateurs d'interfaces utilisateur qui créent des composants fonctionnels React à partir du langage naturel, agents de refactoring de code qui modernisent les bases de codes anciennes, générateurs de documentation qui maintiennent automatiquement les dossiers API et générateurs de fonctions qui convertissent les spécifications en implémentations de travail. Development agents Agents d’exploitation de base de données qui gèrent des requêtes et des migrations complexes, des systèmes d’IA automatisés DevOps gérant l’infrastructure en tant que code sur plusieurs fournisseurs de cloud. Data & Infrastructure agents Des pipelines CI/CD alimentées par l'IA qui résolvent les problèmes de ruban, génèrent des tests complets, effectuent des évaluations automatisées du code et créent des demandes de tirage détaillées avec des descriptions appropriées. Quality & Process agents Ces systèmes fonctionnent.Ils apportent de la valeur réelle.Ils économisent des heures de travail manuel chaque jour.Et c'est précisément pourquoi je pense que beaucoup de ce que vous entendez parler de 2025 étant "l'année des agents" manque de réalités clés. TL;DR: Three Hard Truths About AI Agents TL;DR: Trois vérités difficiles sur les agents d'IA Après avoir construit plus de 12 systèmes de production, voici ce que j'ai appris: Les taux d'erreur se multiplient de manière exponentielle dans les flux de travail en plusieurs étapes. 95% de fiabilité par étape = 36% de succès sur 20 étapes. 
 
 
 Les fenêtres contextuelles créent des coûts de jetons carrés.Les conversations longues deviennent prohibitivement coûteuses à l'échelle. Le véritable défi n’est pas les capacités d’IA, mais la conception d’outils et de systèmes de rétroaction que les agents peuvent effectivement utiliser efficacement. La réalité mathématique dont personne ne parle Voici la vérité inconfortable que chaque entreprise d'agent d'IA danse autour: la compounding des erreurs rend les flux de travail multi-étapes autonomes mathématiquement impossibles à l'échelle de la production. Si chaque étape d'un flux de travail d'agent a une fiabilité de 95%, ce qui est optimiste pour les LLM actuels, alors: 
 
 
 
 5 étapes = taux de réussite de 77% 10 étapes = taux de réussite de 59% 20 étapes = taux de réussite de 36% Les systèmes de production ont besoin de 99,9% + de fiabilité. Même si vous atteignez magiquement 99% de fiabilité par étape (que personne n'a), vous obtenez toujours seulement 82% de succès sur 20 étapes. Ce n'est pas un problème d'ingénierie immédiat. Ce n'est pas un problème de capacité de modèle. Mon agent DevOps fonctionne précisément parce qu’il ne s’agit pas en fait d’un flux de travail autonome en 20 étapes. Il s’agit de 3-5 opérations discrètes, indépendamment vérifiables avec des points de retour explicites et des portes de confirmation humaines. Chaque système d'agent réussi que j'ai construit suit le même schéma: contextes limités, opérations vérifiables et points de décision humains (parfois) à des jonctions critiques. L'économie des jetons qui ne s'ajoute pas Il y a une autre réalité mathématique que les évangélistes d'agent ignorent facilement: les fenêtres contextuelles créent une échelle de coût carré qui rend les agents de conversation économiquement impossibles. Voici ce qui se passe réellement lorsque vous construisez un agent «conversationnel»: 
 
 
 
 
 Chaque nouvelle interaction nécessite le traitement de TOUS les contextes précédents Les coûts des jetons s'échelonnent quadratiquement avec la longueur de la conversation Une conversation à 100 tours coûte 50-100 $ en jetons seulement Multiplié par des milliers d'utilisateurs et vous regardez l'économie non durable J'ai appris cela de la manière difficile lors du prototypage d'un agent de base de données de conversation. Les premières interactions étaient bon marché. À la 50e requête d'une session, chaque réponse coûtait plusieurs dollars - plus que la valeur qu'elle a fournie. Mon agent de génération de fonctions réussit parce qu'il est complètement sans état: description → fonction → fait. Pas de contexte à maintenir, pas de conversation à suivre, pas d'explosion de coût carré. Ce n'est pas une expérience de "chat avec votre code", c'est un outil ciblé qui résout un problème spécifique efficacement. Les "agents" les plus réussis dans la production ne sont pas conversationnels du tout.Ils sont des outils intelligents et limités qui font une chose bien et sortent de la voie. Le mur de réalité de l'ingénierie des outils Même si vous résolvez les problèmes mathématiques, vous frappez un autre type de mur: la construction d'outils de qualité de production pour les agents est une discipline d'ingénierie complètement différente que la plupart des équipes sous-estiment. Les appels d'outils eux-mêmes sont en fait assez précis maintenant. Le vrai défi est la conception d'outils. Chaque outil doit être soigneusement conçu pour fournir le bon feedback sans surcharger la fenêtre contextuelle. 
 
 
 
 
 Comment l'agent sait-il si une opération a partiellement réussi?Comment communiquez-vous des changements d'état complexes sans brûler de jetons? Une requête de base de données peut retourner 10 000 lignes, mais l'agent n'a besoin de savoir que "question réussie, 10k résultats, voici les 5 premiers." Lorsqu'un outil échoue, quelles informations l'agent a besoin de récupérer? Trop peu et il est coincé; trop et vous gaspillez le contexte. Comment gérer les opérations qui s’affectent les unes aux autres ? transactions de base de données, verrouillages de fichiers, dépendances de ressources. Mon agent de base de données ne fonctionne pas parce que les appels d'outils sont peu fiables, mais parce que j'ai passé des semaines à concevoir des outils qui communiquent efficacement avec l'IA. Les entreprises qui promettent de "connecter vos API et notre agent le saura" n'ont pas fait ce travail d'ingénierie.Ils traitent des outils comme des interfaces humaines, pas des interfaces d'IA.Le résultat est des agents qui font techniquement des appels API réussies mais ne peuvent pas réaliser de flux de travail complexes parce qu'ils ne comprennent pas ce qui s'est passé. Le secret sale de chaque système d'agent de production est que l'IA fait peut-être 30% du travail.Les autres 70% sont l'ingénierie des outils: concevoir des interfaces de rétroaction, gérer efficacement le contexte, gérer les pannes partielles et construire des mécanismes de récupération que l'IA peut réellement comprendre et utiliser. Vérification de la réalité de l’intégration Mais disons que vous résolvez les problèmes de fiabilité et l'économie. vous avez encore à intégrer avec le monde réel, et le monde réel est un désordre. Les systèmes d'entreprise ne nettoient pas les API en attendant que les agents de l'IA les orchestrent.Ce sont des systèmes anciens avec des quirks, des modes de défaillance partielle, des flux d'authentification qui changent sans avertissement, des limites de taux qui varient d'une heure à l'autre, et des exigences de conformité qui ne s'intègrent pas correctement dans les modèles prompt. Mon agent de base de données n'exécute pas seulement des requêtes de manière autonome.Il navigue sur le regroupement de connexion, traite les retournements de transactions, respecte les répliques uniquement lisibles, gère les temps d'exécution des requêtes et enregistre tout pour les pistes d'audit. Les entreprises promettant des « agents autonomes qui s’intègrent à toute votre pile technologique » sont soit trop optimistes, soit n’ont pas réellement essayé de construire des systèmes de production à l’échelle. Ce qui fonctionne vraiment (et pourquoi) Après avoir construit plus d’une douzaine de systèmes d’agents différents sur l’ensemble du cycle de vie du développement de logiciels, j’ai appris que ceux qui réussissent partagent un schéma : 
 
 
 
 
 
 L'agent de génération de l'interface fonctionne parce que les humains examinent chaque interface générée avant le déploiement.L'IA gère la complexité de la traduction du langage naturel en composants fonctionnels React, mais les humains prennent les décisions finales sur l'expérience utilisateur. Mon agent de base de données fonctionne parce qu’il confirme chaque opération destructrice avant l’exécution.L’IA gère la complexité de la traduction des exigences commerciales en SQL, mais les humains gardent le contrôle de l’intégrité des données. Mon agent de génération de fonctions fonctionne parce qu'il fonctionne dans des limites clairement définies. Donnez-lui une spécification, récupérez une fonction. Aucun effet secondaire, aucune gestion de l'état, aucune complexité d'intégration. L'automatisation de My DevOps fonctionne parce qu'elle génère une infrastructure en tant que code qui peut être révisée, versionnée et retournée.L'IA gère la complexité de la traduction des exigences en Terraform, mais le pipeline de déploiement maintient tous les mécanismes de sécurité sur lesquels nous avons appris à compter. Mon agent CI/CD fonctionne parce que chaque étape a des critères de succès clairs et des mécanismes de retour en arrière.L'IA gère la complexité de l'analyse de la qualité du code et de la génération de correctifs, mais le pipeline maintient le contrôle de ce qui est réellement fusionné. Le modèle est clair : l’IA gère la complexité, les humains conservent le contrôle et l’ingénierie logicielle traditionnelle gère la fiabilité. My Predictions Mes prédictions Voici ma prédiction spécifique sur qui va se battre en 2025: Les start-ups financées par des "agents entièrement autonomes" frapperont d'abord le mur de l'économie.Leurs démos fonctionnent très bien avec des workflows en 5 étapes, mais les clients exigent plus de 20 processus en étapes qui se décomposent mathématiquement.Les taux de brûlure augmenteront alors qu'ils tentent de résoudre des problèmes de fiabilité insolubles. Les sociétés de logiciels d’entreprise qui ont appliqué des « agents d’IA » sur des produits existants verront l’adoption stagner. Pendant ce temps, les gagnants seront des équipes qui construisent des outils spécifiques au domaine qui utilisent l’IA pour les pièces dures tout en maintenant un contrôle humain ou des limites strictes sur les décisions critiques. Le marché apprendra la différence entre l'IA qui démontre bien et l'IA qui transporte de manière fiable. Je ne parie pas contre l'IA. Je parie contre l'approche actuelle de l'architecture d'agent. Mais je crois que l'avenir sera beaucoup plus précieux que le hype suggère. Construire la bonne voie Si vous envisagez de construire avec des agents d’IA, commencez par ces principes: Que peut faire exactement votre agent, et qu’est-ce qu’il transmet aux humains ou aux systèmes déterministes? Define clear boundaries. Comment gérer les 20-40% des cas où l'IA fait des erreurs? Design for failure. Combien coûte chaque interaction, et comment cela évolue-t-il avec l'utilisation? Solve the economics. Les utilisateurs font confiance à des outils qui fonctionnent de manière cohérente plus que les systèmes qui font parfois de la magie. Prioritize reliability over autonomy. Utilisez l’IA pour les parties dures (comprendre l’intention, générer du contenu), mais faites appel à l’ingénierie logicielle traditionnelle pour les parties critiques (exécution, gestion des erreurs, gestion de l’état). Build on solid foundations. Il ne ressemblera tout simplement pas à ce que tout le monde promet en 2025. Les véritables leçons des trompettes L’écart entre les « œuvres en démonstration » et les « œuvres à l’échelle » est énorme, et la plupart de l’industrie s’en rend compte. Si vous travaillez sur des problèmes similaires, j'aimerais continuer cette conversation.Les défis liés à la fiabilité des agents, à l'optimisation des coûts et à la complexité de l'intégration sont des problèmes d'ingénierie fascinants qui n'ont pas encore de solutions évidentes. Je conseille régulièrement aux équipes et aux entreprises de naviguer dans ces défis exacts - des décisions d'architecture à l'évitement des pièges que j'ai appris de première main. Que vous évaluiez les décisions de construction versus d'achat, que vous déterminiez pourquoi vos agents ne travaillent pas dans la production ou que vous vouliez simplement les mettre en œuvre, n'hésitez pas à vous connecter. Plus les gens construisent de vrais systèmes et partagent des expériences honnêtes, plus nous comprendrons rapidement ce qui fonctionne réellement. Si vous souhaitez vous pencher plus en profondeur sur l’un de ces sujets. X

Read My Stories

Cet audio est produit dans la langue originale de l'histoire !

Trop long; Pour lire

Make resilience your competitive advantage

Arrêtez de croire l'agent Hype - Les chiffres ne mentent pas

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Libérer la puissance de l’IA. Une revue systématique des techniques de pointe : résumé et introduction

Naviguer sur les eaux : développer des applications RAG de qualité production avec des lacs de données

Les couches invisibles : pourquoi les entretiens avec les utilisateurs sont un atout irremplaçable

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps