Pour les responsables informatiques et de la sécurité qui évaluent les capacités d'IA des plateformes des fournisseurs ou qui prévoient des déploiements en interne, le type d'agent n'est pas seulement un détail technique. Cela détermine les contrôles de gouvernance dont vous aurez besoin, dans quelle mesure les décisions du système seront vérifiables, et si le comportement de l'agent restera prévisible au fil du temps.
Ce guide présente en détail chaque type d'agent, explique ce qui les distingue et propose un cadre permettant d'adapter la complexité des agents à la capacité de supervision de votre organisation.
Qu'est-ce qu'un agent IA ?
Un agent d'intelligence artificielle est un système logiciel capable de percevoir son environnement, de traiter des informations et d'entreprendre des actions afin d'atteindre des objectifs spécifiques.
Parfois appelés « agents intelligents », ces systèmes se distinguent des scripts d'automatisation classiques sur un point fondamental : les agents détectent et réagissent. Un script exécute les mêmes étapes quelles que soient les conditions. Un agent évalue sa situation actuelle et choisit une action en fonction de ce qu'il observe.
Le type d'agent détermine directement le niveau de contrôle que vous souhaiterez exercer. Un agent de surveillance simple qui redémarre un service lorsque l'utilisation du processeur atteint des pics se comporte de manière prévisible. Un agent d'apprentissage qui adapte son approche de correction en fonction des résultats passés nécessite des contrôles de gouvernance totalement différents.
La compréhension des différents types d'agents d'IA (agents à réflexe simple, à réflexe basé sur un modèle, orientés vers un objectif, orientés vers l'utilité et agents apprenants) permet de déterminer la quantité de contexte que chacun d'entre eux prend en compte, son degré d'autonomie de fonctionnement et le caractère prévisible de son comportement.
La taxonomie qui suit n'est pas purement théorique. Il s'agit d'un cadre pratique permettant d'évaluer les capacités de l'IA dans les déploiements de plateformes réels que vous envisagez, ou de comprendre ce qui est déjà en place dans votre environnement.
Les cinq principaux types d'agents d'IA
Ces cinq types d'agents constituent une progression allant d'un comportement simple et prévisible à une prise de décision complexe et adaptative. Chaque niveau supérieur apporte davantage de fonctionnalités, mais accroît également la complexité de la gouvernance.
| Type d'agent | Principe fondamental | Prévisibilité des décisions | Obligation de contrôle |
|---|---|---|---|
| Réflexe simple | Règles condition-action | Élevé | Faible |
| Basé sur un modèle | État interne + règles | Moyen-élevé | Faible à moyen |
| Axé sur les objectifs | Planification axée sur des objectifs | Moyen | Moyen |
| Basé sur l'utilité | Optimisation en fonction de différents facteurs | Moyen-faible | Moyen-élevé |
| Apprentissage | Amélioration fondée sur les retours d'expérience | Inférieur | Élevé |
La position d'une capacité d'IA donnée sur ce spectre vous aide à anticiper les mesures de gouvernance dont vous aurez besoin avant son déploiement. Comprendre les cas d'utilisation auxquels chaque type d'agent est le mieux adapté vous aide également à éviter de mettre en place une solution plus complexe (et impliquant une charge de gouvernance plus importante) que ne l'exige réellement votre situation.
Examinons chaque type.
Agents réflexes simples
Les agents réflexifs simples fonctionnent selon des règles prédéfinies qui associent directement des conditions à des actions. En se basant uniquement sur leur perception du moment, ils comparent ce qu'ils observent à des conditions prédéfinies et exécutent l'action correspondante. Pas de mémoire. Aucune planification. Il s'agit simplement d'une logique « si... alors » appliquée en fonction des conditions actuelles.
Pensez à une alerte basée sur un seuil qui se déclenche lorsque l'utilisation du disque dépasse 90 %. Réfléchissez au fonctionnement des thermostats : lorsque la température descend en dessous d'un seuil défini, le chauffage se met en marche. Je ne me souviens pas du temps qu'il faisait hier. Aucune prévision. Il ne s'agit que d'une situation et d'une réaction.
En tant que type d'agent le plus axé sur les règles et le plus facile à auditer, les agents réflexes simples offrent une grande traçabilité des décisions. Chaque réponse correspond directement à une règle que vous avez définie, et les résultats sont généralement déterministes : des conditions d'entrée identiques produisent généralement la même réponse, à condition que les règles sous-jacentes restent inchangées. Lorsqu'un problème survient, vous pouvez déterminer précisément quelle condition a déclenché quelle action.
La limite est évidente : les agents à réflexes simples échouent dans les situations que leurs règles ne prévoient pas. Si l'utilisation du disque atteint à plusieurs reprises 89 % avant de dépasser le seuil, un agent de surveillance classique ne détectera pas cette tendance.
Dans les environnements informatiques, les agents Reflex simples s'avèrent efficaces pour les contrôles d'intégrité des services (redémarrage d'un service lorsqu'il ne répond plus), les alertes de dépassement des seuils de ressources et l'application des configurations (signalement ou correction lorsqu'un paramètre s'écarte de la configuration de référence).
Les agents à réflexes simples excellent dans des environnements stables et observables : des contextes prévisibles où la réponse appropriée à une condition donnée ne varie pas en fonction du contexte et où les capteurs de l'agent peuvent saisir pleinement l'état pertinent.
Agents basés sur des modèles
Les agents réflexifs basés sur un modèle conservent un état interne, c'est-à-dire une représentation dynamique de leur environnement qui persiste d'une observation à l'autre. Ils suivent l'évolution de l'état au fil du temps, ce qui leur permet de gérer des situations où l'observation actuelle, à elle seule, ne donne pas une image complète de la situation.
Considérons un agent chargé de surveiller l'état de santé des points de terminaison au sein d'un réseau distribué. Un agent Reflex simple détecte qu'un appareil est actuellement hors ligne et déclenche une alerte. Un agent basé sur un modèle se souvient que l'appareil s'est déconnecté trois fois au cours de l'heure écoulée, qu'il s'agit d'un ordinateur portable qui se déconnecte fréquemment lors des déplacements, et que l'agenda de l'utilisateur indique qu'il est en déplacement. Même constat, réaction différente.
Le modèle interne n'a pas besoin d'être complexe. Il pourrait permettre de suivre l'historique récent, de tenir à jour une liste des états connus des équipements ou de stocker des informations contextuelles sur les relations entre les actifs. L'essentiel réside dans le fait que l'agent s'appuie sur le contexte accumulé pour prendre des décisions éclairées, plutôt que de réagir uniquement en fonction du moment présent.
Les agents basés sur des modèles soulèvent une nouvelle question pour les auditeurs : que contient le modèle ? Les décisions de l'agent dépendent désormais de l'état cumulé, et non plus uniquement des conditions actuelles et de règles statiques. Vous souhaiterez avoir une vision claire de ce dont l'agent « se souvient » et de la manière dont cette mémoire influence ses actions.
Dans le domaine des opérations informatiques, les agents basés sur des modèles gèrent les problèmes de connectivité intermittents (en faisant la distinction entre un appareil hors ligne et un appareil présentant des fluctuations de connectivité), l' le suivi de l'état des correctifs, ainsi que la corrélation des changements (en établissant un lien entre un problème de performance actuel et une modification de configuration effectuée précédemment). En dehors du domaine informatique, cette même architecture est à la base des systèmes de détection des fraudes qui analysent les schémas comportementaux au fil du temps afin de distinguer les activités anormales des variations normales.
Agents orientés vers des objectifs
Les agents axés sur les objectifs sont, par nature, orientés vers un but : plutôt que de réagir à des conditions ou de suivre l'évolution d'un état, ils recourent à la planification, en partant du résultat souhaité pour déterminer les étapes qui leur permettront d'y parvenir.
Un agent orienté objectifs, chargé de mettre un serveur en conformité, illustre parfaitement la résolution structurée de problèmes : plutôt que de se contenter de vérifier l'état actuel et d'appliquer une correction, il évalue l'écart entre la configuration actuelle et l'état futur souhaité, identifie la séquence de modifications nécessaires et les exécute dans l'ordre. Si une étape échoue, le système peut réévaluer la situation et choisir une autre ligne de conduite.
La planification introduit une incertitude quant au chemin que l'agent choisira. Deux agents orientés vers un objectif, ayant des objectifs identiques, peuvent emprunter des chemins différents en fonction de leurs algorithmes de planification et des options disponibles. Vous aurez besoin de contrôles qui limitent les chemins autorisés, et pas seulement les résultats acceptables.
Pour les équipes informatiques et de sécurité, les agents axés sur les objectifs permettent de mettre en œuvre des mesures correctives en matière de conformité (mise en conformité des terminaux avec une politique définie, quelles que soient les étapes nécessaires), l’ les workflows de réponse aux incidents, ainsi que le déploiement de logiciels en tenant compte des dépendances et des prérequis.
La question essentielle lors de l'évaluation des agents orientés vers un objectif : pouvez-vous définir l'objectif avec suffisamment de précision pour que tout chemin menant à celui-ci soit acceptable ? Si certains chemins sont interdits d'accès, il vous faudra installer des garde-corps au-delà de la ligne d'arrivée elle-même.
Agents basés sur l'utilité
Les agents basés sur l'utilité procèdent à une optimisation tenant compte de plusieurs facteurs concurrents. Alors que les agents axés sur les objectifs se demandent : « Comment puis-je atteindre cet objectif ? », les agents axés sur l'utilité se demandent : « Quelle action parmi celles disponibles produit le meilleur résultat global compte tenu de tout ce qui m'importe ? »
Cette distinction revêt une importance particulière lorsqu'il existe des compromis.
Imaginez un agent qui doit décider quelles vulnérabilités corriger en priorité. Un agent orienté vers des objectifs pourrait les traiter par ordre de gravité. Un agent basé sur les services évalue la gravité d'un incident en tenant compte de la criticité de l'actif, de l'impact sur l'activité, de la complexité de la résolution et de la charge opérationnelle actuelle. Cela pourrait conduire à accorder une priorité moindre à une vulnérabilité critique sur un système de test au profit d'une vulnérabilité de gravité élevée sur une base de données de production.
Les fonctions d'utilité permettent de synthétiser plusieurs facteurs en un seul score qui guide les décisions. Parmi toutes les actions possibles, l'agent choisit celle qui présente l'utilité attendue la plus élevée. Au-delà des opérations informatiques, cette même logique de compromis sous-tend le fonctionnement des agents basés sur des utilités dans les systèmes et moteurs de recommandation (tels que les plateformes de recommandation de contenus ou de produits), l'optimisation de la chaîne d'approvisionnement et les systèmes de triage médical, où de multiples facteurs concurrents doivent être pris en compte pour choisir la meilleure action à entreprendre.
La complexité de la gouvernance s'accroît considérablement dans ce contexte. La fonction d'utilité elle-même devient un point de contrôle critique. La manière dont vous pondérez les différents facteurs détermine les critères sur lesquels l'agent va optimiser ses performances. Si vous définissez mal les pondérations, l'agent s'efforcera avec assurance d'obtenir des résultats que vous n'aviez pas prévus.
Les agents basés sur l'utilité interviennent dans des contextes informatiques tels que l' la hiérarchisation basée sur les risques (classement des mesures correctives en fonction de la réduction attendue du risque plutôt que de la gravité brute), l'allocation des ressources et le tri des alertes (notation et acheminement des alertes en fonction de la probabilité, de l'impact et de la disponibilité des analystes).
Agents d'apprentissage
Les agents d'apprentissage améliorent leurs performances au fil du temps en s'appuyant sur leurs expériences passées et les retours d'expérience pour affiner leurs décisions futures. Fondés sur les principes de l'apprentissage automatique et souvent mis en œuvre à l'aide d'un apprentissage par renforcement de type « », dans lequel les agents reçoivent des signaux de récompense qui façonnent leur comportement futur, ils ne se contentent pas d'exécuter des règles ou d'optimiser des fonctions. Ils adaptent leur comportement en fonction des résultats obtenus et gagnent en efficacité à mesure qu'ils acquièrent de l'expérience.
Un agent d'apprentissage se compose de plusieurs éléments qui fonctionnent de concert. Ces agents sont déjà déployés dans des domaines à haut risque, allant de la robotique aux voitures autonomes, en passant par la fabrication autonome et les plateformes de cybersécurité adaptatives, où des règles fixes ne peuvent pas s'adapter à l'évolution des conditions.
- Critère de performance : « » (Agir en fonction des connaissances actuelles) Agit en fonction de ses connaissances actuelles
- Élément pédagogique : Mise à jour des connaissances en fonction des retours d'expérience
- Critère : « » (Mesure de l'impact) : évalue dans quelle mesure les actions ont permis d'atteindre les résultats escomptés
- Générateur de problèmes : Propose des actions exploratoires visant à recueillir de nouvelles informations
Cette architecture permet une adaptation. Un agent capable d'apprendre quelles méthodes de correction s'avèrent efficaces dans votre environnement spécifique peut s'avérer plus performant qu'un agent se contentant de suivre des règles génériques. Mais l'adaptation signifie également que le comportement de l'agent évolue au fil du temps d'une manière qui n'est pas forcément perceptible d'emblée.
C'est ici que les exigences en matière de gouvernance et les obligations de conformité relatives à l'IA atteignent leur apogée. Les agents d'apprentissage peuvent s'écarter de leur comportement initial à mesure qu'ils intègrent de nouvelles informations de retour.
Vous aurez besoin de mécanismes permettant de suivre ce que l'agent a appris, de limiter l'étendue de ce qu'il peut modifier, de garantir la traçabilité de l'évolution des comportements acquis, de vérifier qu'ils restent conformes à la politique définie et de revenir à des états antérieurs s'ils s'avèrent problématiques.
Les agents d'apprentissage s'adaptent à des scénarios impliquant des environnements dynamiques où les conditions évoluent fréquemment, où les réponses optimales varient en fonction du contexte et où les données historiques permettent de prendre de meilleures décisions.
Comment les différents types d'agents s'associent dans les déploiements d'entreprise
Les systèmes d'IA en production utilisent rarement un seul type d'agent de manière isolée. Le plus souvent, les organisations combinent plusieurs architectures d'agents, chaque type d'agent se chargeant de ce qu'il sait faire le mieux.
Un schéma courant dans les déploiements d'entreprise à grande échelle : des agents « réflexes » simples prennent en charge les tâches répétitives ainsi que les décisions à fort volume et à faible complexité en périphérie. Ils filtrent les signalements non pertinents, traitent les situations courantes et transmettent les cas exceptionnels à des agents de niveau supérieur, mieux à même de les gérer.
Les agents basés sur des modèles gardent le contexte à l'esprit et gèrent les situations nécessitant de tenir compte de l'historique récent. Les agents axés sur des objectifs ou sur l'utilité s'attaquent à des tâches complexes, notamment des processus de remédiation qui nécessitent une planification ou une évaluation des compromis, là où des agents plus simples échoueraient ou nécessiteraient une intervention humaine constante.
Cette approche par niveaux présente plusieurs avantages :
- Une gouvernance adaptée à chaque niveau : Les agents simples situés en périphérie ne nécessitent pas le même niveau de supervision que les agents capables d'apprendre et de prendre des décisions complexes
- Dégradation gracieuse : Si un agent sophistiqué tombe en panne ou se comporte de manière inattendue, des agents plus simples continuent à gérer les opérations courantes
- Adoption progressive : Les organisations peuvent commencer par des types d'agents plus simples et accroître la complexité à mesure que la maturité de la gouvernance s'améliore ; cette approche permet d'éviter une conception trop sophistiquée lors des premiers déploiements, tout en préservant une voie claire vers des architectures plus autonomes.
Le défi réside dans l'intégration, et plus précisément dans l'orchestration. Les agents évoluant à différents niveaux doivent communiquer entre eux, se transmettre le contexte et éviter toute action contradictoire, ce qui nécessite une logique de coordination claire et des protocoles de transfert bien définis. Des limites claires entre les responsabilités des agents permettent d'éviter les lacunes ou les chevauchements.
À mesure que ces architectures en couches se développent, les organisations sont souvent confrontées à une prolifération de l’IA agentique — un défi à l’échelle de l’écosystème où les agents se multiplient, les responsabilités se chevauchent et où apparaissent des risques qui ne sont pas visibles lorsqu’on évalue un agent pris isolément.
Lorsque vous évaluez les capacités d'IA des plateformes, demandez-vous comment les différents types d'agents interagissent entre eux. Un fournisseur qui met en avant une « automatisation basée sur l'IA » peut déployer de simples agents réflexifs, des agents apprenants, ou une combinaison des deux. La réponse déterminera le type de gouvernance que vous souhaiterez mettre en place.
À mesure que le secteur évolue vers des systèmes multi-agents autonomes de plus en plus , la compréhension de ces différences architecturales ne fera que gagner en importance pour les décideurs d'entreprise.
Choisir le bon type d'agent
Le choix du type d'agent n'est pas avant tout une décision technique. Il s'agit d'une décision de gouvernance qui tient compte de la tolérance au risque, de la capacité de contrôle et de la maturité opérationnelle de votre organisation.
Commencez par les caractéristiques de la décision. Dans quelle mesure le comportement de l'agent doit-il être prévisible ? Dans quelle mesure cette décision nécessite-t-elle du contexte ? Existe-t-il plusieurs voies valables pour parvenir au résultat souhaité ? Existe-t-il des compromis entre des priorités concurrentes ? Le comportement optimal évoluera-t-il avec le temps ?
Évaluez ensuite votre niveau de préparation en matière de gouvernance. Pouvez-vous contrôler a posteriori les décisions prises par l'agent ? Disposez-vous de mesures de contrôle permettant d'empêcher les actions inacceptables ? Pouvez-vous surveiller les changements de comportement ? Disposez-vous de procédures de restauration au cas où un problème surviendrait ?
Les organisations qui se lancent relativement tôt dans l'adoption de l'IA ont souvent intérêt à commencer par des types d'agents plus simples. Les agents simples, basés sur des réflexes ou sur des modèles, offrent des avantages en matière d'automatisation grâce à un comportement prévisible et à des pistes d'audit claires. À mesure que les pratiques de gouvernance d' s gagnent en maturité, des types d'agents plus sophistiqués deviennent envisageables.
| Si vous le souhaitez… | Réfléchissez-y… | Priorité en matière de gouvernance |
|---|---|---|
| Des réactions prévisibles face à des situations connues | Agents réflexes simples | Documentation et tests des règles |
| Décisions tenant compte du contexte | Agents basés sur des modèles | Visibilité de l'état et validation du modèle |
| Remédiation en plusieurs étapes | Agents orientés vers des objectifs | Contraintes de cheminement et vérification des résultats |
| Optimisation des compromis | Agents basés sur l'utilité | Vérification de la fonction d'utilité et validation des poids |
| Amélioration adaptative | Agents d'apprentissage | Suivi de la dérive et limites comportementales |
Le type d'agent adapté doit répondre à la fois à vos besoins opérationnels et à vos capacités en matière de gouvernance. Le déploiement d'agents sophistiqués sans surveillance adéquate comporte des risques. Le déploiement d'agents trop simples alors que la situation exige une certaine complexité entraîne un manque d'efficacité.
L'objectif est d'adapter les capacités des agents à la complexité des tâches, en rationalisant les opérations lorsque des agents plus simples suffisent, sans pour autant surdimensionner ni sous-investir.
Les informations en temps réel sur les terminaux constituent la base de tout type d'agent. Les agents ne peuvent prendre de bonnes décisions qu'à partir de données précises et à jour concernant l'environnement dans lequel ils opèrent.
Comment Tanium utilise les agents d'IA dans les opérations informatiques et la sécurité
La taxonomie des agents abordée dans cet article n'est pas purement théorique. Cela a des implications directes sur la manière dont vous évaluez les capacités de l'IA, y compris les fonctionnalités d'IA générative, au sein des plateformes que votre organisation utilise déjà ou envisage d'adopter.
L’ Tanium AI repose sur cette même réalité architecturale, combinant des capacités d’agents génératifs et d’ s , qui s’appuient sur des informations en temps réel provenant des terminaux plutôt que sur des données mises en cache ou synchronisées périodiquement. Cette réalité architecturale a des conséquences directes : la fiabilité des agents axés sur les objectifs et sur l'utilité (les types les plus pertinents pour les opérations informatiques et les processus de sécurité) dépend entièrement de l'état de l'environnement dans lequel ils opèrent.
Tanium Ask Agent incarne dans la pratique une conception axée sur les objectifs et l'utilité : il utilise le traitement du langage naturel (NLP) pour recevoir des tâches formulées en langage courant, recueille à la demande les données actuelles sur les terminaux via une couche API conçue pour fournir des informations à jour sur ces derniers, et propose des recommandations adaptées au contexte et conformes aux meilleures pratiques du produit, avec la possibilité d'agir directement depuis la console.
Les contrôles de gouvernance (accès basé sur les rôles, autorisations impliquant une intervention humaine, scores de confiance et déploiements progressifs) sont intégrés au flux de travail plutôt que d’être considérés comme un élément secondaire, ce qui permet de remédier à l’un des risques les plus importants identifiés dans cet article : l’action autonome sans surveillance adéquate.
Les différents types d'agents IA soulèvent des questions plus générales concernant le déploiement de l'IA, sa gouvernance et l'état de préparation des organisations. Vous trouverez ci-dessous des questions courantes qui vont au-delà de la taxonomie de base.
Foire aux questions sur les types d'agents IA
Les différents types d'agents IA soulèvent des questions plus générales concernant le déploiement de l'IA, sa gouvernance et l'état de préparation des organisations. Vous trouverez ci-dessous des questions courantes qui vont au-delà de la taxonomie de base.
Quelle est la différence entre un agent IA et un chatbot ?
Un chatbot est généralement une application spécifique de l'IA axée sur l'interaction conversationnelle ; il s'agit de l'une des nombreuses applications et interfaces par lesquelles l'IA basée sur des agents est mise à la disposition des utilisateurs finaux. Les bots de ce type vont de simples scripts de correspondance de mots-clés à des systèmes sophistiqués pouvant être considérés comme de véritables agents d'intelligence artificielle.
Un agent d'intelligence artificielle est un concept plus large qui désigne tout système capable de percevoir, de prendre des décisions et d'agir. Certains chatbots peuvent être considérés comme des agents d'intelligence artificielle. D'autres sont de simples systèmes de reconnaissance de motifs qui ne gèrent pas d'état et ne poursuivent pas d'objectifs. Dans le domaine du service client, par exemple, un bot de FAQ basique n'est pas un agent IA, mais un système capable de suivre l'historique des conversations, de transmettre les problèmes non résolus à un niveau supérieur et d'acheminer les tickets en fonction de leur urgence peut être considéré comme tel.
La question déterminante est de savoir si le système œuvre activement à la réalisation d'objectifs en fonction des retours d'information provenant de l'environnement. Les agents conversationnels modernes, qui s'appuient sur des grands modèles linguistiques (LLM), brouillent encore davantage cette frontière : ils sont capables de garder le fil de la conversation, de poursuivre des objectifs et d'entreprendre des actions, ce qui les rapproche davantage des agents axés sur des objectifs ou sur l'utilité que des chatbots traditionnels.
Un agent d'intelligence artificielle peut-il fonctionner sans supervision humaine ?
Techniquement, oui. Concrètement, cela dépend du type d'agent et des enjeux en cause.
Les agents dotés de réflexes simples, chargés de prendre des décisions courantes et à faible risque, fonctionnent souvent de manière autonome dans des limites bien définies. Les agents d'apprentissage qui prennent des décisions ayant des conséquences importantes nécessitent généralement une supervision humaine, des étapes d'approbation ou, à tout le moins, un suivi rigoureux. La question n'est pas de savoir si les agents peuvent fonctionner de manière autonome, mais s'ils sont adaptés aux risques et au niveau de maturité de votre gouvernance.
En quoi les systèmes multi-agents diffèrent-ils des agents individuels ?
Les systèmes multi-agents impliquent plusieurs agents qui travaillent ensemble, tantôt de manière coopérative, tantôt de manière compétitive. On y a recours lorsque des problèmes complexes dépassent les capacités d'un seul agent, ou lorsque la répartition des décisions entre plusieurs agents spécialisés permet d'obtenir de meilleurs résultats.
Les systèmes multi-agents posent des défis en matière de coordination : les agents peuvent avoir des objectifs contradictoires, disposer d'informations incomplètes les uns sur les autres, ou présenter des dépendances susceptibles de provoquer des effets en cascade.
Quel rôle la qualité des données joue-t-elle dans l'efficacité des agents ?
La qualité des données est fondamentale. Chaque type d'agent dépend d'une perception précise de son environnement. Des agents agissant par simple réflexe, sur la base de données de capteurs erronées, déclenchent des actions inappropriées. Les agents d'apprentissage entraînés à partir de données erronées acquièrent des comportements erronés. Dans les environnements informatiques, une visibilité complète et en temps réel sur les terminaux grâce à l' n'est pas une option. C'est la condition préalable à toute automatisation basée sur des agents.
Comment puis-je savoir quel type d'agent un fournisseur utilise ?
Demandez-le directement. Demandez de la documentation expliquant comment l'IA prend ses décisions, quelles données elle utilise, si elle conserve un état, si elle élabore des stratégies pour atteindre des objectifs et si elle apprend à partir des retours d'expérience.
Des réponses vagues telles que « basé sur l'IA » ou « automatisation intelligente » ne vous fournissent pas les informations dont vous avez besoin à des fins de gouvernance. Le type d'agent détermine vos obligations en matière de contrôle ; vous avez donc besoin de précisions.
La compréhension des différents types d'agents constitue le point de départ. C'est en observant leur fonctionnement dans votre environnement que vous pourrez prendre des décisions éclairées.
Prenez rendez-vous pour une démonstration personnalisée afin de découvrir comment les capacités de Tanium en matière d'intelligence des terminaux en temps réel et d'IA basée sur des agents fonctionnent ensemble dans la pratique.
