L'IA agentique, ancrée dans les preuves : ce que dit vraiment la recherche — et ce que cela implique pour la gestion des actifs transformateurs

Pour un public d’ingénieurs, le scepticisme à l’égard de l’IA est une force, pas un handicap. La bonne question n’est pas « l’IA agentique est-elle réelle ? » — elle l’est — mais « que prescrit réellement la recherche pour la déployer sur des actifs qui ne peuvent pas défaillir discrètement ? ». La réponse encourageante est que les laboratoires de pointe, la recherche universitaire sur la fiabilité et les institutions de gouvernance convergent vers un modèle unique : les agents d’entreprise utiles sont bornés, ancrés dans les preuves et revus par des humains. Ce modèle recoupe presque exactement la façon dont les décisions sérieuses de gestion des actifs transformateurs sont déjà prises.

Ce qu’est réellement l’« IA agentique »

La définition opérationnelle la plus claire provient des laboratoires qui construisent ces systèmes. Anthropic distingue les agents, où le modèle « dirige dynamiquement ses propres processus et son usage des outils », des flux de travail, où les modèles et les outils sont « orchestrés par des chemins de code prédéfinis » — et conseille aux concepteurs de « trouver la solution la plus simple possible » et de n’ajouter de la complexité agentique que lorsque des approches plus simples se révèlent insuffisantes, comme l’expose son guide d’ingénierie des agents. Le guide pratique de conception d’agents d’OpenAI fait écho à cette même retenue. Phillip Isola, du MIT, définit simplement l’IA agentique comme une « IA qui accomplit des actions dans le monde », tout en avertissant que les gens « ne fourniront pas assez d’efforts pour vérifier » les résultats des agents — une mise en garde qui pèse lourd pour les travaux critiques pour l’activité.

La nuance la plus importante est la suivante : l’autonomie est un choix de déploiement, pas une conséquence automatique de la capacité. Le cadre Levels of AGI de Google DeepMind insiste sur le fait de « sélectionner soigneusement les paradigmes d’interaction humain-IA », traitant le degré d’autonomie comme une décision délibérée liée au risque. Un modèle plus performant ne vous oblige pas à lui confier davantage de contrôle.

La réalité de la fiabilité

Deux constats devraient façonner tout déploiement en infrastructure critique. Premièrement, les agents sont incohérents dans des conditions réalistes : le banc d’essai τ-bench consacré à l’interaction outil-agent-utilisateur rapporte que les agents d’appel de fonctions les plus avancés réussissent moins de la moitié des tâches réalistes et se révèlent peu fiables d’un essai répété à l’autre. Deuxièmement, l’hallucination est structurelle, pas accidentelle — des travaux de recherche soutiennent qu’il s’agit d’une limite intrinsèque des résolveurs de problèmes généraux, et d’autres travaux l’attribuent à la façon dont les modèles sont entraînés et évalués plutôt qu’à un défaut réparable.

Aucun de ces constats ne dit « n’utilisez pas d’agents ». Ils disent : ne construisez pas un système dont la sûreté dépend de la justesse du modèle à chaque fois. Sur un parc de transformateurs, ce principe n’est pas négociable.

Le modèle crédible : borné + ancré + revu

• Ancré. La génération augmentée par récupération — qui relie les réponses à une base de preuves externe — produit un résultat « plus précis, plus varié et plus factuel » qu’un modèle s’appuyant sur ses seuls paramètres. C’est le mécanisme issu de la recherche qui sous-tend les réponses sourcées : chaque conclusion renvoie à une source qu’un examinateur peut vérifier.
• Borné. L’usage des outils est lui-même une surface de défaillance connue que l’ingénierie doit maîtriser ; les travaux Gorilla de Berkeley existent précisément pour réduire l’hallucination dans les appels d’API et d’outils. Confiner un agent à un ensemble d’outils défini et éprouvé est ce qui maintient ses actions dans les limites.
• Gouverné. Le NIST AI Risk Management Framework traite le risque de l’IA comme socio-technique, en l’organisant autour des fonctions Govern, Map, Measure et Manage, avec une supervision humaine intégrée tout au long du cycle de vie.

Il faut porter une réserve honnête : la supervision humaine peut devenir de pure forme si les examinateurs subissent une pression les poussant à approuver machinalement. Un périmètre borné et des liens vers les preuves sont ce qui rend l’examen réel — un examinateur capable de voir la mesure sous-jacente peut effectivement contredire la machine. Nous traitons ce principe en détail dans l’IA avec supervision humaine pour les décisions relatives aux transformateurs.

Pourquoi cela convient à la gestion des actifs transformateurs

Le réseau électrique est, selon les mots du U.S. DOE, « l’une des machines les plus complexes, et pourtant les plus fiables, au monde », et le DOE présente l’IA comme précieuse pour le gérer — à condition que les outils « n’introduisent pas de risques pour le réseau ou les personnes ». L’IEA reconnaît de même à l’IA une véritable valeur opérationnelle dans le domaine de l’énergie, assortie d’une contrainte explicite de sûreté et de sécurité.

Les décisions relatives aux transformateurs conviennent bien à la version bornée de l’IA agentique précisément parce qu’elles ont déjà la forme que décrivent les laboratoires : une tâche claire (interpréter une tendance DGA, recouper une mesure PRPD, évaluer une action de maintenance), des critères de réussite clairs et une supervision humaine obligatoire. Les modes de défaillance sont bien compris — voir pourquoi les transformateurs de puissance défaillent — et les preuves sont concrètes et vérifiables. C’est le cadre idéal pour un agent dont le rôle est d’assembler le dossier, et non de trancher.

Comment GridAPM applique le modèle

GridAPM est conçu comme la rigueur que prescrit la recherche, et non comme une autonomie pour elle-même. Ses agents sont bornés — des outils et des actions définis, aucun contrôle ouvert sur des actifs sous tension ; reliés aux preuves — chaque conclusion traçable jusqu’à l’enregistrement DGA, d’huile, de PD, de SFRA, thermique ou d’inspection qui l’a produite, dans le style ancré sur la récupération que valide la littérature ; et revus par des humains — l’ingénieur approuve, l’agent prépare. C’est la même philosophie que celle qui sous-tend le logiciel d’APM à IA agentique pour transformateurs de puissance et notre vision plus large de l’intelligence artificielle pour les transformateurs de puissance.

L’argument convaincant pour une équipe d’ingénierie sceptique n’est pas « faites confiance à l’IA ». C’est : nous avons construit ce que prescrivent les preuves. Demandez un pilote GridAPM pour évaluer un flux de travail borné, relié aux preuves et revu par des humains sur votre propre parc.