L'AGI, ou Intelligence Artificielle Générale, désigne un système capable d'acquérir de nouvelles compétences et de résoudre des problèmes pour lesquels il n'a jamais été entraîné, au lieu d'exceller dans une fonction spécifique. Aucun système AGI n'est commercialisé à ce jour. Dans le domaine de la gestion de la relation client (CRM), l'AGI se traduirait par un logiciel capable de prendre des décisions transversales en matière de ventes, de marketing et de support, au lieu d'exécuter des flux de travail prédéfinis.
Si vous demandez à un fournisseur ce qui ferait de son produit une intelligence artificielle générale (IAG), il décrira peut-être simplement une version améliorée de ce qu'il vend déjà, avec par exemple une automatisation plus rapide, davantage de fonctionnalités ou une meilleure personnalisation. Mais aucune de ces améliorations, à elle seule, ne rend un système véritablement universel.
Il existe une méthode plus rigoureuse pour évaluer cette affirmation. Elle consiste à déterminer si un système est capable d'apprendre et de résoudre des problèmes véritablement inédits, et un référentiel écrit permet de tester cette capacité. Comprendre ce que mesure ce test offre une approche plus claire pour évaluer les affirmations relatives à l'intelligence artificielle générale (IAG).
Qu'est-ce que l'AGI ?
L'intelligence artificielle générale (IAG) est un type théorique d'intelligence artificielle capable d'égaler, voire de surpasser, les capacités humaines dans la quasi-totalité des tâches intellectuelles et cognitives. Contrairement aux IA spécialisées actuelles, un système d'IAG pourrait apprendre, raisonner et s'adapter à des situations totalement inédites sans nécessiter de programmation spécifique.
La définition de travail la plus rigoureuse est celle de François Chollet, le chercheur à l'origine de la bibliothèque d'apprentissage profond Keras. Dans son article de 2019 Sur la mesure de l'intelligence, il a défini l'intelligence comme efficacité d'acquisition de compétences sur des tâches inconnues plutôt que les performances sur les tâches pour lesquelles le système a été préparé.
Cette distinction est au cœur du débat et modifie la signification d'un score de référence. Si un modèle a été entraîné sur des données similaires au test, un score élevé indique qu'il peut trouver une réponse déjà rencontrée. Il ne dit rien de son comportement face à un problème véritablement inédit.
Chollet a créé un banc d'essai pour le tester. ARC-AGI présente des puzzles à grille Il s'agit d'un système où une règle doit être déduite de deux ou trois exemples et appliquée à un cas inédit. La mémorisation est intrinsèquement difficile, car chaque tâche est unique et les exemples sont trop peu nombreux pour permettre une reconnaissance statistique des formes.
Quatre caractéristiques distinguent AGI des navires actuels :
- Transfert: Les compétences acquises dans un domaine sont transférables à un domaine totalement différent sans formation supplémentaire, ce qu'aucun système de production actuel ne permet.
- Manipulation des nouveautés : Ce système résout des problèmes auxquels ses concepteurs n'avaient jamais pensé. Les modèles actuels se comportent de manière imprévisible dès que les données d'entrée cessent de ressembler à celles sur lesquelles ils ont été entraînés, et ils signalent rarement ce changement.
- Décomposition autonome des objectifs : Il décompose un objectif ambigu en étapes sans intervention humaine pour définir le flux de travail.
- Rendement : Elle tire des enseignements d'une poignée d'exemples plutôt que de millions, ce qui est le critère que la définition ci-dessus mesure en réalité.
| Vérification de la réalité: ARC-AGI-1 Lancée en 2019, cette initiative visait à tester la capacité des systèmes d'IA à apprendre de nouvelles règles à partir de quelques exemples seulement et à les appliquer à des problèmes inédits. Fin 2024, les modèles de pointe avaient considérablement augmenté de taille, la puissance de calcul nécessaire à leur entraînement ayant été multipliée par 50 000 environ. Pourtant, ce test restait un défi de taille. Cela signifie qu'augmenter la taille des modèles et leur puissance de calcul peut améliorer leurs performances, mais que la simple mise à l'échelle ne suffit pas à garantir l'apprentissage et la généralisation efficaces associés à l'IA générale. |
AGI vs IA vs IA générative
On parle souvent d'IA, d'IA générative et d'IA générale comme si elles désignaient différents niveaux d'une même technologie. Or, ce n'est pas le cas. La principale différence réside dans les capacités d'apprentissage d'un système, sa capacité à gérer des problèmes inédits et son degré d'autonomie dans le processus décisionnel.
| IA étroite | IA générative | AGI | |
| Domaine | Exécute une tâche définie | Produit du contenu dans différents formats | Gère un large éventail de tâches intellectuelles |
| Apprend de nouvelles tâches | Non, cela nécessite généralement une formation ou une reconfiguration. | Non, pas à partir de quelques exemples | Oui, à partir d'exemples limités |
| Gère les problèmes inhabituels | Limité en dehors de sa tâche définie | Peut fournir des réponses plausibles, mais peut se révéler peu fiable pour des tâches inconnues. | Conçu pour résoudre des problèmes véritablement inédits |
| L'établissement d'objectifs | Défini par l'humain | provoqué par l'humain | Peut décomposer des objectifs plus larges en tâches de manière indépendante |
| Disponible dans le commerce | Oui, largement | Oui, largement | Non |
La distinction la plus simple est la suivante : l’IA générative peut effectuer de nombreuses tâches de génération de contenu, tandis que l’IA générale serait capable d’apprendre à gérer de nouveaux types de problèmes. Un système d’IA générative peut rédiger un courriel de suivi ou une clause contractuelle sur demande. L’IA générale, quant à elle, devrait déterminer si l’envoi de ce courriel est approprié, tenir compte du contexte du compte et décider de la suite des opérations.
Comment AGI pourrait-elle transformer la gestion de la relation client (CRM) ?
Le CRM est l'un des domaines où l'IA générale pourrait avoir un impact particulièrement significatif, car les systèmes CRM centralisent déjà le contexte client nécessaire à un système de raisonnement. L'historique des contacts, l'activité commerciale, les interactions avec le support, les réponses aux campagnes et les informations de compte sont stockés dans un environnement unique. Si l'IA générale est capable de raisonner dans des situations inédites, ce contexte lui permettrait de prendre des décisions plutôt que de simplement exécuter des flux de travail prédéfinis.
- Engagement client autonome
Aujourd'hui, l'automatisation CRM débute généralement par un déclencheur prédéfini, comme un changement d'étape dans une transaction ou une action client. Un système AGI, quant à lui, pourrait analyser le compte dans son ensemble et déterminer si un contact est nécessaire, quel canal privilégier, l'objet du message et le moment opportun pour l'envoyer.
- Gestion intelligente des prospects
La notation des prospects repose généralement sur des règles et des signaux prédéfinis par les administrateurs, tels que l'intitulé du poste, la taille de l'entreprise, l'engagement ou le secteur d'activité. AGI pourrait évaluer un compte en utilisant un contexte plus large et identifier des signaux pertinents qui n'ont jamais été intégrés à des champs prédéfinis. La qualification des prospects serait ainsi moins dépendante du nombre de règles configurées par l'administrateur CRM.
- Informations prédictives sur les clients
IA prédictive L'AGI peut identifier des tendances associées à des résultats tels que le taux de désabonnement, la conversion ou la conclusion d'une vente. Elle pourrait potentiellement aller plus loin en analysant les raisons de la probabilité d'un résultat et en déterminant les actions susceptibles de le modifier. Au lieu de simplement signaler un compte comme étant à risque, le système pourrait établir un lien avec les circonstances sous-jacentes et recommander une intervention appropriée.
- Décisions relatives aux flux de travail interfonctionnels
Les flux de travail CRM suivent généralement des processus prédéfinis. L'IA pourrait prendre des décisions au sein de ces processus en fonction de l'évolution de la situation. Par exemple, elle pourrait identifier qu'un problème d'assistance grave justifie l'arrêt temporaire d'une campagne de vente additionnelle, même si aucune règle ne relie ces deux événements.
Ces fonctionnalités ne sont pas disponibles sur le marché à l'heure actuelle. Elles représentent une piste possible pour l'automatisation de la gestion de la relation client (CRM) et constituent un critère utile pour évaluer l'écart entre les systèmes d'IA actuels et une véritable intelligence générale.
| Fait intéressant: La feuille de route de Gartner met en avant des systèmes d'IA de plus en plus coordonnés plutôt qu'une intelligence unique à usage général. Elle situe les systèmes multi-agents collaboratifs autour de 2027. écosystèmes multi-agents vers 2029, en mettant l'accent sur la collaboration de plusieurs agents spécialisés. |
Avantages potentiels d'un CRM basé sur l'IA générale
La valeur potentielle de l'IA générale dans la gestion de la relation client (CRM) ne se limiterait pas à une simple accélération des processus automatisés existants. Le changement majeur résiderait dans la capacité à prendre des décisions dans des situations non explicitement couvertes par un flux de travail, en exploitant le contexte client plus large déjà disponible dans le CRM.
- Jugement sans configuration
La plupart des solutions d'automatisation CRM reposent sur des règles prédéfinies. L'AGI pourrait réduire cette dépendance en déterminant la réponse optimale lorsqu'une situation sort de ces limites. Au lieu d'exécuter un flux de travail statique, le système analyse le contexte pour identifier la stratégie la plus appropriée.
- Contexte qui survit aux transferts
Les informations client circulent fréquemment entre les équipes commerciales, marketing et support, créant des lacunes que les employés doivent combler manuellement. Un système AGI pourrait assurer la continuité du contexte client pertinent lors de la transition entre les équipes commerciales et le support, comblant ainsi ce manque. équipes des opérations de revenus Il faut souvent corriger manuellement.
- Explication et prédiction
Une prédiction est plus utile lorsque son destinataire en comprend le raisonnement. Au lieu de simplement signaler un compte comme susceptible de se désabonner, un système d'intelligence artificielle générale (IAG) pourrait relier les signaux clients pertinents, expliquer le raisonnement derrière la prédiction et suggérer une réponse appropriée. Cela pourrait influencer positivement le taux de désabonnement. Expérience client IA travailler depuis la simple identification des problèmes jusqu'à la planification des solutions à apporter.
- Réduction du travail administratif
Les administrateurs CRM consacrent un temps considérable à la création de champs, de règles, de flux de travail et d'exceptions pour les situations que le système ne peut gérer automatiquement. Une plus grande généralité permettrait de réduire cette configuration en laissant au système la possibilité de déterminer la réponse à adopter lorsqu'une situation ne correspond à aucun flux de travail existant.
Défis liés à l'utilisation de l'AGI dans la gestion de la relation client (CRM)
Les défis liés à l'utilisation de l'IA générale dans la gestion de la relation client (CRM) ne sont pas entièrement nouveaux. Les systèmes d'IA spécialisés exposent déjà les entreprises à bon nombre de ces mêmes risques, mais l'IA générale les amplifierait car elle pourrait accéder à davantage de données, prendre des décisions plus globales et nécessiter une intervention humaine moindre.
- Confidentialité des données: Un système qui raisonne sur chaque dossier client nécessite d'avoir accès à chaque dossier client, ce qui élargit le champ d'application de toute violation et complique le consentement en vertu de la loi sur la protection des données.
- Précision et fabrication : Les modèles génératifs produisent des réponses fluides, assurées et erronées, sans aucune nuance de ton. Lorsqu'une personne vérifie le résultat, une erreur a un coût. Lorsque le système agit sur son propre résultat, l'erreur est transmise au client et la décision suivante est basée sur cette erreur.
- Responsabilité: Lorsqu'un système autonome envoie un message erroné à un compte d'entreprise, la question de savoir qui l'a autorisé ne trouve pas de réponse claire dans les modèles de gouvernance actuels.
- Surveillance humaine : Un examen pertinent nécessite de comprendre le raisonnement, et examiner des décisions prises plus vite qu'une personne ne peut les lire n'est qu'un contrôle de façade.
- Complexité d'intégration : Un système de raisonnement n'est performant que dans la mesure où il a accès aux systèmes où il travaille, ce qui en fait un problème d'architecture avant d'être un problème d'IA.
- Posture de sécurité : Un accès plus étendu au système augmente la valeur d'un compte compromis, c'est pourquoi Contrôles de sécurité CRM Elles deviennent plus robustes à mesure que l'automatisation s'approfondit, et non l'inverse.
L'avenir de l'IA générale et de la GRC
Les discussions sur la feuille de route concernant l'IA générale partent du principe que l'industrie évolue dans cette direction. Or, les prévisions publiées décrivent une évolution inverse. Les solutions développées et commercialisées se spécialisent de plus en plus chaque année, et la feuille de route CRM qui vous est proposée s'inscrit dans cette tendance.
Des agents spécialisés : voilà ce que nous réserve 2026.
Gartner prédit que 40 % des applications d'entreprise L'intégration avec des agents d'IA spécialisés sera effective d'ici fin 2026, contre moins de 5 % en 2025, ce qui place les écosystèmes multi-agents en 2029. « Spécialisé » est l'expression clé, et c'est l'antonyme de « général ».
Un agent, dans ce sens, exécute une tâche de bout en bout, comme l'élaboration d'un devis de renouvellement ou le traitement d'une demande d'assistance, puis s'arrête à la fin de celle-ci. C'est une autonomie à l'intérieur d'un cadre défini par quelqu'un.
L'étendue provient de l'assemblée, non de la généralité.
Cette feuille de route permet d'atteindre une large capacité en assemblant de nombreux agents spécialisés qui travaillent de concert, plutôt qu'en construisant un système général en soi.
La question de savoir si l'assemblage permet d'élargir le champ des possibles reste ouverte. Une équipe de l'UC Berkeley a annoté Plus de 1 600 traces d'exécution dans sept frameworks multi-agents et ont constaté que les gains de performance par rapport aux configurations mono-agent étaient souvent minimes.
Leur taxonomie recense 14 modes de défaillance répartis en trois groupes : spécifications imprécises, incohérences entre les acteurs et absence de vérification mutuelle des résultats. La plupart de ces défaillances sont imputables à la conception du système plutôt qu’aux limites du modèle sous-jacent.
Lorsqu'un agent interprète mal ses données d'entrée, chaque agent en aval réagit à l'erreur sans savoir qu'elle s'est produite, de sorte que l'erreur apparaît à la fin de la chaîne plutôt qu'à sa source.
La question de la gouvernance change de nature. Il ne s'agit plus d'approuver le jugement d'un seul système, mais de définir un périmètre pour chaque agent et de consigner quel agent a effectué quel appel.
Quels changements pour le CRM ?
Le changement réaliste à court terme consiste à passer d'un système d'enregistrement à un système de recommandations. Évaluation des transactions, Prévisions des ventes par IAet les suggestions d'actions suivantes fonctionnent déjà ainsi dans les voies étroites, et ces voies s'élargissent plutôt que de disparaître.
La question de l'achat évolue avec eux. Plutôt que de se demander si un CRM possède une IA, il convient de se demander ce que chaque agent peut faire sans approbation humaine et où cette autorisation est consignée.
Comment Vtiger One se prépare à un CRM basé sur l'IA
Vtiger One Ce logiciel ne propose pas d'intelligence artificielle générale (IAG), ce qui est généralement le cas pour les CRM actuels. Ses fonctionnalités d'IA constituent une couche d'IA spécialisée qui prend en charge l'automatisation CRM actuelle, contribuant à centraliser les données clients et les flux de travail au sein d'un environnement unifié. Cette base pourrait également fournir le contexte nécessaire aux futurs systèmes d'IA pour un raisonnement plus efficace lors des interactions clients.
Calcul AI Il prédit des résultats tels que la conclusion d'une transaction et recommande les actions à entreprendre, tout en laissant la décision finale au gestionnaire du compte. Parallèlement, Capacités CRM IA des tâches de soutien telles que la synthèse et la rédaction de conversations, tandis que agents d'IA de construction permet de réaliser des tâches ciblées et répétables dans des limites définies.
L'efficacité de tout système d'IA dépend de la qualité des informations auxquelles il a accès. Une étape de transaction manquante ou un enregistrement de contact en double peuvent conduire à une conclusion erronée, même si le système fonctionne comme prévu. C'est pourquoi Productivité CRM optimisée par l'IA Les gains sont optimaux lorsque les données clients sont exactes, complètes et mises à jour de manière constante.
Questions fréquemment posées
Que signifie l'acronyme AGI ?
L'AGI, ou intelligence artificielle générale, désigne un système capable d'acquérir de nouvelles compétences et de résoudre des problèmes pour lesquels il n'a jamais été conçu ni entraîné, et ce dans de nombreux domaines. Elle se distingue de l'IA spécialisée, qui effectue une tâche définie et nécessite un réentraînement pour en gérer une autre.
En quoi l'AGI diffère-t-elle de l'IA ?
L'IA est le terme générique désignant tout système capable d'effectuer des tâches qui requièrent normalement l'intelligence humaine. La quasi-totalité des IA déployées est spécialisée, c'est-à-dire qu'elle ne peut gérer qu'une seule tâche et échoue en dehors de son ensemble de données d'entraînement. L'IA générale (IAG) est le sous-ensemble capable de gérer des tâches inédites sans nécessiter de réentraînement.
Quelle est la différence entre l'IA générale et l'IA générative ?
L'IA générative produit du contenu tel que du texte, des images ou du code, et généralise à différents formats tout en conservant des capacités limitées. Elle ne peut pas acquérir une compétence véritablement nouvelle à partir de quelques exemples. L'IA générale se définit par cette efficacité d'apprentissage plutôt que par la variété de ses productions, et elle n'est pas commercialisée.
Comment AGI pourrait-elle transformer la gestion de la relation client (CRM) ?
Cela transformerait le CRM, passant de l'exécution de flux de travail configurés par une personne à la prise de décisions non configurées. Il s'agirait notamment de décider de contacter ou non un compte, de qualifier les prospects selon des signaux non renseignés, d'expliquer le raisonnement derrière une prédiction et de coordonner les décisions entre les équipes commerciales, marketing et support.
Existe-t-il aujourd'hui un CRM proposant l'AGI ?
Non. Toutes les fonctionnalités d'IA CRM actuellement disponibles sont limitées et couvrent la qualification des prospects, les prévisions, la synthèse, la rédaction de documents ou encore des agents dédiés exécutant des tâches définies. Tout fournisseur qualifiant un produit commercialisé d'IA utilise ce terme à des fins marketing plutôt que pour décrire ses capacités techniques.
Quels sont les avantages de l'AGI dans la gestion de la relation client (CRM) ?
L'avantage principal réside dans la capacité du système à évaluer les situations sans configuration, ce qui signifie qu'il gère des situations imprévues par l'administrateur. Parmi les autres avantages, citons le maintien du contexte lors des transferts d'équipe, des explications accompagnant les prédictions plutôt que de simples scores, et une réduction significative du travail de configuration manuelle par rapport à l'administration CRM actuelle.
Quels sont les défis liés à l'utilisation de l'IA générale en entreprise ?
La protection des données s'étend à mesure que l'accès au système s'élargit, et les modèles génératifs continuent de produire des résultats erronés, même s'ils sont considérés comme fiables. La responsabilité des décisions autonomes reste floue, et un contrôle humain efficace est difficile à mettre en place lorsque le rythme de prise de décision dépasse celui de l'analyse. La complexité de l'intégration et l'impact accru sur la sécurité sont des enjeux dès le premier déploiement.
