L'étude recadre l'IA agentique pour les équipes d'entreprise, déplaçant l'attention de la sélection du modèle vers les décisions architecturales. Cela implique de prendre en compte des facteurs tels que l'allocation du budget de formation, la préservation de la modularité et les compromis entre coût, flexibilité et risque. Les chercheurs ont identifié deux dimensions principales dans le paysage de l'IA agentique : l'adaptation de l'agent et l'adaptation de l'outil. L'adaptation de l'agent implique de modifier le modèle de base qui sous-tend le système agentique en mettant à jour ses paramètres ou politiques internes.

La croissance rapide de l'IA agentique a conduit à une prolifération d'outils et de frameworks, ce qui rend difficile pour les développeurs de déterminer les meilleures options pour leurs besoins spécifiques. L'IA agentique désigne les systèmes d'IA capables d'agir de manière autonome pour atteindre des objectifs spécifiques. Ces systèmes combinent souvent de grands modèles de langage avec des capacités de planification, de mémoire et d'utilisation d'outils.

Le framework devrait apporter clarté et orientation aux développeurs, leur permettant de prendre des décisions plus éclairées concernant la conception et la mise en œuvre des systèmes d'IA agentique. En classant les frameworks en fonction de leurs forces et de leurs faiblesses, les chercheurs espèrent rationaliser le processus de développement et accélérer l'adoption de l'IA agentique dans divers secteurs. Les chercheurs suggèrent que la compréhension des compromis entre l'adaptation de l'agent et l'adaptation de l'outil est cruciale pour optimiser les performances et l'efficacité des systèmes d'IA agentique.