Next-Generation AI Agents for Real-World Applications in the Apply AI sectors (RIA) (Partnership in AI, Data and Robotics)

À quoi sert ce topic ?

Faire progresser les capacités des agents d’IA capables de planifier, raisonner, utiliser des outils et exécuter des actions de façon autonome pour atteindre des objectifs complexes. Le topic met l’accent sur la robustesse, la fiabilité, la mémoire et la gestion d’état, l’autoplanification et la coordination de plusieurs agents, avec des applications réelles dans les secteurs Apply AI.

Source topic-level officielle; RIA de recherche, pas une aide générale à l’achat d’un agent IA.

Quel projet peut correspondre ?

Recherche qui améliore techniquement les agents au-delà d’un simple prompt ou d’une intégration d’API : planification multi-étapes; mécanismes de raisonnement et de recherche; mémoire persistante et gestion d’état; auto-planification/auto-optimisation; architectures multi-agents et protocoles de coordination décentralisée; raisonnement multimodal; validation, surveillance et contrôle de fiabilité. Le projet doit définir des benchmarks reproductibles et démontrer les progrès sur des tâches complexes, par exemple analyse de données ou programmation.

Le topic attend une avancée de capacités et une évaluation mesurée; le simple déploiement d’un assistant existant est un mauvais signal.

Qui cibler dans le consortium ?

Équipes de recherche en IA/ML; développeurs d’architectures d’agents; spécialistes de planification, raisonnement, mémoire et systèmes multi-agents; entreprises disposant de cas d’usage réels; équipes de sécurité, évaluation et monitoring; fournisseurs de données/environnements de test; partenaires de validation sectorielle; liens avec ADRA, AI Factories, Data Labs, Testing and Experimentation Facilities et AI-on-demand.

Le consortium doit combiner recherche algorithmique, évaluation robuste et accès à des cas d’usage pertinents.

Comment structurer le plan de travail ?

WP1 définition des tâches complexes, risques et benchmarks initiaux; WP2 architecture de planification, recherche et raisonnement; WP3 mémoire, gestion d’état et apprentissage à long terme; WP4 coordination multi-agents et protocoles d’interaction; WP5 intégration d’outils/API et capacités multimodales; WP6 validation, monitoring, sécurité et comparaison aux baselines; WP7 démonstrateurs de cas d’usage, partage des résultats via AI-on-demand et coopération ADRA/GenAI4EU.

Plan proposé; le porteur doit choisir des axes de recherche cohérents plutôt que cocher artificiellement toutes les pistes.

Indicateurs à exiger dès la préqualification

Taux de réussite sur tâches multi-étapes; taux d’achèvement sans intervention humaine; erreurs factuelles et erreurs d’action; robustesse aux changements d’état et aux entrées adverses; coût/latence par tâche; qualité du rappel en mémoire longue; taux d’échec et récupération; performance des agents coordonnés vs agent unique; reproductibilité des benchmarks; mécanismes de supervision et d’arrêt; validation sur cas d’usage réel.

KPI recommandés, à définir par tâche et baseline; ne pas utiliser un chiffre arbitraire comme critère officiel.

Budget, calendrier et statut

Type d’action : Research and Innovation Action (RIA). Budget : 38 M€ selon le Work Programme. Ouverture : 15 janvier 2026. Clôture : 15 avril 2026. Appel fermé. La page topic-level française affiche le budget NC; le montant de 38 M€ provient du programme de travail.

Indiquer la source du budget; ne pas le présenter comme montant attribué à un projet unique.

Exclusions et faux positifs

Écarter le simple chatbot reposant sur un modèle existant sans contribution de recherche; l’intégration commerciale d’outils/API sans progrès de planification, mémoire ou autonomie; une démonstration non benchmarkée; un agent autonome sans mécanisme de validation/monitoring; une orchestration multi-agents qui n’est qu’une succession de prompts sans protocole ni comparaison expérimentale.

Filtres de précision proposés à partir du scope.

Mots-clés FR/EN

agents IA autonomes; planification multi-étapes; raisonnement; mémoire persistante; gestion d’état; auto-optimisation; systèmes multi-agents; coordination décentralisée; agents multimodaux; validation et monitoring; benchmarks; AI agents; agent autonomy; planning and reasoning; memory management; state management; lifelong learning; multi-agent frameworks; decentralized coordination; tool use; API integration; multimodal reasoning; reliability evaluation; benchmark; AI-on-demand; ADRA

Vocabulaire technique spécifique; tester les termes avec et sans « agentic AI ».

Cas positif de matching

Consortium de recherche et d’industriels développe un cadre d’agents multi-étapes avec mémoire externe, planification explicite et protocole multi-agent, compare les performances à des baselines sur des tâches complexes et documente les erreurs, les coûts et les mécanismes de supervision.

Scénario conçu, non exécuté; appel fermé.

Cas négatif de matching

Entreprise qui souhaite déployer un chatbot de service client utilisant un modèle du marché et des connecteurs CRM standards, sans recherche sur l’autonomie, la mémoire, le raisonnement, les systèmes multi-agents ou les benchmarks.

Scénario conçu, non exécuté; appel fermé.

Règle de décision Capital OS

Classer comme recherche sur les capacités fondamentales et l’évaluation des agents, pas comme simple digitalisation métier. Pour une opportunité future, vérifier le nouveau topic et ne pas réutiliser automatiquement les dates ou le budget de 2026.

Historique uniquement; aucune recommandation d’ouverture.

Sources officielles

• Source officielle
• Source officielle