Le succès ou l’échec de l’IA d’entreprise ne dépend pas du modèle mais du « contexte »… 7 conditions de l’ère des agents intelligents

L’introduction de l’intelligence artificielle (IA) d’entreprise dépasse désormais la phase “expérimentale” pour passer à une déploiement opérationnel, mais sur le terrain, les résultats restent souvent en deçà des attentes. L’industrie souligne que la cause n’est pas le manque de modèles plus performants, mais l’absence de “contexte”. Peu importe la performance d’un agent IA, s’il ne peut pas accéder de manière appropriée aux connaissances internes de l’entreprise et au contexte métier, il restera bloqué à la phase de prise de décision.

Vanessa Liu, présidente de Appen Ltd., a récemment déclaré lors d’une activité conjointe avec theCUBE et la Bourse de New York (NYSE) : “Les données sont essentielles pour que les entreprises exploitent l’IA. Tout comme un employé exceptionnel doit s’adapter à la formation organisationnelle après son embauche, un agent IA doit disposer du contexte métier pour fonctionner normalement.” Des dirigeants dans les domaines de l’infrastructure de données, de la finance, de la modernisation des entreprises et de l’IA open source, dont Steve Hasker, PDG de Thomson Reuters Corp., ont assisté à cet événement pour discuter ensemble de “comment faire en sorte que les agents soient réellement opérationnels dans le contexte métier”.

1. La compétitivité des entreprises dépend finalement des “données exclusives”

Les intervenants s’accordent à dire qu’une IA de pointe seule ne suffit pas pour se différencier. La clé réside dans l’accumulation à long terme des données internes et des connaissances métier. Liu souligne que le savoir-faire spécifique à l’entreprise est souvent mal systématisé. Hasker pense quant à lui que, à l’avenir, la compétitivité d’un agent ne dépendra plus seulement de sa “facilité d’utilisation”, mais de sa “capacité à détenir une barrière de défense en données sur le marché”.

2. Les utilisateurs n’attendront pas, les agents non plus

La rapidité est désormais considérée comme une condition sine qua non plutôt qu’une option. Ariel Schulman, directeur produit de Bright Data Ltd., explique que lorsque l’utilisateur voit “Recherche en cours sur le web” sur l’écran du chatbot, le compteur de patience commence à s’écouler. Bright Data fournit actuellement des données de scraping web comme point de départ pour la réponse du chatbot, en maintenant le temps de transmission de la page en dessous d’une seconde, avec une médiane de 500 millisecondes. En raison de la lenteur de l’acquisition des données, l’utilisateur peut déjà quitter avant que l’agent n’ait fini de préparer sa réponse.

3. Les agents IA traitant de l’argent ont besoin d’un “compte” et d’un système d’identification

Certains estiment que si un agent IA doit effectuer des paiements ou des transferts financiers, il doit disposer d’un système de certification comparable à celui d’une pièce d’identité humaine. Sean Neville, co-fondateur et PDG de Catena Labs Inc., indique que les banques doivent pouvoir vérifier à qui l’agent représente, ce qu’il peut faire, et pourquoi il agit. Cette idée vise à instaurer un système de “Connaître votre agent (Know Your Agent)”, garantissant la responsabilité et la traçabilité dans l’automatisation financière.

4. Aller au-delà du “verrouillage fournisseur”, le vrai problème aujourd’hui est le “verrouillage par token”

L’événement a également lancé un avertissement : si tous les systèmes sont construits entièrement autour d’un modèle IA spécifique, on risque de perdre le contrôle des coûts à l’avenir. Woodson Martin, PDG d’OutSystems Inc., indique que les entreprises dépendant d’un seul modèle de pointe, avec l’accumulation des coûts de raisonnement, seront confrontées à une pression sur la rentabilité. Il insiste sur la nécessité d’une plateforme permettant de remplacer le modèle en cours d’exécution sans réécrire le système de base, ce qui constitue une solution concrète pour gérer les profits et pertes dans la stratégie d’agent.

5. “Fournir” des outils IA n’est pas la même chose que de “faire utiliser” réellement

Il existe un écart considérable entre l’application concrète sur le terrain et la perception de la direction. Tye Kim, directeur de l’information chez WalkMe Ltd., indique que 80 % des dirigeants pensent avoir fourni d’excellents outils IA à leurs employés, mais peu d’employés partagent cet avis. Le problème ne réside pas dans la quantité d’outils, mais dans leur présentation naturelle au bon moment. Sans une “orientation contextuelle” intégrée dans le processus métier, qui guide l’utilisateur au moment opportun, l’investissement dans l’IA risque de ne pas porter ses fruits.

6. Commencer par le modèle le plus puissant, puis chercher des alternatives moins coûteuses

Certains estiment que privilégier la réduction des coûts dès le départ est une erreur stratégique. Wu Qingyun, représentant d’AG2ai, suggère qu’il faut d’abord utiliser le modèle le plus performant pour confirmer le niveau atteignable, puis comparer des alternatives moins chères comme les modèles open source pour voir si elles offrent des performances équivalentes. Cela signifie que si l’on part dès le début avec un modèle bon marché, l’entreprise pourrait manquer la capacité requise. Ce n’est qu’ultérieurement qu’il sera possible d’équilibrer coût et performance.

7. Les pilotes sont faciles, mais la phase opérationnelle est la plus vulnérable

Le plus grand risque ne se trouve pas dans les projets pilotes, mais dans la mise en production. Bar Moses, co-fondateur et PDG de Monte Carlo Data Inc., explique que de nombreux agents qui fonctionnaient bien lors de la preuve de concept (POC) échouent souvent une fois déployés en production, en raison de données obsolètes, de sauts d’étapes de raisonnement, de consommation excessive de jetons, ou de “hallucinations” non filtrées lors des tests. En particulier, la justice a déjà statué que la responsabilité ultime de l’action de l’agent ne revient pas à l’utilisateur, mais à l’entreprise qui a créé le service. Il devient donc crucial pour les entreprises d’établir des systèmes de contrôle et de surveillance.

L’évaluation finale indique que la prochaine compétition en IA d’entreprise ne dépend pas tant de la performance du modèle lui-même, mais de la capacité à fournir un contexte précis et à assurer une stabilité opérationnelle. À l’approche d’une ère où les agents IA remplaceront le travail humain, la possession de données exclusives, de connaissances internes, la rapidité, la maîtrise des coûts et la responsabilité seront probablement les critères déterminants de la réussite ou de l’échec.

Notes TP AI : Cet article est résumé à partir du modèle linguistique TokenPost.ai. Le contenu principal peut être omis ou différer de la réalité.