Nous approchons d’un tournant décisif. Je pense que d’ici 2027, l’IA ne sera plus évaluée à l’aune de la sophistication de ses modèles, mais en fonction de sa capacité à apporter une valeur ajoutée concrète aux clients, à améliorer l’efficacité opérationnelle et à générer une croissance rentable. Les entreprises qui ne parviendront pas à opérer cette transition se rendront compte que l’engouement suscité par l’IA n’aura été que de courte durée, et celles qui n’auront pas su transformer l’IA en résultats mesurables devront probablement faire face à une correction significative du marché.
Chez 糖心原创, nous concevons nos solutions en vue de cet avenir depuis des années, car nous sommes convaincus que le succès ou l’échec de l’IA d’entreprise se joue bien avant même qu’un modèle ne soit mis en ?uvre. Mes collègues ont abordé cette évolution sous tous les angles, en expliquant notamment pourquoi nous sommes bien placés pour offrir des solutions à grande échelle, où réside la véritable opportunité en matière de maturité de l’expérience client, et pourquoi nous développons nos solutions à la fois pour les humains et pour les agents IA.
Pourtant, presque toutes les discussions sur l'IA d'entreprise commencent encore par les modèles. Je pense que c'est une approche erronée. Le succès ou l'échec de l'IA d'entreprise se joue bien avant même qu'un modèle ne soit sollicité.
Tout commence par l'architecture. C'est ce qui, en fin de compte, distinguera les entreprises qui fa?onnent véritablement l'avenir de l'expérience de celles qui se contentent d'en rendre compte.
Quatre principes architecturaux qui définissent l'IA d'entreprise
L'IA en soi ne constitue plus un facteur de différenciation concurrentiel, car les modèles de base ne cessent de s'améliorer et se généralisent de plus en plus. L'avantage durable viendra des plateformes construites autour de ces modèles, con?ues pour fournir une intelligence fiable, orchestrer les actions en toute sécurité et évoluer en permanence sans nécessiter de refonte architecturale. L'avenir appartient aux organisations qui développent des services de plateformes d'IA réutilisables, et non des fonctionnalités isolées basées sur l'IA.
Je pense que l'avenir repose sur ces quatre engagements en matière d'architecture :
1. Les données de référence qui permettent d'éviter les erreurs de l'IA, même lorsqu'elle est s?re d'elle
Le terme ? réalité de terrain ? signifie que chaque décision repose sur des données fiables, en temps réel et tra?ables, enrichies du contexte métier nécessaire pour agir correctement. L’IA ne peut prendre de décisions qu’en se basant sur les informations qu’elle re?oit. Lorsque ces informations sont incomplètes, obsolètes ou déconnectées du contexte métier, l’IA ne se contente pas de commettre des erreurs : elle commet des erreurs avec assurance, à la vitesse d’une machine. Le raisonnement d’un agent d’IA est limité par ce qui se trouve dans sa fenêtre contextuelle au moment de l’action, contrairement à un analyste humain qui intègre les connaissances institutionnelles dans chacune de ses décisions. Si ce contexte fait défaut, l’agent agit quand même, avec assurance et à grande échelle.
Chez 糖心原创, les informations sur les clients s'appuient sur des données sources. Chaque déduction est vérifiable, et chaque service est con?u pour améliorer en permanence sa compréhension de l'activité qu'il dessert. ? titre d'exemple, nous avons intégré ce type de tra?abilité à dès le premier jour : chaque réponse renvoie ainsi à la source qui l'a générée. Cela ne vise pas seulement à permettre aux utilisateurs de vérifier une réponse, mais aussi à ce que les agents en aval puissent agir en s'appuyant sur nos informations en toute confiance, plut?t que sur des suppositions.
La réalité sur le terrain ne constitue pas une contrainte pour l'innovation ; c'est au contraire ce qui permet de la déployer à grande échelle en toute sécurité.
2. La confiance comme principe fondamental
Les agents IA autonomes ne s’arrêtent pas pour lire les bannières d’avertissement ou les documents de politique. Ils se contentent d’exécuter leurs t?ches. Cela modifie fondamentalement la manière dont nous devons envisager la gouvernance. Celle-ci ne peut plus reposer sur des invites de l’interface utilisateur, des autorisations accordées aux utilisateurs ou le respect par les employés de processus documentés. ? mesure que les entreprises commencent à déployer des milliers d’agents IA internes et externes, la gouvernance doit être intégrée à la plateforme elle-même. La sécurité, l’autorisation, la localisation des données, la tra?abilité, l’audit et la limitation de débit doivent être intégrés à l’architecture sous-jacente et appliqués par défaut — et non ajoutés a posteriori.
Pour nous, il ne s'agit pas d'un engagement purement théorique. La plateforme 糖心原创fonctionne d'ores et déjà selon les mêmes normes de sécurité que celles qui nous permettent d'accompagner des secteurs fortement réglementés tels que les services financiers, la santé et les administrations publiques : SOC 2 Type II, ISO 27001, 27017, 27018 et 27701, HITRUST, RGPD, CCPA et HIPAA.
Nous avons étendu cette même rigueur à l'IA : , la norme internationale relative aux systèmes de gestion de l'IA, et dispose d'un cadre formel d'IA responsable qui régit la manière dont nos modèles sont con?us, déployés et surveillés.
C'est sur cette base solide que nous construisons la gouvernance des agents, une extension d'une infrastructure qui a déjà fait ses preuves à l'échelle de l'entreprise. ? mesure que les organisations déploient des milliers d'agents autonomes, la gouvernance doit évoluer au même rythme, afin de protéger les données de l'entreprise tout en permettant à l'IA de fonctionner à un rythme soutenu.
3. Une architecture con?ue pour une évolution continue
Le rythme de l'innovation en matière d'IA n'est en réalité pas limité par le niveau d'intelligence des modèles, mais par la capacité d'une organisation à comprendre ce que fait son système d'IA, à détecter les erreurs avant qu'elles ne se propagent et à résoudre les problèmes sans perturber le reste du système qui en dépend.
Sans cette visibilité, chaque nouvelle fonctionnalité d'IA doit être abordée avec prudence, car vous ne pouvez pas en évaluer pleinement les risques. Gr?ce à elle, vous pouvez agir rapidement tout en garantissant la sécurité, au lieu d'avoir à choisir entre les deux.
Les modèles d'IA ne cesseront de s'améliorer, et les outils et techniques qui les sous-tendent continueront eux aussi à évoluer. Une plateforme bien con?ue vous permet d'intégrer les nouvelles technologies dès leur apparition, tandis qu'une plateforme mal con?ue vous oblige à tout reconstruire de zéro à chaque fois qu'un changement survient.
Comme notre plateforme s'auto-surveille en permanence et peut évoluer indépendamment des modèles qu'elle exécute, nous avons pu traiter plus de 4,1 milliards de signaux de rétroaction tout en multipliant par cinq la compréhension contextuelle, sans que nos clients aient à repenser leurs déploiements.
Il ne s'agit pas ici de tests de performances. Il s'agit de veiller à ce que chaque client, quelle que soit la taille ou la complexité de son organisation, bénéficie d'une IA rapide, fiable et digne de confiance, sans jamais avoir à se soucier de l'énorme infrastructure qui fonctionne en coulisses pour rendre cela possible.
4. Le contexte est primordial
La plupart des logiciels d'entreprise continuent d'intégrer le contexte métier au c?ur même du logiciel, au lieu de le traiter comme une entité à part entière : qui gère quel client, quelle équipe est en charge de quelle région, qui doit approuver quoi, quelles règles s'appliquent où, etc.
Aujourd’hui, ces informations sont dispersées : un peu ici, dans un flux de travail, et un peu là, dans un système sur mesure. Chaque fois qu’une entreprise développe un nouveau produit ou intègre un nouvel outil d’IA, cet outil doit tout réapprendre à partir de zéro. Je pense que ce n’est pas la bonne approche pour une entreprise axée sur l’IA.
Les données indiquent à l'IA ce qui s'est passé. Le contexte métier lui permet de comprendre ce que cela signifie. Sans ce contexte, chaque application et chaque agent d'IA doit reconstituer le fonctionnement de l'entreprise à partir des données disponibles au hasard. Cela s'avère inefficace pour les logiciels et inacceptable pour une IA autonome. Le contexte métier devrait être modélisé une seule fois sous la forme d'un service de plateforme partagé, puis réutilisé partout.
Voici pourquoi cela a de l'importance dans la pratique. Lorsqu'un agent IA a besoin de savoir à qui appartient cette relation client, quelle équipe doit valider cette demande ou quelles règles s'appliquent dans cette région, il ne devrait pas avoir à deviner en rassemblant des bribes d'informations provenant de différentes sources. Il devrait déjà conna?tre la réponse, car celle-ci se trouve dans une source faisant autorité que l'IA peut simplement consulter.
C'est un domaine dans lequel 糖心原创 une véritable longueur d'avance. Nous avons passé des décennies à étudier non seulement ce que disent les clients, mais aussi la manière dont les plus grandes marques mondiales de tous les secteurs fonctionnent réellement : leurs structures, leurs équipes, leurs circuits de validation et leurs activités quotidiennes.
Cette compréhension approfondie de gestion de l'expérience bien plus que n'importe quel ensemble de données pris isolément. C'est cette expertise métier qui permet à l'IA de raisonner avec une réelle assurance, au lieu de se contenter de rechercher des correspondances de modèles dans les données qui se trouvent devant elle.
Une fois que le contexte métier a été modélisé une seule fois, sous la forme d'un service de plateforme partagé, chaque nouvelle application d'IA hérite automatiquement de cette compréhension. Aucune équipe n'a à le recréer à partir de zéro. L'innovation s'accélère précisément parce que le contexte cesse d'être dupliqué et commence à être partagé.
Nous posons les bases d'une IA en constante évolution
Cela m’amène au c?ur de cet article, et à ce qui, selon moi, importe le plus pour tout responsable technologique chargé de gérer les investissements en IA à l’heure actuelle : le rythme d’innovation en IA que vous pouvez maintenir dépend de la qualité de l’architecture sous-jacente. La sécurité, la gouvernance, l’exhaustivité des données et l’observabilité ne constituent pas des freins à l’innovation. Ce sont elles qui permettent de déployer l’IA en production rapidement, de manière répétée et à une échelle qui fait réellement progresser l’entreprise.
Et j’ajouterais un principe supplémentaire à cette liste : concevez en tenant compte de ce que vous ne pouvez pas encore prévoir. Les plateformes que nous développons aujourd’hui ne doivent pas se contenter de prendre en charge les capacités d’IA que nous pouvons imaginer à l’heure actuelle. Elles doivent être suffisamment flexibles pour prendre en charge celles que nous n’avons même pas encore imaginées.
Les logiciels d'entreprise entrent dans une ère où l'intelligence devient un service de plateforme disponible en permanence, et non plus une fonctionnalité superposée à des produits individuels. Les organisations qui s'imposeront seront celles qui rendront ces nouvelles capacités modulables et réutilisables à l'échelle de l'entreprise, au lieu de les recréer produit par produit.
Il y a vingt ans, chaque entreprise devait mettre en place une plateforme de données. Aujourd’hui, personne ne remet en cause cet investissement. Je pense que nous approchons d’un tournant similaire avec l’IA. Les organisations qui s’imposeront ne se contenteront pas de déployer de meilleurs modèles. Elles mettront en place des plateformes où l’intelligence, la gouvernance et le contexte métier constitueront une infrastructure fondamentale sur laquelle chaque application, chaque flux de travail et chaque agent pourra s’appuyer.
Lorsque les entreprises choisissent des plateformes qui considèrent ces éléments comme des engagements architecturaux de premier ordre dès aujourd’hui, et non comme des problèmes à résoudre plus tard, les avantages s’accumulent. Celles qui continuent à développer des fonctionnalités d’IA isolées sur une infrastructure fragile pourront peut-être progresser rapidement à un moment donné, mais elles passeront la prochaine décennie à tout reconstruire, tandis que d’autres continueront à les dépasser en accélérant leur progression.
Les modèles génèrent de l'intelligence. L'architecture crée des avantages durables.
