Introduction

L'intelligence artificielle est en train de devenir rapidement un outil courant. Chaque organisation a désormais accès à des modèles d'IA de plus en plus performants, qui ne cessent de s'améliorer à un rythme extraordinaire. L'avantage concurrentiel ne viendra pas des modèles eux-mêmes, mais de la qualité des informations d'entreprise auxquelles ils ont accès.

L'intelligence d'entreprise va au-delà du modèle « data ». C'est la combinaison du sens métier, de la gouvernance, des relations, des politiques et du savoir institutionnel qui permet à l'IA de comprendre comment une entreprise fonctionne réellement. Sans cela, même les modèles d'IA les plus performants peinent à produire des résultats fiables, explicables et exploitables.

Le défi ne consiste pas à créer une intelligence d'entreprise à partir de zéro. Il s'agit plutôt de rassembler les connaissances métier fragmentées au sein d'une couche régie par des règles, et de l’adapter en permanence à mesure que l’activité évolue. C’est là que de nombreuses transformations basées sur l’IA s’enlisent. Prenons l’exemple d’une banque qui définit ce qu’est un “ client à haut risque ”. Le service de conformité le signale pour activité suspecte, le service Crédit pour risque de défaut de paiement, et le service Fraude pour transactions inhabituelles. Chaque équipe a raison selon ses propres règles, mais les définitions ne concordent pas, et c’est cette lacune que la gouvernance comble, en fournissant à chaque système et agent d’IA une réponse unique et partagée.

Cet article présente un plan d'action pour l'IA d'entreprise. Starburst montre comment les organisations créent une intelligence d'entreprise fiable à travers les environnements data et metadata distribués. Artefact présente le modèle opérationnel qui permet à cette intelligence d'être continuellement découverte, certifiée, réutilisée et améliorée. Ensemble, ils fournissent la base technologique et le modèle organisationnel nécessaires à la mise en œuvre de l'IA à l'échelle de l'entreprise.

Pourquoi les agents conversationnels data ne parviennent-ils pas à se déployer à grande échelle après plusieurs projets pilotes couronnés de succès ?

La plupart des organisations ont démontré que IA conversationnelle peuvent fonctionner. Ils permettent de mettre en place des projets pilotes impressionnants, de démontrer une réelle valeur ajoutée pour l’entreprise et de susciter l’enthousiasme au sein de l’ensemble de l’organisation. Cependant, rares sont ceux qui parviennent à transposer ces réussites à l’échelle de l’entreprise.

Le défi réside dans la préparation des entreprises. Avant que les agents conversationnels data puissent fonctionner de manière fiable à grande échelle, les organisations doivent répondre à trois questions fondamentales :

  • Qui définit le contexte métier dans lequel l'IA doit fonctionner ?
  • Comment garantir que les recommandations issues de l'IA soient fiables et explicables, tout en s'inscrivant dans le cadre de la responsabilité organisationnelle ? 
  • Comment le système apprend-il et s'améliore-t-il en permanence à mesure que l'entreprise évolue ?

La couche d'intelligence d'entreprise : les solutions data foundations dont vous disposez déjà constituent vos principaux atouts en matière d'IA

L'intelligence artificielle ne peut produire que des résultats commerciaux fiables lorsque trois conditions sont réunies : l'entreprise data doit être accessible, le sens métier doit être structuré et des informations fiables doivent être mises à disposition partout où des décisions sont prises.

La couche de contexte d'entreprise pose ces bases grâce à un modèle d'exécution simple :

Se connecter. Les entités « Enterprise data » et « metadata » existent déjà dans les systèmes opérationnels, les plateformes cloud, les lacs de données data, les catalogues, les modèles sémantiques, les outils de BI et la documentation.

Plutôt que d’exiger des entreprises qu’elles centralisent ces ressources, Starburst assure une fédération entre data et metadata, ce qui permet de lancer immédiatement des initiatives d’IA sans attendre la fin des projets de migration ou de consolidation. Les entreprises s’appuient ainsi sur les données dont elles disposent déjà.

Organiser. Une fois connecté, le data devient une source d'intelligence d'entreprise réutilisable. La couche contextuelle d'entreprise organise le data fédéré en produits data prêts pour l'IA, alignés sur le mode de fonctionnement de l'entreprise : client, produit, politique, compte, risque, fournisseur et autres entités métier clés.

Chaque produit data associe quatre éléments :

  • data - Certifié
  • Signification commerciale
  • Logique métier
  • Gouvernance intégrée

Ensemble, ces éléments constituent des unités réutilisables d'intelligence d'entreprise pouvant être partagées entre les outils d'analyse, les applications et l'IA. Plutôt que de recréer le contexte métier pour chaque tableau de bord ou agent, les organisations le définissent une seule fois et le réutilisent partout.

Activer. Les produits data compatibles avec l'IA constituent désormais la base commune d'intelligence pour les tableaux de bord, les applications, AIDA et les agents IA agréés. Étant donné que chaque produit data intègre déjà une signification métier fiable, des relations, une gouvernance et une logique métier réutilisable, l'IA peut raisonner à partir de l'intelligence d'entreprise plutôt qu'à partir des données brutes data.

À mesure que les modèles d'IA continuent de s'améliorer, la valeur de la couche contextuelle d'entreprise augmente en parallèle. Des modèles plus performants renforcent la valeur d'une intelligence d'entreprise fiable.

Le coefficient multiplicateur est le suivant : Modèle × Intelligence d'entreprise

Se connecter. S'organiser. Agir.
Jette les bases technologiques de l'IA d'entreprise.

Pour mettre en œuvre cette base, une capacité supplémentaire est nécessaire : Amélioration continue.

Dans le secteur des services financiers, ces fondements sont plus accessibles que la plupart des organisations ne le pensent. Si les établissements financiers ont initialement investi dans la gouvernance pour se conformer aux exigences réglementaires, cet effort obligatoire a permis de mettre en place les éléments fondamentaux d’une couche contextuelle :

  • Data stewards qui possèdent une compréhension approfondie des définitions métier sur le terrain
  • Domaines Data caractérisées par des structures de propriété bien établies et une filiation claire
  • Glossaires professionnels développé sous le contrôle des autorités de régulation, intégrant d'ores et déjà la logique dont un assistant IA a besoin pour fonctionner en toute confiance

Le déploiement d'agents conversationnels Data dans le secteur des services financiers ne constitue pas une transformation totalement nouvelle. Il s'agit d'une évolution naturelle l'évolution parmi les programmes data governance déjà en place, cette fois-ci dans un but allant au-delà d'une simple exigence réglementaire.

Exemple — Qui est le client ?

Prenons une question simple dans une grande banque : qui est le client ? Cela semble facile, mais cela représente l'un des défis les plus complexes liés au data dans le secteur des services financiers.
La réponse dépend de la personne qui pose la question. Dans la banque de détail, un client est défini comme un titulaire de compte. Dans la banque d'affaires, il s'agit d'une personne morale ou d'un groupe d'entreprises. Dans la gestion de patrimoine, il s'agit d'un ménage. Les équipes chargées de la lutte contre le blanchiment d'argent (AML) et de la connaissance du client (KYC) définissent un client comme un individu ayant fait l'objet d'une évaluation des risques, avec un statut de filtrage et d'inscription sur une liste de surveillance. Le service marketing considère un client comme un profil ciblable, établi à partir de signaux comportementaux et transactionnels.
Posez maintenant la même question à chaque équipe : Combien de clients actifs avons-nous ? Chacune renvoie un chiffre différent, car chacune utilise une définition métier différente, bien que valide. Sans contexte métier, ces réponses ne peuvent pas être harmonisées. Un agent conversationnel Data qui applique une seule et même définition à chaque requête produira inévitablement des réponses incohérentes et sapera la confiance des utilisateurs.

La solution ne réside pas dans un nouveau modèle d'IA. C'est une question de gouvernance.

Les fonctions métier sont responsables de leurs définitions et en assurent la validation ; les gestionnaires data les traduisent en règles métier régies, et la couche sémantique préserve ce contexte. L’agent conversationnel Data sélectionne ensuite la définition appropriée en fonction du rôle, de la fonction métier et de l’intention de l’utilisateur. De plus, il sait désormais qui pose la question, quel est le contexte de l’utilisateur, et détermine quel produit data doit être utilisé.

Le modèle opérationnel de l'intelligence d'entreprise

“ Se connecter. S’organiser. Agir. ” pose les bases technologiques de l'IA d'entreprise.

La mise en œuvre de l'IA à l'échelle de l'entreprise nécessite une capacité supplémentaire : S'améliorer.

L'intelligence d'entreprise n'est pas un atout statique. Les définitions commerciales évoluent. Les produits changent. La réglementation évolue. Les capacités de l'IA s'améliorent. Chaque interaction crée de nouvelles opportunités pour renforcer les fondements de l'intelligence d'entreprise.

L'amélioration continue s'opère selon un cycle opérationnel simple.

Découvrez

Il convient de tirer parti de l'IA pour identifier en permanence des opportunités d'amélioration de l'intelligence d'entreprise.

En observant metadata, les modèles de requêtes, l'utilisation des règles métier, les relations entre les produits data et le comportement des consommateurs, la plateforme identifie les opportunités permettant de renforcer la logique métier et de recommander de nouvelles Produits data compatibles avec l'IA, améliorer metadata et étendre l'intelligence réutilisable à l'ensemble des domaines. 

Chaque interaction est source d'un nouvel apprentissage.

Certifier

L'IA fait des découvertes. Ce sont les personnes qui instaurent la confiance.

Pour qu'une IA inspire confiance, il faut définir clairement les responsabilités, et non pas renforcer la gouvernance. Les équipes métier et techniques jouent chacune un rôle bien distinct pour garantir que l'IA s'inscrive dans le bon contexte métier et continue de s'améliorer à mesure que l'organisation évolue.

  • Responsables de domaine régir la signification des termes dans le monde des affaires en précisant comment ils sont utilisés, par qui et dans le cadre de quelles décisions.
  • Équipes chargées de la mise en œuvre contextuelle (Data et architectes IA) transformer le contexte défini par l'entreprise en produits data régis et compatibles avec l'IA.
  • Équipe « Context Controls & Orchestration » définir, régir et contrôler la couche contextuelle afin de garantir que chaque résultat issu de l'IA puisse être rattaché à une décision métier documentée

Réutilisation

Les données certifiées deviennent immédiatement réutilisables dans les outils d'analyse, les applications, AIDA, ainsi que des agents d'IA approuvés. Chaque nouveau consommateur génère des retours d'expérience qui contribuent à améliorer la base de données d'intelligence d'entreprise.

À chaque itération, l'intelligence d'entreprise gagne en fiabilité, en exhaustivité et en valeur.

Ce modèle opérationnel ne nécessite pas la mise en place d'une nouvelle structure organisationnelle. Il élargit la portée des fonctions existantes. Ensemble, la technologie et les personnes constituent un système d'intelligence en continu.

Starburst fournit la base technologique. Le modèle opérationnel garantit que l'intelligence d'entreprise évolue en permanence au rythme de l'activité.

Quels problèmes pourraient survenir en l'absence de ce modèle opérationnel ?

Sans modèle opérationnel intelligent, l'IA ne dispose pas du contexte métier fiable nécessaire pour fournir des réponses cohérentes et fiables. Imaginez une banque déployant des assistants IA avant que les définitions, les politiques et les règles métier n'aient été régies et certifiées. Lorsque les dirigeants demandent le nombre de clients actifs, différents agents IA et tableaux de bord renvoient des réponses divergentes.

Le problème va bien au-delà d’une simple incohérence des chiffres. En l’absence d’une appropriation claire du contexte métier lui-même, personne ne peut expliquer quelle définition a été appliquée, pourquoi elle a été choisie, ni qui l’a validée en tant que politique. Lorsqu’un problème survient, la responsabilité se résume à “ c’est l’IA qui l’a dit ”, et ce n’est pas une réponse que les dirigeants, les régulateurs ou les clients sont prêts à accepter. À mesure que l’IA s’intègre dans la prise de décision au quotidien, les organisations ne peuvent se permettre de disposer d’une intelligence dont personne n’assume la responsabilité.

Les grandes entreprises reconnaissent que le défi ne réside pas dans la création d’un plus grand nombre d’agents d’IA. Il s’agit plutôt de déterminer à qui appartient le contexte métier dont s’inspire chaque agent, afin que la confiance et la responsabilité puissent évoluer au même rythme que celui-ci.

Notre approche chez Artefact

Chez Artefact, l'évaluation fait partie intégrante de notre méthodologie « AI Factory » en tant qu'axe de travail central. Chaque projet impliquant un agent comprend une phase de conception du cadre d'évaluation qui se déroule en parallèle du développement de l'agent. Nous définissons des grilles d'évaluation au niveau des trajectoires, constituons des bibliothèques de scénarios adaptées au cas d'utilisation et mettons en place un suivi continu avant la mise en service de l'agent.

Le raisonnement qui sous-tend cela est simple : Un agent que l'on peut évaluer est un agent auquel on peut faire confiance, que l'on peut améliorer et dont on peut faire évoluer la capacité. Les organisations avec lesquelles nous travaillons et qui adoptent cette approche dès le début parviennent systématiquement à passer en production plus rapidement et en suscitant davantage la confiance des parties prenantes.

Les pionniers de l'IA ne se contentent pas de créer de meilleurs agents. Ils mettre en place un modèle opérationnel intelligent aujourd'hui, car ils considèrent que c'est à la fois un catalyseur immédiat et un avantage concurrentiel à long terme.

Une couche d'intelligence régie, détenue et gérée par des responsables clairement identifiés, accélère simultanément toutes les initiatives en matière d'IA. La gouvernance est d’ores et déjà intégrée ; les équipes n’ont donc pas besoin de la rajouter par la suite. Cette couche fonctionne avec n’importe quel agent qu’une équipe choisit de développer ; ainsi, chaque nouvelle initiative repose sur la même base fiable, au lieu de devoir la reconstruire à partir de zéro. Et comme les utilisateurs métier peuvent s’approvisionner eux-mêmes à partir d’une source en laquelle ils ont confiance, ils n’ont plus besoin d’attendre le service informatique pour obtenir une réponse. De manière générale, les équipes cessent de réinventer les définitions, les règles et le contexte pour chaque nouveau cas d’utilisation, car quelqu’un s’est déjà chargé de ce travail et se charge de le maintenir à jour.

Par où les organisations devraient-elles commencer ? La voie vers une IA digne de confiance passe d’abord par des cas d’utilisation ciblés, et non par une refonte à l’échelle de l’entreprise. Les organisations de premier plan identifient les domaines dans lesquels le contexte métier peut avoir le plus grand impact, désignent dès le départ des responsables clairs pour ces domaines et s’appuient sur ces premiers enseignements pour faire évoluer leur modèle opérationnel au fil du temps.

À mesure que les modèles d'IA évoluent, les organisations disposant d'une intelligence d'entreprise fiable et d'une responsabilité clairement définie se développeront plus rapidement et se forgeront un avantage concurrentiel durable par rapport à celles qui sont freinées par un environnement data fragmenté et un contexte métier dont la propriété n'est pas clairement établie.

Préparer aujourd’hui le domaine du renseignement ne consiste pas seulement à se préparer à l’avenir de l’IA. C’est un avantage stratégique pour demain, et cela commence par déterminer qui est responsable de la bonne mise en œuvre de cette démarche.

 

Si vous souhaitez découvrir comment nous aidons d'autres clients à faire face à cette situation, n'hésitez pas à contacter les équipes Artefact et Starburst : 

Artefact : Akhilesh Kale (akhilesh.kale@artefact.com) | Nivetha Aravindan (nivetha.aravindan@artefact.com) 

Starburst : Adran Estala (adrian.estala@starburstdata.com) | Christian Velez (christian.velez@starburstdata.com) | Evan Smith (evan.smith@starburstdata.com)