À l’occasion du salon Databricks Data + Sommet sur l'IA, Artefact a adressé un message clair aux responsables de l'IA en entreprise : la prochaine étape de l'adoption de l'IA ne sera pas remportée par les modèles à eux seuls. Elle sera remportée par les organisations capables de mettre en place les fondements de confiance data, de gouvernance et sémantiques nécessaires pour faire passer les agents de la phase pilote à la mise en production.
Artefact, l'entreprise spécialisée dans l'IA qui allie une mise en œuvre de niveau ingénierie à une réflexion de niveau conseil pour obtenir des résultats à fort impact avérés, a présenté des architectures agentiques axées sur la production, avec des agents en direct et des démonstrations réelles fonctionnant avec les briques data et Data, dans les domaines de la mesure marketing, des services financiers, de la beauté, des produits de grande consommation et de la logistique.
Un thème central s’est dégagé de la présence de Artefact lors de l’événement Databricks : l’IA d’entreprise ne peut pas évoluer en se limitant à la seule recherche. Si le RAG, les catalogues metadata et les copilotes aident les entreprises à mener rapidement des expérimentations, les agents d’IA destinés à la production nécessitent quelque chose de plus approfondi : une couche ontologique capable d’interpréter le sens métier, de déterminer l’autorité et de raisonner à partir des relations.
C'est là que les enseignements tirés de Artefact, prennent toute leur importance. Selon eux, de nombreuses organisations se rendent compte d’une réalité incontournable : les agents d’IA ne peuvent agir en toute confiance que lorsque l’entreprise a clairement défini ce que signifie son data, qui en assure la gouvernance et comment les concepts métier s’articulent d’un système à l’autre.
Pourquoi les catalogues RAG et metadata ne suffisent pas pour l'IA en production
Pour de nombreuses entreprises, la « génération augmentée par la recherche » (RAG) est devenue le point de départ par défaut de l’IA d’entreprise. Artefact soutient que la RAG présente des limites structurelles lorsqu’il s’agit de processus décisionnels réglementés et prêts à être mis en production.
Akhilesh Kale (AK), associé chez Artefact, explique :
“ Une recherche vectorielle renvoie des extraits qui ressemblent à votre question. Elle ne permet pas de déterminer si le chiffre figurant dans cet extrait est bien celui validé par votre directeur financier, ni comment le terme ‘ client actif ’ est lié à ‘ contrat ’ trois systèmes plus loin. Ce sont là les deux choses que le RAG est structurellement incapable de faire : établir l’autorité et le raisonnement à travers les relations. Une ontologie résout ces deux problèmes. Elle classe les définitions en fonction de leur auteur, de leur fréquence d’utilisation et de leur proximité avec des ressources certifiées, et elle encode les relations qui transforment une question en une réponse calculée plutôt qu’en une supposition extraite. Les catalogues répertorient votre data. Les ontologies en assurent la validation. Cet écart fait toute la différence entre une simple démonstration et un système capable de fonctionner dans un environnement réglementaire. ”
Cette distinction est importante, car l’IA d’entreprise passe de la simple réponse à des questions à la prise d’initiatives concrètes. Dans ce contexte, une réponse “ à peu près correcte ” ne suffit pas. Les agents doivent être en mesure de déterminer quelle définition fait autorité, quelle ressource data est certifiée, et comment les concepts s’articulent entre les systèmes financiers, clients, produits, juridiques et opérationnels.
Cela revêt une importance particulière dans les secteurs réglementés tels que les services financiers, l'assurance, la santé, l'énergie et les télécommunications, où l'explicabilité, la traçabilité, les autorisations et la gouvernance ne sont pas facultatives.
Le défi caché de l'IA d'entreprise : la gestion responsable, et non la technologie
Le message « Databricks » de Artefact remet également en cause l’idée selon laquelle la partie la plus difficile de l’IA d’entreprise réside dans sa mise en œuvre technique. Kale, de nombreuses initiatives s’enlisent non pas parce que la technologie échoue, mais parce que les organisations sous-estiment le travail humain et de gouvernance nécessaire pour la pérenniser.
Akhilesh Kale (AK), “ Ce n’est pas au cours de la phase de construction que ces processus s’enlisent. Ils s’enlisent à deux endroits que les équipes considèrent comme secondaires. Le premier est que l’extraction automatique produit une ébauche, et non une décision : lorsqu’elle fait apparaître trois définitions de la marge, une personne habilitée doit faire un choix, et il s’agit là d’un acte politique que la plupart des organisations s’efforcent d’éviter. Le deuxième point est la dépréciation. Une définition qui était correcte au premier trimestre devient erronée après une réorganisation ou une migration de système ; le graphe a donc besoin de pipelines instrumentés et d’un responsable désigné, et non d’une mise à jour annuelle. Assurez la gestion de ce graphe, sinon le ‘ graphe vivant ’ mourra à petit feu. ”
C'est l'un des enseignements fondamentaux mis en avant par Artefact : la transformation par l'IA ne se résume pas au simple déploiement de plateformes ou de modèles. Il s'agit de repenser la manière dont les organisations gèrent le sens, l'appropriation, la responsabilité et le changement.
Une ontologie dynamique nécessite une gestion active. Les définitions métier évoluent. Les systèmes migrent. Les équipes se réorganisent. Les exigences réglementaires évoluent. Sans prise en charge et sans outils adaptés, la couche sémantique devient obsolète et, dès lors, les agents perdent confiance.
Gouvernance en temps réel : passer du contrôle d'accès aux mesures de protection à l'exécution
La troisième leçon est que la gouvernance moderne de l'IA doit s'exercer en temps réel. Il ne suffit plus de contrôler les données auxquelles un système peut accéder au début d'un flux de travail. Les agents d'IA en production ont besoin d'une gouvernance intégrée au parcours d'exécution, permettant de contrôler ce qu'un agent est autorisé à faire pendant qu'il agit.
Akhilesh Kale (AK) précise en outre :
“ Oui, à une condition sine qua non : la véritable avancée réside dans le fait que la gouvernance s’intègre au cycle d’exécution : Unity AI Gateway contrôle ce qu’un agent est autorisé à faire en cours de tâche, et pas seulement ce qu’il peut lire, et il n’y a pas de deuxième système d’autorisation à synchroniser. Pour le secteur bancaire, l’assurance et la gestion d’actifs, c’est ce qui fait la différence entre un projet pilote et un déploiement. Mais cette couche hérite de la confiance ; elle ne la crée pas. Elle agit comme un multiplicateur du data foundation dont vous disposez déjà, et un multiplicateur conserve le même signe : les entreprises qui ont mené à bien le travail de gouvernance bénéficient d’un coup de pouce immédiat, tandis que les autres obtiennent une version plus rapide et plus fiable d’un désordre qu’elles n’avaient pas examiné directement. ”
Ce point s'inscrit directement dans la ligne de la position générale de Artefact : les agents prêts à l'emploi nécessitent des fondements fiables. Les Databricks peuvent fournir la couche data régie, mais les entreprises doivent tout de même accomplir le travail difficile consistant à définir la propriété, à lever les ambiguïtés et à repenser les modèles opérationnels autour de la collaboration entre humains et agents.
Des projets pilotes à la production : les systèmes agentiques de Artefact en action
Artefact illustre concrètement ce à quoi cela ressemble, avec des cas d'utilisation d'agents en temps réel basés sur Databricks, notamment :
- Un outil de mesure du marketing conversationnel qui permet aux dirigeants de simuler des répartitions budgétaires à l'aide du langage naturel.
- Des profils clients synthétiques destinés aux secteurs des services financiers et des biens de grande consommation, permettant aux professionnels du marketing d'analyser des profils clients simulés afin d'obtenir des informations plus rapidement.
- Un assistant d'achat de produits de beauté basé sur l'IA qui facilite la découverte personnalisée de produits parmi un catalogue comptant plus de 60 000 références.
- Corrie, un assistant IA dédié à la gestion logistique qui aide les équipes d'entrepôt à résoudre plus rapidement les problèmes liés aux articles manquants ou intervertis.
Dans tous ces exemples, les agents prennent toute leur valeur lorsqu’ils sont connectés à des données data précises, régulées et adaptées à l’entreprise, et lorsque les organisations repensent les rôles humains et les structures de gouvernance qui les entourent.
Pour le cours Artefact, la leçon tirée de Databricks C'est clair. L'avenir de l'IA d'entreprise ne réside pas dans un ensemble de pilotes, de copilotes ou d'assistants isolés les uns des autres. Il s'agit d'une organisation hybride prête pour la production, au sein de laquelle les humains et les agents IA opèrent grâce à une infrastructure data foundations partagée, à des flux de travail régis par des règles et à des responsabilités clairement définies.
Ce modèle ne consiste pas à “ remplacer les personnes par l'IA ”. Il s'agit plutôt pour les personnes de gravir les échelons de la chaîne de valeur, en passant de l'exécution à la prise de décision, de la production à l'évaluation, et de la mise en œuvre des processus à la gestion des systèmes qui les régissent.
