Le rôle de l'IA dans les entreprises évolue rapidement. Ce qui a commencé comme un outil permettant de générer des connaissances évolue vers l'exécution, avec des systèmes désormais capables d'agir sur les décisions, et non plus seulement de les informer. Cette évolution vers l'IA agentique marque un nouveau stade de maturité opérationnelle. Gartner prévoit que d'ici 2028, 33% d'applications logicielles d'entreprise intégreront l'IA agentique, contre moins de 1% en 2024.. Cela signifie que l'on passe rapidement d'outils d'assistance à des systèmes autonomes intégrés dans les processus de travail quotidiens.
Dans ce numéro, nous explorons la manière dont cette transformation prend forme avec des articles sur :
- Agents d'intelligence artificielle remodeler l'engagement et les opérations du commerce de détail
- Plateformes Data permettre une autonomie évolutive
- Chaîne d'approvisionnement et finance déployer l'IA pour l'orchestration en temps réel
- Agents à long terme redéfinir la gouvernance et la délégation
L'IA agentique et l'avenir du commerce de détail : entretien avec Edouard de Mézerac, PDG du groupe Artefact.
L'IA agentique et l'avenir du commerce de détail : entretien avec Edouard de Mézerac, PDG du groupe Artefact.
“Avec agentic, toutes les fonctions sont concernées.”
Quel sera l'impact des agents d'intelligence artificielle sur les comportements d'achat ?:
- Les consommateurs utiliseront des agents d'IA personnels pour rechercher, comparer et acheter des produits, ce qui crée de nouvelles attentes en matière de préparation des marques et des sites web.
- Les détaillants s'intègrent dans les écosystèmes d'IA. Edouard cite le partenariat entre OpenAI et Walmart, où les interfaces conversationnelles deviennent de nouveaux canaux de commerce alimentés par des informations plus riches sur les consommateurs que celles fournies par les transactions traditionnelles.
- Le commerce agentique va transformer les opérations internes du commerce de détail, Vous êtes responsable de l'organisation et de la mise en œuvre du programme, de l'assistance aux équipes de vente, des négociations, des promotions et de la gestion des fournisseurs. Quelles sont les principales conditions préalables au déploiement d'agents d'IA ?
- Data préparation, avec des ensembles data régis, normalisés et sémantiquement alignés.
- Préparation des processus, Les agents doivent pouvoir travailler efficacement dans des environnements de travail bien définis.
- L'état de préparation technologique, des choix de plates-formes aux décisions de construire ou d'acheter. Où le retour sur investissement apparaîtra-t-il en premier dans le secteur des TCG ?
- Service à la clientèle offre des bénéfices immédiats grâce aux soins auto-administrés par l'IA.
- Automatisation du marketing et du contenu accélèrent l'adaptation des campagnes.
- Opérations informatiques, de la migration du code à la surveillance des anomalies, représentent d'importantes possibilités de réduction des coûts.
Data et les plateformes agentiques : les moteurs de l'innovation en matière d'IA.
Data et les plateformes agentiques : les moteurs de l'innovation en matière d'IA.
Les architectures de reporting traditionnelles peinent à répondre aux exigences actuelles en matière d'IA, alors que les modèles modernes tels que le data lakehouses, data mesh, et data vault frameworks permettent la mise en place d'écosystèmes régulés et prêts à l'emploi. En unifiant les données structurées et non structurées data, ces plateformes permettent analyse prédictive, Applications de la GenAI, et automatisation des décisions. Elles transforment déjà les prévisions, l'engagement des clients et l'optimisation opérationnelle. Cependant, la technologie seule n'est pas suffisante. Le succès dépend de la capacité à surmonter les défis de l'intégration de l'héritage, le renforcement de la gouvernance, et intégrer une gestion rigoureuse de la data grâce à une mise en œuvre progressive. La version Agentic data platforms marque la prochaine étape de cette évolution, permettant aux systèmes d'IA de déclencher des décisions et des flux de travail en temps quasi réel. Les organisations qui investissent aujourd'hui mettent en place la couche d'intelligence nécessaire pour être compétitives dans un monde de plus en plus concurrentiel. L'économie pilotée par l'IA.
Du coût à la valeur : la révolution de la chaîne d'approvisionnement grâce à l'IA.
Du coût à la valeur : la révolution de la chaîne d'approvisionnement grâce à l'IA.
Les chaînes d'approvisionnement ont évolué, passant d'une colonne vertébrale opérationnelle à un système de gestion de la chaîne d'approvisionnement. champ de bataille concurrentiel. Malgré la volatilité croissante, de nombreuses organisations sous-utilisent encore l'IA dans la planification, la logistique et la distribution. Ce guide pratique s'adresse aux dirigeants qui cherchent à transformer leurs chaînes d'approvisionnement de centres de coûts en centres d'excellence. facteurs de valeur stratégique grâce à une adoption ciblée de l'IA. La transformation commence par la planification : l'IA améliore à la fois Planification des ventes et des opérations (S&OP) et exécution (S&OE), Les entreprises peuvent ainsi passer d'une prévision réactive à une prévision plus efficace. orchestration dynamique, data-driven. Dans le cadre d'une étude de cas portant sur le secteur de l'électroménager, l'IA a automatisé les analyses transversales de la demande, des stocks et des goulots d'étranglement, ce qui a permis d'obtenir un 40% Augmentation de l'efficacité opérationnelle, amélioration de la visibilité au niveau des unités de stock et réduction des stocks.
Au-delà de la planification, L'IA permet d'optimiser l'ensemble de la chaîne de valeur:
- Politiques d'inventaire intelligentes équilibrer les niveaux de service et la maîtrise des coûts.
- Applications logistiques améliorer les flux de matériaux entrants et les performances des livraisons sortantes.
- Jumeaux numériques et modèles de simulation améliorer la planification des scénarios et la gestion des risques.
GenAI et IA agentique dans la transformation du secteur des services financiers.
GenAI et IA agentique dans la transformation du secteur des services financiers.
Artefact montre comment la convergence de l'IA générative et de l'IA agentique est en train de se produire. remodeler les opérations et la création de valeur pour les banques, les assureurs et les fintechs. Parmi les cas d'utilisation offrant un retour sur investissement élevé, on peut citer le trading et l'optimisation de portefeuille, l'engagement client, le traitement des documents et la génération automatisée de rapports. Les premiers utilisateurs font état de gains concrets : allant de Réduction des délais de cycle de R&D (25%) à 40% : augmentation de la productivité dans le secteur des technologies de l'information, ainsi que des économies substantielles dans le domaine du service client basé sur l'IA. Le véritable changement réside dans les systèmes d'IA « agentiques » capables de surveiller les transactions en temps réel, détecter les fraudes de manière proactive, optimiser la gestion des risques, et automatiser les flux de travail avec une intervention humaine minimale, faisant ainsi passer l'IA de l'aide à la décision à l'exécution. Ces nouvelles capacités accélèrent l'innovation et la réactivité, mais leur mise à l'échelle nécessite des cadres solides en matière de gouvernance, de sécurité data et de conformité.
Les agents d'IA à long terme : des consignes succinctes à l'autonomie durable. Perspectives technologiques : une série en trois parties.
Les agents d'IA à long terme : des consignes succinctes à l'autonomie durable. Perspectives technologiques : une série en trois parties.
Victor Coimbra, associé et responsable de la plateforme Data et des technologies de l'information chez Artefact LatAm, a été distingué dans le classement « Forbes Under 30 Brazil » pour ses contributions exceptionnelles à l'innovation en matière d'IA. Il apporte une expertise approfondie dans le déploiement à grande échelle de solutions d'IA et la constitution d'équipes techniques hautement performantes sur les marchés internationaux.
Les agents d'IA à long terme, partie 1 : le problème dont personne ne parle.
Les agents d'IA à long terme, partie 1 : le problème dont personne ne parle.
Combien de temps l'IA peut-elle soutenir un travail significatif avant de s'effondrer ? La recherche montre que la durée des tâches double tous les sept mois. Mais la réalité de la production est à la traîne par rapport aux références. Dans les tests en entreprise, aucun résultat de l'IA n'était utilisable sans nettoyage humain. Les lacunes dans la documentation, les problèmes de vérification et les défaillances en matière de qualité étaient systématiques. Le temps consacré à la correction représentait en moyenne un tiers de la durée de la tâche. Cela engendre un paradoxe de productivité. Dans des études contrôlées, Les utilisateurs de l'IA ont été 19% plus lents en raison du débogage, du changement de contexte et de la correction de la qualité.. La cause première est d'ordre architectural. À mesure que les tâches s'allongent, la mémoire de travail de l'IA sature, La capacité d'analyse varie également considérablement d'un domaine à l'autre, ce qui entraîne une perte de contexte, des contradictions et une accumulation d'erreurs. Les capacités varient également beaucoup d'un domaine à l'autre. L'IA à long terme s'améliore rapidement, mais l'autonomie soutenue reste limitée.
Les agents d'intelligence artificielle à long terme, partie 2 : trois approches qui fonctionnent réellement.
Les agents d'intelligence artificielle à long terme, partie 2 : trois approches qui fonctionnent réellement.
Bien que l'IA se dégrade sur de longs flux de travail, le fonctionnement à long terme des agents peut être étendu grâce à trois approches architecturales : 1. Cyclisme de redémarrage : Réinitialise l'IA lorsque les performances diminuent. Le travail est sauvegardé en externe, les sessions redémarrent proprement et les progrès se poursuivent progressivement. 2. Mémoire sélective : Ne conserve que le contexte essentiel entre les sessions. 2. 2. Le suivi des progrès, les résumés et l'historique des changements maintiennent la continuité tout en réduisant la surcharge d'informations. 3. Coordination de l'équipe : Ils répartissent le travail entre plusieurs agents spécialisés gérés par un coordinateur central. En décomposant les tâches et en ne transmettant que les informations pertinentes, les systèmes multi-agents obtiennent des performances nettement supérieures à celles d'un agent unique pour les tâches complexes. Chaque approche externalise les informations que l'IA ne peut pas conserver de manière fiable en interne. Le cyclisme favorise la simplicité, les systèmes de mémoire favorisent la continuité et les équipes privilégient l'échelle et la spécialisation. La plupart des déploiements en production combinent les trois.
Les agents d'IA à long terme, partie 3 : ce que cela signifie réellement pour les organisations.
Les agents d'IA à long terme, partie 3 : ce que cela signifie réellement pour les organisations.
Au fur et à mesure que l'IA devient opérationnelle à long terme, Les assistants d'IA passeront aux travailleurs d'IA. Des flux de travail d'une durée allant jusqu'à huit heures, avec des livrables complets et des mises en œuvre, verront le jour.
:
- Les interfaces évolueront, passant d'outils conversationnels à des systèmes de délégation, dans lesquels des tableaux de bord, des points de contrôle, des pistes d'audit et des mécanismes de récupération remplaceront les invites en temps réel.
- La qualité et la gouvernance de Data deviendront essentielles, car une IA fonctionnant sur le long terme peut aggraver les erreurs, outrepasser les autorisations ou fonctionner sur la base d'hypothèses erronées.
- Les cadres d'autonomie limitée, comprenant notamment les contrôles d'accès, les déclencheurs d'escalade et la journalisation des décisions, deviendront obligatoires.
L'IA à long terme n'est pas encore tout à fait au point, mais elle est aujourd'hui viable d'un point de vue opérationnel pour cas d'utilisation ciblés. Des possibilités réalistes existent travail structuré et exigeant de l'attention avec des résultats mesurables. Les organisations qui expérimentent délibérément, en mettant en place des garde-fous solides, pourront prendre un avantage précoce.
Étude de cas Nexans : Élaboration d'une stratégie mondiale data et IA à l'horizon 2028.
Étude de cas Nexans : Élaboration d'une stratégie mondiale data et IA à l'horizon 2028.
Leader mondial de l'électrification, Nexans opère dans 40 pays pour favoriser la transition énergétique et l'électrification durable. S'appuyant sur le succès de son programme de performance SHIFT, Nexans a lancé le programme SHIFT AI pour faire de la data et de l'IA des moteurs essentiels de la performance de l'entreprise. Ils ont défini un 2028 AI vision, a établi une unifié data platform, et déployée forte data governance. Défi: La structure data et l'IA au service d'une transformation d'entreprise à grande échelle. Avec SHIFT AI, l'objectif de Nexans était de augmenter l'utilisation de data par les entreprises de 20% à 90%. Pour ce faire, ils devaient :
- Évaluer le niveau de maturité de data et de l'IA
- Définir une stratégie en adéquation avec les priorités de l'entreprise
- Identifier et hiérarchiser les cas d'utilisation de la AI à forte valeur ajoutée
- Renforcer la flexibilité tout au long de la chaîne de valeur
- Équilibrer la croissance, la durabilité et la performance économique Solution: Nexans a déployé un système centralisé et géré de data platform.
- Plus de 70 cas d'utilisation des technologies data, BI et IA ont été recensés dans l'ensemble des fonctions de l'entreprise
- A établi une liste de 25 cas d'utilisation stratégiques classés par ordre de priorité pour l'horizon 2028
- Cinq cas d'utilisation ont été mis en œuvre en 2025 Résultats: Un modèle d'exploitation data et IA évolutif qui génère déjà de la valeur commerciale, et une stratégie d'IA industrielle alignée sur la performance commerciale à long terme.
“ Nexans utilise désormais un cadre data et d’intelligence artificielle de niveau industriel qui soutient directement la performance commerciale à long terme, l’excellence opérationnelle et les objectifs de développement durable. Aujourd’hui, le data est géré comme un atout stratégique intégré aux activités principales de Nexans. ’ Guillaume Eymery, Directeur de la stratégie et des achats et membre de l'Excom chez Nexans
