Selon SAP, la gouvernance de l’IA d’entreprise garantit les marges bénéficiaires en remplaçant les suppositions statistiques par un contrôle déterministe.
Demandez à un modèle grand public de compter les mots dans un document, et il manquera souvent la cible de dix pour cent. Manos Raptopoulos, président mondial de Customer Success Europe, APAC, Moyen-Orient et Afrique chez SAP, observe que l’écart opérationnel entre le quasi-parfait et le parfait est absolu.
« La distance entre 90 % et 100 % de précision n’est pas incrémentale. Dans notre monde, elle est existentielle », note Raptopoulos.
Alors que les organisations intègrent de grands modèles de langage dans les environnements de production, Raptopoulos souligne que les critères d’évaluation ont formellement évolué vers la précision, la gouvernance, l’évolutivité et un impact commercial tangible.
Le défi urgent auquel sont confrontés les conseils d’administration des entreprises est centré sur l’évolution d’outils passifs vers des acteurs numériques actifs, une transition que Raptopoulos identifie comme le principal moment de gouvernance et qui fera partie des sujets sur lesquels SAP se concentrera cette année à l’AI & Big Data Expo North America.
Les systèmes d’IA agentique possèdent désormais la capacité de planifier, de raisonner, d’orchestrer avec d’autres agents et d’exécuter des flux de travail de manière autonome. Étant donné que ces systèmes interagissent directement avec des données sensibles et influencent les décisions à grande échelle, Raptopoulos affirme que ne pas les gouverner exactement comme on gouverne une main-d’œuvre humaine expose l’organisation à de graves risques opérationnels. Il prévient que la prolifération des agents reflétera les crises informatiques fantômes de la dernière décennie, même si les enjeux sont catégoriquement plus élevés.
Selon son cadre, l’établissement d’une gestion du cycle de vie des agents, la définition des limites de l’autonomie, l’application des politiques et l’instauration d’une surveillance continue des performances sont des exigences obligatoires.
L’intégration de bases de données vectorielles modernes (qui cartographient les relations sémantiques du langage d’entreprise) avec les architectures relationnelles existantes nécessite un immense capital d’ingénierie. Les équipes doivent restreindre activement la boucle d’inférence de l’agent pour empêcher les hallucinations de corrompre les chemins d’exécution financiers ou de la chaîne d’approvisionnement. La définition de ces paramètres stricts augmente la latence de calcul et les coûts de calcul hyperscaler, modifiant ainsi les projections initiales de P&L.
Lorsqu’un modèle autonome nécessite des requêtes constantes et à haute fréquence sur la base de données pour maintenir des sorties déterministes, les coûts de jetons associés se multiplient rapidement. La gouvernance devient une contrainte d’ingénierie stricte plutôt qu’une liste de contrôle de conformité.
Raptopoulos soutient que les conseils d’administration doivent résoudre trois problèmes de base avant de déployer des modèles agentiques : identifier qui est responsable de l’erreur d’un agent, établir des pistes d’audit pour les décisions des machines et définir les seuils exacts de remontée humaine. La fragmentation géopolitique rend plus difficile la réponse à ces questions.
Les infrastructures cloud souveraines, les modèles d’IA et les mandats de localisation des données sont des réalités réglementaires sur les principaux marchés comme New York, Francfort, Riyad et Singapour. Les entreprises doivent intégrer le contrôle déterministe directement dans l’intelligence probabiliste. Raptopoulos considère cette exigence comme un mandat de la direction plutôt que comme un projet informatique.
Structuration de l’intelligence relationnelle pour les opérations commerciales
Les systèmes d’IA restent entièrement dépendants de la qualité des données et des processus sur lesquels ils opèrent, ce qui représente ce que Raptopoulos appelle le moment de la fondation des données.
Des données de référence fragmentées, des systèmes métier cloisonnés et des environnements ERP sur-personnalisés introduisent une imprévisibilité dangereuse dans les pires moments possibles. Raptopoulos explique que si un agent autonome s’appuie sur des fondations fragmentées pour fournir une recommandation affectant les flux de trésorerie, les relations clients ou les positions en matière de conformité, les dommages opérationnels qui en résultent augmentent instantanément.
Pour extraire une valeur d’entreprise tangible, il faut aller au-delà des grands modèles de langage génériques formés sur du texte à l’échelle d’Internet. La véritable intelligence d’entreprise – comme l’a souligné Raptopoulos – doit être fondée sur des données d’entreprise exclusives, notamment les commandes, les factures, les enregistrements de la chaîne d’approvisionnement et les publications financières intégrées directement dans les processus commerciaux. Il affirme que les modèles de base relationnels optimisés spécifiquement pour les données commerciales structurées surpasseront continuellement les modèles génériques en matière de prévision, de détection d’anomalies et d’optimisation opérationnelle.
La simple friction opérationnelle liée à la nécessité de rendre un environnement ERP sur-personnalisé intelligible à un modèle de base interrompt de nombreux déploiements. Les équipes d’ingénierie des données passent des cycles excessifs à nettoyer les données de base fragmentées simplement pour créer une base de référence que l’IA pourra ingérer.
Lorsqu’un modèle relationnel doit interpréter avec précision des enregistrements complexes et exclusifs de la chaîne d’approvisionnement ainsi que des données brutes de facture, les pipelines de données sous-jacents doivent fonctionner sans latence. Si l’ingestion des données échoue, les capacités prédictives du modèle se dégradent instantanément, rendant l’agent fonctionnellement dangereux pour l’entreprise.
L’intégration d’une architecture existante avec une IA relationnelle moderne nécessite une refonte des pipelines de données profondément ancrés. Les équipes d’ingénierie sont confrontées à l’indexation de décennies de données de planification mal classées afin que les modèles intégrés puissent générer des représentations vectorielles précises. Suivant la logique de Raptopoulos, les conseils d’administration doivent évaluer si leur patrimoine de données actuel est véritablement préparé, plutôt que de simplement superposer des renseignements probabilistes sur des fondations disjointes.
Concevoir des interfaces basées sur l’intention
L’interaction avec les applications d’entreprise passe d’interfaces statiques à des expériences utilisateur génératives, un développement que Raptopoulos considère comme le moment d’interaction entre les employés.
Au lieu de naviguer manuellement dans des écosystèmes logiciels complexes, les employés exprimeront leur intention au système. Raptopoulos donne l’exemple d’un utilisateur demandant au logiciel de préparer un briefing pour sa visite client la plus rentable cette semaine-là. Les agents IA orchestrent ensuite les flux de travail nécessaires, assemblent le contexte environnant et présentent les actions recommandées.
Cependant, Raptopoulos souligne que l’adoption par les salariés reste conditionnée à la confiance. Les employés n’adopteront ces coéquipiers numériques que lorsqu’ils seront convaincus que les résultats du système respectent les limites de gouvernance établies, reflètent les règles métier authentiques et génèrent des gains de productivité démontrables.
L’ingénierie de ces systèmes nécessite des personnages d’IA spécifiques à chaque rôle, adaptés à des postes tels que le directeur financier, le CHRO ou le responsable de la chaîne d’approvisionnement. Raptopoulos observe que ces personnalités doivent être construites sur des données fiables et intégrées dans des flux de travail d’entreprise familiers pour réussir à combler le déficit d’adoption.
Atteindre ce niveau d’intégration est une décision de conception lourde de conséquences. Les organisations désireuses d’investir du capital dans une architecture native d’IA accélèrent leur retour sur investissement, tandis que les entreprises qui tentent d’intégrer des modèles probabilistes sur des interfaces existantes ont de lourdes difficultés en matière de confiance, de convivialité et d’évolutivité.
Les leaders technologiques qui tentent d’imposer l’orchestration moderne de l’IA sur des applications logicielles monolithiques se heurtent souvent à de graves retards d’intégration. Le routage des appels d’API probabilistes via un middleware d’entreprise obsolète entraîne un retard des interfaces utilisateur, détruisant le flux de travail basé sur l’intention. La conception de personnages spécifiques à un rôle nécessite plus qu’une ingénierie rapide ; cela nécessite de mapper des contrôles d’accès, des autorisations et une logique métier complexes dans la mémoire active du modèle.
Ingénierie de défense compétitive
Le retour financier de l’IA apparaît le plus rapidement lors des interactions avec les clients. Raptopoulos note que les modèles de formation sur les enregistrements exclusifs, les règles internes et les journaux historiques créent une couche d’informations spécifiques au client que les concurrents ne peuvent pas facilement copier. Cette configuration fonctionne mieux dans les flux de travail comportant de nombreuses exceptions, tels que la résolution des litiges, les réclamations, les retours et le routage des services.
Le déploiement d’agents autonomes capables de classer les cas, de faire apparaître la documentation pertinente et de recommander des résolutions alignées sur les politiques convertit ces processus coûteux en différenciation concurrentielle distincte.
Ces modèles s’adaptent en fonction des résultats de chaque interaction. Raptopoulos souligne que les acheteurs professionnels privilégient un service fiable, pertinent et réactif plutôt que des gadgets technologiques. Les entreprises qui déploient l’IA pour gérer de lourdes charges de travail – tout en gardant une surveillance stricte des résultats finaux – construisent des barrières à l’entrée que les outils génériques ne parviennent pas à franchir.
Le déploiement de l’intelligence d’affaires nécessite que les dirigeants orchestrent en parallèle trois niveaux distincts, ce que Raptopoulos définit comme le moment stratégique.
La couche initiale implique des fonctionnalités intégrées, où les gains de productivité axés sur les personnes sont intégrés directement dans les applications principales pour des retours rapides. La deuxième couche exige une orchestration agentique, facilitant la coordination multi-agents dans les flux de travail inter-systèmes. La dernière couche se concentre sur l’intelligence spécifique à l’industrie, avec des applications profondément spécialisées co-développées pour relever les défis de plus grande valeur spécifiques à un secteur particulier.
Un piège attend les dirigeants victimes d’un faux séquencement. Se concentrer uniquement sur les outils intégrés laisse une valeur financière considérable inexploitée, tandis que se lancer de manière agressive vers des applications industrielles approfondies sans parvenir au préalable à une gouvernance appropriée et à la maturité des données multiplie les risques pour l’entreprise.
Raptopoulos estime que la mise à l’échelle de ces modèles nécessite de faire correspondre l’ambition de l’entreprise à la préparation technique réelle. Les équipes de direction doivent financer des architectures de base propres, mettre à jour les pipelines de données et renforcer la propriété interfonctionnelle pour dépasser la phase pilote. Les déploiements les plus rentables traitent l’IA comme une couche opérationnelle centrale qui nécessite la même gouvernance que le personnel humain.
L’écart financier entre une précision de 90 % et une certitude totale dicte la véritable valeur de l’entreprise. Les décisions de gouvernance prises dans les mois à venir détermineront si les déploiements spécifiques d’IA deviendront une puissante source d’avantages durables ou une leçon coûteuse.
