Plaidoyer pour une IA qui tient compte du contexte
Les agents d'IA en entreprise peuvent formuler des recommandations, automatiser des tâches et accélérer la prise de décision, mais ils restent aveugles à la manière dont une organisation fonctionne réellement. Selon Devavrat Shah, chief scientist de l'IA d'entreprise chez Celonis et professeur au MIT depuis plus de vingt ans, c'est ce manque de contexte opérationnel qui freine le passage de l'expérimentation à l'usage quotidien. Invité du podcast Business Lab de MIT Technology Review, produit en partenariat avec Celonis, il défend ce qu'il appelle la « décision intelligence ». Les agents peuvent prendre en charge des tâches isolées au sein de processus décisionnels plus larges, à condition de comprendre le rôle de chacune et les conditions métier qui l'entourent. « On ne peut pas faire cela dans le vide », résume-t-il. Sa recommandation est de connecter l'IA aux processus et aux données déjà utilisés par l'entreprise, via une couche contextuelle qui permet aux agents de comprendre les flux de travail, d'opérer dans des garde-fous définis et de produire des recommandations que des humains peuvent examiner et valider.
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de MIT Technology Review. Lire l'article original →
L'enjeu est double. Sans ce contexte, les agents risquent d'ignorer des contraintes importantes, de commettre des erreurs coûteuses ou de gaspiller de la puissance de calcul à tenter de deviner ce qu'ils devraient déjà savoir. À l'heure où les directions générales exigent des preuves que le déploiement à grande échelle améliorera les résultats financiers, des modèles généralistes appliqués à des situations spécialisées peinent à convaincre, et leur potentiel reste inexploité. Shah conseille de partir d'une décision métier précise, d'identifier ses étapes les plus difficiles, puis de tester si l'IA les améliore, en mesurant les gains de rapidité et de valeur avant de décider d'étendre l'application. L'effet attendu touche aussi le travail des employés : en automatisant les tâches manuelles et répétitives et en coordonnant le travail entre équipes, l'IA pourrait les libérer pour des décisions stratégiques plus complexes. Cela suppose toutefois d'investir dans la formation, afin que les salariés comprennent les résultats produits et leurs implications au lieu de déléguer aveuglément leurs décisions aux agents.
Cette réflexion s'inscrit dans un moment charnière pour l'IA en entreprise, après des années de démonstrations et de projets pilotes dont les retombées économiques restent difficiles à démontrer. Celonis, éditeur spécialisé dans l'analyse des processus d'entreprise, se positionne sur ce créneau en misant sur sa connaissance des flux opérationnels comme socle pour les agents. Shah voit des perspectives qui vont des tâches opérationnelles courantes à la planification à l'échelle de l'entreprise, dans la finance, la gestion des effectifs, le marketing et les ventes. Avec le bon contexte, estime-t-il, des exercices comme la planification des ressources, aujourd'hui longs, pourraient être bouclés bien plus vite, avec des choix plus pertinents. Reste à voir si les organisations parviendront à bâtir cette couche contextuelle et à former leurs équipes assez vite pour transformer ces promesses en gains mesurables.
Pas d'impact direct sur la France/UE