Créer de la valeur avec l'IA grâce au contexte d'entreprise

Ce constat pèse directement sur le retour sur investissement des budgets massifs engagés dans l'IA. Des systèmes rapides et sophistiqués peuvent produire des actions erronées, confuses ou déconnectées de la réalité de l'entreprise, ce qui freine leur passage de l'assistance ponctuelle à l'automatisation de processus critiques. Pour les dirigeants, la limite ne tiendrait donc plus à la puissance des modèles mais à leur capacité à comprendre le fonctionnement concret de l'organisation. Prukalpa Sankar, cofondatrice d'Atlan, résume l'écart : il existe selon elle un fossé entre ce que les modèles savent faire et leur utilité réelle dans les entreprises. Elle affirme que, pour tous les usages pratiques, l'intelligence artificielle générale est déjà là, mais qu'elle n'est pas encore utile dans la plupart des sociétés.

Ce qui manque, selon Prukalpa Sankar, c'est une couche de contexte, c'est-à-dire la mesure dans laquelle l'IA comprend l'activité de l'entreprise. Il s'agit d'une infrastructure d'architecture placée entre les systèmes métiers (systèmes de référence et données) et les plateformes d'IA. Elle traduit l'intelligence de l'entreprise en contexte gouverné et exploitable par les machines, à destination des agents ou des modèles, et permet à la connaissance de s'accumuler dans la durée. L'image qu'elle emploie est parlante : sans cette couche, c'est comme embaucher le stagiaire le plus brillant du monde, lui bander les yeux et le jeter dans l'organisation. Ces conclusions proviennent d'un rapport de MIT Technology Review Insights, la branche de contenus sponsorisés du magazine, rédigé par des humains et indépendant de sa rédaction. Elles s'inscrivent dans un débat plus large sur la gouvernance des données et l'architecture nécessaire pour faire passer les agents IA des pilotes à la production, un terrain où se positionnent des éditeurs de données comme Atlan.