Le déploiement d'ingénieurs sur le terrain, moteur d'apprentissage de l'IA en entreprise
Zeta, entreprise spécialisée dans l'intelligence artificielle d'entreprise, met en avant le modèle du "forward-deployed engineering" (FDE), devenu l'un des dispositifs opérationnels les plus déterminants de l'IA en entreprise. Le principe consiste à intégrer un ingénieur directement chez le client pour connecter le produit à son environnement réel et transformer une démonstration en système fonctionnel sur les données concrètes de l'entreprise. Zeta illustre ce mécanisme par un déploiement mené chez un grand opérateur de télécommunications, où la définition initiale d'un client "à forte intention" générée par le modèle ne correspondait pas aux critères réellement utilisés par l'équipe de rétention pour décider des offres à proposer. Ces critères, affinés sur plus d'une décennie d'expérience opérationnelle selon l'ancienneté des clients et les régions, n'étaient documentés dans aucun schéma technique : ils existaient uniquement dans le jugement des équipes terrain. Un ingénieur a dû recueillir cette connaissance directement auprès d'elles pour l'intégrer au système avant que celui-ci puisse déclencher des actions fiables plutôt que de simples scores. Cette approche compte parce qu'elle détermine si les investissements en IA d'entreprise produisent un véritable avantage produit ou s'accumulent simplement en prestations de service coûteuses et non réutilisables. Pour les investisseurs, le nombre d'ingénieurs FDE embauchés par un fournisseur sert souvent d'indicateur de croissance, tandis que les acheteurs y voient une promesse de rapidité de mise en œuvre. Mais ni l'un ni l'autre ne dit si ce travail devient un actif produit durable ou reste un simple travail de traduction manuelle, projet après projet. Chez Zeta, une fois la logique métier du secteur télécom encodée dans le système, les nouveaux cas d'usage liés à l'acquisition et à la rétention de clients ont pu passer de l'idée à l'exécution en quelques jours plutôt qu'en plusieurs mois, chaque équipe ajoutant des décisions à une base commune plutôt que de reconstruire l'intégration à chaque fois. Le contexte plus large tient à la nature même des systèmes d'intelligence d'entreprise, qui doivent capturer le contexte métier, apprendre de chaque déploiement et améliorer la qualité des décisions futures, un objectif qui dépend moins du choix du modèle d'IA que de la compréhension fine des règles, exceptions et définitions propres à chaque organisation. Zeta distingue deux formes d'ingénierie déployée : celle qui opère dans un "bac à sable" d'outils réutilisables, où chaque découverte enrichit un moteur générique redistribuable à d'autres clients, et celle qui reste engluée dans la "boue", construisant à la main une capacité unique sans jamais alimenter de socle technique commun. Cette distinction, selon l'entreprise, devrait guider les acheteurs et investisseurs lors de leurs discussions avec les fournisseurs d'IA d'entreprise.
