L’incapacité de l’IA à saisir le contexte commercial
Nous devons être clairs sur ce que l’IA d’aujourd’hui peut et ne peut pas faire. Elle est capable de reconnaître des modèles et de convertir le langage en action. Elle peut répondre à des questions génériques et automatiser des tâches répétitives dans tous les secteurs. Mais lorsque vous l’introduisez dans l’environnement unique et détaillé d’une entreprise réelle, avec son mélange de systèmes obsolètes, de définitions propres à chaque équipe et de langage évolutif, elle s’effondre.
Les modèles d’IA comme GPT ont été formés sur des données publiques. Ces données n’incluent pas la façon dont votre équipe financière calcule les revenus différemment des ventes, ni la façon dont les remises varient par région de produit après une acquisition, ni la raison pour laquelle le terme « client actif » a cinq définitions concurrentes en interne. Ce ne sont pas des choses que vous trouverez sur le web. Elles se trouvent dans des tickets Jira, des dossiers SharePoint, des fils de discussion Slack, d’anciennes présentations PowerPoint et les conversations de votre équipe lors des réunions hebdomadaires.
C’est la principale raison pour laquelle les entreprises sont surprises lorsqu’elles essaient d’utiliser l’IA derrière le pare-feu. Vous la confrontez à votre entrepôt de données ou à vos systèmes internes, et le modèle commence à deviner. Ces suppositions augmentent avec la complexité : requêtes en plusieurs étapes, jointures entre des schémas personnalisés, transformations de cas limites. Selon les critères de Spider 2.0, les grands modèles de langage n’atteignent qu’une précision de 59 % sur les requêtes SQL de base et tombent à 40 % lorsqu’on leur demande d’effectuer des transformations plus réelles. C’est un taux d’échec que la plupart des directeurs financiers ne toléreront pas dans les environnements de production.
Si vous dirigez une entreprise, la leçon à tirer est simple : L’IA ne peut pas apporter de valeur ajoutée si elle ne comprend pas le contexte. Et le contexte de l’entreprise n’est pas purement une question de big data, il s’agit d’informations petites, spécifiques et désordonnées qui rendent votre entreprise différente de toutes les autres organisations.
Tom Tunguz l’a souligné lors de l’analyse des performances de Spider 2.0. Le benchmark n’est pas seulement un test de la capacité d’interrogation, c’est un substitut de la façon dont les modèles gèrent la complexité dans les entreprises réelles. Et pour l’instant, ce n’est pas le cas.
Limitations architecturales sur la taille du modèle
Nous avons déjà vu cette erreur : les gens pensent qu’une IA plus intelligente signifie simplement un modèle plus grand. Ajoutez plus de paramètres, plus de calcul, et soudain elle devient capable de comprendre parfaitement votre entreprise. Cette hypothèse ne tient pas la route.
Les limites ne résident pas dans la taille du modèle, mais dans son architecture. Les grands modèles de langage d’aujourd’hui fonctionnent sans état. Cela signifie qu’ils ne se souviennent pas de ce que vous leur avez demandé auparavant, de ce qu’ils ont dit la semaine dernière ou de la manière dont vos indicateurs ont été calculés au cours du dernier trimestre. Chaque interaction est un nouveau départ. Pour les entreprises, ce n’est pas utile.
Si vous voulez qu’une IA puisse fonctionner au sein de votre entreprise, elle a besoin de mémoire. Elle doit conserver le contexte de vos définitions internes, de vos systèmes, de vos décisions historiques et même de vos erreurs. Cette mémoire doit être répartie sur trois niveaux : la mémoire de travail pour ce qui vient de se passer, la mémoire à long terme pour les politiques et les connaissances, et la mémoire épisodique pour saisir les schémas au fil du temps. Dans le cas contraire, chaque interaction n’est qu’une répétition à grand effort, et vous n’obtenez jamais de résultats composés.
La gouvernance est également importante. L’IA ne va pas comprendre ce que votre entreprise entend par « revenu net » ou quels clients sont exemptés d’une politique. Vous devez lui dire et structurer ces informations pour qu’elle puisse les retrouver à chaque fois. C’est là que la conception du système l’emporte sur l’échelle. Vous n’avez pas besoin d’un modèle plus grand ; vous avez besoin d’une boucle plus intelligente, quelque chose qui s’appuie sur vos définitions, qui est testé par rapport à vos politiques et qui est lié à un retour d’information continu de la part des experts de votre entreprise.
Au lieu de vous demander : « Ce modèle peut-il gérer 175 milliards de paramètres ? », posez-vous la question : « Respecte-t-il nos processus d’entreprise ? » Si le système ne peut pas produire de manière fiable le bon chiffre d’affaires ou comprendre comment vos régions de vente sont divisées, il n’est pas prêt.
Pour combler le fossé de confiance entre les humains et l’IA, nous n’avons pas besoin de percées philosophiques. Nous avons besoin d’une ingénierie qui aide le modèle à comprendre ce qui compte dans votre entreprise et à s’en souvenir. C’est évolutif. C’est soluble. Et franchement, c’est une direction plus intelligente pour l’IA d’entreprise.
Amélioration de l’IA grâce à la génération augmentée par la recherche (RAG)
Voici le véritable défi : la plupart des modèles d’IA ne peuvent pas accéder à vos connaissances internes. Ils n’ont pas été formés à cet effet et ne peuvent pas y accéder en l’état. Ainsi, même si votre plateforme d’IA est techniquement impressionnante, elle produira toujours des résultats vagues ou inexacts si elle n’est pas alimentée par les bonnes données internes au bon moment.
C’est ici que Génération améliorée par récupérationou RAG, entre en jeu. Il ne s’agit pas d’un nouveau modèle. C’est une nouvelle méthode. Avec RAG, le système récupère des données spécifiques au domaine, telles que des définitions de données, des fichiers de schéma, des diagrammes visuels, des modèles DBT, des échantillons de lignes et des métadonnées de lignage, puis les intègre dans le processus de réponse de l’IA. Il ne s’agit plus de deviner. Elle répond sur la base d’entrées contrôlées qui reflètent l’environnement réel de votre entreprise.
Cela réduit considérablement le risque que l’IA invente une jointure, sélectionne la mauvaise table ou applique une règle obsolète. Cela réduit également le volume de faux positifs que vous obtenez avec l’IA générique. Et surtout, cela transforme le modèle d’un outil à usage général en quelque chose qui commence à ressembler à une fonction digne de confiance au sein de vos opérations commerciales.
Mais la source des données est importante. Vous ne voulez pas que l’IA tire des informations d’une collection aléatoire de PDF, de diapositives périmées ou de textes vectoriels sans provenance. L’extraction doit être basée sur des sources gouvernées et contrôlées, des catalogues de données, des modèles sémantiques, des graphiques de lignage, des magasins de métriques. Chaque réponse du modèle doit avoir une origine traçable.
Ces données structurelles permettent au modèle de connaître vos schémas et vos définitions, ce que les données publiques ne peuvent pas fournir et que la formation traditionnelle ne peut pas résoudre. Cela n’améliore pas seulement la précision, mais aussi la confiance au sein de vos équipes. Et lorsque les responsables des opérations, des finances et des produits peuvent se fier à ces réponses, ils utilisent effectivement le système, ce qui constitue le véritable signal d’adoption.
La nécessité d’une mémoire à plusieurs niveaux dans les systèmes d’intelligence artificielle
Sans mémoire, l’IA oublie ce que vous venez de lui dire. Et c’est un problème. Dans les entreprises, le contexte n’est pas facultatif. C’est une exigence.
Votre entreprise fonctionne selon des processus qui s’étendent sur des jours, des trimestres et des années. Vos collaborateurs se souviennent des raisons pour lesquelles des décisions ont été prises. Vos systèmes reflètent cet historique. Ces connaissances sont réparties entre les outils, les documents, les bases de données et les personnes. Les outils d’IA, s’ils manquent de mémoire, repartent à zéro à chaque fois, ce qui détruit la continuité, crée des reprises et augmente les taux d’erreur.
Ce qu’il faut, c’est une mémoire à plusieurs niveaux : la mémoire de travail pour les tâches immédiates, la mémoire à long terme pour les règles et les définitions persistantes, et la mémoire épisodique pour suivre les modèles, les exceptions et les changements au fil du temps. Vous ne pouvez pas compter uniquement sur le modèle pour y parvenir. Il doit avoir accès à une mémoire structurée construite à partir des systèmes d’enregistrement de votre entreprise. La base de données devient le point d’ancrage de cette mémoire. Et pas n’importe quelle base de données, mais une base capable de stocker des métadonnées contextuelles, des enchâssements, des journaux d’événements et de permettre une extraction ciblée pendant la durée de la requête.
La mémoire stratifiée permet à votre IA d’évoluer. Elle se souvient de ce qui a été corrigé. Elle enregistre les intrants qui ont conduit à des résultats efficaces. Elle apprend ce que vos équipes font de manière répétée et ajuste ses hypothèses. Sans cela, vous obtenez une intelligence de surface qui ne s’améliore pas à l’usage. Avec cela, vous obtenez un système dont la valeur augmente à chaque fois que vos collaborateurs interagissent avec lui.
Pour les chefs d’entreprise, c’est le changement d’infrastructure qui compte. La mémoire stratifiée fait passer l’IA du statut de jouet à celui de capacité de confiance. Il ne s’agit pas seulement de réduire les erreurs. Il s’agit d’aller plus vite parce que vous ne réapprenez pas le système tous les jours avec les mêmes données et les mêmes décisions. Vous intégrez les connaissances institutionnelles dans la machine elle-même. Et c’est à ce moment-là que le système commence à porter ses fruits.
Les interfaces structurées réduisent l’ambiguïté
La plupart des systèmes d’entreprise dépendent de la précision. Si vous donnez trop de liberté à votre modèle d’IA et que vous le laissez générer des réponses en utilisant un langage naturel ouvert, il finira par s’écarter de ce qui est correct. Cela n’est pas dû à un manque d’intelligence, mais au fait que le langage naturel laisse place à l’interprétation. Et dans la logique d’entreprise, l’ambiguïté est source d’erreurs.
Vous pouvez y remédier en structurant la manière dont l’IA communique. Au lieu de la laisser générer du code SQL ou de la prose procédurale sans limites, limitez les résultats grâce à des interfaces structurées, telles que des arbres syntaxiques abstraits ou des formats de requête restreints. Limitez les options disponibles du modèle. Définissez la logique qu’il est autorisé à appeler. Obligez chaque action à passer par des couches de validation qui relient la sortie à des dimensions, des mesures et des entités connues de votre modèle sémantique existant.
L’effet est double : il augmente la précision et garantit la conformité avec vos contrats de données internes. L’IA ne devine plus les métriques, elle invoque des fonctions telles que get_metric(‘active_users’, date_range=’Q2′), où la métrique et la syntaxe sont toutes deux définies et validées.
Ces outils vous permettent également d’intégrer l’IA dans des environnements de production avec beaucoup plus de stabilité. La couche d’exécution vérifie ce qui est demandé avant toute exécution. Cela protège à la fois les performances du système et la qualité des données.
Pour les chefs d’entreprise, cela signifie que les actions générées par l’IA sont vérifiables et alignées sur les règles opérationnelles. Elles ne dépendent plus de l’interprétation de ce que le modèle aurait pu signifier. Vous réduisez les allers-retours. Vous améliorez la confiance. Et vous créez un cadre dans lequel le système participe à l’activité sans la perturber.
Le retour d’information humain est essentiel pour affiner les résultats de l’IA
Aucun système d’IA n’est parfait en soi. Il commettra des erreurs. Certaines seront mineures, comme le choix de la mauvaise colonne. D’autres seront plus graves, comme l’application d’une mauvaise logique à la segmentation de la clientèle. Ce qui compte, c’est que le système apprenne de ces erreurs. Cet apprentissage dépend le retour d’information de l’homme dans la boucle.
Vos collaborateurs ne devraient pas passer leur temps à corriger manuellement la syntaxe ou à réécrire des sorties entières. Concentrez plutôt leurs efforts là où cela compte, c’est-à-dire sur les cas ambigus ou à haut risque. Mettez en place des flux d’approbation qui mettent en évidence les problèmes potentiels, tels que les jointures incorrectes, les filtres inattendus ou les résultats qui s’écartent d’un modèle connu. Facilitez les retours d’information de manière structurée. Par exemple, permettez à quelqu’un de marquer que status_code dans (3, 5) devrait être exclu des clients actifs, ou qu’il manque une contrainte de sécurité dans une requête générée.
Ce retour d’information peut et doit alimenter les systèmes de récupération et de mémoire. Au fil du temps, l’IA commence à commettre moins d’erreurs. Le rôle de vos experts passe alors de la correction constante à l’amélioration des performances. Chaque approbation devient un signal d’entraînement que le système utilise pour calibrer son fonctionnement.
Les dirigeants devraient considérer cela comme une mise au point de la couche d’intelligence de leur entreprise. Vous ne vous contentez pas d’examiner les résultats de l’IA, vous façonnez la manière dont le système apprend. Il n’est pas nécessaire d’entraîner à nouveau un modèle fondamental sur vos données. Vous devez simplement lui apporter des corrections cohérentes et à haut signal qui actualisent la manière dont il récupère, traite et applique vos connaissances métier.
Cela rend le système plus stable, plus précis et, en fin de compte, plus en phase avec le fonctionnement de votre entreprise. C’est ce qui transforme l’intelligence artificielle en intelligence d’entreprise.
Les indicateurs de performance clés spécifiques à un domaine l’emportent sur les critères de référence génériques
Il est facile d’être impressionné par un modèle d’IA qui réussit un test de référence. Mais ce n’est pas avec des critères comme Spider 2.0 que votre entreprise mesure son succès. Ils montrent ce qu’un modèle peut faire dans un environnement de test, et non dans votre environnement. Cette différence est importante.
Ce qui compte en réalité, c’est de savoir si l’IA accomplit le travail dont votre équipe a besoin, de manière précise, cohérente et sécurisée. Peut-elle produire les trois principales requêtes de revenus dont votre équipe financière a besoin pour clôturer le trimestre ? Peut-elle respecter les contrôles d’accès aux données 100 % du temps ? Peut-il générer des rapports de vente corrects basés sur les filtres et les définitions utilisés par vos responsables de territoire ? Telles sont les questions qui ont un impact opérationnel réel.
Pour l’évaluer, vous avez besoin de vos propres critères de référence internes. Effectuez des tests nocturnes, non pas pour voir si le modèle a obtenu une note, mais pour vérifier s’il a accompli les tâches réelles qui comptent. Identifiez les indicateurs clés de performance qui déterminent le succès de chaque département, la précision de la clôture des recettes, le respect des règles de confidentialité, l’alignement des données, et testez les systèmes d’intelligence artificielle en fonction de ces indicateurs.
Pour les dirigeants, cela recadre la manière dont vous évaluez les systèmes d’IA au sein de votre entreprise. Ne vous fiez pas aux paramètres qui intéressent les chercheurs. Concentrez-vous sur les paramètres qui déterminent votre activité. Plus vos évaluations sont proches des flux de travail réels, plus elles sont utiles. L’objectif n’est pas de se vanter d’un score de référence. L’objectif est d’améliorer l’exécution de tâches réelles qui affectent les performances financières et opérationnelles de votre entreprise.
Évolution des rôles, collaboration entre l’homme et l’IA
Au fur et à mesure que l’IA s’intègre dans les départements, la façon dont les gens contribuent change. Les développeurs ne se contentent plus d’écrire du code de production. Ils commencent à jouer le rôle d’ingénieurs contextuels. Ils définissent les couches sémantiques, encodent les politiques sous forme de logique et établissent les garde-fous pour la manière dont l’IA interagit avec l’entreprise.
Il ne s’agit pas de perdre le contrôle au profit de l’automatisation, mais de le diriger. Les développeurs conçoivent des pipelines d’extraction, construisent des systèmes de mémoire structurés et déterminent comment les résultats des modèles sont validés et déployés. Plus vous intégrez l’IA dans vos flux de travail, plus ces rôles prennent de la valeur. Vous ne vous contentez pas d’automatiser les processus, vous construisez des systèmes qui capturent et appliquent les connaissances institutionnelles.
Vous avez toujours besoin d’un examen humain, d’une vision des dirigeants et d’une prise de décision spécifique à un domaine. Non pas parce que l’IA est faible, mais parce que le contexte commercial change constamment. Les exigences légales changent. Les définitions évoluent. Les équipes se réorganisent. La stratégie pivote. Bon nombre de ces changements ne se trouvent pas dans votre modèle de données, mais émergent au fil des conversations et des jugements.
Les dirigeants doivent soutenir les rôles qui comblent le fossé entre le fonctionnement de l’IA et celui de l’entreprise. Les développeurs, les analystes, les architectes et les responsables opérationnels chargés de cette intégration sont ceux qui veillent à ce que l’IA fonctionne de la même manière que votre entreprise. Au fur et à mesure que le système prend en charge davantage de tâches, ces personnes veillent à ce que ces tâches soient exécutées d’une manière qui reflète la structure et les valeurs réelles de l’organisation.
Il ne s’agit pas d’une transition. Il s’agit d’un élément fondamental. Plus l’IA devient utile, plus la structure de collaboration qui la sous-tend devient essentielle. C’est cette collaboration qui rend l’IA viable, sûre et alignée dans les environnements d’entreprise. Vous faites évoluer le système non seulement en développant le modèle, mais aussi en développant l’intelligence des personnes qui le soutiennent.
Le contexte commercial est dynamique et nécessite une surveillance continue
Les systèmes d’IA ne fonctionnent pas en vase clos. Dans l’entreprise, le contexte change constamment. De nouveaux produits sont lancés, les structures organisationnelles changent, les politiques de prix changent et les définitions évoluent en fonction de la pression du marché ou de la réglementation. Il ne s’agit pas d’ajustements ponctuels, mais d’une dynamique permanente qui influe sur la manière dont les décisions sont prises et dont les données sont interprétées.
L’IA n’est pas conçue pour anticiper tous ces changements par défaut. La plupart des modèles n’ont pas l’autonomie ou la conscience organisationnelle nécessaires pour s’adapter sans intervention. Cela signifie que la supervision humaine n’est pas facultative, elle est essentielle. Quelqu’un doit encore interpréter la signification d’un ajustement trimestriel des recettes ou l’impact d’une fusion sur la catégorisation des UGS dans les différents systèmes. Sans l’intervention d’un humain pour maintenir le contexte, l’IA finira par dériver ou se désynchroniser par rapport aux opérations de l’entreprise.
C’est là que le leadership joue un rôle direct. Vous n’avez pas besoin de superviser vous-même chaque résultat, mais vous devez investir dans des systèmes et des équipes qui garantissent l’alignement entre ce que fait l’IA et le mode de fonctionnement de l’entreprise. Il s’agit notamment de mettre à jour les systèmes de mémoire, d’affiner les métadonnées et d’ajuster les processus pour alimenter le modèle en contexte continu.
À défaut, l’automatisation repose sur des règles obsolètes, ce qui nuit à la crédibilité, ralentit l’adoption et crée des risques inutiles. La meilleure solution consiste à mettre en œuvre une supervision intentionnelle, dans le cadre de laquelle les opérateurs techniques et les responsables d’entreprise examinent conjointement la manière dont les résultats de l’IA reflètent l’état le plus récent de l’organisation.
Si votre contexte change, votre système doit le refléter rapidement. Plus cet écart persiste, plus votre IA est déconnectée de la réalité. Et cela affaiblit la qualité de la prise de décision dans tous les services qui utilisent ses résultats.
La réimagination architecturale comme voie d’avenir pour l’IA d’entreprise
Les problèmes fondamentaux que nous constatons avec l’IA dans les entreprises ne seront pas résolus par le passage à un modèle différent. Ces défis proviennent de systèmes incomplets qui n’ont jamais été conçus pour votre environnement de données, vos politiques ou vos flux de travail. C’est l’architecture qui doit changer.
Cela signifie qu’il faut aller au-delà d’un simple réglage fin ou d’une ingénierie rapide. Vous devez construire des systèmes dotés d’une architecture de mémoire formelle, de pipelines de recherche de données régis, de mécanismes de contrainte, de flux de travail d’approbation et de moteurs d’évaluation des performances. Chaque couche doit renforcer les autres. Le retour d’information structuré doit être intégré dans la mémoire. L’extraction doit s’aligner sur la manière dont votre organisation définit la vérité. La génération des résultats doit respecter les règles et les contraintes.
Ce n’est pas théorique. Nous avons déjà constaté que les modèles fondamentaux donnent des résultats raisonnables sur des cas d’utilisation génériques, mais qu’ils échouent lorsque les règles, la gouvernance et l’évolution du contexte entrent en jeu. L’analyse Spider 2.0 de Tom Tunguz a montré comment les performances chutent de 59 % à 40 % lorsque la complexité de la transformation du monde réel est introduite. Il ne s’agit pas d’un problème de modèle, mais d’une limitation de la conception du système.
Les dirigeants doivent voir les choses différemment. Vous n’investissez pas dans un outil d’IA ponctuel. Vous construisez la couche d’intelligence de l’entreprise : l’infrastructure qui permet à votre entreprise de conserver le contexte, d’exécuter de manière fiable et d’évoluer en même temps que votre marché.
Les avantages sont considérables. Réduction du travail manuel. Alignement plus rapide entre les départements. Une plus grande confiance dans les résultats du système. Et une évolutivité opérationnelle sans la courbe de coût habituelle. Mais rien de tout cela ne se produit si l’architecture n’est pas conçue pour gérer la complexité contextuelle dès le départ.
Si vous y parvenez, l’IA cessera d’être un assistant qui aide parfois pour devenir un élément qui contribue, s’améliore et s’adapte en permanence à la croissance de votre entreprise. Il ne s’agit pas seulement d’une meilleure technologie, mais d’une entreprise plus intelligente.
Le bilan
L’IA ne résoudra pas les problèmes de l’entreprise si elle ne la comprend pas. Pas seulement les données, mais aussi les politiques, les processus, les exceptions et les définitions évolutives qui font de votre entreprise ce qu’elle est. Cela nécessite plus qu’un modèle générique. Il faut des systèmes qui se souviennent, récupèrent et s’adaptent à votre logique interne.
L’opportunité n’est pas théorique. Elle est opérationnelle. Améliorer la vitesse de décision, réduire le nettoyage manuel, automatiser le bon travail, tout cela est possible. Mais seulement si l’architecture qui sous-tend l’IA est conçue pour votre organisation, et pas seulement pour l’internet.
Pour les dirigeants, il ne s’agit pas de courir après le prochain modèle. Il s’agit de façonner l’environnement autour du modèle. Cela signifie qu’il faut soutenir les équipes qui créent des boucles de rétroaction, gèrent les couches de contexte et traduisent les décisions commerciales en sources structurées que l’IA peut utiliser.
Le résultat n’est pas seulement l’efficacité. C’est la résilience. Un système qui évolue avec votre entreprise vous donne un effet de levier, et non de dépendance. C’est la différence entre déployer l’IA et la rendre indispensable. Lorsque l’architecture respecte l’entreprise, la confiance suit. Et lorsque la confiance s’accroît, la valeur s’accroît également.
