L’IA d’entreprise ne se résume pas à la génération de code

La génération de code par IA ne suffit pas à elle seule à garantir le succès d’une entreprise

L’IA est capable de générer du code à une vitesse remarquable. Ce n’est plus là que réside le goulot d’étranglement. Le véritable défi commence une fois le code écrit.

De nombreuses entreprises ont investi massivement dans des outils de codage basés sur l’IA et ont obtenu des résultats impressionnants lors des démonstrations et des premiers prototypes. Puis, les progrès ralentissent. L’application ne parvient pas à accéder aux données appropriées. Les politiques de sécurité bloquent le déploiement. Les exigences de conformité ne sont pas respectées. Les systèmes existants ne prennent pas en charge les intégrations requises. Du jour au lendemain, un projet qui semblait presque achevé est encore loin d’être prêt pour la mise en production.

Il s’agit là d’un schéma courant, car la création de logiciels et leur exploitation au sein d’une grande entreprise constituent des problématiques fondamentalement différentes. Les logiciels d’entreprise doivent continuer à fonctionner de manière fiable pendant de nombreuses années. Ils nécessitent des mises à jour régulières, des correctifs de sécurité, une documentation claire et une gouvernance permettant aux équipes futures de les comprendre et de les maintenir. L’IA peut accélérer la création de logiciels, mais elle ne garantit pas automatiquement la mise en place d’un modèle d’exploitation durable.

Un autre point important est que l’IA n’améliore pas la maturité sous-jacente d’une organisation. Elle fonctionne avec l’environnement qui lui est fourni. Si les données métier sont fragmentées, si les processus manquent de cohérence ou si les droits d’accès sont mal gérés, l’IA ne fera que mettre en évidence ces faiblesses plus rapidement. Les organisations se rendent souvent compte que leur plus grand obstacle n’est pas la qualité des modèles, mais l’état de préparation de leur infrastructure technologique.

Le défi prend encore plus d’ampleur lorsque l’IA dépasse le stade de la simple génération de code pour commencer à exécuter des processus métier. Un agent IA interagissant en continu avec des systèmes financiers, de chaîne d’approvisionnement ou de gestion de la clientèle en temps réel impose des exigences opérationnelles différentes de celles d’un assistant de codage utilisé par les développeurs. Les performances, la fiabilité, la sécurité, les coûts et la gouvernance prennent tous une importance bien plus grande, car les opérations métier dépendent désormais de ces systèmes à chaque instant.

C’est pourquoi les dirigeants doivent considérer la mise en œuvre de l’IA comme une transformation de l’entreprise plutôt que comme une simple mise à niveau logicielle. L’IA crée de la valeur lorsque la technologie, la gouvernance, les données et les processus opérationnels évoluent de concert. Si l’un de ces domaines prend du retard, le retour sur investissement global reste limité, quel que soit le niveau d’avancement des modèles d’IA.

Michael Ameling, directeur des produits de la SAP Business Technology Platform chez SAP, met en évidence le fossé qui existe entre la planification et la mise en œuvre. Il souligne que, si 81 % des entreprises disposent d’une stratégie détaillée en matière d’IA, seules 12 à 16 % d’entre elles parviennent à mettre en œuvre avec succès des projets basés sur l’IA. Son argument plus général est tout aussi important : les projets d’IA d’entreprise échouent rarement parce que le code généré est de mauvaise qualité. Ils rencontrent des difficultés parce que les entreprises sous-estiment ce qu’il faut pour mettre en œuvre l’IA à l’échelle de l’entreprise.

L’intégration avec des systèmes d’entreprise fragmentés est essentielle

Toute grande entreprise a accumulé des ressources technologiques au fil des années. Les applications cloud, les systèmes sur site, les logiciels métier spécialisés et les plateformes existantes fonctionnent tous de concert. C’est dans cet environnement que l’IA doit évoluer.

Un système d’IA n’apporte une valeur ajoutée constante à l’entreprise que s’il peut accéder à des informations fiables provenant de l’ensemble de l’organisation. Si les dossiers clients se trouvent dans un système, les données financières dans un autre et les processus opérationnels dans plusieurs autres encore, l’IA ne peut pas prendre de décisions fiables sans un moyen coordonné de les relier entre eux. La qualité des données, la connectivité des systèmes et la visibilité des processus deviennent alors des priorités stratégiques.

De nombreuses organisations pensent que l’IA peut pallier les lacunes d’une infrastructure obsolète. Ce n’est pas le cas. La modernisation reste indispensable, car l’IA repose sur des informations métier précises, à jour et interconnectées. Retarder la mise à niveau de l’infrastructure ne fait que limiter le champ d’action de l’IA. Les entreprises qui modernisent leur environnement technologique tout en intégrant l’IA se dotent d’une base bien plus solide pour assurer leur croissance à long terme.

Michael Ameling le souligne clairement. Il affirme que la modernisation n’est pas facultative et que l’IA augmente considérablement la valeur que les organisations tirent de ces investissements. Selon lui, l’accès fédéré aux données et l’harmonisation des couches de processus ne constituent pas des alternatives à la modernisation. Ce sont les capacités qui permettent à la modernisation de générer des résultats commerciaux significatifs.

Cela ne se limite pas à la simple interconnexion de bases de données. Les systèmes d’IA ont besoin d’un contexte métier. Ils doivent comprendre comment l’information circule au sein des services financiers, des achats, de la production, des ventes et d’autres fonctions. Ce contexte permet à l’IA de prendre des décisions qui reflètent le fonctionnement réel de l’entreprise, plutôt que de se contenter de traiter des ensembles de données isolés.

SAP relève ce défi grâce à des solutions telles que Joule Studio, Integration Suite, Business Data Cloud et SAP AI Agent Hub. Ensemble, ces technologies visent à offrir une intégration structurée des données, une visibilité de bout en bout sur les processus, une connectivité via API entre les systèmes modernes et existants, ainsi qu’une gouvernance de l’IA d’entreprise. L’objectif est de garantir que l’IA fonctionne à partir de connaissances métier précises et à jour, plutôt qu’à partir d’informations disparates.

Cela s’avère particulièrement utile lorsque les organisations déploient des agents IA autonomes. Au lieu de confier un processus volumineux à un seul modèle, les entreprises peuvent répartir la charge de travail entre plusieurs agents spécialisés. Par exemple, une clôture financière se compose de nombreuses activités distinctes pouvant être exécutées simultanément. Des agents spécialisés peuvent exécuter ces tâches en parallèle, ce qui réduit les délais d’exécution. Ce niveau d’automatisation ne fonctionne que lorsque les systèmes d’entreprise sous-jacents sont connectés, régis et accessibles en permanence.

Pour les dirigeants, la conclusion est claire. L’IA ne doit pas être considérée comme une simple application venant s’ajouter à l’infrastructure existante. Elle doit faire partie intégrante de l’environnement opérationnel de l’entreprise. Les organisations qui investissent dès le début dans l’intégration, le nettoyage des données et l’unification des processus seront bien mieux placées pour déployer l’IA à l’échelle de l’entreprise que celles qui se concentrent uniquement sur le déploiement de nouveaux modèles.

L’IA d’entreprise nécessite une gouvernance à la hauteur de son influence croissante

Le changement le plus important dans le domaine de l’IA d’entreprise ne réside pas dans l’amélioration de la génération de code. Il tient au fait que l’IA commence à agir concrètement, au lieu de se contenter de formuler des recommandations. Dès lors que l’IA commence à mettre à jour des enregistrements, à valider des flux de travail ou à interagir directement avec les systèmes d’entreprise, la gouvernance devient une exigence métier plutôt qu’une simple fonctionnalité technique.

Tout agent d’IA fonctionnant en environnement de production doit disposer d’une identité clairement définie, de droits d’accès précis et d’un historique vérifiable de ses actions. Il s’agit déjà d’une pratique courante pour les collaborateurs et les applications d’entreprise. L’IA doit fonctionner selon les mêmes principes. Les organisations doivent savoir quel agent a effectué une action, à quels systèmes il a accédé et s’il a agi dans les limites autorisées.

Il existe deux modèles de fonctionnement courants. Dans le premier, appelé « propagation du mandant », l’agent IA agit au nom d’un utilisateur spécifique et hérite des autorisations de cette personne. Dans le second, l’agent IA opère sous sa propre identité, avec des autorisations basées sur les rôles qui lui sont attribuées par l’organisation. Cette approche est souvent plus adaptée aux processus métier automatisés qui s’exécutent indépendamment de tout collaborateur en particulier.

Aucun de ces deux modèles ne peut fonctionner sans supervision centralisée. Les entreprises ont besoin d’un point unique pour gérer les agents d’IA, comprendre à quoi chacun d’entre eux a accès, surveiller leur comportement et appliquer des politiques de gouvernance cohérentes. À mesure que les organisations déploient un nombre croissant d’agents d’IA dans différentes fonctions métier, cette visibilité devient essentielle tant pour l’efficacité opérationnelle que pour la conformité réglementaire.

Les performances techniques ne suffisent plus à elles seules. Un système d’IA peut produire des résultats cohérents sans pour autant améliorer les performances de l’entreprise. C’est pourquoi les organisations ont besoin de deux types d’évaluation. Les évaluations techniques mesurent la fiabilité, la cohérence et la stabilité opérationnelle. Les évaluations commerciales déterminent si l’IA améliore réellement les résultats pour lesquels elle a été mise en place, qu’il s’agisse de réduire les coûts, d’accélérer les processus, d’améliorer le service client ou d’augmenter le chiffre d’affaires.

Les tests doivent également évoluer. Les logiciels traditionnels suivent une logique prévisible, ce qui permet de valider leur comportement avant leur déploiement. Les systèmes d’IA se comportent différemment, car leurs résultats peuvent varier en fonction du contexte et des données qu’ils reçoivent. Les tests effectués exclusivement avec des données de développement peuvent ne pas révéler les performances d’un agent d’IA en conditions réelles d’exploitation. Les organisations ont de plus en plus besoin d’une validation axée sur la production, notamment par le biais de tests A/B/C contrôlés, afin de s’assurer que les systèmes d’IA restent fiables dans des conditions d’exploitation réelles.

Michael Ameling, directeur des produits de la SAP Business Technology Platform chez SAP, souligne l’importance de l’ouverture dans les environnements de production. Il déclare : « En production, l’ouverture est très importante. » SAP utilise le framework OpenTelemetry pour prendre en charge l’observabilité de bout en bout, tant au sein de ses propres outils que pour les agents d’IA tiers. Cela permet aux organisations de surveiller le comportement de l’IA dans des environnements d’entreprise complexes, plutôt que dans des systèmes isolés.

Pour les dirigeants, la gouvernance doit être considérée comme un investissement stratégique plutôt que comme un coût opérationnel. Une gouvernance solide renforce la confiance parmi les collaborateurs, les clients, les autorités de régulation et les partenaires commerciaux. Elle instaure également la confiance nécessaire pour faire passer l’IA du stade de projets pilotes isolés à celui d’opérations essentielles à l’activité.

Les agents IA autonomes peuvent transformer les opérations des entreprises dès lors que les conditions préalables sont réunies

La prochaine étape de l’IA d’entreprise ne consiste pas simplement à générer de meilleures réponses. Il s’agit de coordonner le travail entre plusieurs agents IA spécialisés qui exécutent des processus métier avec une intervention humaine limitée.

Au lieu d’attribuer chaque tâche à un seul système d’IA, les organisations peuvent répartir le travail entre plusieurs agents, chacun étant chargé d’une fonction métier spécifique. Ces agents opèrent de manière indépendante tout en se coordonnant pour atteindre un objectif commun. Cette approche permet aux flux de travail complexes d’avancer plus efficacement, car plusieurs activités peuvent se dérouler simultanément plutôt que l’une après l’autre.

La clôture financière en est un exemple concret. Ce processus comprend de nombreuses activités distinctes, notamment la collecte de données, le rapprochement, les validations, la validation et le reporting. Des agents d’IA spécialisés peuvent exécuter ces tâches en parallèle, dans le respect de règles et de structures de validation prédéfinies. Lorsqu’elle est correctement mise en œuvre, cette approche permet de réduire considérablement les délais d’exécution tout en préservant la gouvernance et le contrôle opérationnel.

Les opportunités sont considérables, mais les exigences techniques le sont tout autant. Les agents d’IA fonctionnant en continu sur des systèmes d’entreprise en production exercent une pression bien plus importante sur l’infrastructure que les assistants d’IA destinés aux développeurs. Ils génèrent une activité système permanente, consomment des ressources informatiques, interagissent avec les données de production et exigent des performances constantes 24 heures sur 24. Les organisations doivent considérer la latence, les coûts d’exploitation, l’évolutivité et la fiabilité des systèmes comme des priorités stratégiques.

C’est pourquoi la qualité de l’infrastructure influe directement sur les performances de l’IA. Les agents autonomes dépendent de systèmes connectés, de données de haute qualité, d’API fiables et de processus métier clairs. Si l’un de ces éléments présente des incohérences, les agents ne peuvent pas exécuter les opérations métier de manière cohérente, quel que soit le niveau d’avancement des modèles d’IA sous-jacents.

Les dirigeants doivent également prendre conscience que l’IA autonome ne rend pas superflue la supervision humaine. Elle modifie plutôt le domaine dans lequel les personnes créent de la valeur. Les collaborateurs se concentrent de plus en plus sur la définition des politiques d’entreprise, la supervision des performances de l’IA, la gestion des exceptions et l’amélioration continue des processus. Cette combinaison d’automatisation et de jugement humain permet aux organisations de développer leurs activités tout en préservant la responsabilité.

Pour les dirigeants d’entreprise, la question stratégique n’est plus de savoir si les agents d’IA sont capables d’effectuer un travail utile. Ils en sont déjà capables dans de nombreux scénarios professionnels. La question la plus importante est de savoir si l’entreprise a mis en place les bases opérationnelles nécessaires pour permettre à ces agents de travailler en toute sécurité, de manière cohérente et à grande échelle. Les organisations qui mettront en place ces bases seront en mesure de développer l’automatisation bien plus rapidement que leurs concurrents qui se concentrent uniquement sur le déploiement de nouveaux modèles d’IA.

L’IA transforme le rôle des développeurs de logiciels

L’IA améliore la productivité des développeurs à un rythme qu’il aurait été difficile d’imaginer il y a encore quelques années. Un développeur peut désormais travailler simultanément avec plusieurs agents de codage basés sur l’IA, chacun générant du code, testant des idées ou résolvant différents problèmes en parallèle. Cela réduit considérablement le temps nécessaire à la réalisation de nombreuses tâches de développement courantes.

Cependant, une génération de code plus rapide ne réduit pas le besoin d’ingénieurs expérimentés. Elle modifie simplement le domaine dans lequel leur expertise apporte le plus de valeur.

Les développeurs consacrent moins de temps à l’écriture de code répétitif et davantage à l’évaluation des résultats générés par l’IA, à la compréhension de l’articulation entre les différents composants et à la prise de décisions architecturales qui ont une incidence sur l’ensemble du système. Ils doivent également s’assurer que le code généré par l’IA respecte les normes de sécurité, est conforme aux politiques internes et reste facile à maintenir sur le long terme.

Cette évolution impose de nouvelles exigences aux équipes d’ingénieurs. Les développeurs doivent suivre plusieurs flux de travail assistés par l’IA, comprendre comment les modifications apportées à une partie d’un système en affectent une autre, et déterminer quand les solutions générées par l’IA sont appropriées et quand elles doivent être revues. La capacité à évaluer le contexte devient plus importante que la simple production rapide de code.

La qualité des consignes joue également un rôle important. L’IA est plus performante lorsque les développeurs fournissent dès le départ un contexte métier détaillé, des exigences techniques précises et des objectifs clairs. Des consignes mieux formulées permettent de réduire les itérations inutiles et d’améliorer la qualité du code généré, mais elles ne suppriment pas la nécessité d’une vérification humaine. Chaque résultat doit toujours être validé avant d’être intégré à un système de production.

Michael Ameling, directeur des produits de la SAP Business Technology Platform chez SAP, résume clairement cette évolution : « Plus la consigne est précise et complète, moins l’intervention est nécessaire, et les développeurs se rendent compte que fournir davantage de contexte dès le départ permet de réduire les allers-retours. Mais le résultat doit tout de même être compris, et pas simplement accepté. »

Pour les dirigeants, cela a des implications importantes en matière de ressources humaines. L’IA ne doit pas être considérée avant tout comme un moyen de réduire les effectifs d’ingénierie. Sa plus grande valeur réside dans le fait qu’elle permet aux équipes d’ingénierie de se concentrer sur des tâches à fort impact, notamment la conception des systèmes, la gouvernance, la sécurité et l’innovation. Les organisations qui investissent pour aider les développeurs à acquérir ces compétences seront mieux placées pour déployer l’IA avec succès que celles qui se concentrent uniquement sur l’automatisation des tâches de codage.

L’ingénieur logiciel de demain continuera certes à écrire du code, mais une part croissante de sa valeur ajoutée proviendra de la gestion de l’IA, de la validation des résultats et de la prise de décisions nécessitant une compréhension du métier et un jugement technique. Ces compétences restent au cœur du développement de logiciels d’entreprise.

L’avantage concurrentiel découle des connaissances exclusives

La technologie de l’IA se démocratise. De nombreuses organisations ont désormais accès à des modèles de base similaires, à une infrastructure cloud et à des plateformes logicielles. À mesure que cette tendance se poursuit, l’IA en elle-même perd de son caractère différenciateur. Ce qui distingue les entreprises, c’est l’efficacité avec laquelle elles appliquent l’IA à leur propre activité.

C’est le savoir-faire exclusif qui constitue l’avantage concurrentiel le plus important. Chaque organisation dispose d’une expertise opérationnelle unique, acquise au fil des années, voire des décennies. Celle-ci englobe notamment les processus de fabrication, les stratégies de tarification, les relations clients, les modèles de risque financier, les opérations de la chaîne d’approvisionnement, l’expertise réglementaire et les processus décisionnels internes. Ces atouts sont difficiles à reproduire pour les concurrents.

L’IA prend une valeur bien plus grande lorsqu’elle peut accéder à ces connaissances et les exploiter efficacement. Pour cela, les organisations doivent structurer leurs données, documenter leurs processus métier et mettre à disposition le savoir institutionnel de manière sécurisée et structurée. Si l’expertise essentielle reste dispersée entre les différents services ou n’existe que dans l’expérience de certains collaborateurs, l’IA ne peut pas l’appliquer de manière cohérente.

Cela modifie également la manière dont les dirigeants doivent envisager la propriété intellectuelle. La protection des connaissances exclusives reste essentielle, mais les organisations doivent également s’attacher à rendre ces connaissances exploitables au sein de systèmes d’IA fiables. Les entreprises qui y parviennent peuvent améliorer leur prise de décision, accroître leur efficacité opérationnelle et accélérer l’innovation sans perdre les caractéristiques uniques qui distinguent leur activité.

Michael Ameling, directeur des produits de la SAP Business Technology Platform chez SAP, insiste sur ce point en soulignant que l’expertise en matière de processus d’un fabricant, la logique de gestion des risques d’un établissement financier et l’intelligence en matière d’optimisation des itinéraires d’une entreprise de logistique constituent autant d’atouts que l’IA peut valoriser lorsque les organisations les rendent accessibles et exploitables. Il conclut : « Préservez ces atouts et utilisez l’IA pour renforcer votre différenciation. »

Pour les dirigeants d’entreprise, cela modifie la donne en matière d’investissement. L’acquisition d’outils d’IA est relativement simple. La mise en place de la base de données, de la gouvernance et des capacités organisationnelles permettant à l’IA d’exploiter le savoir-faire propre à l’entreprise nécessite quant à elle un effort bien plus important, mais elle génère également une valeur commerciale plus durable.

Les organisations qui domineront le domaine de l’IA d’entreprise au cours de la prochaine décennie ne seront probablement pas celles qui auront simplement accès aux modèles les plus récents. Ce seront celles qui sauront associer une IA de pointe à des données fiables, à une gouvernance rigoureuse et à une expertise approfondie dans leur domaine. Cette combinaison leur confère des capacités que leurs concurrents ne peuvent pas reproduire facilement et positionne l’IA comme un moteur de croissance à long terme plutôt que comme un simple moyen d’améliorer la productivité à court terme.

Principaux enseignements pour les dirigeants

• Considérez l’IA comme un modèle opérationnel : le code généré par l’IA n’est qu’un point de départ. Les dirigeants doivent investir de manière équilibrée dans la préparation des données, la sécurité, la conformité, l’intégration et la gestion du cycle de vie afin de passer de prototypes réussis à un déploiement d’entreprise fiable.
• Modernisez votre infrastructure avant de déployer l’IA à grande échelle : l’IA offre une valeur maximale lorsque les systèmes d’entreprise, les données et les processus métier sont interconnectés. Privilégiez l’intégration, le nettoyage des données et la visibilité sur les processus afin de créer une base solide permettant le déploiement d’une IA autonome à grande échelle.
• Intégrez la gouvernance à l’IA dès le départ : les agents IA chargés d’exécuter des processus métier doivent disposer d’identités claires, d’autorisations, de pistes d’audit et faire l’objet d’une surveillance continue. Évaluez la réussite à la fois en termes de fiabilité technique et de résultats opérationnels.
• Développez l’automatisation grâce à des agents IA spécialisés : plusieurs agents IA peuvent accélérer les flux de travail métier complexes, mais uniquement s’ils fonctionnent sur des systèmes fiables et bien intégrés. Privilégiez la préparation opérationnelle avant d’étendre l’automatisation basée sur l’IA à des fonctions critiques.
• Redéfinissez le rôle du développeur en matière de supervision et d’architecture : l’IA améliore la productivité technique, mais l’expertise humaine reste indispensable pour valider les résultats, prendre des décisions architecturales et garantir la maintenabilité à long terme. Investissez dans des compétences qui renforcent la supervision de l’IA plutôt que de vous contenter d’automatiser le codage.
• Transformez votre savoir-faire en avantage concurrentiel : les outils d’IA se démocratisent, ce qui fait de l’expertise métier unique le véritable facteur de différenciation. Les dirigeants doivent organiser, protéger et mettre en œuvre le savoir-faire spécifique de leur organisation afin que l’IA puisse renforcer des capacités que les concurrents ne peuvent pas facilement reproduire.