Ce qui freine encore la productivité de l’IA en entreprise

Les agents d’IA apprennent individuellement plutôt que collectivement

L’adoption de l’IA progresse rapidement. Selon une étude d’Asana, 75 % des travailleurs du savoir utilisent déjà l’IA dans le cadre de leur travail. Cependant, seules 5 % des entreprises font état de gains de productivité mesurables. Cet écart mérite qu’on s’y attarde, car il suggère que la technologie n’est pas le principal frein. C’est plutôt la manière dont les entreprises la déploient qui pose problème.

Aujourd’hui, la plupart des agents d’IA apprennent au niveau individuel. Un collaborateur découvre une meilleure consigne, corrige une erreur ou apporte un contexte plus riche. L’agent devient alors plus utile pour cette personne. Puis un autre collaborateur ouvre le même outil et repart de zéro. L’amélioration apportée précédemment a disparu, car elle n’a jamais été partagée.

Cela engendre un coût caché que de nombreuses organisations sous-estiment. Les équipes refont sans cesse le même travail. Des collaborateurs différents reçoivent des réponses différentes pour des tâches similaires. Les bonnes pratiques restent l’apanage de certains individus au lieu de devenir un savoir organisationnel. À mesure que l’IA s’intègre aux opérations quotidiennes, cet apprentissage fragmenté limite le retour sur investissement.

Pour les dirigeants, la question n’est plus de savoir si les collaborateurs utilisent l’IA. C’est déjà le cas. La question est de savoir si chaque interaction contribue à rendre l’ensemble de l’organisation plus performante ou si elle ne profite qu’à un seul collaborateur. Les entreprises qui parviendront à résoudre ce problème progresseront plus rapidement, car les connaissances s’accumuleront de manière synergique entre les équipes au lieu de rester cloisonnées.

Arnab Bose, directeur des produits chez Asana, a résumé ce défi lors d’un entretien accordé à VentureBeat. Il a déclaré que les fournisseurs de modèles étaient désormais « vraiment très performants pour améliorer le raisonnement et les boucles de réessai », mais qu’ils « ne parvenaient pas à intégrer le contexte de travail de l’entreprise d’une manière permettant aux êtres humains de raisonner à partir d’une mémoire partagée ».

Cette distinction est importante. Un meilleur raisonnement rend un agent d’IA plus performant. La mémoire organisationnelle partagée renforce sa valeur au sein d’une entreprise. Il s’agit là de deux problèmes distincts, qui doivent tous deux être pris en compte.

La mémoire partagée est essentielle à l’efficacité des flux de travail multi-agents

La prochaine étape de l’IA d’entreprise ne réside pas dans un seul agent intelligent, mais dans de nombreux agents travaillant ensemble, au-delà des services, des applications et des processus métier. Cela ne fonctionne que s’ils s’appuient sur une même source de connaissances.

En l’absence de mémoire partagée, chaque agent se forge sa propre compréhension de l’activité. Un agent peut disposer d’informations actualisées tandis qu’un autre s’appuie sur un contexte obsolète. Une équipe peut améliorer un workflow d’IA, tandis qu’une autre répète, sans le savoir, les mêmes corrections. Il en résulte des décisions incohérentes, des efforts redondants et des erreurs qui auraient pu être évitées.

Une couche de mémoire partagée change la donne. Au lieu de stocker les connaissances chez chaque utilisateur ou agent de manière isolée, elle crée un référentiel commun regroupant le contexte validé, les corrections et les connaissances métier. Chaque agent peut accéder aux mêmes informations, ce qui permet aux améliorations apportées par une équipe de profiter automatiquement au reste de l’organisation.

Cela revêt une importance particulière à mesure que les entreprises automatisent des flux de travail de plus en plus complexes. Les services financiers, juridiques, commerciaux, le service client et l’ingénierie s’appuient de plus en plus sur des systèmes d’IA interconnectés plutôt que sur des assistants autonomes. Si ces systèmes ne parviennent pas à partager un contexte fiable, ils ne peuvent pas soutenir de manière cohérente les opérations de l’entreprise à grande échelle.

Arnab Bose, directeur des produits chez Asana, affirme qu’il ne s’agit pas simplement d’une fonctionnalité du produit Asana. Il considère la mémoire partagée comme un choix architectural fondamental que toute entreprise devra tôt ou tard faire lors du déploiement de systèmes d’IA multi-agents.

Sriharsha Chintalapani, cofondateur et directeur technique de Collate, a insisté sur ce point. Il a déclaré à VentureBeat que l’absence de mémoire partagée constituait un obstacle majeur pour les flux de travail multi-agents, car la cohérence ne dépend pas uniquement de la qualité des modèles. Il a expliqué que les agents sont extrêmement sensibles à la qualité des invites. Les collaborateurs disposant d’une expertise plus approfondie produisent généralement de meilleures consignes et fournissent de meilleurs retours, ce qui leur permet d’obtenir de meilleurs résultats pour eux-mêmes. Cependant, à moins que ces améliorations ne deviennent un savoir-faire organisationnel partagé, l’entreprise continue de dépendre de l’expertise individuelle au lieu de développer des capacités reproductibles.

Pour les dirigeants d’entreprise, cela modifie la manière dont les plateformes d’IA doivent être évaluées. Les performances des modèles resteront toujours un critère important, mais elles ne suffisent plus à elles seules. Les décisions d’achat doivent de plus en plus tenir compte de la manière dont les connaissances sont collectées, gérées et partagées entre les équipes. Une plateforme d’IA qui apprend une seule fois et profite à tous génère des résultats commerciaux très différents de ceux d’une plateforme qui oblige chaque collaborateur à former en permanence son propre assistant.

La plateforme « agentic » d’Asana utilise la mémoire partagée pour transformer les améliorations individuelles en savoir organisationnel

De nombreuses entreprises reconnaissent que l’IA a besoin de contexte. La différence réside dans la manière dont ce contexte est géré. L’approche d’Asana consiste à faire du contexte un atout organisationnel partagé, plutôt qu’un élément qui reste l’apanage des utilisateurs individuels.

Sa plateforme « Agentic Work Management » s’articule autour d’un graphe de contexte partagé. Lorsqu’un membre de l’équipe améliore un agent en corrigeant une réponse, en fournissant de meilleures instructions ou en ajoutant des éléments de contexte métier importants, cette amélioration est mise à la disposition des autres utilisateurs travaillant dans le même environnement. L’objectif est de garantir que le système s’améliore en permanence à mesure que de plus en plus de personnes l’utilisent.

Cela modifie la manière dont les organisations déploient l’IA à grande échelle. Au lieu de demander à chaque collaborateur de maîtriser l’ingénierie des prompts, la plateforme fournit automatiquement le contexte organisationnel pertinent. Les collaborateurs peuvent ainsi se concentrer sur leur travail proprement dit, tandis que le système fournit les informations dont l’agent a besoin pour fonctionner de manière cohérente.

Arnab Bose, directeur des produits chez Asana, a expliqué cette approche lors d’un entretien accordé à VentureBeat. Il a déclaré : « Ce graphe contextuel est automatiquement mis à la disposition des agents travaillant au sein du système d’Asana ; vous n’avez donc pas besoin que chaque membre de l’équipe devienne un expert en ingénierie des prompts ou en ingénierie contextuelle. »

Pour les dirigeants, il s’agit là d’un enjeu opérationnel majeur. L’adoption de l’IA est souvent ralentie lorsque les entreprises exigent de leurs collaborateurs qu’ils acquièrent de nouvelles compétences techniques avant de pouvoir tirer parti de cette technologie. Une plateforme qui fournit automatiquement le contexte réduit cet obstacle et permet aux entreprises d’étendre l’utilisation de l’IA à l’ensemble des services sans alourdir la complexité pour les utilisateurs.

Il existe également un avantage en matière de gouvernance. Lorsque le contexte est géré de manière centralisée, les organisations bénéficient d’une meilleure visibilité sur les connaissances partagées avec les systèmes d’IA. Cela offre des opportunités de normalisation des processus, d’amélioration de la cohérence et de réduction des écarts entre les équipes. Au fil du temps, l’organisation développe un savoir institutionnel qui reste disponible même lorsque les collaborateurs changent de poste ou quittent l’entreprise.

La leçon à en tirer va bien au-delà d’Asana. La mémoire partagée doit être considérée comme faisant partie intégrante de l’infrastructure de l’entreprise plutôt que comme une simple fonctionnalité d’application. À mesure que les organisations déploient davantage d’agents d’IA dans l’ensemble de leurs fonctions métier, la capacité à préserver et à diffuser le savoir organisationnel deviendra de plus en plus importante.

La mise en place d’une mémoire partagée fiable reste l’un des principaux défis techniques de l’IA d’entreprise

La nécessité d’une mémoire partagée apparaît de plus en plus clairement, mais sa mise en œuvre est loin d’être simple. Les grands modèles linguistiques actuels sont, par conception, sans état. Ils traitent les informations qu’ils reçoivent au cours d’une conversation, mais ne conservent pas ces connaissances de manière permanente, à moins qu’un système de mémoire externe ne les stocke.

Cela signifie que les entreprises doivent mettre en place une couche de mémoire dédiée, distincte du modèle. Cette couche détermine quelles informations sont stockées, comment elles sont mises à jour, qui peut les modifier et comment les conflits sont résolus lorsque plusieurs utilisateurs ou agents d’IA apportent de nouvelles informations. Ces décisions ont une incidence directe sur la qualité, la fiabilité et la crédibilité des résultats générés par l’IA.

Le défi prend une ampleur bien plus grande dans les environnements d’entreprise. Un utilisateur isolé interagissant avec un seul agent d’IA ne pose que relativement peu de problèmes de coordination. Une entreprise exploitant des centaines, voire des milliers d’agents répartis dans plusieurs services est confrontée à une situation très différente. Différents agents peuvent accéder à des sources de données différentes, recevoir des mises à jour contradictoires ou émettre des recommandations incohérentes s’ils ne sont pas reliés par une architecture de mémoire fiable.

Sriharsha Chintalapani, cofondateur et directeur technique de Collate, a déclaré à VentureBeat que l’absence de mémoire partagée restait un obstacle majeur à la cohérence des systèmes multi-agents. Son observation reflète un défi plus large auquel est confronté le secteur. Si les technologies de raisonnement ont progressé rapidement, l’infrastructure permettant de maintenir des connaissances organisationnelles précises et partagées est encore en cours d’évolution.

La gouvernance constitue un autre aspect important à prendre en compte. La mémoire d’entreprise ne doit pas devenir un ensemble d’informations incontrôlé. Les organisations doivent se doter de politiques claires en matière de qualité des données, d’autorisations, de sécurité et de conservation. Les informations commerciales sensibles doivent rester protégées tout en restant accessibles aux systèmes d’IA autorisés qui en ont besoin pour effectuer des tâches utiles.

Pour les dirigeants d’entreprise, ces choix architecturaux doivent faire l’objet d’une attention aussi grande que celle accordée au choix du modèle. Même le modèle d’IA le plus performant ne peut pas garantir de manière constante des résultats opérationnels fiables s’il s’appuie sur des connaissances organisationnelles incomplètes, obsolètes ou incohérentes. À mesure que les systèmes multi-agents se généralisent, la qualité de la couche de mémoire partagée déterminera de plus en plus si l’IA apporte des gains de productivité ponctuels ou une valeur durable à l’échelle de l’entreprise.

Les organisations doivent aller au-delà d’une ingénierie réactive et mettre en place des systèmes qui préservent le contexte partagé

De nombreuses organisations continuent d’aborder les performances de l’IA comme un simple défi d’ingénierie des prompts. Elles consacrent du temps à former leurs collaborateurs à la rédaction de meilleurs prompts ou à la formulation d’instructions plus détaillées. Bien que cela puisse améliorer les résultats, cela ne résout pas le problème dans son ensemble. Chaque amélioration reste liée à l’individu, à moins que l’organisation ne dispose d’un moyen de capitaliser sur ces connaissances et de les réutiliser.

Cela entraîne des performances inégales au sein de l’entreprise. Les collaborateurs disposant d’une expertise plus approfondie dans leur domaine obtiennent généralement de meilleurs résultats, car ils savent poser les bonnes questions et formuler des commentaires plus pertinents. Les nouveaux collaborateurs ou ceux qui ont moins d’expérience obtiennent souvent des résultats moins bons, même lorsqu’ils utilisent la même plateforme d’IA.

Sriharsha Chintalapani, cofondateur et directeur technique de Collate, a expliqué ce problème dans des commentaires adressés à VentureBeat. Il a déclaré : « Les agents sont sensibles à la qualité des consignes qui leur sont données. Une personne ayant une bonne compréhension de la tâche obtiendra généralement des résultats plus précis qu’une personne moins expérimentée. » Il a ajouté que de meilleurs résultats provenaient de consignes plus précises et d’un retour d’information de meilleure qualité, ce qui permet à l’agent de s’améliorer au fil du temps pour cet utilisateur spécifique.

Chintalapani a fait valoir que les organisations devraient cesser de considérer la mémoire partagée comme un simple problème d’ingénierie des invites et, à la place, mettre en place des systèmes permettant de préserver le contexte au fil de chaque conversation. Cela modifie l’objectif : il ne s’agit plus d’aider les individus à devenir de meilleurs utilisateurs de l’IA, mais d’aider l’organisation à améliorer en permanence ses connaissances collectives.

L’une des pistes prometteuses est celle de la recherche relationnelle en mémoire. Au lieu de récupérer toutes les informations disponibles, les agents d’IA identifient et exploitent les connaissances organisationnelles les plus pertinentes pour la tâche à accomplir. Cela permet de réduire les informations superflues tout en améliorant la qualité et la cohérence des réponses. Selon Chintalapani, rares sont les organisations, hormis les plus grands fournisseurs de modèles d’IA, qui disposent actuellement de la capacité nécessaire pour mettre en place efficacement ces systèmes.

Neej Gore, directeur des données chez Zeta Global, a décrit cette opportunité plus large dans des propos tenus à VentureBeat. Il a déclaré que le contexte partagé devenait une mémoire vivante qui « renforce l’intelligence à l’échelle de l’entreprise ».

Pour les dirigeants, il s’agit d’un changement stratégique majeur. L’avantage concurrentiel dépendra de plus en plus de la capacité d’une organisation à collecter, gérer et mettre en œuvre ses propres connaissances. L’ingénierie rapide reste utile, mais elle doit venir compléter une stratégie plus globale en matière de connaissances plutôt que de s’y substituer. Les entreprises qui investissent dans la mise en place d’un contexte commun peuvent réduire les doublons, améliorer la cohérence et accélérer l’apprentissage au sein des équipes.

L’IA d’entreprise évolue : elle passe des assistants personnels à une intelligence à l’échelle de l’organisation

La plupart des agents d’IA utilisés aujourd’hui dans les entreprises sont encore conçus pour s’adapter à des individus. Ils apprennent à reconnaître le style d’écriture d’un utilisateur, ses préférences professionnelles, ses documents et ses habitudes quotidiennes. Cela les rend plus utiles pour la productivité personnelle, mais ne contribue guère à améliorer la collaboration au sein des équipes.

Cette approche centrée sur l’individu reflète la conception actuelle de nombreuses plateformes d’IA d’entreprise. Un utilisateur télécharge des fichiers, interagit avec l’agent et améliore progressivement ses performances grâce à une utilisation répétée. Ces améliorations restent généralement associées à cet utilisateur plutôt que de faire partie des connaissances partagées de l’organisation.

Microsoft Copilot illustre bien ce modèle. Copilot apprend des informations telles que le rôle d’un utilisateur au sein de l’organisation, le ton qu’il préfère et ses habitudes de travail, et les stocke sous forme de « souvenirs » personnels qui sont utilisés dans l’ensemble des applications Microsoft 365. Cela permet d’offrir une expérience plus personnalisée, mais ces « souvenirs » profitent avant tout à l’individu plutôt qu’à l’équipe dans son ensemble.

À mesure que les organisations étendent le recours à l’IA, cette conception relève désormais davantage d’un choix stratégique que d’une simple décision technique. On attend de plus en plus des agents d’IA qu’ils facilitent le travail interfonctionnel impliquant les services financiers, les opérations, les ventes, l’ingénierie, le service client et d’autres entités de l’entreprise. Ces flux de travail nécessitent une vision commune au sein de l’organisation.

C’est pourquoi la mémoire partagée devient un critère d’achat important pour les plateformes d’IA d’entreprise. Les décideurs doivent aller au-delà de la simple évaluation de la précision des modèles ou de la liste des fonctionnalités. Ils doivent également comprendre comment une plateforme capitalise les connaissances de l’organisation, comment ces connaissances sont gérées, et si les améliorations apportées par une équipe peuvent profiter à l’ensemble de l’entreprise.

Un agent d’IA qui n’apprend qu’à partir des connaissances d’un seul collaborateur nécessite une maintenance individuelle continue. Une plateforme qui développe et diffuse le savoir institutionnel crée une valeur qui s’accroît à chaque interaction. Au fil du temps, cela permet aux organisations d’améliorer la cohérence, de réduire les tâches répétitives et de faire de l’IA un élément central du fonctionnement des équipes, plutôt qu’un simple outil de productivité individuelle.

Pour les dirigeants d’entreprise, la voie à suivre se précise. La prochaine étape de l’IA d’entreprise ne se résume pas à multiplier le nombre d’agents IA. Elle consiste à créer des systèmes dans lesquels ces agents apprennent ensemble, s’appuient sur un même socle de connaissances fiables et s’améliorent en permanence à mesure que l’organisation évolue.

Faits marquants

• Développez une IA capable d’apprendre au profit de l’ensemble de l’organisation : les améliorations apportées à l’IA au niveau individuel ne profitent pas automatiquement au reste de l’entreprise, ce qui limite les gains de productivité. Les dirigeants devraient privilégier les plateformes qui permettent de capitaliser et de réutiliser les connaissances au sein de toutes les équipes, plutôt que de confiner l’apprentissage à des utilisateurs individuels.
• Faites de la mémoire partagée un choix architectural fondamental : l’IA multi-agents ne peut pas évoluer de manière fiable si chaque agent fonctionne avec un contexte différent. Évaluez les plateformes d’IA en fonction de leur capacité à maintenir une connaissance organisationnelle cohérente et partagée.
• Transformez les interactions avec l’IA en savoir institutionnel : les systèmes qui partagent automatiquement les corrections et le contexte métier permettent de réduire les efforts redondants et d’améliorer la cohérence. Les dirigeants devraient rechercher des solutions qui limitent le recours à l’ingénierie réactive tout en renforçant, au fil du temps, le savoir à l’échelle de l’entreprise.
• Considérez la gouvernance de la mémoire comme une capacité stratégique : la mémoire partagée nécessite des règles claires en matière de qualité, d’accès et de cohérence des données, car les modèles d’IA sont, par nature, sans état. Une gouvernance rigoureuse est essentielle pour garantir la fiabilité des résultats à mesure que les déploiements d’IA se généralisent au sein de l’entreprise.
• Réorienter les investissements des consignes vers les systèmes de gestion des connaissances : si de meilleures consignes permettent d’améliorer les résultats individuels, le partage du contexte, quant à lui, améliore la performance de l’organisation. Les dirigeants devraient investir dans des systèmes permettant de conserver, d’extraire et d’appliquer les connaissances de l’entreprise dans l’ensemble des échanges et des flux de travail.
• Optez pour l’intelligence d’entreprise : de nombreuses plateformes d’IA sont optimisées pour les utilisateurs individuels, mais la valeur pour l’entreprise réside dans l’apprentissage collectif au sein de l’organisation. Faites de la mémoire partagée et du savoir institutionnel des critères d’achat essentiels lors du choix de vos plateformes d’IA.