Comment Merck et Mastercard ont jeté les bases de l’efficacité de l’IA

L’infrastructure fondamentale de Merck est à l’origine du succès de l’IA

Les progrès de Merck en matière d’IA agentique reposent sur le type de discipline qui transforme les bonnes idées en systèmes opérationnels. Avant de déployer un seul agent d’IA, Merck s’est d’abord concentré sur les fondamentaux : une infrastructure fiable et évolutive capable de gérer des milliards de points de données et de se connecter de manière transparente entre les plateformes. Sean Finnerty, vice-président des plateformes numériques chez Merck, a expliqué que l’entreprise a appliqué les leçons tirées de l’ère de l’informatique Cloud, lorsque de nombreuses organisations se sont précipitées dans l’adoption sans un travail de fond approprié. Cette fois-ci, Merck a décidé de s’occuper d’abord de la « plomberie ».

La base numérique de l’entreprise s’étend sur 2 500 Amazon Web Services (AWS) de multiples environnements Microsoft Azure, de nouvelles intégrations Google Cloud et 47 sites en périphérie. Ensemble, ces systèmes gèrent plusieurs pétaoctets de données structurées et non structurées dans Oracle, SQL, Excel et d’autres référentiels. Merck a construit un échafaudage qui garantit que ces données se déplacent en toute sécurité et conservent le bon contexte, qu’elles transitent par Databricks, Redshift ou d’autres plateformes analytiques.

Cette infrastructure est le fondement d’une innovation durable. Sans elle, les efforts en matière d’IA risquent d’être dispersés, coûteux et difficiles à maintenir. Le message de Finnerty est simple mais puissant : vous pouvez créer des centaines d’outils d’IA, mais sans structure, ils s’effondreront sous leur propre complexité. En mettant l’accent sur l’intégration, la sécurité et l’interopérabilité, Merck peut faire évoluer ses initiatives d’IA plus rapidement tout en minimisant la dette technique qui ralentit généralement les grandes entreprises.

Pour les cadres, cette approche est instructive. Commencer par poser les bases peut sembler lent, mais cela permet de gagner en rapidité par la suite. Investir dans une architecture numérique évolutive dès le départ garantit que lorsque l’IA évoluera, dans les départements ou les unités d’affaires, elle le fera sans friction.

L’IA accélère la découverte de médicaments et rationalise la conformité réglementaire

Les programmes d’IA agentique de Merck redéfinissent la manière dont l’entreprise développe et lance de nouveaux traitements médicaux. Dans le domaine de la recherche pharmaceutique, le choix du moment est souvent déterminant pour la réussite. Un cycle de découverte peut prendre des années, mais grâce à l’IA, certains cycles ont été réduits d’un tiers. Cela représente une année entière de moins entre le laboratoire et le patient. En formant les systèmes d’IA à analyser plus efficacement les structures moléculaires et les états pathologiques, Merck a rendu la découverte précoce beaucoup plus rapide et plus ciblée.

La conformité réglementaire, l’un des domaines les plus stricts de l’industrie pharmaceutique, est également en cours de transformation. Les modèles d’IA de Merck génèrent désormais des projets de marketing qui sont conformes à 99 % avant l’examen humain. Ces projets traversent en quelques jours des cycles d’approbation qui prenaient autrefois des mois. Les délais de révision et de livraison ont été réduits de 70 à 80 %. Plutôt que de laisser les humains diriger de longs flux de travail manuels, le système fonctionne désormais sur un modèle « humain en tant que gouverneur » : L’IA rédige et les humains vérifient. Ce changement permet de maintenir la supervision intacte tout en éliminant les goulets d’étranglement opérationnels qui limitent la vitesse et la capacité.

Pour les dirigeants, les implications sont claires. L’IA redéfinit le rythme des activités réglementées. Les gains d’efficacité à cette échelle se convertissent directement en avantage concurrentiel, en particulier dans les secteurs où la vitesse d’innovation affecte à la fois les structures de coûts et les résultats pour les patients.

Sean Finnerty a souligné que l’objectif de Merck n’est pas de remplacer le jugement humain, mais de l’amplifier. Avec une précision de conformité proche de la perfection et des temps de cycle réduits, l’entreprise prouve que l’IA peut maintenir la responsabilité tout en accélérant les opérations. Pour les entreprises qui envisagent d’adopter l’IA, la leçon à tirer est que l’infrastructure et la gouvernance ne sont pas des contraintes, mais qu’elles permettent à l’IA d’évoluer en toute sécurité et d’avoir un impact mesurable.

Modernisation des applications pilotée par l’IA chez Merck

Merck utilise l’IA agentique pour moderniser la gestion et la mise à jour de ses systèmes internes. Historiquement, les mises à jour de logiciels d’entreprise impliquaient des cycles longs, des équipes importantes et des frais généraux considérables. Aujourd’hui, les agents d’IA peuvent cartographier les architectures, cataloguer les API, analyser les flux de données, effectuer des contrôles d’authentification et d’autorisation, et même remanier le code. Les tâches qui nécessitaient des semaines ou des mois d’efforts manuels prennent désormais beaucoup moins de temps et ne coûtent qu’une fraction de ce qu’elles coûtaient auparavant.

La nouvelle approche de l’entreprise a transformé la modernisation des applications d’un projet technique complexe en un processus continu et automatisé. En utilisant l’IA pour comprendre les dépendances et produire des scripts de déploiement via des plateformes comme Terraform, Merck garantit des mises à niveau de systèmes plus fluides et moins de perturbations opérationnelles. Les ingénieurs se concentrent sur la conception et l’intégration tandis que l’IA gère les étapes répétitives d’audit et d’optimisation.

Pour les dirigeants, c’est le signe d’un changement structurel dans la manière dont la gestion des logiciels contribue à la performance concurrentielle. La modernisation est passée de la maintenance à un moteur d’adaptabilité. Lorsque les systèmes sont continuellement documentés, sécurisés et mis à jour grâce à l’IA, les organisations restent prêtes à faire face aux charges de travail émergentes et aux nouvelles technologies au lieu d’y réagir. Cela réduit la traînée opérationnelle et aligne les capacités informatiques directement sur l’agilité de l’entreprise.

L’utilisation de l’IA par Merck dans renouvellement des systèmes existants améliore également la fiabilité et le suivi de la conformité, des priorités essentielles dans les environnements fortement réglementés. Chaque cycle de mise à jour renforce le système, garantissant que l’infrastructure numérique ne devienne pas une contrainte mais plutôt un catalyseur de l’innovation.

Les garde-fous contre les hallucinations de l’IA garantissent des résultats fiables

Même les modèles d’IA les plus avancés peuvent émettre des hypothèses inexactes ou spéculatives, souvent appelées hallucinations. Sean Finnerty et son équipe chez Merck ont rencontré ce problème lorsque les systèmes d’IA produisaient des fonctions invalides et des scénarios de test incorrects. Au lieu de procéder à une mise à l’échelle rapide et d’accepter les erreurs, Merck s’est efforcé d’instaurer la confiance dans l’automatisation. Leur système utilise désormais des garde-fous à plusieurs niveaux pour vérifier les décisions de l’IA.

Pour parvenir à la fiabilité, l’équipe applique une méthode de validation multi-AI. Par exemple, un modèle d’IA, tel que Claude d’Anthropic, peut générer un résultat initial, qui est ensuite examiné indépendamment par Microsoft Copilot. Des notes de confiance sont attribuées en fonction de la concordance ou de la divergence entre les deux systèmes. Ce processus de révision itératif permet de filtrer les résultats peu fiables, de réduire les taux d’erreur et de produire des résultats toujours précis.

L’idée clé pour les dirigeants est que les systèmes de contrôle de l’IA doivent évoluer en même temps que les systèmes de performance. À mesure que l’IA assume davantage de rôles décisionnels, les organisations doivent veiller à ce que la responsabilité soit intégrée dans le flux de travail. Les garde-fous ne ralentissent pas le progrès, ils maintiennent la crédibilité opérationnelle. Un seul résultat défectueux dans des domaines tels que la formulation des médicaments ou la documentation réglementaire pourrait entraîner des revers majeurs, et une surveillance en couches permet d’éviter cela.

L’équipe de Finnerty a montré que l’association de la rapidité et de la vérification permet d’accroître la confiance et d’obtenir de meilleurs résultats. Pour les dirigeants qui font progresser l’adoption de l’IA, cette expérience souligne la nécessité de cadres de gouvernance à la fois techniques et procéduraux. Il ne s’agit pas d’éliminer complètement les risques, mais de les détecter et de les gérer avec précision.

Mastercard s’appuie sur l’IA pour rationaliser les flux de travail liés aux litiges et aux transactions

Chez Mastercard, l’IA agentique est déployée pour simplifier l’une des parties les plus complexes et les plus laborieuses des services financiers, le processus de contestation des transactions. Andrew Reiskind, Chief Data Officer, a expliqué qu’une rétrofacturation ou un litige en matière de fraude touche plusieurs flux de données et entités commerciales, chacun étant régi par des règles et des délais différents. Ces interactions génèrent à la fois des données structurées, telles que les codes de transaction, et des informations non structurées, telles que les plaintes des consommateurs ou les déclarations des commerçants.

Les agents d’IA aident Mastercard à automatiser l’orchestration de ces processus. Ils aident à catégoriser les données, à identifier les détails manquants et à solliciter les agents humains en cas de besoin. Il en résulte une plus grande rapidité, une meilleure précision et une réduction des coûts opérationnels. Le système traite des données déterministes, dont les résultats sont clairement définis, tout en gérant des scénarios probabilistes qui nécessitent une évaluation contextuelle. Cette combinaison permet à Mastercard d’accélérer les résolutions sans compromettre la conformité ou la confiance des clients.

Pour les cadres et les décideurs, cela montre comment l’automatisation et l’intelligence des données peuvent remodeler les opérations de service à fort enjeu. La rationalisation des flux de travail permet non seulement de réduire les frais généraux, mais aussi de raccourcir les délais de résolution pour les consommateurs et les commerçants. Toutefois, M. Reiskind a souligné l’importance de l’équilibre : une automatisation totale sans supervision humaine peut mettre en péril l’équité et la précision, qui sont essentielles pour maintenir la confiance des consommateurs. L’approche de Mastercard garantit que l’efficacité est atteinte sans éroder la confiance, que chaque processus est plus rapide, mais qu’il est toujours régi par une responsabilité mesurable.

Ce modèle montre comment les grandes entreprises peuvent mettre en œuvre l’IA agentique dans des environnements réglementés tout en maintenant la prise de décision humaine au centre de la surveillance. Il représente une évolution délibérée de la gestion réactive des cas vers une intelligence proactive et structurée.

Équilibrer les risques liés à l’IA grâce à l’évaluation stratégique et à la gouvernance dans les services financiers

Le prochain objectif de Mastercard est de comprendre et de gérer avec précision les risques liés à l’IA. Andrew Reiskind a fait remarquer que l’IA comporte inévitablement une marge d’erreur et que les entreprises doivent déterminer le niveau de risque acceptable avant de la déployer. Il a suggéré de définir clairement les écarts de résultats, qu’ils soient mineurs ou majeurs, en s’appuyant sur un cadre qui calcule non seulement la probabilité d’erreurs, mais aussi leurs coûts potentiels en termes d’activité et de réputation.

Ce type de gouvernance nécessite d’analyser chaque fonction de l’IA et de quantifier son impact en termes mesurables. M. Reiskind a souligné que même s’il est difficile de prévoir l’utilisation et les coûts réels en raison de la variabilité du monde réel, une analyse structurée peut néanmoins guider une prise de décision responsable. Le processus comprend des évaluations coûts-avantages, un suivi des performances et des étapes de validation pour s’assurer que l’IA fonctionne dans les limites des seuils de fiabilité approuvés.

Pour les dirigeants, cette approche souligne la nécessité d’intégrer la gouvernance dans la stratégie d’IA plutôt que de la traiter comme un complément de conformité. L’utilisation stratégique de l’IA n’est pas seulement une question de performance, mais aussi de prévisibilité et d’exposition contrôlée au risque. Définir les limites des taux d’erreur acceptables permet d’éviter les surprises opérationnelles et de renforcer la confiance des régulateurs, des partenaires et des clients.

Le message de M. Reiskind s’inscrit dans le cadre d’une évolution plus générale des services financiers : Le succès de l’IA dépend autant d’une gouvernance disciplinée que des capacités techniques. Avec une supervision et une définition des risques appropriées, l’IA devient un outil qui renforce la crédibilité de la marque, l’intégrité opérationnelle et la confiance des clients.

Faits marquants

• Construire l’infrastructure avant d’étendre l’IA : les dirigeants devraient investir dans une infrastructure numérique robuste et interopérable dès le début afin de garantir un déploiement évolutif et sécurisé de l’IA. Le succès de Merck montre que des pipelines de données solides et une intégration multiplateforme évitent la dette technique et permettent une innovation rapide.
• Utilisez l’IA pour raccourcir les cycles critiques sans perdre la conformité : L’IA peut réduire considérablement les délais de R&D et d’approbation réglementaire lorsqu’elle est associée à une supervision humaine solide. La découverte de médicaments 33 % plus rapide et les approbations de conformité 80 % plus rapides chez Merck démontrent que la gouvernance et la rapidité peuvent coexister efficacement.
• Automatiser la modernisation pour libérer l’agilité : Les dirigeants devraient appliquer l’IA pour automatiser la gestion des logiciels hérités afin d’améliorer l’efficacité opérationnelle. L’utilisation de l’IA par Merck pour la cartographie de l’architecture et le remaniement du code permet de réduire les coûts, de diminuer la charge de travail manuel et de stimuler l’adaptabilité de l’organisation.
• Établir des cadres de validation de l’IA à plusieurs niveaux : Les entreprises doivent créer des garde-fous à plusieurs niveaux pour gérer les erreurs et les hallucinations de l’IA. L’utilisation par Merck de plusieurs modèles pour recouper les résultats augmente la précision et renforce la confiance dans les systèmes d’IA critiques.
• Appliquer l’IA pour optimiser des processus complexes et gourmands en données : Mastercard montre que l’IA peut rationaliser le traitement des litiges en automatisant les flux de travail structurés et non structurés. Les leaders des industries à forte intensité de services peuvent reproduire cela pour réduire l’intensité du travail et améliorer les temps de réponse tout en préservant la confiance des clients.
• Définir et gérer les risques acceptables de l’IA dès le premier jour : Les dirigeants doivent quantifier les marges d’erreur acceptables et intégrer la gouvernance dans la conception de l’IA. L’approche de Mastercard montre qu’une tolérance au risque stratégique et une surveillance rigoureuse font de l’IA un actif fiable plutôt qu’un passif.