Pourquoi l’IA a-t-elle besoin du jugement humain pour assurer le bon fonctionnement des réseaux ?

L’IA comme assistant collaboratif dans l’exploitation des réseaux

L’IA est souvent considérée comme un perturbateur, mais dans les opérations de réseau, elle est plus efficace en tant que collaborateur qu’en tant que remplaçant. Son rôle n’est pas de supplanter l’expertise humaine, mais de l’améliorer. Les réseaux exigent une fiabilité extrêmement élevée, connue dans l’industrie sous le nom de « trois neuf », ou 99,9 % de temps de disponibilité. Même un système d’IA avec une précision de 80 % n’atteint pas ce seuil. C’est pourquoi le jugement humain reste essentiel. L’avenir de la gestion des réseaux dépend de la construction de systèmes où l’IA amplifie la prise de décision humaine, et non pas l’automatise entièrement.

Jason Lovelace, responsable de la gestion des produits sortants chez IBM, a bien décrit cette relation. Il a déclaré : « Pour mettre en œuvre l’IA dans le réseau, vous devez penser à maintenir ou à améliorer trois neuf. L’objectif est d’éclairer le jugement humain grâce à l’IA en tant que partenaire ». Son message est simple mais essentiel : L’IA doit aider les ingénieurs à prendre des décisions plus précises, plus rapides et plus fiables sans leur enlever le contrôle ou la compréhension du système.

Pour les dirigeants, cela nécessite un changement d’état d’esprit. L’intégration de l’IA ne se limite pas à l’automatisation. Il s’agit de concevoir des flux de travail où l’IA améliore la connaissance de la situation et accélère les temps de réponse. Les entreprises qui adoptent l’IA coopérative, où les systèmes et les personnes travaillent en tandem, constateront une plus grande stabilité, des diagnostics plus rapides et une responsabilité plus claire dans l’ensemble des opérations de leur réseau.

Les dirigeants devraient investir dans une infrastructure qui favorise la collaboration entre l’homme et l’intelligence artificielle plutôt que la délégation totale. Cette approche réduit les risques opérationnels et améliore la précision des décisions. Le résultat est un environnement réseau plus intelligent, plus rapide, mais toujours ancré dans la surveillance humaine. Les organisations qui parviennent à équilibrer vitesse et contrôle sont celles qui établiront de nouvelles normes de performance pour les systèmes de réseaux intelligents.

La phase « Voir » – collecte de données télémétriques et contextuelles en temps réel

La première étape du cadre d’IBM pour les opérations réseau pilotées par l’IA est « Voir ». Cette phase concerne la visibilité, la compréhension de ce qui se passe sur le réseau en temps réel. Pour prendre des décisions fiables, les systèmes d’IA ont besoin de deux choses : la télémétrie et le contexte. La télémétrie fournit des rapports en direct sur ce qui se passe dans le réseau. Le contexte explique pourquoi cela se produit. Vous avez besoin des deux pour avoir une vue d’ensemble.

La télémétrie fonctionne mieux lorsqu’elle est associée à la surveillance des séries temporelles, qui permet de suivre les mesures en continu dans le temps. Cela permet au système d’identifier les problèmes à un stade précoce, avant même que les alarmes ne se déclenchent. C’est la différence entre réagir à une panne et la prévenir. Au fur et à mesure que l’IA traite les flux de données télémétriques, elle développe une vision prédictive, anticipant les perturbations potentielles et guidant les ingénieurs pour qu’ils agissent avant que les performances ne se dégradent.

Jason Lovelace a expliqué que la combinaison de l’IA agentique et de l’analyse des séries temporelles donne aux ingénieurs une « vision claire de ce qui se passe ». Sans cette visibilité, la prise de décision devient réactive et moins précise. Le contexte, quant à lui, aide les équipes à faire la distinction entre le bruit technique isolé et les problèmes systémiques susceptibles de se transformer en pannes.

Pour les dirigeants, l’enjeu stratégique est la clarté. La résilience du réseau dépend de l’actualité des données et de la précision du contexte. Investir dans des pipelines de télémétrie et des analyses contextuelles donne aux équipes l’intelligence opérationnelle dont elles ont besoin pour maintenir des performances stables, sûres et prévisibles.

Toutefois, l’équilibre des données est important. Trop de contexte peut submerger les modèles d’IA et réduire la précision. La bonne approche est celle de l’alimentation contrôlée, avec suffisamment de données pour obtenir des informations, mais pas trop pour ne pas nuire à la précision. Pour développer cette capacité, il faut établir des normes rigoureuses de gouvernance des données et veiller à ce que les équipes comprennent comment leurs couches de télémétrie et de contexte interagissent.

Pour un chef d’entreprise, la maîtrise de la phase « Voir » ne consiste pas à ajouter de la complexité, mais à favoriser la précision. Lorsque l’IA voit clairement et que les ingénieurs comprennent ce qu’elle voit, la fiabilité du réseau s’en trouve renforcée. C’est ainsi que vous transformez l’IA d’un outil de surveillance en un avantage opérationnel.

La phase d’utilisation – prioriser les outils d’IA sur des modèles spécifiques

Une fois que l’environnement du réseau est entièrement observé et compris, l’accent est mis sur la manière dont l’IA est appliquée, c’est la phase d' »utilisation ». Il s’agit ici de comprendre que le succès ne dépend pas uniquement du modèle utilisé, mais de l’efficacité et de la sécurité des outils d’IA. Les modèles évoluent rapidement, mais ce sont les outils qui définissent l’utilité quotidienne. Jason Lovelace, d’IBM, a expliqué que la richesse des outils détermine ce que les ingénieurs réseau accomplissent chaque jour.

Les outils d’IA capables de générer des scripts de réseau ou d’automatiser des tâches de configuration augmentent considérablement la capacité d’un ingénieur. Ils fournissent des fonctionnalités instantanées, réduisent le travail manuel répétitif et diminuent la latence opérationnelle. Ce qui compte, c’est de construire des systèmes qui permettent aux ingénieurs d’agir plus rapidement et avec plus de confiance, tout en gardant le contrôle total des opérations du réseau.

Pour les dirigeants, cette phase concerne les priorités d’investissement. Le développement d’ensembles d’outils d’IA évolutifs et adaptables doit primer sur la recherche constante de nouveaux modèles. L’organisation doit orienter ses ressources vers des écosystèmes d’outils qui restent sécurisés, intégrables et adaptables à des architectures d’IA en constante évolution. Cette orientation stratégique crée de la flexibilité, permettant aux opérations d’évoluer au fur et à mesure des changements technologiques, sans encourir les coûts d’un remplacement constant des modèles.

Le message est clair : choisissez des outils qui responsabilisent vos équipes, protègent votre infrastructure et évoluent avec les exigences de votre réseau. Au fil du temps, cela crée une résilience opérationnelle, non pas grâce à la sophistication des modèles, mais grâce à la diversité fonctionnelle et à une solide gestion de la configuration. Pour les dirigeants d’entreprise, la valeur à long terme réside dans la possession d’outils d’IA qui restent pertinents au fur et à mesure de l’évolution des modèles.

La phase « Prove » – valider la fiabilité de l’IA avec des garde-fous

La phase « Prove » garantit que les résultats de l’IA restent précis, fiables et exempts d’erreurs accumulées. Dans les environnements de réseaux complexes, où les séquences d’automatisation peuvent s’enchaîner sur plusieurs niveaux de décision, une petite inexactitude peut entraîner des perturbations majeures. Jason Lovelace a souligné que « si votre fenêtre contextuelle se remplit, l’effet cumulatif d’une hallucination à la quatrième ou cinquième étape rend les étapes 17, 18 et 19 non fiables ». Le message met l’accent sur la validation continue. Les ingénieurs doivent vérifier chaque étape du raisonnement de l’IA pour éviter les défaillances en cascade.

La fiabilité est assurée par des garde-fous structurés, des étapes de vérification définies, des stratégies d’endiguement des erreurs et des points de contrôle d’audit. Ce cadre garantit que l’IA reste responsable à chaque étape de son processus de décision. Les ingénieurs ont besoin de données accessibles et interprétables provenant des outils d’IA, ce qui leur permet de retracer toute recommandation et de la corriger avant son exécution.

Pour les chefs d’entreprise, la validation de la fiabilité n’est pas facultative, elle est essentielle à la confiance. Sans performance fiable de l’IA, l’automatisation crée de l’imprévisibilité, et non de l’efficacité. La mise en œuvre de garde-fous à plusieurs niveaux protège la stabilité opérationnelle et garantit aux équipes techniques et aux parties prenantes que le système fonctionne comme prévu sous pression.

Dans le contexte de la gouvernance, cette étape renforce également la conformité et l’intégrité opérationnelle. L’audit régulier des chemins décisionnels de l’IA aligne les opérations du réseau sur la politique interne et la réglementation externe. Des systèmes de validation solides déterminent en fin de compte si l’IA peut être utilisée à plus grande échelle dans les infrastructures critiques.

Les dirigeants doivent considérer la phase « Prouver » comme un processus continu, et non comme une vérification ponctuelle. À mesure que les outils d’IA gagnent en capacité, les mesures de surveillance doivent évoluer en conséquence. La fiabilité et la gouvernance renforcent la réputation, maintiennent la confiance des clients et assurent la viabilité à long terme des opérations basées sur l’IA.

La phase « Act » – adapter l’application de l’IA en fonction des niveaux d’expérience

Dans la phase finale du cadre d’IBM, « Act », l’accent est mis sur l’exécution et sur la manière dont les ingénieurs appliquent les connaissances de l’IA à des décisions réelles concernant le réseau. Cette étape n’est pas uniforme, son efficacité dépend fortement du niveau d’expérience de l’ingénieur qui l’utilise. Les ingénieurs débutants bénéficient le plus de l’assistance guidée par l’IA, qui fournit des recommandations structurées et des explications détaillées sur chaque action. Cela les aide à comprendre la logique du réseau tout en exécutant des décisions fiables en toute sécurité.

Pour les ingénieurs chevronnés, l’IA devrait servir d’assistant éclairé plutôt que de décideur. Ils devraient être en mesure d’évaluer, de contester ou d’affiner les recommandations du système. Jason Lovelace, d’IBM, a souligné ce point en déclarant que les ingénieurs doivent « repousser le modèle et l’amener à reconsidérer ses actions ». Cette remarque souligne l’idée de conserver une supervision humaine lorsque les performances et les risques se croisent.

Pour les dirigeants, la mise en œuvre efficace de cette phase implique de concevoir des couches d’accès et de contrôle de l’IA adaptées à chaque rôle. Cela permet aux ingénieurs moins expérimentés d’être guidés, tandis que les utilisateurs expérimentés conservent le pouvoir de décision. L’IA favorise l’apprentissage et les compétences tout en protégeant l’intégrité du système.

Les organisations qui adoptent cette approche adaptative améliorent à la fois leur efficacité et leurs capacités. Le personnel débutant gagne en confiance et en précision, tandis que les cadres supérieurs conservent un contrôle stratégique. Pour les chefs d’entreprise, cet équilibre se traduit par une évolutivité opérationnelle, le système évoluant au fur et à mesure que la main-d’œuvre progresse. La phase « Agir », correctement menée, intègre l’IA comme une force pratique et éducative, et non comme un simple mécanisme d’automatisation. Au fil du temps, cela permet de cultiver une équipe d’ingénieurs plus solide et une exploitation du réseau plus intelligente et plus fiable.

Mise en place d’un cadre structuré pour l’IA afin d’instaurer la confiance et d’assurer la gouvernance

Un cadre d’IA structuré, tel que le modèle en quatre étapes d’IBM, fournit l’épine dorsale de gouvernance dont les opérations de réseau ont besoin pour gérer la complexité et maintenir la confiance. Il définit la manière dont les données sont recueillies (« Voir »), les outils sont utilisés (« Utiliser »), les résultats sont validés (« Prouver ») et les mesures sont prises (« Agir »). Cette structure permet aux équipes du réseau de rester alignées sur les flux de travail tout en garantissant que les dirigeants peuvent suivre l’influence de l’IA et l’impact opérationnel.

Jason Lovelace, responsable de la gestion des produits sortants chez IBM, a expliqué qu’un cadre solide permet aux organisations de « récolter les avantages des NetOps agentiques » tout en préservant les normes de gouvernance et de sécurité, quelle que soit l’évolution de la technologie d’IA sous-jacente. Cette approche permet d’éviter l’adoption décousue de l’IA et de garantir la cohérence, la fiabilité et la responsabilité dans toutes les fonctions du réseau.

Pour les dirigeants, la valeur de ce cadre réside dans le contrôle et l’évolutivité. Il donne de la visibilité sur la manière dont l’IA est utilisée, garantit la conformité avec les normes de l’entreprise et les normes réglementaires, et renforce la confiance dans le fait que l’automatisation est gérée de manière responsable. Il permet également de définir des normes de performance mesurables au sein des équipes, un facteur clé lors de l’intégration de l’IA dans des environnements critiques.

Du point de vue des dirigeants, les cadres structurés renforcent également la confiance du personnel. Les ingénieurs savent que des procédures cohérentes protègent à la fois leur travail et le système qu’ils gèrent. Les dirigeants, quant à eux, peuvent confirmer que la gouvernance reste intacte à mesure que les capacités de l’IA se développent. Le cadre devient un plan directeur pour une innovation disciplinée, il permet de s’adapter aux nouvelles capacités de l’IA tout en maintenant la fiabilité et la gouvernance attendues dans les opérations de niveau entreprise.

Pour une réussite à long terme, les dirigeants devraient appliquer des cadres qui évoluent avec la technologie, mais qui restent fondés sur une surveillance humaine et une responsabilité claire. Ce double objectif – utilisation avancée de l’IA et gouvernance stable – permet à l’organisation d’évoluer en toute sécurité, d’innover de manière responsable et de maintenir l’excellence opérationnelle dans un monde de plus en plus automatisé.

Principaux faits marquants

• L’IA est un partenaire, pas un remplaçant : Les dirigeants devraient considérer l’IA comme un collaborateur qui renforce les capacités humaines plutôt que de les remplacer. L’association de la précision de l’IA et de la supervision humaine garantit la fiabilité et la continuité opérationnelle exigées dans les environnements de réseau.
• Voir à travers les données pour une clarté en temps réel : Les dirigeants devraient investir dans des systèmes qui fusionnent la télémétrie en temps réel avec des données contextuelles. Cette combinaison permet d’obtenir une vision prédictive, de minimiser les temps d’arrêt et de prendre des décisions plus éclairées en matière d’infrastructure.
• Les outils plutôt que les modèles pour une flexibilité à long terme : Concentrez-vous sur le développement d’ensembles d’outils d’IA adaptables au lieu de courir après des modèles en constante évolution. Des outils polyvalents permettent aux équipes de réseau d’automatiser en toute sécurité tout en restant réactives aux nouvelles demandes commerciales et technologiques.
• Prouver la fiabilité par des garde-fous : Les cadres de gouvernance et de validation ne doivent pas être négociables. En imposant des garde-fous structurés et des audits continus de l’IA, les dirigeants peuvent préserver les performances, maintenir la conformité et conserver la confiance des parties prenantes.
• Agir par le biais d’un contrôle fondé sur l’expérience : Les dirigeants doivent structurer l’accès à l’IA et les responsabilités en fonction du niveau de compétence. Les ingénieurs débutants peuvent s’appuyer sur les conseils de l’IA pour apprendre, tandis que les ingénieurs confirmés conservent le pouvoir de décision pour garantir la précision des opérations.
• Construire des cadres structurés pour la confiance et la gouvernance : Les dirigeants doivent normaliser l’utilisation de l’IA dans l’ensemble de l’organisation au moyen de cadres structurés. Cela garantit une gouvernance cohérente, une responsabilité transparente et une évolutivité au fur et à mesure que les capacités de l’IA se développent.