Andrej Jonovic, PDG de XBP Global — Série d’entretiens

Andrej Jonovic est le PDG de XBP Global, une entreprise multinationale de technologies et de services spécialisée dans les processus essentiels aux activités des entreprises. XBP Global déploie l’IA agentique dans des secteurs réglementés, notamment la santé, le secteur public et les services financiers, où la précision, la sécurité, la souveraineté des données et la traçabilité sont essentielles. Dans cet entretien, Jonovic évoque l’orchestration adaptative des processus, les modèles à poids ouverts, le traitement intelligent des documents, l’arbitrage humain et les conditions nécessaires pour transformer l’IA, d’une capacité technique, en résultats opérationnels mesurables.

Vous avez commencé votre carrière comme avocat spécialisé dans les transactions, avant de vous orienter vers les fusions-acquisitions et la transformation des entreprises, puis de prendre la tête de XBP Global. En quoi ce parcours a-t-il influencé votre façon d’évaluer la gouvernance, les risques commerciaux et les conséquences organisationnelles du déploiement de l’intelligence artificielle dans des processus essentiels aux activités des entreprises ?

J’ai tendance à aborder l’IA en commençant par le modèle opérationnel. Quand on vient des transactions et de la transformation, on prend l’habitude de se demander si la structure tient réellement la route une fois passée la présentation et le début de la mise en œuvre.

C’est particulièrement important avec l’IA, car un modèle peut obtenir d’excellentes performances lorsqu’il est évalué isolément et, malgré tout, produire de mauvais résultats opérationnels. Dans la santé, le secteur public et le secteur bancaire, la précision du traitement, la conformité réglementaire et la traçabilité sont des impératifs absolus. Il faut savoir où se trouvent les données, ce que le système est autorisé à faire, comment les décisions sont encadrées et quels sont les coûts d’exploitation lorsque le processus est exécuté à grande échelle.

La gouvernance doit être intégrée à cette architecture dès sa conception. Je veux savoir où le modèle est exécuté, quelles informations franchissent les limites de l’entreprise, quels éléments sont consignés dans la piste d’audit et ce qui se passe lorsque le processus aboutit à une décision nécessitant un niveau de contrôle différent.

C’est probablement là que mon parcours a le plus d’influence. En général, ce que la technologie peut accomplir dans le cadre d’une démonstration contrôlée m’intéresse moins. Je veux savoir si l’on peut l’intégrer à un processus essentiel aux activités de l’entreprise et s’y fier.

XBP Global présente l’IA agentique comme une évolution au-delà de l’automatisation conventionnelle fondée sur des règles et de l’automatisation robotisée des processus. Qu’est-ce qui change sur le plan technique lorsqu’un processus passe de l’exécution d’instructions prédéfinies à l’utilisation d’agents d’IA capables de raisonner, de prendre des décisions et de coordonner plusieurs tâches ?

L’architecture devient beaucoup plus adaptative.

L’automatisation traditionnelle des processus est déterministe. On définit des règles, on sait ce qui se passe à l’étape suivante et on ajoute des règles codées en dur à mesure que le processus se complexifie. Cette approche fonctionne très bien pour les tâches prévisibles. Les difficultés apparaissent lorsque le nombre de règles devient considérable ou que le processus évolue plus vite que le système ne peut être reconstruit.

Aujourd’hui, nous mettons en place une orchestration adaptative des processus. On peut conserver des moteurs de règles déterministes là où la précision et la conformité l’exigent, puis intégrer des modèles intelligents aux étapes du processus où le raisonnement apporte une valeur ajoutée. Les agents peuvent coordonner les tâches, accéder aux informations et choisir l’action suivante sans qu’il soit nécessaire de coder en dur tous les parcours possibles du processus.

Autre changement : le modèle sous-jacent devient plus facile à remplacer. Nous constatons que les modèles à poids ouverts de qualité professionnelle progressent très rapidement. Si le pipeline est bien conçu, on peut intégrer un modèle plus performant à mesure que l’écosystème évolue, sans devoir reconstruire l’ensemble du processus opérationnel autour de lui.

Je pense donc que l’actif technique déterminant devient de plus en plus le processus lui-même : l’orchestration, les connaissances du domaine, les mécanismes de contrôle et les données qui entourent le modèle.

Beaucoup d’entreprises expérimentent l’IA, mais peinent à passer des projets pilotes à la production. Quels sont les obstacles architecturaux ou organisationnels les plus courants qui empêchent les entreprises de déployer des processus agentiques à grande échelle ? 

Les clients dépassent désormais le stade de l’expérimentation. Ils ont vu les démonstrations et entendu des promesses de retour sur investissement très ambitieuses. À un moment donné, quelqu’un doit intégrer la technologie à un véritable processus et la faire fonctionner.

C’est là que l’architecture devient complexe. Un processus de production doit s’intégrer à l’environnement déjà en place dans l’entreprise. Il peut être nécessaire de conserver les informations sensibles dans un nuage privé ou sur site. Il faut également pouvoir accéder aux systèmes existants et satisfaire aux exigences réglementaires. Enfin, le modèle économique doit rester viable à l’échelle d’une grande entreprise.

Nous avons récemment remporté un contrat portant sur le cycle de maintenance d’une flotte aérienne mondiale. Chaque élément lié à la maintenance sera vectorisé et stocké dans une base de données vectorielle privée hébergée dans le nuage privé du client. L’infrastructure agentique gère l’accès à ces informations et permet de reconstituer les dossiers lorsque des avions arrivent en fin de contrat de location ou sont vendus.

C’est un tout autre défi que de démontrer qu’un modèle peut répondre à une question concernant le dossier d’un avion. Il faut gérer l’ensemble d’un environnement opérationnel, avec des contrôles sur les données et un processus qui doit fonctionner de manière répétée.

Sur le plan organisationnel, le principal obstacle tient généralement à la responsabilité. Quelqu’un doit comprendre le processus suffisamment en profondeur pour définir ce que signifie réellement sa mise en production. Sans cette rigueur opérationnelle, le projet pilote peut rester impressionnant très longtemps sans devenir utile.

XBP Global associe l’automatisation à une supervision humaine, en particulier pour les décisions à fortes conséquences. Comment déterminez-vous quelles décisions un système d’IA peut prendre de manière autonome et dans quels cas le jugement humain doit rester partie intégrante du processus ? 

Nous concevons le rôle de l’humain autour de l’arbitrage.

Dans un processus à fortes conséquences, une grande partie du travail peut généralement suivre son cours avec un degré élevé de confiance. Il existe ensuite des cas particuliers où les informations sont incomplètes, les circonstances inhabituelles ou les conséquences d’une erreur trop lourdes.

Lorsque le processus rencontre l’un de ces cas, la transaction est transmise à un expert du domaine. Cette personne la traite, puis son jugement peut être réinjecté dans le système afin que le modèle continue de s’améliorer.

Je pense que cette boucle de rétroaction est importante. La supervision humaine est plus utile lorsqu’elle permet d’améliorer le processus au fil du temps. L’expert apporte ses connaissances du domaine dans les cas où le modèle en a encore besoin.

Le seuil d’autonomie dépend également beaucoup du contexte. Le traitement des dossiers de santé, les dossiers du secteur public et les processus financiers réglementés n’obéissent pas aux mêmes exigences qu’une tâche interne à faibles conséquences. Le niveau de confiance acceptable doit tenir compte des effets concrets de la décision une fois que le système l’a mise à exécution.

Vos clients exercent dans des secteurs réglementés et dans le secteur public, où la souveraineté des données, la sécurité et la traçabilité sont essentielles. Comment les organisations peuvent-elles déployer de grands modèles de langage dans des environnements protégés sans compromettre les capacités qui rendent ces systèmes utiles ? 

Les modèles à poids ouverts changent considérablement la réponse à cette question.

Pendant longtemps, on a supposé qu’obtenir les meilleures performances d’un modèle nécessitait d’envoyer les informations dans l’environnement d’un tiers. Cela pose évidemment problème lorsque les données doivent rester dans le périmètre de l’entreprise.

Nous pouvons désormais intégrer des modèles à poids ouverts de qualité professionnelle dans des chaînes de traitement agentiques en production, tout en conservant les données dans l’environnement du client. Selon les exigences, cela peut nécessiter une infrastructure en nuage privé ou sur site. On bénéficie ainsi des progrès de l’écosystème des modèles dans son ensemble, tout en maintenant les contrôles dont l’organisation a besoin en matière de souveraineté des données.

L’architecture doit également pouvoir évoluer. Rien ne permet de supposer que le modèle le plus performant aujourd’hui le restera pour une tâche donnée. Nos protocoles d’entraînement sont conçus pour nous permettre d’intégrer rapidement de nouveaux modèles à un processus existant.

Pour les clients soumis à une réglementation, cette souplesse est extrêmement précieuse : le processus peut continuer de s’améliorer sans que les données ne quittent leur périmètre. C’est aussi ainsi que l’on commence à répondre à des exigences telles que celles de la loi européenne sur l’IA, sans considérer la conformité comme un élément à ajouter après le déploiement de la technologie.

Une grande partie des informations des entreprises reste enfermée dans des documents, des images, des systèmes existants et des dossiers papier. Comment le traitement intelligent des documents évolue-t-il, et quel rôle joue-t-il pour transformer des données fragmentées en informations que les agents d’IA peuvent exploiter de manière fiable ?

Je pense que le traitement intelligent des documents devient un élément de l’infrastructure des processus agentiques.

Historiquement, le traitement des documents reposait souvent sur des modèles prédéfinis. On connaissait la présentation du document et le champ recherché, puis le système extrayait l’information. Or, les informations des entreprises sont rarement aussi bien structurées. Dans le seul secteur de la santé, on peut trouver des relevés d’explication des prestations (EOB), des courriers complexes, des informations sur les demandes de remboursement et des dossiers présentés sous différents formats.

La nouvelle approche tient beaucoup mieux compte du contexte. Elle permet de traiter des informations non structurées, de déterminer ce qui est pertinent et de les convertir en données structurées que les systèmes en aval peuvent réellement exploiter. C’est important, car un agent ne peut pas orchestrer le travail de manière fiable si les informations dont il dépend sont incomplètes ou mal interprétées.

Le volume change également la nature du problème. Nous exploitons des environnements qui traitent des quantités considérables d’images, de demandes de remboursement, de transactions de paiement et d’autres documents. À cette échelle, une légère différence dans la qualité de l’extraction devient un problème opérationnel majeur.

Le traitement intelligent des documents (TID) se situe donc de plus en plus en amont du processus intelligent. Il transforme des informations fragmentées en données exploitables, fournit à l’étape suivante des éléments fiables sur lesquels s’appuyer et pose les bases d’une automatisation accrue en aval.

XBP Global a évoqué la migration de processus existants fondés sur des règles vers des chaînes de traitement d’IA agentique, ainsi que l’amélioration du taux de résolution dès le premier passage. Que doit comprendre un système d’IA des processus, des exceptions et des connaissances institutionnelles d’une organisation avant de pouvoir produire des résultats fiables ?

Une grande partie des connaissances institutionnelles n’a jamais été consignée dans un document de processus clairement structuré.

Ce savoir est ancré dans les anciens systèmes, les ensembles de règles et le jugement des personnes qui gèrent le processus depuis des années. Elles savent quelles informations sont importantes, quelle règle s’applique dans une situation donnée et quelles conséquences en aval peut entraîner une mauvaise décision.

Lorsqu’on migre ce travail, il faut préserver ce savoir-faire opérationnel. Dans notre domaine, cela signifie souvent combiner une logique déterministe et l’IA, plutôt que de partir du principe que toutes les règles doivent disparaître immédiatement. Dans certaines étapes d’un processus réglementé, un moteur de règles est extrêmement utile, car l’exigence est précise. Dans d’autres, un modèle intelligent peut gérer les variations beaucoup plus efficacement.

L’expertise du domaine permet de déterminer où chacun de ces éléments est le mieux adapté.

C’est aussi pourquoi la résolution au premier passage ne peut pas se réduire à un score de modèle. Le processus doit produire un résultat qui résiste à l’étape suivante. S’il entraîne une nouvelle escalade en aval, le problème a été déplacé, pas résolu.

Le système doit comprendre suffisamment bien le processus pour savoir à quoi ressemble une transaction réussie, du début à la fin.

XBP Global applique l’automatisation non seulement aux opérations de ses clients, mais aussi à sa propre transition vers un modèle opérationnel axé sur l’IA. Qu’avez-vous appris en utilisant l’entreprise comme terrain d’expérimentation interne, et comment conciliez-vous les gains de productivité avec le développement des effectifs et la gestion du changement ?

Nous avons adopté une approche assez volontariste pour appliquer ces solutions en interne, car je pense qu’on apprend très vite quand ses propres résultats économiques dépendent du résultat.

Nos initiatives d’automatisation axées sur l’IA devraient désormais générer entre 65 et 75 millions de dollars de gains d’efficacité opérationnelle annualisés, dont environ 35 millions de dollars attendus en 2026. Le chiffre d’affaires par salarié a atteint environ 89 000 dollars au deuxième trimestre, contre quelque 82 000 dollars au trimestre précédent, et nous prévoyons qu’il approchera les 100 000 dollars d’ici la fin de l’année.

Ces indicateurs sont utiles, car ils nous montrent si le modèle opérationnel devient réellement plus productif.

Les répercussions sur les effectifs sont bien réelles. Nous estimons que nos effectifs mondiaux diminueront d’environ 20 % d’ici la fin de 2026, à mesure que nous évoluerons vers un modèle opérationnel plus productif. La gestion du changement doit tenir compte du fait que les gains de productivité modifient les besoins en personnel.

Dans le même temps, les personnes qui continueront à intervenir dans ces processus devront développer leurs compétences. Nous avons besoin d’experts du domaine, d’architectes et d’opérateurs capables de structurer le travail, d’évaluer les résultats et d’assumer la responsabilité de décisions à plus forte valeur ajoutée.

Mener cette transformation au sein de notre propre entreprise a rendu les échanges beaucoup plus concrets. On voit très vite quelles automatisations génèrent des gains d’efficacité durables et quelles activités se résument à une utilisation plus fréquente de l’IA par quelqu’un.

Les projets d’IA en entreprise sont souvent mis en avant au moyen de démonstrations plutôt qu’à l’aide de résultats commerciaux mesurables. Quels indicateurs les dirigeants devraient-ils utiliser pour évaluer un processus intelligent, et comment devraient-ils prendre en compte la précision, le taux d’exceptions, le temps de traitement, les coûts opérationnels et la réduction des risques ?

J’évaluerais le processus à deux niveaux.

Au niveau opérationnel, je veux connaître la précision, le taux de résolution dès le premier passage, le temps de traitement, le volume d’exceptions et le coût de traitement du travail. Dans un environnement réglementé, je m’intéresse également à la traçabilité de la transaction et à la robustesse constante des contrôles à grande échelle.

Ensuite, je veux savoir si ces améliorations se répercutent sur les résultats économiques de l’entreprise.

Chez XBP, notre marge brute ajustée a atteint 24,9 % au deuxième trimestre, son plus haut niveau à ce jour, tandis que le chiffre d’affaires par salarié a progressé pour s’établir à environ 89 000 dollars. Notre objectif de gains d’efficacité opérationnelle annualisés a également été relevé à une fourchette de 65 à 75 millions de dollars, après l’identification de nouvelles possibilités d’automatisation.

Ces indicateurs nous apprennent autre chose qu’un score de référence. Ils montrent si la technologie modifie la structure des coûts de l’activité.

Un processus peut afficher une excellente précision de modèle et constituer malgré tout un mauvais déploiement s’il coûte trop cher à exploiter ou génère trop de reprises manuelles. Je pense que les dirigeants doivent suivre les résultats de bout en bout. La technologie doit produire un bénéfice opérationnel qui se manifeste dans un indicateur réellement mesurable.

À l’avenir, pensez-vous que l’IA agentique restera une couche ajoutée aux systèmes d’entreprise existants, ou deviendra-t-elle la principale couche d’orchestration par laquelle interagissent les personnes, les logiciels, les données et les processus métier ?

Je pense qu’une part croissante des processus deviendra agentique.

L’entreprise continuera de s’appuyer sur des systèmes, des référentiels de données et des applications remplissant des fonctions spécifiques. Ce qui changera, c’est la manière dont le travail circule entre eux. Un pipeline agentique peut récupérer des informations, coordonner des outils, déclencher des actions et déterminer quand une transaction nécessite un autre type d’intervention.

On peut déjà le constater dans l’exemple de la compagnie aérienne. Les dossiers de maintenance sont conservés dans une base de données vectorielle privée, au sein de l’environnement du client, tandis que la couche agentique gère la manière dont ces informations sont consultées et utilisées tout au long du cycle de maintenance.

Je m’attends à ce que ce type d’orchestration devienne beaucoup plus courant.

Les modèles sous-jacents continueront d’évoluer. Les modèles à poids ouverts progressent rapidement, et une nouvelle génération succédera à celle que nous utilisons aujourd’hui. La couche d’orchestration devient donc de plus en plus importante, car les entreprises ont besoin d’un dispositif pérenne autour de ces modèles.

Si vous construisez le pipeline en tenant compte du processus, des connaissances du domaine, des exigences de sécurité et des contrôles propres à l’entreprise, vous pourrez continuer à tirer parti des meilleurs modèles au fur et à mesure de leur arrivée. C’est là, à mon avis, que résidera une grande partie de la valeur à long terme.

Merci pour cet excellent entretien. Les lecteurs qui souhaitent en savoir plus peuvent consulter XBP Global.