Vos agents IA échouent parce qu’ils ne connaissent pas votre entreprise

L’année dernière, Absa, l’une des plus grandes banques d’Afrique, a nécessité 120 jours pour déployer un nouveau modèle de détection de crimes financiers de la construction à la production. Alors que cela était proche de la moyenne de l’industrie à l’époque, cette même banque peut aujourd’hui déployer un nouveau modèle en 15 jours, même avec le même environnement réglementaire, les mêmes volumes de transactions et les mêmes exigences de conformité.

Et pourtant, une enquête de PwC a révélé que 56 % des PDG d’entreprises ont vu aucun avantage financier significatif provenant de leurs investissements dans l’IA. Chaque dirigeant d’entreprise que je rencontre a entendu la présentation : si vous déployez des agents IA et automatiserez vos flux de travail, vous verrez rapidement un retour sur investissement. Au lieu de cela, 18 mois et plusieurs millions de dollars plus tard, l’impact commercial est introuvable. L’ingrédient manquant est le contexte de domaine, la compréhension ancrée opérationnellement qui donne à un agent ce dont il a besoin pour prendre des décisions commerciales internes et ce qu’il doit faire lorsqu’il se trompe.

Quand les agents cessent de conseiller et commencent à agir

Gartner estime qu’à partir de 2027, 50 % des décisions commerciales seront augmentées ou automatisées par des agents IA pour l’intelligence décisionnelle. Jusqu’à très récemment, le rôle de l’IA dans l’entreprise était de conseiller, laissant l’employé prendre la décision. Le pire scénario était une perspicacité manquée, une décision retardée ou l’absence d’action en réponse à une alerte. Avec les agents, les conséquences sont bien plus importantes.

Dans l’usine de biologiques d’un fabricant de produits pharmaceutiques mondiaux, lorsque l’inspecteur scanne une porte de laboratoire, le bon flux de travail d’inspection se lance automatiquement, adapté à l’équipement et aux spécifications de la pièce. L’agent séquence l’inspection, met en surface le matériel de référence et laisse l’inspecteur confirmer. Dans une usine réglementée par GxP, chaque inspection doit être prête pour une audit, ce qui signifie qu’un agent prend une part de la charge opérationnelle dans un environnement où les conséquences sont réelles si cela se trompe.

La plupart des cadres de gouvernance en place aujourd’hui ont été construits pour le monde conseiller précédent : des examens de modèles périodiques avec un humain vérifiant la sortie d’un seul système. Maintenant, nous avons des agents qui transmettent des tâches à d’autres agents, coordonnent des flux de travail et aggravent une mauvaise décision initiale sur toute la chaîne de processus avant que quiconque ne s’en aperçoive.

Pourquoi les agents génériques heurtent un mur

Un agent polyvalent peut sembler vraiment impressionnant dans des conditions contrôlées. Cependant, il commence à avoir des difficultés dans les opérations d’entreprise, qui ont des contraintes, des interdépendances et des appels de jugement qui sont évidents pour quiconque a travaillé sur le terrain et invisibles pour un modèle qui n’a jamais été enseigné à les voir.

Un responsable de catégorie dans l’une des cinq premières entreprises agroalimentaires mondiales a rencontré une version du même problème à une échelle différente : 96 % de pénétration du marché, sans leviers traditionnels à actionner. Le responsable de catégorie a défini la logique de décision directement en unifiant plus de 100 sources de données sur plus de 1 000 attributs par magasin et en laissant le modèle IA assembler les magasins en profils de comportement d’acheteur que l’équipe de catégorie pouvait agir. Le résultat ? Trois clusters d’acheteurs, des sprints hebdomadaires avec les partenaires de détail, une augmentation de 8 % des ventes et des réapprovisionnements de rayons 35 % plus rapides.

Cela a fonctionné parce que l’agent savait déjà ce qu’est un planogramme, ce qu’un cluster d’acheteurs signifie et comment un changement de promotion se propage dans les catégories adjacentes. Un modèle générique doit être enseigné un vocabulaire spécifique à l’industrie, ce qui coûte 12 à 18 mois que la plupart des entreprises n’ont pas.

Pourquoi la gouvernance doit être architecturée

Les cadres de responsabilité que la plupart des entreprises ont aujourd’hui ont été construits pour expliquer la sortie d’un modèle après coup et la revoir périodiquement. Ils n’ont pas été conçus pour ce qui se passe lorsque qu’un agent déclenche une action irréversible à l’intérieur d’un flux de travail.

J’ai travaillé avec une compagnie d’assurance opérant sur les marchés d’Europe centrale et orientale qui doit prendre en compte les exigences réglementaires de chaque marché lorsqu’elle prend des décisions de conformité. Chaque décision de diligence raisonnable d’un client est traçable en tant qu’enregistrement live qui comprend l’entrée, le modèle, la sortie et la personne qui signe. Le système IA de l’entreprise peut acheminer une transaction qui est conforme dans un marché et non dans un autre sans l’adjudication manuelle d’un analyste de conformité.

C’est la même architecture qui permet à Absa de déployer son système de production AML en 15 jours au lieu de 120. La vitesse est intégrée, donc la banque peut immédiatement transmettre la version de la politique pour chaque décision à un régulateur.

Les entreprises que nous voyons investir dans ces couches de gouvernance tôt sont encore en train de faire fonctionner des agents à grande échelle 18 mois plus tard. Ceux qui traitent cela comme un exercice de conformité vissé après le déploiement sont ceux qui doivent continuellement réarchitecturer.

Le domaine d’intelligence n’est pas une fine-tuning

Les modèles de fondation capables ne livrent pas de manière fiable les résultats de l’entreprise parce qu’ils sont conçus pour être largement utiles. Les opérations d’entreprise nécessitent une spécialisation profonde et étroite. Confondre les deux a déjà coûté du temps et des ressources à l’industrie, mais c’est encore l’erreur la plus courante que je vois.

Le domaine d’intelligence n’est pas l’application d’une génération augmentée de récupération (RAG) ou la fine-tuning d’un modèle général. C’est la différence entre un agent qui peut traiter des informations sur un magasin d’alimentation et un qui comprend comment l’entreprise a construit et déployé 5 000 planogrammes individuellement adaptés sur plus de 750 magasins sans que l’équipe centrale ne touche chaque emplacement.

Ce type de fluence opérationnelle provient de années de données de formation spécifiques au domaine, de logique de décision construite autour de contraintes opérationnelles réelles et d’une couche de connaissance qui inclut comment un changement de prix affecte la marge, comment un changement d’assortiment affecte la disponibilité des rayons et comment cela affecte la loyauté des acheteurs. Pour une grande chaîne d’alimentation américaine, ce raisonnement connecté a produit 200 millions de dollars de bénéfice supplémentaire.

Construire ce socle ou l’obtenir d’un partenaire qui a déjà fait le travail est un coût réel en données, en expertise de domaine et en discipline pour encoder le jugement institutionnel au lieu de passer directement à un pilote. Si ce socle est précipité, un agent qui semble conscient du domaine dans un concept de preuve peut encore se décomposer avec le premier cas de bordure de production.

Ce que signifie vraiment obtenir les agents d’entreprise corrects

Les entreprises qui continuent à déposer des modèles capables dans des flux de travail existants devront continuer à admettre à leurs conseils d’administration que le retour sur investissement n’apparaît pas. Le MIT a conclu l’année dernière que malgré les investissements des entreprises dans l’IA générative, 95 % des organisations n’obtiennent aucun retour. Si vous ne voulez pas être dans ce camp, mettez en place l’intelligence de domaine avant le premier jour, intégrez la gouvernance dans l’architecture et tenez les agents responsables de résultats spécifiques.

Le modèle derrière tout agent donné est, ironiquement, la partie la moins durable de cette équation. Un meilleur modèle sera livré le trimestre prochain, de la part de l’entreprise qui a construit celui que vous utilisez aujourd’hui ou de l’un de ses concurrents. Ce qui ne change pas avec la prochaine version du modèle est si vos agents comprennent votre entreprise. Vous devez le construire délibérément. Les agents qui réussissent dans votre environnement ne seront pas les agents polyvalents les plus capables sur le marché, mais ils gagneront votre confiance pour faire de plus en plus pour votre entreprise.