Leaders d’opinion

L’intelligence artificielle d’entreprise a atteint un plafond. La planification est la clé pour le dépasser.

David Marmer
Ajouter Unite.AI à vos sources préférées sur Google
Points clésL'IA d'entreprise échoue car il lui manque une couche de coordination partagée entre…
Voir plus
  • L'IA d'entreprise échoue car il lui manque une couche de coordination partagée entre les fonctions.
  • La planification continue transforme les agents d'IA en un système vivant pour des décisions commerciales en temps réel.
  • La gouvernance doit être intégrée dans l'architecture de l'IA dès le départ, et non ajoutée après coup.

La première vague d’IA d’entreprise a fourni aux équipes des copilotes qui amélioraient la productivité au sein de chaque fonction. La vague suivante se heurte désormais à un problème de coordination : les décisions les plus importantes concernent à la fois la finance, les opérations, la chaîne d’approvisionnement et la stratégie, alors que la plupart des systèmes d’IA restent cantonnés à une seule fonction.

Selon les recherches de McKinsey sur la maturité de l’IA, seul un pour cent des dirigeants qualifient leur entreprise de « mature » dans son déploiement : l’IA est alors pleinement intégrée aux workflows et produit des résultats substantiels. Les quatre-vingt-dix-neuf pour cent restants ont déployé l’IA, mais ont encore peu de résultats à montrer à l’échelle de l’entreprise.

La raison est structurelle. Ces systèmes d’IA ont besoin d’un espace de coordination, et la planification s’y prête naturellement. C’est déjà là que convergent hypothèses financières, signaux de demande, contraintes opérationnelles et objectifs stratégiques. Intégrer l’IA à cette couche transforme la planification : d’exercice périodique, elle devient le tissu qui relie l’entreprise.

Voilà le plafond que de nombreuses entreprises découvrent aujourd’hui avec les déploiements d’IA de première génération. Les copilotes ont amélioré l’efficacité des tâches au sein des équipes, mais la plupart des organisations n’ont jamais résolu le problème plus difficile qui se trouve en dessous : coordonner les décisions dans toute l’entreprise en temps réel. Même un processus de prévision plus rapide échoue lorsque les hypothèses de la chaîne d’approvisionnement, les contraintes opérationnelles et les priorités financières restent déconnectées.

L’architecture du fossé de coordination de l’IA d’entreprise

Trois changements structurels sont nécessaires pour y parvenir.

1. L’IA d’entreprise doit sortir des silos fonctionnels

Un copilote intégré à la finance peut résumer un écart par rapport aux prévisions et expliquer ce qui a changé dans le compte de résultat. Il ne peut pas recueillir un signal de demande en temps réel dans les opérations, intégrer une évaluation actualisée des risques fournisseurs et réinjecter le tout dans une prévision révisée que le directeur financier et le directeur des opérations consultent simultanément. C’est le plafond structurel auquel se heurte aujourd’hui l’IA d’entreprise, et la raison pour laquelle les déploiements fonction par fonction produisent de bons chiffres de productivité individuelle, mais de faibles résultats pour l’ensemble de l’entreprise.

Derrière cette rupture se trouve un problème de contexte. L’IA de chaque fonction utilise les données que celle-ci détient, ses systèmes et ses hypothèses. Il n’existe pas de couche commune où ces points de vue convergent vers une représentation unique de ce que l’entreprise tient pour vrai.

Cela crée le « fossé de coordination de l’IA » que vivent désormais de nombreuses entreprises : des systèmes capables de produire des analyses indépendamment, mais incapables d’aligner les décisions dans toute l’entreprise assez vite pour répondre aux conditions réelles.

Dépasser ce plafond suppose de relier les agents par un contexte opérationnel partagé, fondé sur des modèles de données communs, une logique métier commune et des ontologies permettant d’interpréter les décisions de manière cohérente entre les fonctions.

Une fois cette base en place, un agent de demande peut observer un signal, un agent de chaîne d’approvisionnement peut simuler des décisions d’approvisionnement à partir de ce signal, et un agent financier peut actualiser les prévisions à partir des deux. Le directeur financier voit une recommandation unifiée, construite sur la même vision de la réalité que celle sur laquelle travaille le reste de l’entreprise.

2. La planification continue devient la couche de coordination de l’IA d’entreprise

La planification continue, appuyée sur ce contexte opérationnel, transforme les agents coordonnés en résultats concrets. Elle cesse d’être un exercice trimestriel et fonctionne comme un système vivant : les scénarios sont évalués au regard des objectifs de l’entreprise à mesure que les conditions évoluent, sans attendre le cycle suivant pour rattraper le retard. Lorsqu’une hypothèse change, les autres options sont déjà modélisées et soumises à des tests de résistance. La direction aborde donc la décision avec des pistes viables, plutôt qu’avec une prévision unique à reconstruire dans l’urgence.

Le conflit entre les États-Unis et l’Iran met cela à l’épreuve en temps réel. Les multinationales exposées à ses effets absorbent plusieurs signaux à la fois : variations des prix du pétrole et de l’énergie, réévaluation du risque des routes maritimes dans le détroit d’Ormuz et allongement des délais fournisseurs. La direction doit décider des mesures à prendre en quelques jours. Couverture des prix de l’énergie, changement d’itinéraire et renégociation des contrats doivent être comparés dans ce délai. Seul un système de planification qui fonctionne en continu et soumet les scénarios à des tests de résistance au fil de la situation peut fournir une réponse fiable assez tôt pour agir.

Voilà à quoi ressemble une IA guidée par les objectifs. Les agents poursuivent ceux fixés par la direction et signalent les arbitrages lorsqu’en atteindre un suppose d’en sacrifier un autre. Un système peut modéliser cent options en temps réel sans que la direction parvienne pour autant à choisir. La couche de planification est déjà le lieu des objectifs et des arbitrages. C’est ce qui distingue un système multiagents qui fonctionne en production d’un système qui fonctionne dans une démonstration.

L’urgence de cette évolution grandit. Gartner prévoit que plus de 40 pour cent des projets d’IA agentique seront abandonnés d’ici fin 2027 en raison de coûts croissants, d’une faible valeur métier ou de contrôles des risques insuffisants. Beaucoup de ces échecs découleront de problèmes de coordination et de gouvernance, plutôt que des seules capacités du modèle.

3. La gouvernance d’entreprise ne peut pas être ajoutée après coup

Une couche de planification continue concentre un véritable pouvoir de décision dans un système d’IA coordonné. La gouvernance doit donc faire partie de l’architecture dès le départ. C’est la préoccupation que de nombreux directeurs financiers et directeurs des systèmes d’information soulèvent en premier dès qu’il est question de déployer l’IA, et cette position se défend. Les systèmes autonomes n’ont pas leur place dans les workflows de décision sans auditabilité, explicabilité et limites clairement fixées par les politiques.

Dans les déploiements qui fonctionnent vraiment, chaque action d’un agent peut être retracée jusqu’aux données d’entrée, à la logique et à la politique qui la fondent. Chaque recommandation s’accompagne des hypothèses dont un responsable financier, un auditeur ou un administrateur a besoin pour en examiner le bien-fondé.

La traçabilité rend le contrôle humain praticable. Le directeur financier, le contrôleur financier et les dirigeants responsables du résultat ne peuvent examiner les recommandations, contester les hypothèses et autoriser l’action que s’ils voient comment le système est arrivé à sa conclusion. Les agents assurent la vitesse et l’étendue de l’analyse, les humains conservent le jugement. Un dirigeant qui peut voir le système détecter un écart, examiner les hypothèses sous-jacentes et contester la recommandation avant son exécution lui accordera davantage de pouvoirs au fil du temps. Celui qui reçoit une réponse de boîte noire sans logique traçable refusera de s’y fier, et les pouvoirs de l’agent diminueront. Les entreprises qui intègrent la gouvernance à l’architecture obtiennent le premier type de déploiement. Celles qui l’ajoutent après coup obtiennent le second.

La décennie à venir appartient aux bâtisseurs d’infrastructures

Dans dix ans, la différence entre les entreprises qui ont fait de la planification la couche reliant leur IA et celles qui ne l’ont pas fait sera évidente.

Le travail peu spectaculaire — relier les données, intégrer les workflows et incorporer la gouvernance dès le départ — détermine de quel côté une entreprise se retrouvera.

Les gagnants de l’IA d’entreprise ne seront pas ceux qui possèdent le plus d’agents, mais ceux qui auront construit l’infrastructure capable de les coordonner.

David Marmer est Directeur des Produits chez Board, où il dirige la stratégie produit, la gestion et la conception. Un directeur de produit expérimenté, David apporte des décennies d'expérience dans la gestion de portefeuilles allant de 50 millions à 1 milliard de dollars, dans des startups et des entreprises mondiales. Son expérience couvre l'analyse, la planification et la gestion financière, l'Internet des objets, l'analyse client, la lutte contre la criminalité financière et les solutions de gouvernance, de gestion des risques et de conformité. Connu pour son leadership dans l'élaboration de stratégies d'entreprise cohérentes, David a occupé des postes de direction chez IBM et Cognos, aidant les organisations à traduire leur vision produit en résultats commerciaux mesurables.