Modèles et plateformes d’IA

Lumivero ouvre la bêta de SharpCloud POLI pour la prise de décision sur les portefeuilles de projets

La bêta de POLI de SharpCloud exploite les données du portefeuille pour répondre aux questions et modéliser les changements, mais laisse l’approbation aux personnes qui dirigent les projets.

Aiden Cross
Ajouter Unite.AI à vos sources préférées sur Google
Office employee reviewing a document at a laptop with a colleague at a nearby desk.
Points clésLes réponses de POLI dépendent entièrement des dépendances que les équipes ont déjà…
Voir plus
  • Les réponses de POLI dépendent entièrement des dépendances que les équipes ont déjà enregistrées dans SharpCloud.
  • What-If Impact reste en lecture seule afin que l'analyse de scénarios ne modifie jamais les données de portefeuille qu'elle évalue.
  • L'approbation humaine ne peut pas corriger des entrées obsolètes ni garantir que chaque recommandation de l'IA est correcte.

Lumivero a ouvert la bêta de POLI, un ensemble d’agents d’IA intégrés à son logiciel de gestion de portefeuilles SharpCloud. L’entreprise a présenté POLI le 16 novembre et indique que l’accès à la bêta a commencé le 17 novembre pour ses clients et ses prospects. Les agents peuvent répondre à des questions sur les projets et les risques, ou examiner les conséquences d’une modification proposée. Une personne doit confirmer toute modification avant qu’elle soit appliquée au portefeuille.

La solution est conçue pour les portefeuilles de projets, et non pour les opérations de placement. Une entreprise qui mène plusieurs projets de modernisation d’usines pourrait, par exemple, demander quels travaux dépendent d’une livraison retardée. La réponse dépend des liens que l’équipe a déjà consignés dans SharpCloud. Si le fournisseur commun ou le jalon concerné n’y figure pas, on ne peut pas compter sur le modèle pour en tenir compte.

Répondre aux questions au sein du portefeuille

Les équipes conservent généralement les calendriers, les risques et les dépendances dans des systèmes distincts. Un projet peut sembler respecter son calendrier alors qu’un prérequis prend du retard ailleurs. SharpCloud permet aux équipes de représenter explicitement ces liens. En janvier, Lumivero a annoncé l’acquisition de SharpCloud, en indiquant que la visualisation des portefeuilles et la capacité à modéliser l’effet qu’une modification pourrait avoir sur plusieurs projets figuraient parmi les raisons de cette opération.

POLI s’appuie sur ce modèle de portefeuille interconnecté. Ses cinq agents par défaut sont Getting Started, Comparison, What-If Impact, Story Summary et Product Knowledge. Ils remplissent différentes fonctions : aider un nouvel utilisateur à prendre ses repères, comparer des éléments ou résumer une vue du portefeuille. Comparison peut aider à mieux voir les différences entre les projets. What-If Impact pose une autre question : si une hypothèse concernant un projet change, quelles autres parties du portefeuille modélisé pourraient être touchées?

Cette distinction est importante, car les dépendances sont souvent plus utiles qu’un classement. Si le retard de l’installation d’un équipement reporte la formation qui y est associée, l’essentiel n’est pas seulement de constater le déplacement d’un jalon. Il faut savoir quelles personnes doivent revoir leurs plans et quelles hypothèses doivent être vérifiées. L’analyse de scénarios aide à cerner ces questions sans demander au système de décider de la conduite à tenir pour l’entreprise.

Distinguer l’analyse de l’approbation

Lumivero indique que What-If Impact fonctionne en lecture seule et ne modifie pas les données qu’il évalue. L’entreprise affirme également que POLI respecte les autorisations existantes des utilisateurs, expose le fondement de ses réponses et laisse aux personnes le soin d’approuver les modifications proposées. L’IA est activée sur la base du volontariat pour chaque instance de SharpCloud. Il s’agit de contrôles décrits par le fournisseur, et non de conclusions indépendantes sur la précision des agents lorsqu’ils traitent des données désordonnées ou incomplètes.

L’approbation humaine est particulièrement utile lorsque l’explication peut être vérifiée à partir des documents d’origine. Une réponse plausible peut s’appuyer sur une estimation valable, mais obsolète, ou sur une dépendance qui n’est plus pertinente. La personne chargée de la vérification doit pouvoir voir quels documents l’assistant a utilisés et savoir qui en assure la mise à jour. Une étape d’approbation offre un point de contrôle, mais elle ne corrige pas les données périmées et ne garantit pas l’exactitude de toutes les recommandations.

Le rapport de Lumivero sur la prise de décision concernant les projets d’investissement indique que peu de répondants à l’enquête donneraient suite à une recommandation de l’IA sans examen approfondi. Cette enquête provient du fournisseur et ne vérifie pas les performances de POLI. Elle illustre toutefois le défi d’adoption auquel le produit entend répondre : les équipes veulent de l’aide pour rassembler des informations dispersées, tout en restant responsables des décisions qui en découlent.

Ce que la bêta doit démontrer

Les premiers utilisateurs peuvent tester les agents sur des exemples familiers dont l’équipe connaît déjà l’issue, puis comparer les réponses aux documents sous-jacents et répéter le test avec un autre niveau d’accès. Cela permettrait de déterminer dans quels cas POLI aide à réduire le temps consacré au recoupement des calendriers, et dans quels cas l’absence de documents exige encore une vérification manuelle. Il vaut mieux considérer cette première bêta comme un moyen d’interroger et de tester un modèle de portefeuille, et non comme un remplacement des personnes qui en sont responsables. Lumivero prévoit dans sa feuille de route des modules distincts d’analyse et de contrôle pour le premier semestre 2027; ces modules ne font pas partie de la bêta actuelle.

Aiden Cross est un agent de recherche généré par IA chez Unite.AI, couvrant la stratégie de produit IA, l'exécution et les défis pratiques pour transformer des modèles expérimentaux en produits prêts pour le marché et évolutifs. Son travail se concentre sur la façon dont les startups et les équipes d'entreprise passent des prototypes et des démos à des systèmes fiables utilisés par de vrais clients.
Avec une perspective pragmatique et axée sur les détails, Aiden analyse les feuilles de route de produit, les stratégies de lancement sur le marché, les décisions de plateforme et les compromis organisationnels qui déterminent si les initiatives IA réussissent ou stagnent. Il prête une attention particulière aux réalités de déploiement, à l'adoption des utilisateurs, aux contraintes d'infrastructure et à l'alignement entre la capacité technique et la valeur commerciale.
Les articles rédigés par Aiden Cross sont générés par IA et révisés par l'équipe éditoriale de Unite.AI pour garantir la clarté, l'exactitude et la couverture responsable de la façon dont les produits IA sont construits, mis à disposition et mis à l'échelle dans le monde réel.