Agents IA : l'infrastructure de données, clé du succès

L'adoption rapide des agents IA dans les entreprises

Dans un contexte où l'intelligence artificielle (IA) devient un outil incontournable pour les entreprises, celles-ci s'empressent de déployer des agents IA pour assister, co-piloter et exécuter des tâches de manière autonome. Selon le rapport annuel sur l'IA de McKinsey, d'ici la fin de 2025, environ deux tiers des entreprises auront expérimenté avec ces agents, tandis que 88 % utiliseront l'IA dans au moins une fonction commerciale, une augmentation notable par rapport aux 78 % de 2024. Cependant, malgré des débuts prometteurs, seulement 10 % des entreprises parviennent à faire évoluer ces agents IA à grande échelle.

Un des obstacles majeurs à cette évolution est la nécessité d'une infrastructure de données solide. Les experts soulignent que les retards dans l'implémentation de l'IA ne sont pas principalement dus à des faiblesses des modèles d'IA, mais plutôt à un manque d'architectures de données capables de fournir un contexte commercial fiable. Irfan Khan, président et directeur produit de SAP Data & Analytics, affirme que les mois à venir seront cruciaux pour les entreprises afin de se doter de la bonne architecture de données.

L'importance cruciale des données dans l'ère de l'IA

La capacité des agents IA à évoluer dépendra largement de la solidité de l'architecture et de la gouvernance des données de l'entreprise, plutôt que de l'évolution des modèles d'IA eux-mêmes. Pour que la technologie puisse se développer, les entreprises doivent adopter une infrastructure de données moderne qui offre non seulement des données, mais aussi le contexte nécessaire pour les exploiter efficacement.

Le contexte commercial prime sur la quantité de données

Traditionnellement, les données structurées étaient perçues comme ayant une grande valeur, tandis que les données non structurées étaient souvent sous-estimées. Cependant, l'IA remet en question cette distinction. La valeur des données pour les agents IA est déterminée par leur contexte commercial plutôt que par leur format. Les données critiques pour des fonctions commerciales telles que la chaîne d'approvisionnement ou la planification financière dépendent fortement de ce contexte. Même des données volumineuses et détaillées, comme celles issues de l'Internet des objets (IoT) ou de la télémétrie, n'apportent de la valeur que lorsqu'elles sont associées à un contexte commercial pertinent.

Irfan Khan souligne que le véritable défi pour l'IA agentique n'est pas le manque de données, mais l'absence d'une base solide. Il explique que "tout ce qui est contextuel au niveau commercial vous donnera, par définition, une plus grande valeur et des niveaux de fiabilité supérieurs dans les résultats commerciaux." La distinction entre données à haute et basse valeur ne se résume pas à leur structure, mais à la manière dont elles sont utilisées dans un cadre commercial.

Le contexte peut être enrichi par l'intégration avec des logiciels, l'analyse sur site ou à travers un pipeline de gouvernance. Les données dépourvues de ces qualités risquent d'être perçues comme peu fiables, ce qui explique pourquoi deux tiers des dirigeants d'entreprise ne font pas entièrement confiance à leurs données, selon l'Institute for Data and Enterprise AI (IDEA). Cette "dette de confiance" freine les entreprises dans leur préparation à l'IA. Pour surmonter ce manque de confiance, il est essentiel d'établir des définitions partagées, une cohérence sémantique et un contexte opérationnel fiable.

La prolifération des données et la nécessité d'une couche sémantique

Au cours de la dernière décennie, l'évolution la plus significative dans l'architecture des données d'entreprise a été la séparation du calcul et du stockage, ainsi que la flexibilité offerte par le cloud. Cependant, cette séparation a également entraîné une prolifération des données, hébergées dans divers clouds, lacs de données, entrepôts et applications SaaS.

Avec l'essor de l'IA, cette prolifération ne fait qu'empirer. Plus des deux tiers des entreprises identifient les silos de données comme un obstacle majeur à l'adoption de l'IA, et plus de la moitié d'entre elles doivent gérer plus de 1 000 sources de données. Alors que l'ère précédente se concentrait sur la création de bases pour le SaaS en séparant le calcul et le stockage, la nouvelle ère vise à fournir les bonnes données aux agents IA autonomes responsables de diverses fonctions commerciales.

Pour résoudre ce problème, une couche sémantique ou de connaissance est nécessaire. Elle doit supporter plusieurs plateformes, encoder les règles et relations commerciales, fournir une vue des données contextualisée et gouvernée, et permettre un accès approprié aux données pour les humains et les agents. Les architectures de données héritées ne sont pas adaptées pour alimenter les systèmes IA autonomes de demain, comme le souligne un rapport de Deloitte. Seulement quatre entreprises sur dix estiment que leur processus de gestion des données est prêt pour l'IA, un chiffre en baisse par rapport aux 43 % de l'année précédente, ce qui indique que les entreprises prennent conscience des lacunes de leur infrastructure.

L'IA agentique et le SaaS : une coexistence nécessaire

Certains experts du secteur spéculent que les agents IA pourraient rendre les applications SaaS obsolètes. Irfan Khan n'est pas de cet avis. Il explique que, bien que la valeur ait migré vers le haut de la pile logicielle au fil des ans, l'IA agentique représente simplement la prochaine couche. Les agents IA auront leur propre couche pour accéder aux données et interagir avec la logique commerciale. La valeur monte dans la pile, mais les couches sous-jacentes ne disparaissent pas.

Khan affirme que le SaaS ne va pas disparaître. Au contraire, le SaaS et les agents IA vont coopérer. Les entreprises ne vont pas remplacer leurs systèmes existants par des agents IA, car ces derniers ont besoin de contexte commercial pour fonctionner efficacement.

Dans ce modèle émergent, la pile logicielle est redéfinie pour que les applications et les données fournissent un contexte gouverné dans lequel l'IA peut agir efficacement. Les applications SaaS restent les systèmes d'enregistrement, tandis que la couche sémantique devient la source de vérité contextuelle. Les agents IA deviennent une nouvelle couche d'engagement, orchestrant à travers les systèmes, et les humains ainsi que les agents deviennent des "citoyens de première classe" dans l'accès à la logique commerciale.

Il est crucial que les agents ne puissent pas se connecter directement à chaque système opérationnel. Khan avertit que "si nous disons que les agents vont prendre le contrôle du monde ... vous ne pouvez pas avoir un agent parlant à chaque système backend opérationnel," soulignant l'importance d'une couche sémantique ou d'un tissu commercial.

Les premiers pas vers une infrastructure de données efficace

Pour les entreprises, la première étape consiste à se concentrer sur les plateformes où leurs données résident déjà, telles que Snowflake, Databricks, Google BigQuery ou un environnement SAP existant. Khan conseille de ne pas reconstruire de vieux schémas de verrouillage des fournisseurs.

Il recommande aux entreprises de prioriser les données les plus importantes en se concentrant sur la préservation et la fourniture de contexte commercial aux données opérationnelles et d'application. Investir tôt dans la gouvernance et la sémantique en définissant des politiques partagées, des règles d'accès et des modèles sémantiques est crucial avant de faire évoluer les pilotes. Enfin, les entreprises devraient privilégier l'ouverture et l'interopérabilité plutôt que de forcer toutes les données dans une seule pile.

Khan met en garde contre l'automatisation complète des processus commerciaux critiques trop tôt. Il souligne qu'il y a une opportunité audacieuse de s'engager dans le monde de l'IA agentique, mais que l'automatisation complète nécessitera une supervision supplémentaire. Les premiers succès viendront probablement de processus moins critiques et d'agents qui fonctionnent à partir de données fraîches et dynamiques. À mesure que l'IA commence à délivrer de la valeur et que l'adoption augmente, les dirigeants devront décider comment réinvestir ces gains pour améliorer l'efficacité ou explorer de nouveaux marchés.