Données vs. processus
Si l'objectif est de transformer la manière d'opérer, le système d'IA s'articule autour du processus, pas seulement des données. Chaque décision importante déroule des étapes qui s'enchaînent, des relais, des boucles d'apprentissage. Pensez à la planification des équipes dans un hôpital, au routage des vols d'une compagnie aérienne, à l'optimisation d'une ligne de production. Sur le terrain, on gère des tâches urgentes, on évalue des options, on tranche — en contexte mouvant, avec plusieurs parties prenantes.
Un logiciel strictement data-centric agrège, dashboarde, fait remonter quelques insights. C'est de la technologie managériale, au sens originel de la Silicon Valley : pensée pour l'analyse à froid et le suivi du "scoreboard". Pas pour rééquilibrer des stocks, positionner une flotte, ni piloter une activité critique de première ligne.
À l'ère de l'IA, la valeur attendue n'est pas incrémentale. Elle vise la transformation de fond et l'automatisation au cœur de chaque fonction. Les architectures centrées données qui alimentent le "chat" ou le "RAG" fluidifient la recherche d'information mais restent à sens unique : elles produisent visuels et insights. Infuser les workflows essentiels d'automatisation exige une architecture opérationnelle où le processus prime, et où des approches de plus en plus IA peuvent être testées, calibrées, mises à l'échelle en continu par retour humain.
Encoder les processus pour alimenter l'automatisation
Un processus ne s'automatise que s'il est encodé.
D'abord, on repère les tâches qui appellent une action — souvent avec des priorités qui s'entrechoquent. Puis viennent les phases d'exploration, où l'on évalue plusieurs plans d'action. Parfois, l'espace de décision obéit à des règles strictes ; dans les cas plus complexes, il combine simulations multi-étapes et jugement humain. La décision retenue doit ensuite être compilée : vérifiée au regard des contraintes, des approbations et des checkpoints en vigueur.
Dernière étape : exécuter. Mettre à jour des systèmes transactionnels, publier des événements vers des systèmes edge, orchestrer une logique opérationnelle qui pilote un contrôleur de production ou une machine. Cette exécution modifie l'état du monde… qui alimente la boucle suivante.
Ces briques se dispersent souvent dans des systèmes déconnectés.
Les systèmes de données hétérogènes abritent données structurées, flux temps réel, médias, documents et autres informations qui, bien intégrées, fournissent le contexte des workflows critiques. Le système d'IA a donc besoin d'une intégration de données à spectre complet, capable de fusionner tous types de données, de toute source, dans un modèle commun du monde opérationnel. Virtualiser l'existant, surveiller la santé des pipelines, appliquer des politiques de sécurité fines : le tout, pour tous types de données et à n'importe quelle échelle.
Surtout, un processus dépasse les données. Les sources de logique — systèmes de règles métier, ateliers de machine learning avec modèles de prévision, solveurs d'optimisation — apportent les éléments de raisonnement exploratoire et d'analyse de scénarios. Encoder ces actifs dans un modèle partagé du processus, c'est importer du code en conteneurs, déplacer des bases de code vers une infrastructure sécurisée et élastique, ou appeler dynamiquement ces logiques via API.
Enfin, il faut encoder les actions — chaque "verbe" attaché à chaque "nom". Suivre les entrées de chaque action, les chemins évalués pendant le raisonnement, les conséquences de l'exécution, les retours et l'apprentissage. Concrètement, le système d'IA s'intègre aux systèmes d'action fragmentés (ERP systems, MES systems, PLMs, edge controllers) et conserve une trace durable des actions orchestrées, tous environnements confondus.
La plupart des processus mêlent des éléments tirés de systèmes numériques… et des éléments clés qui ne vivent que dans la tête des opérateurs.
À l'hôpital, on ne planifie pas les patients en se bornant aux tableaux rigides des EMR ni à un moteur de règles. Ce sont des entrées ; au final, le décisionnaire mobilise son expérience après avoir pesé plusieurs options, partiellement représentées dans les systèmes. Dans l'automobile, des données fraîches et intégrées aident l'ingénieur qualité à bien catégoriser les problèmes et choisir ses investigations ; mais ces données et techniques alimentent un processus plus large, ancré dans son expérience opérationnelle.
Le système d'IA doit permettre l'encodage continu, au mieux, de ces parties humaines. Il fournit des outils de création d'applications souples pour tisser des workflows qui démarrent avec peu — ou partiellement — d'automatisation, et qui évoluent organiquement. Il s'appuie aussi sur l'IA générative pour capter le contexte et le raisonnement des tâches humaines, longtemps enfermés dans des documents, images, vidéos et fichiers audio.
Niveaux d'automatisation
En encodant sans relâche les processus, l'automatisation par l'IA gagne en portée et apprend des retours du terrain. Chaque processus où humains et IA coopèrent devient un terrain d'apprentissage. Où l'opérateur passe-t-il la main à l'IA ? Où l'IA recommande-t-elle avec justesse ? Où échoue-t-elle ?
Les préférences humaines — scénarios testés, actions menées — forment un flux de "connaissances tribales" qui irrigue chaque composant IA du processus décisionnel. Avec le temps, cela distille le sens des affaires jusque-là cantonné à quelques individus, l'assemble au vaste contexte opérationnel exploitable par l'IA et le déploie à l'échelle via l'automatisation.
Palantir s'appuie sur le cadre des Niveaux d'IA pour mesurer la profondeur d'automatisation d'un processus opérationnel. En bref :
- Niveau 0 : accès basique et sécurisé aux LLM. Les modèles résument, extraient ; l'humain continue de raisonner et d'agir.
- Niveau 1 : un cran plus loin. Intégration de données sécurisée, recherche et visualisation. L'IA réagit aux prompts pour soutenir l'exploration ouverte.
- Niveau 2 : l'IA interagit avec données et logique pour guider la décision. Des agents utilisent des outils pour simulations et calculs, et épaulent l'humain en temps réel.
- Niveau 3 : l'IA générative s'intègre aux données, à la logique et à l'action. Des agents couvrent des workflows entiers et absorbent la connaissance tribale, humains dans la boucle.
- Niveau 4 : les agents prennent le premier rôle. L'humain supervise et donne du feedback, mais les exécutions, l'apprentissage et l'amélioration de bout en bout deviennent IA-drivés.
À cette profondeur s'ajoute la largeur : combien de processus d'entreprise l'IA infuse-t-elle, et quel effet composé en résulte ? Première dimension : la couverture de l'espace opérationnel. Combien de processus du fulfillment supply chain sont automatisés ? Combien de workflows du service client ? À quel degré ?
Seconde dimension : la connectivité. Où l'infusion d'IA abat-elle les murs artificiels entre processus ? Jusqu'où l'automatisation IA redessine-t-elle les lignes rigides et raccorde mieux la stratégie aux opérations ?
L'Entreprise augmentée
Au bout du chemin, l'IA permet de réingénier des processus historiques depuis les premiers principes. Des workflows autrefois répartis entre équipes disjointes deviennent des processus continus uniques, mesurés par des KPI qui reflètent vraiment les résultats opérationnels. Quand les conditions externes changent et que les objectifs internes évoluent, l'entreprise encode de nouveaux objectifs stratégiques qui mettent à jour, sans couture, tous les objectifs opérationnels imbriqués.
Le rôle de l'utilisateur opérationnel évolue à mesure que la largeur et la profondeur de l'IA s'étendent. À mesure que des agents gèrent davantage de processus de bout en bout, les humains gagnent du levier. Ils passent de l'exécution à la gestion de flottes d'agents — et à la supervision d'un apprentissage par feedback désormais traité à vitesse machine.
C'est l'image d'une véritable conduite opérationnelle — l'entreprise augmentée — objectif originel de la Silicon Valley et de la révolution informatique.
Pour que la révolution de l'IA soit digne, elle doit s'appuyer sur des architectures ouvertes et extensibles qui rompent avec les chaînes du Complexe industriel du logiciel.
Concrètement, chaque composant d'un processus issu de sources numériques — systèmes de données, sources de logique, systèmes d'action — se présente comme un bloc de construction au service de la création d'applications dopées à l'IA, dans et hors de la plateforme, via des API et SDK robustes. Le système respecte les standards ouverts et préserve la flexibilité. Les données se stockent dans des formats non propriétaires ; plusieurs moteurs de calcul ouverts sont disponibles ; les modèles se développent, se stockent et s'orchestrent librement, dans le respect de standards ouverts.
La plateforme offre un levier composé aux développeurs d'IA à chaque nouvelle application. Chaque intégration de données produit un artefact réutilisable et automatisable ; chaque logique métier devient un outil scalable pour humains et IA ; chaque composant d'interface permet de passer en douceur de l'action humaine au binôme humain-IA, puis à l'automatisation de bout en bout. Les développeurs ne se retrouvent pas enfermés dans un environnement ou un framework : la plateforme propose un environnement sécurisé et modulaire, qui s'intègre sans couture aux environnements de code courants et aux toolchains DevOps.
Au total, ces exigences appellent une architecture système radicalement différente. Étendre les architectures de données ou d'analytique traditionnelles peut suffire pour des workflows de recherche comme le RAG ; construire des automatisations IA exige une base process-centric, pas data-centric. Des boucles, plutôt que des tabulations linéaires et des rapports de BI.
De l'architecture de données multimodales à l'architecture de modèles interopérables, de l'architecture de workflows temps réel à l'architecture de sécurité sous-jacente, tout doit viser à infuser l'IA dans les processus opérationnels clés, réduire la latence entre inflexions stratégiques et action opérationnelle, et permettre à l'entreprise d'exécuter au mieux sa mission essentielle.