Structurer et fiabiliser l’information constitue le socle indispensable pour exploiter l’IA générative. Sans gouvernance ni traçabilité, le déploiement reste limité.
Le potentiel de l’IA générative pour transformer les entreprises, et leurs données, ne fait aujourd’hui plus débat. Pourtant, lorsqu’il s’agit de citer des exemples concrets de déploiement à grande échelle, le silence laisse place aux inquiétudes : fiabilité et disponibilité des données, conformité réglementaire, ou encore défiance envers l’IA et les données sous-jacentes.
Dans certains secteurs, les données sont souvent renseignées sous des formats abrégés, techniques ou peu lisibles, ce qui complique leur exploitation par les systèmes d’IA classiques. C’est là que l’IA générative peut jouer un rôle clé : lorsqu’elle est correctement entraînée et guidée, elle est capable d’interpréter ces descriptions complexes et de les restituer dans un format compréhensible et structuré, prêt à être utilisé dans les modèles prédictifs.
Cependant, cette capacité reste perfectible. Dès que les données comportent des termes ambigus ou sortent du contexte d’entraînement, des erreurs d’interprétation peuvent survenir. C’est pourquoi l’intervention de l’IA doit s’accompagner de mécanismes de vérification ou de recoupement, par exemple avec des sources externes ou des référentiels métiers, afin d’assurer la fiabilité de l’information restituée.
Traduire et structurer les données constitue ainsi une étape préalable indispensable à l’IA.
À l’échelle d’une entreprise, exploiter le patrimoine existant de Business Intelligence (BI) offre un levier précieux. Par exemple, une formule BI définie comme “revenu = montant facturé – valeur des retours” peut servir de repère fiable à un agent IA qui cherche à extraire des données de chiffre d’affaires. Cela évite toute ambiguïté entre les différentes sources possibles, ventes, e-commerce, après-vente, etc.
Les référentiels BI agissent ici comme une couche de données structurée, fiable et réutilisable pour les indicateurs clés de l’entreprise. Cette couche facilite et accélère la mobilisation des données par les systèmes d’IA.
Revaloriser l’existant en BI permet de structurer plus rapidement les données nécessaires à l’IA.
Autre point essentiel dans un environnement piloté par des agents : le contrôle des accès aux données. Il est indispensable de maintenir une “signature de commande”, c’est-à-dire une traçabilité claire de l’origine des requêtes tout au long de la chaîne.
Prenons un cas concret : les directeurs de succursale ne doivent pas avoir accès aux données sensibles liées aux transactions immobilières, tandis que les responsables des achats, eux, doivent y accéder. Les assistants IA destinés à ces deux profils doivent donc intégrer ces distinctions. Dans un système complexe impliquant plusieurs agents, cette fidélité repose sur une traçabilité rigoureuse de chaque demande.
Cela n’est pas toujours simple. Par exemple, les prix appliqués dans certaines offres pour un produit A ne doivent pas être visibles par le responsable du produit B. Mais, dans une logique d’efficacité, l’assistant IA peut tout de même lui fournir une suggestion : “Pour le produit B, une fourchette de prix idéale se situerait entre 55 et 60 dollars ; des produits concurrents ont rencontré du succès avec des hausses de 10 à 20 %.”
Cela implique que la signature de commande ne se limite pas à l’origine, mais inclut aussi l’intention de la requête.
La gestion fine des droits d’accès constitue une étape clé avant toute mise à disposition des données à une IA.
Traduction, structuration et gestion des accès sont autant d’étapes fondamentales pour réussir un projet IA. Pour libérer pleinement le potentiel de l’IA générative, il faut d’abord fournir les efforts nécessaires pour que les données soient prêtes pour l’IA, et surtout, prêtes pour l’entreprise.
____________________________
Par Subhashis Nath, AVP and Head of Analytics, Infosys
puis