IA d’entreprise : pourquoi un LLM seul n’apporte pas de résultats concrets
![An image of a woman and an AI agent standing together](https://www.salesforce.com/fr/blog/wp-content/uploads/sites/15/2024/10/TSK-38418_The_Enterprise_AI_Revolution.jpg?w=300)
Une IA génératrice de valeur repose sur l’intégration de trois facteurs : la donnée actualisée en temps réel, l’automatisation des opérations et les modèles.
L’engouement autour des grands modèles de langage (LLM) véhicule certaines idées fausses : entraîner et déployer un LLM ou lancer isolément un projet de copilote n’est pas un gage de réussite. Aussi sophistiqué soit-il, un LLM n’est pas une solution en soi ; il doit faire partie d’un système complet et soigneusement conçu, reposant sur l’intégration des données, de l’IA et de l’automatisation. L’enjeu : se doter d’une IA capable d’agir en autonomie tout en préservant l’interaction avec les humains.
Commencez à créer vos agents Agentforce dès aujourd’hui !
Exploitez tout le potentiel d’Agentforce en apprenant à définir des rôles, à étendre les capacités à l’aide d’outils avancés et à les personnaliser en fonction des besoins de votre entreprise. Inscrivez-vous dès maintenant à nos démonstrations !
![](https://www.salesforce.com/fr/blog/wp-content/uploads/sites/15/2024/12/agentforce-form-conf-og-image.png)
Les faux pas de l’IA d’entreprise
De nombreuses organisations sont prises dans un cycle d’expérimentation de l’IA voué à l’échec, avec une succession de Proof of Concept sans possibilité de passage à l’échelle. Nous identifions quatre types d’impasses dont votre entreprise doit se préserver, pour économiser du temps et de précieuses ressources.
1. Les LLM artisanaux
L’idée d’entraîner un LLM propriétaire semble séduisante, porteuse d’un avantage concurrentiel significatif. Mais construire un LLM ne se réduit pas à collecter des données pour nourrir un modèle de machine learning. La complexité de l’ingénierie, les exigences en matière d’infrastructure et les ajustements continus rendent cet effort insurmontable et source de déception pour la plupart des entreprises. Et même si ces défis techniques sont relevés, deux problèmes majeurs persistent.
La récence des données
La pertinence d’un LLM dépend de l’actualité de ses données d’entraînement. Dans un environnement dynamique et riche comme celui d’une entreprise, vos données changent constamment. Sans un entraînement continu — action complexe et coûteuse — le modèle devient immédiatement obsolète.
Prenons l’exemple d’une société de services financiers qui doit évaluer ses risques liés aux prêts. Si le LLM n’est pas réentraîné pour refléter les changements récents du marché, la mise à jour des politiques ou l’évolution du comportement des clients face au crédit, il fournira des évaluations obsolètes, faussant la prise de décision et faisant courir d’importants risques financiers.
La gouvernance des données
Les bases de données traditionnelles stockent la data selon des schémas structurés, ce qui permet des autorisations claires, une bonne visibilité et un rappel cohérent des données. En revanche, lorsqu’un LLM s’approprie des données, il les intègre à ses paramètres, au détriment de tout concept de localisation ou de propriété.
Cette transformation crée un cauchemar en matière de gouvernance, car il est pratiquement impossible d’appliquer des autorisations granulaires ou d’extraire des informations spécifiques une fois qu’elles sont apprises par un LLM. Ceci présente un aléa significatif et souvent sous-estimé par les entreprises, compliquant les processus de conformité, d’audit et de gestion des risques.
2. Le mirage des copilotes
Le concept de copilote IA, assistant numérique conçu pour aider les collaborateurs, semble prometteur. Toutefois, dans la pratique, les copilotes ont rarement dépassé le stade de petite expérience isolée, ajoutée dans des applications existantes.
De l’aveu même de Satya Nadella, CEO de Microsoft, « Copilot peut être considéré comme l’interface utilisateur de l’IA ». Une opinion révélatrice : un copilote IA n’ajoute qu’une couche d’IA à des applications existantes plutôt que de saisir l’opportunité de créer des capacités d’IA automatisées, à l’échelle de l’entreprise. Les organisations ont besoin d’un système réunissant des données fiables, l’IA et un moteur d’automatisation véritablement intégrés ; tout ceci, afin de permettre à l’IA d’accomplir des tâches de manière autonome et d’augmenter la productivité de l’entreprise.
3. Des agents IA sans plateforme
Les agents IA promettent bien des révolutions pour l’entreprise, mais celles-ci peuvent s’éventer s’ils sont déployés isolément. Les entreprises ont besoin d’une véritable plateforme agentique ; un environnement unifié et abouti où les agents IA sont intégrés aux données de votre organisation, aux processus métiers et aux tâches effectuées par vos équipes. Sans cette intégration, les agents IA se réduiront à de simples expériences dépourvues d’impact…
Le marché est désormais saturé de start-ups proposant des solutions d’agents IA. La plupart ne disposent cependant pas de l’infrastructure nécessaire pour les intégrer à vos processus et vos données. Une lacune qu’elles dissimulent derrière des pilotes en « codéveloppement » — autrement dit une intégration à des solutions tierces —, en attendant de développer ou d’acquérir leur propre solution.
Cette approche pose un risque. Votre premier agent IA pourrait être une réussite, mais que se passera-t-il lorsque vous voudrez en créer un deuxième, un troisième ou un dixième ? Ou lorsque vous souhaiterez lui apporter une simple modification ? Ces start-up vont-elles continuer à prendre en charge les services de prestataires assurant l’intégration, ou bien vont-elles admettre leurs limites et vous en faire supporter le coût ? Sans véritable intégration avec vos données et vos processus métier, vous mettrez difficilement en œuvre l’IA à grande échelle.
4. Plateformes « faites maison », ou comment réinventer la roue
Bien que les DSI reconnaissent la nécessité d’avoir une plateforme d’IA, ils commettent souvent l’erreur d’emprunter la voie du « fait maison ». La mise en œuvre d’une plateforme d’IA intégrée est une tâche monumentale, jalonnée de défis d’intégration vertigineux, de dettes techniques et retards coûteux.
La révolution du cloud nous a enseigné une leçon importante : les entreprises ont tout intérêt à rester concentrées sur leur cœur de métier. Mieux vaut utiliser des plateformes IA existantes, éprouvées et prêtes à l’emploi, fournissant déjà les éléments essentiels (scalabilité, sécurité, intégration entre les données, IA et automatisation).
Pourquoi tant d’entreprises tombent-elles dans ces travers ?
Cela n’a rien d’étonnant. Les LLM, leurs milliards de paramètres et de cas d’usage ont fait l’objet d’un battage médiatique intense, occultant la vision du système plus sophistiqué et intégré que l’IA requiert pour produire des résultats réels et évolutifs.
Osons l’analogie avec l’industrie automobile au début du XXe siècle. Le moteur à combustion interne était certes révolutionnaire, il ne faisait néanmoins pas la voiture à lui seul. Il s’ajoute aux pneus, à la direction, à la transmission… autant de composants intégrés qui, ensemble, constituent une machine fonctionnelle.
Apprenez comment l’IA générative permet de booster les ventes.
Découvrez les observations de plus de 1 000 vendeurs sur l’utilisation — avec confiance — de l’IA générative en entreprise.
![](https://www.salesforce.com/fr/blog/wp-content/uploads/sites/15/2023/08/trends-in-generativre-AI-sales-FR-768x432-1.png)
Quelle est la solution ?
Pour qu’un système d’IA d’entreprise réussisse, il doit intégrer de manière transparente les données, l’IA, l’automatisation et un écosystème d’innovateurs.
1. Les données : la base
L’accès aux données constitue la fondation d’un système d’IA performant. Le défi est de garantir leur qualité et leur accès en temps réel dans l’ensemble de l’organisation. C’est pourquoi les silos de données sont le principal obstacle à l’exploitation efficace de l’IA. Pour les éliminer rapidement, les entreprises doivent adopter des plateformes de données flexibles, favorisant une intégration transparente entre les équipes, tel que Data Cloud. Cette solution apporte notamment aux entreprises zero copy network, un partenariat établi avec les principaux hyperscalers, pour se connecter facilement aux data lakes sans copier les données.
Une fois la plateforme déployée, le défi suivant consiste à connecter les données aux LLM sans qu’un coûteux réentraînement soit nécessaire. C’est là que la génération augmentée de récupération (RAG) entre en jeu. Couplé à des bases de données vectorielles qui indexent et recherchent également des données non structurées (contenues dans des documents PDF…), le LLM puise dans toutes les informations de l’entreprise sans engager de cycles de réentraînement complets.
Des technologies comme le moteur de raisonnement Atlas de Salesforce utilisent des techniques RAG avancées qui permettent de meilleures extractions, optimisant la compréhension et l’accès aux documents les plus complexes de l’entreprise. Conséquence : des générations LLM de meilleure qualité, plus précises et plus pertinentes.
2. L’IA : le moteur
Les plateformes de données sont en place. L’IA peut entrer en scène. Mais l’enjeu ne se réduit pas au seul choix d’un LLM. Pour être vraiment transformatrice, l’IA doit pouvoir prédire, analyser et s’adapter. Il n’existe pas de modèle répondant à toutes ces tâches : certaines nécessitent des modèles spécialisés, d’autant que les entreprises peuvent souhaiter une certaine flexibilité, par exemple en déployant des LLM adaptés aux exigences réglementaires de chaque région, ou aux différents types d’emplois… Einstein Trust Layer permet aux clients de Salesforce d’adopter le LLM de leur choix tout en garantissant la conformité, la gouvernance et la sécurité.
De plus, l’IA ne saurait être statique. Elle doit apprendre et s’adapter en temps réel. Des boucles de feedback continues, alimentées par des données en constante évolution, sont essentielles pour maintenir la pertinence et l’efficacité des modèles, qui s’adaptent de manière dynamique aux nouvelles informations, aux conditions du marché, aux changements opérationnels… Cette adaptabilité source de résultats commerciaux et d’impact, qui fait de l’IA un véritable moteur de transformation.
3. L’automatisation : vers l’action autonome
La véritable valeur de l’IA ne vient pas de ses analyses (insights), mais de sa capacité d’action, afin d’alléger la charge des équipes. Cela requiert une intégration profonde avec les flux de travail, les API et vos outils d’automatisation. Flow et MuleSoft, par exemple, sont des composants clés pour déployer une IA autonome. Flow fournit la couche d’automatisation, tandis que MuleSoft gère l’intégration des API, ce qui permet aux agents IA de s’intégrer à plusieurs systèmes.
Imaginez un agent IA qui ne se contente pas d’identifier les dysfonctionnements de votre chaîne d’approvisionnement, mais qui élabore de manière autonome un plan d’optimisation puis l’exécute dans l’ensemble de l’écosystème de votre entreprise ? Par exemple, s’il détecte une potentielle rupture de stock, l’agent IA active un processus de réallocation des ressources, ajuste les calendriers d’approvisionnement et même communique avec les fournisseurs en temps réel.
Les agents IA, loin de se limiter à des recommandations ou à un échange de questions/réponses, participent activement aux opérations de votre entreprise.
Agentforce : la suite d’agents IA
Tandis que le monde suivait avidement la course à la taille des LLM (bigger is better), Salesforce s’est plutôt appliquée à élaborer un système d’IA intégral. Agentforce est une plateforme IA complète (gérant les données, l’automatisation et les modèles), conçue pour déployer à l’échelle des agents IA autonomes. Propulsé par des LLM, vos données d’entreprises et des flux automatisés, Agentforce comprend les tâches qu’on lui demande d’accomplir, puis élabore et actionne un plan en toute autonomie.
Des entreprises comme Opentable utilisent déjà Agentforce pour fluidifier le service client. L’IA ne se contente plus de répondre aux questions des clients BtoB et BtoC — ce que faisait un copilote IA — elle accomplit désormais des tâches, comme changer une réservation ou créditer des points de fidélité. Ainsi, Opentable se concentre sur des missions plus stratégiques, ce qui améliore à la fois l’efficacité et la satisfaction client.
La révolution de l’IA en entreprise est en marche, mais elle ne consiste pas en des LLM artisanaux isolés, de simples copilotes et des outils disjoints. Tout repose sur un système intégré et scalable, porteur de résultats concrets.