Comment les entreprises font passer l’IA à l’âge adulte

(Source: DR)

(Source: DR)

L’IA s’accompagne de nombreuses promesses d’efficacité accrue. De fait, beaucoup d’organisations obtiennent rapidement des premiers résultats via des projets pilotes. En pratique, elles se retrouvent toutefois confrontées à un défi majeur: passer de ces premiers essais à une mise à l’échelle dans l’ensemble de l’entreprise.

C’est à cette problématique que se sont intéressés Netzmedien, Dell Technologies et NVIDIA lors d’un webinaire organisé mi-mars. Harry Meier, AI Pursuits Lead pour les Global Accounts & CSPs chez Dell Technologies, a d’abord dressé un panorama global de l’évolution du domaine.

Quatre niveaux d’autonomie

Selon lui, 92% des grandes entreprises investissent fortement dans l’IA, et 87% estiment qu’elle transformera significativement leur secteur. Par ailleurs, 39% ont déjà lancé des expérimentations avec des agents IA. «Si l’on exclut les solutions SaaS standardisées comme Microsoft Copilot, très peu d’entreprises disposent aujourd’hui d’implémentations réellement matures», a déclaré Harry Meier. Les principales difficultés tiennent selon lui à la complexité et à la disponibilité des données.

C'est précisément dans ce contexte qu'une nouvelle catégorie de systèmes passe au premier plan: les agents IA. Pour Harry Meier, 2026 marquera l’arrivée des premières solutions agentiques en production. «Nous disposons désormais de systèmes capables de planifier, de raisonner logiquement, de prendre des notes, de consulter des informations dans des outils et de déclencher des actions», explique-t-il. 

Dell distingue quatre niveaux d’autonomie dans l’IA agentique:

1. L’IA agentique est utilisée uniquement pour le monitoring et l’information
2. Les systèmes sont déclenchés par des humains
3. Les processus ou applications déclenchent l’IA, mais les résultats sont vérifiés par des humains (human-in-the-loop)
4. Des systèmes d’IA agentique entièrement autonomes

Aujourd’hui, la plupart des entreprises mettent en œuvre des cas d’usage relevant des niveaux 2 ou 3. Dans les cas d’usage actuellement déployés chez Dell, l’humain reste toujours impliqué. 

Selon Harry Meier, l’évolution va à moyen terme vers des systèmes plus autonomes, mais pas pour tous les cas d’usage. «Nous pensons qu’avec le temps, nous disposerons d’agents d’IA capables de surveiller les processus métier et les flux de travail, de les analyser et, éventuellement, de créer spontanément des applications pour les optimiser», a déclaré Harry Meier en citant John Roese, CTO et Chief AI Officer de Dell Technologies. 

Sur la base de ses projets, Dell a tiré plusieurs enseignements clés. Aujourd’hui, il n’est pas possible d’appliquer simplement l’IA à un processus défaillant. «Cela ne fonctionne pas», a souligné Harry Meier. Un autre apprentissage important consiste à ne pas créer des pipelines de données distincts pour chaque cas d’usage, mais à rendre les données réutilisables.

Ces constats ont conduit au développement d’un produit que Dell peut désormais proposer à ses clients.

Comme exemple concret, Harry Meier a présenté un cas dans la gestion de fortune: un système d’agents IA analyse les marchés boursiers et propose des optimisations, mais la décision finale reste prise par un humain. La documentation complète est essentielle, notamment au regard des exigences de gouvernance comme l’AI Act européen. 

«Bien sûr, nous pourrions automatiser entièrement le système», a ajouté Harry Meier. Mais dans la plupart des cas, les clients ne souhaitent pas qu’un algorithme exécute automatiquement les opérations d’achat et de vente. «Ils veulent d’abord voir un humain et parler à un humain.»

Une plateforme, plusieurs cas d’usage

Une mise à l’échelle réussie à l’échelle de l’entreprise repose, selon Harry Meier, sur trois niveaux. Au niveau des cas d’usage, il s’agit de se concentrer sur les domaines différenciants, par exemple la vente, le service ou la supply chain. Les cas d’usage doivent être intégrés dans les processus métiers existants, accéder aux données de l’entreprise et être encadrés par des règles de gouvernance claires. C’est à cette condition qu’ils créent une réelle valeur.

En dessous, deux niveaux sont souvent négligés: la plateforme IA et data, ainsi que l’infrastructure et la résilience. «Lorsque des erreurs sont commises à ces niveaux, elles coûtent du temps et de l’argent», a averti Harry Meier. «À grande échelle, même de petites erreurs de conception peuvent coûter des millions.»

Les entreprises de taille moyenne et grande devraient ainsi s’appuyer sur des plateformes IA dédiées, capables de couvrir différents cas d’usage internes et orientés client: de l’IA traditionnelle à l’IA générative, jusqu’aux agents plus ou moins autonomes. La plateforme doit en outre être multi-tenant, sécurisée et permettre de démarrer à petite échelle avant de monter en puissance

Harry Meier formule cinq principes pour la mise à l’échelle de l’IA:

• se concentrer sur les facteurs de différenciation, pas uniquement sur les «low hanging fruits»
• considérer les données comme des produits réutilisables
• commencer avec des assistants IA et évoluer vers des agents
• viser une transformation réelle plutôt que de simples gains d’efficacité
• s’appuyer sur une plateforme IA hybride dédiée

Les obstacles à surmonter

Dans une seconde présentation, Almir Hasikic, Senior Account Executive AI Software chez NVIDIA, s’est penché sur la mise en œuvre concrète.

«Pour la plupart des clients, la question n’est pas de savoir si l’IA peut produire des résultats impressionnants», a-t-il déclaré. «La véritable question est plutôt: comment utiliser l’IA de manière productive sans créer plus de complexité que de valeur?»

Selon lui, trois obstacles majeurs se dressent sur la voie d’une mise en œuvre réussie. Le premier est la complexité des systèmes. L’IA ne se limite pas à un modèle et à un prompt, mais implique plusieurs modèles, des pipelines de données, ainsi que de l’orchestration, de la sécurité, du monitoring et du cycle de vie. Le deuxième défi est la production readiness. Il s’agit ici de questions liées aux coûts, à la capacité de gestion, à la sécurité et à la maintenance. Le troisième obstacle réside dans la diversité des infrastructures, entre on-prem, edge, cloud privé et cloud public.

Ces obstacles ont pour conséquence que les GPU ne sont pas pleinement exploités, que les workloads sont mal planifiés et que des équipes hautement qualifiées passent trop de temps à attendre plutôt qu’à développer de véritables solutions. «En d’autres termes: votre infrastructure est peut-être très performante, mais votre entreprise ne fonctionne pas aussi rapidement que vous le souhaiteriez.»

NVIDIA prône ainsi une approche full stack. La performance seule ne suffit pas; ce qui compte réellement, c’est le degré d’intégration de l’ensemble de ces couches. «Les entreprises veulent une infrastructure optimisée de bout en bout», a déclaré Almir Hasikic. Selon lui, deux voies principales s’offrent aux entreprises. Elles peuvent construire elles-mêmes l’ensemble du stack à l’aide de solutions open source, mais doivent alors en assumer entièrement la charge. En alternative, NVIDIA propose une solution AI Enterprise, «une plateforme sécurisée, évolutive et fiable», promet Almir Hasikic. Pour l’agentic AI, NVIDIA met également à disposition des blueprints servant de références afin d’accélérer l’adoption de l’IA et le time to value.

Son message final s’adresse aussi bien aux PME souhaitant avancer plus rapidement avec des ressources limitées qu’aux grandes entreprises cherchant à industrialiser et standardiser l’IA. «Vous devez cesser de considérer l’IA comme une expérimentation isolée et commencer à la traiter comme une plateforme d’entreprise pour des applications utiles et prêtes pour la production», a-t-il conclu.

Cliquez ici pour accéder à l'enregistrement vidéo complet du webinaire.

Code d'activation: 7xdZ@5=1

Vous pouvez télécharger les slides de la présentation ici.