Tous les jours, les entreprises font face à un même scénario. Un commercial est sur le point de conclure un contrat important. Il aimerait savoir quel serait le montant de sa commission. Il pose la question en utilisant ChatGPT ou un autre assistant IA. Le résultat est une explication réfléchie, et bien rédigée, de la manière dont les sociétés de logiciels structurent généralement la rémunération des commerciaux.
La seule chose que l'outil ne dira pas, c'est le montant de sa commission s'il conclut ce contrat en particulier. Cet écart, entre ce que l'IA peut analyser et ce qu'elle sait de votre entreprise, constitue le défi majeur de l'adoption de l'IA à l'heure actuelle.
C'est ce que j'appelle la couche logique. Et sans elle, l'IA vous fournit des résultats impressionnants, mais souvent déconnectés de la manière dont votre entreprise fonctionne.
Pourquoi la logique métier repose sur l'analyste
L'un des mythes les plus tenaces en matière d'IA est que les analystes sont sur le point de devenir inutiles.
La réalité est tout autre, et la couche logique est la raison à cela.
Dans une entreprise qui utilise l'IA, les analystes deviennent plus essentiels, car ils sont les plus proches de la logique et du contexte qui régissent les activités métier. Ils savent quelle définition du pipeline est importante et quels cas d'usage comptent en matière d'audit, de merchandising, de finance ou de marketing.
Je pense que les entreprises qui réussiront à l'ère de l'IA ne seront pas définies par la quantité d'IA qu'elles déploieront, mais par le fait que les personnes qui comprennent le contexte métier possèdent et contrôlent les informations sous-jacentes.
Si cette responsabilité revient entièrement à l'IT ou à la black box d'un prestataire, les entreprises risquent de développer des systèmes qu'elles ne peuvent pas entièrement adapter ou auditer. C'est en donnant aux équipes métier les outils et le mandat nécessaires pour s'approprier leur logique que le système IA devient fiable et s'adapte à la façon dont votre entreprise fonctionne.
C'est pourquoi je considère les analystes comme les architectes de cette prochaine phase.
À quoi ressemble la couche logique en pratique
Revenons à l'exemple des commissions, car il illustre précisément le concept. Actuellement, lorsqu'un commercial a besoin de connaître sa commission sur un contrat, il envoie un message à l'analyste des commissions. Cet analyste dispose de sa propre feuille de calcul, car les plans de rémunération changent tous les trimestres, avec des primes incitatives et des programmes spéciaux. L'analyste effectue les calculs manuellement et renvoie une réponse.
Et si ce même analyste construisait un outil de calcul simple et bien défini qui encodait sa logique de commission (les règles réelles de votre entreprise, vos plans, vos programmes) et le connectait aux systèmes d'IA que vos commerciaux utilisent déjà ? Désormais, lorsqu'un commercial demande quelle serait sa commission sur un contrat donné, il pourrait obtenir la bonne réponse. Pas une explication générique du fonctionnement des commissions.
Et voici la valeur ajoutée : cette même logique peut ensuite être utilisée par l'agent chargé de la planification annuelle pour modéliser les implications en termes de coûts opérationnels des différents plans de rémunération. Elle peut alimenter le modèle de planification de scénarios, qui exécute des centaines de simulations pour la planification financière. L'analyste qui l'a construite permet à un réseau entier de systèmes IA d'agir selon une logique précise et spécifique à l'entreprise.
C'est la couche logique en pratique : des actifs de données et des outils de calcul sélectionnés et conçus à cet effet, qui résument le fonctionnement de votre entreprise, gérés par les personnes qui les comprennent et déployables dans tous les systèmes IA qui en ont besoin.
Ce que la couche logique exige
C'est là que je pense que la plupart des entreprises sont encore bloquées. Elles ont investi dans les infrastructures. Elles disposent d'une plateforme de données cloud et de LLM approuvés. Mais elles demandent à ces systèmes de faire des choses pour lesquelles ils n'ont jamais été conçus.
La couche logique requiert trois choses :
Actifs de données conçus sur mesure. Un ensemble de données précis, propre et bien défini qui reflète la manière dont vous mesurez réellement un processus métier spécifique.
Logique métier encodée. C'est la partie qui réside actuellement dans la tête des utilisateurs : les politiques, les cas d'usage spécifiques, le contexte qui fait que les données ont un sens.
La possibilité de le mettre à jour. Personne ne dirige une entreprise de façon à ce qu'elle reste inchangée. La couche logique doit être un élément que les experts du domaine peuvent mettre à jour lorsque l'activité évolue.
Une voie pragmatique à suivre
La bonne nouvelle, c'est qu'il n'est pas nécessaire d'attendre une architecture parfaite pour commencer à construire une couche logique.
Commencez par vos processus opérationnels les plus importants et les plus répétés, ceux pour lesquels un analyste traite les mêmes questions semaine après semaine. Il s'agit des processus où l'encodage de la logique dans un actif de données sélectionnées et prêtes à l'IA apporte une valeur immédiate et mesurable.
Ensuite, donnez à vos analystes les moyens de s'approprier cet encodage, et non à l'IT. Donnez-leur des outils low-code pour accomplir leur travail, et le mandat pour traiter cette logique codée comme un actif stratégique qu'ils gèrent et qu'ils adaptent au fil de l'évolution de l'entreprise.
C'est également à ce niveau que la position de leadership est importante.
J'explique depuis un certain temps qu'il ne s'agit pas d'un choix entre métier et IT. Les deux sont importants. L'IT doit définir des normes, gérer l'infrastructure, établir des limites de sécurité et mettre les capacités d'IA approuvées à la disposition de l'ensemble de l'organisation. Mais l'IT ne doit pas devenir le goulet d'étranglement pour chaque aspect de la logique métier que l'entreprise doit mettre en œuvre.
Si cela vous semble familier, c'est normal. Ce schéma a déjà été observé dans le domaine des technologies d'entreprise. L'infrastructure et la plateforme sont importantes. Mais la dernière ligne droite, qui transforme les capacités en valeur métier, dépend toujours des personnes les plus proches des tâches.
L'IA n'est pas différente.
Les entreprises qui tireront le meilleur parti de l'IA seront celles qui la considèrent comme un modèle d'exploitation. Elles automatiseront les workflows de base, sélectionneront les bonnes données et donneront aux analystes et aux experts métier les moyens de définir la logique qui rend l'IA utile et de générer des réponses que l'entreprise peut utiliser.
J'ai récemment eu l'occasion d'approfondir ces idées dans le cadre du podcast Talking AI. Si vous souhaitez en savoir plus sur l'évolution du rôle de l'analyste, sur la manière dont la couche logique se connecte aux workflows agentiques et sur les raisons pour lesquelles je pense que les 18 prochains mois seront déterminants pour y parvenir, je vous invite à écouter cette réflexion.