L'état naissant de l'IA signifie que le monde apprend en temps réel à opérationnaliser et à mettre à l'échelle une nouvelle technologie.
C'est passionnant. Mais c'est aussi coûteux.
Les tâches complexes présentent un certain taux de consommation de jetons, et lors de la création et de l'exécution d'agents, ces coûts peuvent rapidement devenir ingérables. Les agents doivent raisonner sur une logique métier complexe, formuler des hypothèses intelligentes sur le contexte, analyser les résultats, et déterminer la meilleure action à suivre, parfois à plusieurs reprises au sein d'une seule instance.
Les coûts ponctuels élevés ne constituent toutefois pas le principal obstacle à l'opérationnalisation. Le problème réside dans ce qui se passe lorsqu'on tente d'exécuter le même processus, pour finalement obtenir une réponse différente à chaque fois.
Bien que les coûts liés aux jetons s'accumulent lors du redémarrage d'un processus ou de la reconfiguration d'une logique métier importante, l'imprévisibilité est rédhibitoire.
Vous ne pouvez pas assurer la mise à l'échelle d'une entreprise en vous fondant sur le hasard.
Les affaires ne sont pas une roulette
Les LLM sont probabilistes. Ils génèrent des résultats à partir d'une distribution de probabilité, ce qui signifie que la même requête peut produire des réponses différentes à chaque fois.
Certaines tâches professionnelles, comme la rédaction, s'accommodent de cette variabilité. Il existe de nombreuses façons de rédiger un bon e-mail (et bien sûr, de nombreuses façons d'en rédiger un mauvais). Tant que vous disposez d'un e-mail efficace, l'IA vous fera probablement gagner du temps.
D'autres tâches, toutefois, nécessitent des réponses très précises.
Les calculs critiques pour l'entreprise, comme ceux présentés aux auditeurs et aux membres du conseil d'administration, doivent être visibles, compréhensibles, reproductibles et auditables, ce que nous appelons VURA. Avec les mêmes inputs et règles métier, ils doivent produire le même résultat à chaque fois. Ils doivent résister à l'épreuve de la réalité et prouver leur exactitude lors des examens les plus rigoureux.
De nombreux dirigeants d'entreprise avec lesquels j'échange consacrent un temps et des sommes d'argent exorbitants à tenter de transformer quelque chose de probabiliste en quelque chose de déterministe, ou, en d'autres termes, à transformer quelque chose présentant un degré élevé de variance en quelque chose de reproductible qui fournira toujours un résultat donné pour une même entrée.
Ce n'est pas impossible avec les LLM. Les modèles d'IA peuvent écrire du code pour des tâches déterministes. Le problème est que, pour la plupart des utilisateurs métier, le code généré par l'IA n'est pas accessible. Les responsables financiers comprennent შესაძლოა mieux que quiconque les règles de comptabilisation des recettes, mais ils ne peuvent souvent pas valider un script Python.
Les utilisateurs métier comprennent mieux que quiconque vos processus métier. Ce sont eux qui doivent vérifier les processus pilotés par l'IA. Mais s'ils ne peuvent pas comprendre ce qui se passe, alors vous essayez d'opérationnaliser une boîte noire.
Pourquoi les solutions d'IA ponctuelles ne passent pas à l'échelle
Imaginez que vous souhaitiez concevoir un agent IA pour calculer la comptabilisation des revenus pour votre équipe financière.
Si vous demandez à Gemini ou Claude d'examiner les données de vos systèmes d'entreprise, ils peuvent en extraire des métriques de haut niveau en quelques minutes. Il peut même écrire du code pour vous aider à exécuter l'analytique déterministe appropriée. Mais si vous montrez à votre responsable financier ce que vous avez créé, il va jeter un œil à tout le code sur votre ordinateur portable et vous demander comment cela fonctionne.
Vous pouvez leur expliquer vos prompts, mais s'ils ne peuvent pas analyser le code Python et ne comprennent pas les étapes logiques clés, il leur sera impossible de faire confiance à cette nouvelle fonction que vous avez créée, et encore moins de la déployer en production.
Une option consiste à créer un référentiel Git ; regroupez tout ce qui concerne votre nouveau workflow au même endroit et partagez-le avec votre équipe financière afin qu'elle puisse vérifier le code et itérer dessus. Cependant, les chances que votre équipe financière se mette soudainement à travailler dans des référentiels Git et à implémenter un contrôle de version et des revues basés sur Git pour vérifier vos scripts Python générés par l'IA sont faibles.
C'est le problème du mode solo dans l'IA d'entreprise : les modèles d'IA peuvent vous aider à accomplir des choses incroyables, mais si vous n'êtes pas en mesure de partager ces résultats avec des experts métier capables de vérifier la logique métier et d'itérer sur un workflow généré par l'IA, alors l'utilité de ce que vous avez créé devient un artefact ponctuel difficile à gouverner ou à mettre à l'échelle pour l'entreprise.
Résoudre le problème du mode solo
Même s'il n'est pas réaliste de faire travailler votre équipe Finance avec des référentiels Git, vous pouvez tout de même partager des solutions d'IA dans un emplacement centralisé afin que vos experts métier puissent les examiner et itérer dessus.
Demandez à votre modèle d'IA de concevoir cette solution sous la forme d'un workflow Alteryx plutôt que sous forme de code. Les utilisateurs métier peuvent inspecter le workflow obtenu et voir ce qui se passe à chaque étape : quelles données ont été utilisées, la logique appliquée et les calculs effectués, ce que personne ne peut faire avec un script Python.
Dès lors, chaque workflow devient un artefact partageable et vérifiable. Les utilisateurs métier peuvent examiner et voir ce qui se passe. Ils peuvent même demander à l'IA de les aider à apporter des ajustements au workflow si des modifications sont nécessaires.
De plus, chaque workflow Alteryx peut devenir une source de logique métier fiable et un outil exécutable pour l'IA.
Si vous disposez d'un workflow Alteryx intitulé « Revenue Recognition », vous avez un enregistrement formalisé et lisible par machine de la manière dont votre entreprise comptabilise ses revenus. Toutes les formules pertinentes et la logique métier interne y sont intégrées.
Vos agents IA peuvent accéder à ces workflows pour comprendre et utiliser la logique métier qui définit le fonctionnement de votre entreprise. Vous n'avez pas besoin de brûler des tokens en demandant à l'IA de recalculer votre logique métier chaque fois que vous souhaitez calculer quelque chose.
Deuxièmement, vos workflows deviennent des « outils » pour vos modèles d'IA, des fonctions exécutables que vos modèles d'IA peuvent appeler pour effectuer des actions spécifiques. Chaque fois que vous avez besoin de calculer la comptabilisation des revenus, il vous suffit de demander à votre LLM d'exploiter ce workflow Alteryx via MCP, directement depuis votre interface LLM.
Poser les bases de la confiance
Certaines tâches sont parfaites pour les modèles d'IA probabilistes. D'autres, comme l'exécution de calculs importants et l'analytique, doivent être effectuées de la même manière, à chaque fois. Chaque entreprise possède des règles, une logique, des métriques et des calculs standardisés. Sans ces éléments, vous ne pouvez pas passer à l'échelle.
En utilisant les workflows Alteryx pour ces calculs, vous n'avez plus besoin que les modèles d'IA réinventent les calculs et la logique métier à chaque fois. Les règles métier validées se trouvent dans le workflow, où elles peuvent être inspectées, testées, gouvernées et réutilisées. Chaque workflow Alteryx devient un actif métier réutilisable qui alimente vos processus d'IA avec une logique fiable.
Soudain, la boîte noire devient bien plus claire.
