Chaque projet mené à bien n'est pas seulement une réussite en soi, mais aussi une occasion d'apprendre comment rendre les projets suivants encore plus fructueux et les mener à bien encore plus rapidement.
Lorsqu’un projet d’IA est couronné de succès, sa véritable valeur ne réside pas uniquement dans cette réussite en soi. Elle réside dans ce que ce projet met en lumière concernant l’écart entre la manière dont un processus est documenté et la façon dont il est réellement mis en œuvre au quotidien, ainsi que dans les enseignements que SnapLogic tire de la réduction de cet écart pour mener à bien le prochain projet plus rapidement et plus efficacement.
Cet article décrit concrètement comment ce processus d’apprentissage se déroule dans la pratique, en s’appuyant sur les modèles issus des déploiements d’IA de SnapLogic dans divers secteurs, et conclut en expliquant ce que ces modèles signifient pour les équipes qui prévoient de déployer elles-mêmes l’IA.
Pourquoi l'évaluation des projets d'IA revêt aujourd'hui une importance particulière
La seule façon d'apprécier la valeur d'une technologie est de l'utiliser « en situation réelle », c'est-à-dire dans un contexte concret. Cela est d'autant plus vrai dans le domaine de l'intégration, qui s'inscrit au cœur d'un écosystème composé d'autres systèmes, d'applications et de données. Alors qu'une application autonome est évaluée uniquement sur ses propres mérites, une infrastructure de données d'intégration représente l'aboutissement d'un projet global d'architecture d'entreprise.
S'il est important d'évaluer les projets, ce n'est pas seulement pour ajouter de nouveaux logos de clients à notre liste, mais aussi pour tirer des enseignements de chacun d'entre eux et améliorer la qualité de nos prestations lors de futures missions. Ce processus d'apprentissage est d'autant plus crucial dans le domaine de l'IA, où les bonnes pratiques évoluent encore rapidement et où il n'existe tout simplement pas beaucoup de connaissances établies de type « voilà comment on procède » sur lesquelles s'appuyer.
Chez SnapLogic, nous avons enregistré plusieurs succès en matière d’IA dans divers secteurs et domaines ; je vais donc vous présenter quelques facteurs communs à bon nombre de projets de ce type.
Quand le processus documenté rejoint le processus réel
Les spécificités de la technologie et des processus métier varient considérablement. Toutefois, les points communs consistent avant tout à s'assurer que ce qui a été développé correspond bien aux exigences et aidera les utilisateurs à obtenir des résultats concrets.
Dans tout projet de mise en œuvre technologique, il doit y avoir une phase d’acceptation par les utilisateurs, au cours de laquelle l’équipe SnapLogic collabore avec les utilisateurs finaux du côté du client afin de comprendre ce qui est nécessaire pour transformer une première ébauche de mise en œuvre, fondée sur notre compréhension externe du processus et de ses objectifs, en une solution pouvant réellement être mise en production.
Avec l'IA, ce processus revêt une importance encore plus grande, car il peut exister des écarts considérables entre les attentes quant aux capacités de l'IA et les réalités de la mise en œuvre d'un projet d'IA dans un monde réel complexe.
On constate notamment assez souvent que le processus officiel, celui qui est décrit dans les documents sur lesquels l'équipe de projet avait fondé son travail, ne correspondait pas exactement à ce que les agents humains suivaient dans la réalité.
5 schémas qui reviennent sans cesse
Il ne s'agit pas ici de cas où l'on aurait pris des raccourcis ; il n'est pas question de personnes qui ne respecteraient pas les consignes ou quoi que ce soit de ce genre. Ce à quoi nos consultants ont été confrontés à maintes reprises, ce sont plutôt des situations où les humains faisaient preuve de discernement et d'initiative, et où la réalité, avec toute sa complexité, ne correspondait pas tout à fait à la logique rigoureuse du processus tel qu'il était décrit par écrit.
1. Manque de cohérence dans le calendrier des processus (dette opérationnelle)
Dans le cadre du processus manuel, les opérateurs lançaient systématiquement la première étape du flux de travail avant que toutes les mises à jour de données nécessaires ou les données externes ne soient entièrement disponibles dans le système, gérant ces lacunes de manière informelle au fur et à mesure de leur progression. Comme les agents d’IA agissent immédiatement, ils mettront en évidence les cas où des « les workflows » étaient exécutées sur la base d’informations incomplètes. Les évaluations initiales les identifiaient souvent à tort comme des « erreurs d’outil », mais une enquête révèle généralement que les agents traitaient simplement les données telles qu’elles leur étaient fournies.
2. Variabilité de la configuration (dette de connaissances et variation entre utilisateurs)
Lorsqu'ils traitent des données d'entrée complexes, les opérateurs humains peuvent appliquer les paramètres de configuration de manière incohérente, en s'appuyant sur un savoir-faire tacite ou sur leur propre jugement. Les agents d'IA signalent ces incohérences, car l'automatisation nécessite une logique conditionnelle cohérente. La solution consiste ici à mettre en place des valeurs par défaut standardisées afin de pallier les entrées de données historiques incohérentes.
3. Variation du format des données d'entrée (dette d'hygiène)
Les processus hérités peuvent nécessiter le traitement d'informations critiques dans des formats non structurés et non standard (comme l'intégration de fichiers complexes au sein d'autres documents). Dans ces cas-là, les opérateurs compensent souvent en procédant à une collecte manuelle des informations — ce qui revient essentiellement à copier-coller des informations entre documents et systèmes. Les agents d'IA mettront en évidence tout canal d'information non standardisé, souvent en échouant à extraire des données de structures intrinsèquement imprévisibles sans un travail supplémentaire.
4. Contradictions structurelles (ambiguïté des exigences)
Les agents d'IA ayant besoin de parcours décisionnels bien définis, fondés sur des politiques internes, ils mettront en évidence tous les domaines dans lesquels les organisations n'ont pas entièrement standardisé leurs propres règles opérationnelles fondamentales. Lors des tests de solutions d'IA agentique, ces divergences, ainsi que des politiques internes vagues ou contradictoires, seront mises en lumière. Dans ces cas-là, les agents d'IA ne font que refléter les ambiguïtés des politiques qui étaient auparavant passées inaperçues ou avaient été masquées par des processus de correction informels.
5. La référence de « précision humaine » (dette de validation)
Enfin, les parties prenantes internes ont souvent tendance, dans un premier temps, à juger que les résultats fournis par l’outil d’automatisation sont de mauvaise qualité, en exigeant une précision parfaite. Cependant, un examen plus approfondi des anciens processus manuels révèle souvent des erreurs de calcul, des divergences entre les utilisateurs et des problèmes d’intégrité des données. En d’autres termes, l’automatisation ne crée pas d’erreurs ; elle met en évidence les points où les références humaines historiques pourraient ne pas être parfaitement normalisées, comme nous l’avons vu dans les catégories précédentes.
Conseils pour réussir
Ces situations ne sont pas vraiment propres à SnapLogic, ni même à l'IA. L'automatisation a toujours mis en évidence les différences entre le processus tel qu'il est défini et le processus tel qu'il est exécuté par des humains. Ce qui est nouveau avec l'IA, c'est la rapidité de mise en œuvre et l'étendue des possibilités offertes.
Par exemple, par le passé, il était pratiquement impossible de traiter les données non structurées : ce fouillis de fichiers PDF, de feuilles de calcul, d’images et autres éléments disparates constituait la « matière noire » de l’informatique d’entreprise. L’IA permet d’automatiser ce processus, mais ce faisant, elle met en évidence tous les cas où les humains faisaient appel à leur jugement et à leur esprit d’initiative pour gérer des situations complexes.
D'un autre côté, comme nous avons affaire à des agents d'IA et non à une automatisation rigide et normative, nous pouvons mettre ces mêmes capacités positives au service du processus et éviter ainsi à ces experts de perdre leur temps précieux à parcourir des fichiers PDF ou à copier-coller des informations d'une feuille de calcul à l'autre.
C'est ainsi que l'automatisation basée sur l'IA peut produire le genre de résultats obtenus par CCB, et que de nombreux autres clients de SnapLogic commencent également à constater.
Nous serions ravis que vous soyez le prochain. Vous pouvez commencer par suivre une visite guidée autonome du produit ou réserver une démonstration personnalisée avec l'un de nos experts.
