Comment préparer l’entreprise à l’arrivée des agents d’IA

Taimur Rashid connaît bien les grandes transformations de l’informatique d’entreprise. Aujourd’hui directeur général de la division des Services et de l’Ingénierie en intelligence artificielle de pointe chez Amazon Web Services (AWS), il a amorcé un premier passage chez AWS en 2008, avant de poursuivre sa carrière chez Microsoft et Redis, où il a notamment travaillé sur les données, l’infonuagique et l’intelligence artificielle. Revenu chez AWS en 2024, il travaille maintenant directement avec des entreprises qui cherchent à faire passer l’IA générative et les agents d’IA de l’expérimentation à la production.

MinuteTech l’a rencontré à Montréal, au lendemain d’une conférence où il défendait une idée qui tranche avec une partie du discours actuel sur l’intelligence artificielle : avant de multiplier les agents et les projets d’IA, une entreprise doit d’abord comprendre ses données, ses systèmes et son propre fonctionnement.

Le dirigeant d’AWS appelle cette approche la « cartographie organisationnelle », une façon d’utiliser l’IA pour dresser une carte sémantique de l’entreprise et déterminer où la technologie peut réellement apporter de la valeur.

Cartographier l’entreprise avant de la transformer

La cartographie organisationnelle part d’un problème qui précède largement l’arrivée de l’intelligence artificielle. De grandes entreprises fonctionnent encore avec des systèmes informatiques construits et modifiés depuis 20 ou 30 ans. Avec le temps, comprendre leurs dépendances, déterminer ce qui doit être modernisé et même évaluer le coût réel de leur maintien peut devenir extrêmement complexe.

« Un client a décrit son système comme des spaghettis, puis il nous a montré l’image », raconte Taimur Rashid.

La question devient alors de savoir quoi moderniser, où le faire et même s’il est toujours pertinent de moderniser certains systèmes existants plutôt que de les reconstruire avec de nouveaux outils. Pour prendre ces décisions, il estime qu’il faut d’abord disposer d’une carte.

L’intelligence artificielle change cependant la façon de la construire. Des agents peuvent recevoir une tâche précise, explorer des systèmes et en extraire les composantes et les relations.

Derrière l’expression « cartographie organisationnelle » se trouve quelque chose de plus technique : la création d’une couche sémantique et d’une représentation sous forme de graphe.

« J’ai des entités. Voici les relations entre les entités. Voici la signification sémantique de ces entités », M. Rashid.

Une interface conversationnelle peut ensuite être placée au-dessus de cette représentation. L’entreprise peut alors interroger ses propres systèmes : où se trouvent les risques? Quelles fonctions sont dupliquées? Où existe-t-il des possibilités de modernisation? Combien coûte le maintien d’un système?

Quand les systèmes proposent eux-mêmes les projets d’IA

Cette cartographie peut également changer la manière dont une entreprise choisit ses projets d’intelligence artificielle.

Au lancement du centre d’innovation en IA générative d’AWS, il y a environ trois ans, une bonne partie du travail consistait à rencontrer les clients pour déterminer manuellement les cas d’utilisation à privilégier.

L’approche que décrit Rashid aujourd’hui est différente.

« Donnez-nous 45 jours. Donnez-nous accès à vos systèmes et nous laisserons les systèmes nous dire quels cas d’utilisation réaliser », résume-t-il.

L’objectif n’est pas de remplacer le jugement des employés. AWS cherche plutôt à combiner ce que révèle l’analyse des systèmes avec les priorités exprimées par les personnes qui travaillent dans l’organisation.

« Live in 45 » : pourquoi 45 jours?

Ce délai de 45 jours revient constamment dans la philosophie de l’équipe de Rashid.

Lorsque le centre d’innovation a commencé ses activités, un projet comme la création d’un assistant conversationnel destiné à des employés de première ligne pouvait prendre de 12 à 14 semaines. À mesure que les technologies se sont améliorées et que les équipes ont développé des outils et des composantes réutilisables, les délais ont diminué.

De 14 semaines, ils sont passés à 12, puis à neuf.

« Nous avons ensuite été capables de réaliser des projets, du début jusqu’à la production, en 45 jours », explique Rashid.

AWS a finalement donné un nom à cette approche : « Live in 45 ». Taimur Rashid reconnaît en riant que la formule a aussi l’avantage d’être accrocheuse.

Mais derrière le slogan se trouve une méthode de travail. Une phase de découverte qui pouvait auparavant demander jusqu’à une douzaine de jours peut maintenant, selon lui, être réalisée en quatre ou cinq jours. Le reste du temps sert principalement à construire, valider, tester, améliorer et déployer le projet.

Tous les projets ne peuvent évidemment pas être terminés en 45 jours. AWS conserve néanmoins cette période comme unité de progression.

« Nous ferons quand même des blocs de 45 jours. Les 45 jours deviennent notre unité de progrès », explique le dirigeant.

Certains clients commencent même, selon lui, à appliquer cette cadence à d’autres projets technologiques et à des initiatives d’affaires.

Sans bonnes données, pas de miracle

Cette accélération ne fait pas disparaître un vieux problème de l’informatique : la qualité des données.

Les modèles sont plus puissants et les agents peuvent accomplir des tâches plus complexes, mais ils ne font pas disparaître les conséquences de données incomplètes, incohérentes ou mal structurées.

Les entreprises qui progressent le plus rapidement dans l’adoption de l’IA agentique sont notamment celles qui avaient déjà travaillé à mettre leurs données en ordre, observe le dirigeant d’AWS.

L’intelligence artificielle peut aider à structurer et à exploiter l’information. Elle ne transforme toutefois pas automatiquement de mauvaises données en information fiable.

Trois obstacles pour passer à l’échelle

Lorsqu’on lui demande ce qui freine encore l’adoption de l’intelligence artificielle à grande échelle, Rashid identifie trois grands obstacles : la formation, la gouvernance et la sécurité.

Le premier est humain. La technologie évolue rapidement et les entreprises doivent continuellement s’assurer que leurs employés comprennent les nouveaux outils et savent comment les utiliser de façon productive.

Le deuxième concerne la gouvernance. L’accès aux modèles et aux services d’IA est devenu extrêmement simple. Pour les organisations, le défi consiste donc à conserver une visibilité sur les outils utilisés, leurs coûts et les résultats qu’ils produisent.

Le dirigeant insiste particulièrement sur l’« observabilité », soit la capacité de comprendre ce qu’un système d’IA a fait et de conserver les informations nécessaires pour examiner ses décisions.

Il prend l’exemple du secteur de l’assurance. Si un système d’intelligence artificielle participe au traitement d’une réclamation, l’organisation doit pouvoir retracer pourquoi une décision a été prise, notamment pour répondre à ses obligations réglementaires.

Enfin vient la sécurité. Corriger une vulnérabilité ne signifie pas que le travail est terminé. Les capacités de l’intelligence artificielle progressent, mais les menaces évoluent elles aussi. Les entreprises doivent donc développer une capacité permanente de surveillance, d’évaluation et de correction.

Jusqu’où peut-on faire confiance à un agent d’IA?

La montée des agents pose inévitablement une autre question : jusqu’où une entreprise peut-elle leur faire confiance?

Pour Taimur Rashid, la réponse passe d’abord par la vérification et la validation.

Une organisation qui confie une tâche à un agent doit pouvoir évaluer objectivement son travail. Le niveau de confiance acceptable dépend ensuite du domaine et des conséquences d’une éventuelle erreur.

Un agent généraliste qui participe à l’approbation d’une réclamation d’assurance, par exemple, ne présente pas les mêmes garanties qu’un système adapté à cette tâche et soumis à un cadre d’évaluation conçu spécifiquement pour ce contexte.

Plus la conséquence d’une décision est importante, plus la capacité à mesurer, vérifier et retracer le comportement de l’IA devient essentielle.

Le dirigeant d’AWS résume le problème par une autre idée : les capacités et les garde-fous doivent progresser ensemble.

Les modèles deviennent rapidement plus performants. Mais la sécurité, les normes, les mécanismes de contrôle et la réglementation doivent suivre.

Lorsque les capacités progressent plus rapidement que notre aptitude à assurer leur utilisation sécuritaire, il estime qu’il faut être capable de ralentir afin que les protections rattrapent leur retard.

AWS propose notamment des mécanismes de garde-fous dans Amazon Bedrock et dans sa plateforme destinée aux agents. Rashid évoque la possibilité de définir et d’appliquer des politiques de sécurité et d’utiliser des mécanismes de raisonnement automatisé pour vérifier leur application.

La production n’est que le début

Cette prudence rejoint une idée que Taimur Rashid avait également défendue lors de sa conférence à Montréal : mettre un projet d’intelligence artificielle en production ne signifie pas que le travail est terminé.

C’est plutôt à ce moment que commence l’apprentissage réel.

Une fois confronté à de vrais utilisateurs, à de vraies données et à des situations qui n’étaient pas nécessairement prévues pendant les essais, le système doit être observé et continuellement amélioré.

Les organisations qui dépassent le stade des projets pilotes sont notamment celles qui relient leurs initiatives d’IA à un résultat d’affaires mesurable et disposent de l’infrastructure nécessaire pour les maintenir en production, soutient le dirigeant.

Dans cinq ans, de nouvelles façons de mesurer le travail

Prédire ce que sera l’intelligence artificielle dans cinq ans est un exercice dont Rashid se méfie.

Il préfère poser la question autrement : qu’est-ce qui a de bonnes chances de demeurer vrai dans deux ou cinq ans?

La productivité arrive rapidement dans sa réponse. Il s’attend à ce que les travailleurs puissent accomplir davantage avec l’intelligence artificielle, mais aussi à une évolution dans notre capacité à mesurer cette productivité.

« Nous utilisons de vieux indicateurs pour mesurer une nouvelle technologie », observe-t-il.

Les modèles devraient également continuer de gagner en capacités alors que leur utilisation deviendra moins coûteuse. Rashid affirme que les coûts d’inférence ont diminué d’environ 90 % au cours des 18 à 24 derniers mois et s’attend à de nouvelles améliorations, notamment grâce à la mise en cache et à la similarité sémantique.

L’avenir de l’IA en entreprise ne passerait donc pas uniquement par des modèles toujours plus puissants, mais aussi par une utilisation plus efficace de ces modèles.

« Moins de personnes pour accomplir de grandes choses »

La transformation la plus importante pourrait finalement toucher directement l’organisation du travail.

« La capacité pour moins de personnes d’accomplir de grandes choses va continuer », prévoit Rashid.

Il donne l’exemple de sa propre organisation. Un travail qui pouvait initialement demander une équipe de six personnes peut maintenant, dit-il, être accompli par trois personnes accompagnées d’outils d’intelligence artificielle.

Il ne présente toutefois pas cette évolution uniquement comme une substitution de travailleurs, mais plutôt comme une transformation des rôles.

Le phénomène est déjà visible chez les ingénieurs logiciels, dont la façon de programmer évolue avec les assistants de développement. Il s’attend à voir des changements similaires chez les travailleurs de première ligne et les travailleurs du savoir.

L’éducation n’y échappera pas non plus. Selon lui, l’intelligence artificielle modifiera autant la façon dont les étudiants apprennent que celle dont les professeurs enseignent.

Les modèles continueront de changer. Les agents deviendront plus capables et les coûts pourraient continuer de diminuer. Pour les entreprises, le défi sera de transformer en même temps leurs systèmes, leurs méthodes de travail, leurs mécanismes de contrôle et les rôles des personnes qui les utilisent.

Pour un dirigeant dont le travail consiste précisément à déployer les technologies d’intelligence artificielle les plus récentes dans de grandes organisations, l’avenir semble, pour l’instant, beaucoup plus terre-à-terre.