Où l'IA d'entreprise rapporte réellement : un sidérurgiste et une compagnie aérienne

Deux études de cas ont été publiées ce mois-ci et, ensemble, elles en disent plus sur l'IA d'entreprise qu'une année de keynotes de fournisseurs. La première concerne un sidérurgiste qui a déployé des centaines d'agents spécialisés. La seconde, une compagnie aérienne qui a réduit de moitié le temps de revue des contrats. Ni l'une ni l'autre ne reposait sur un assistant généraliste répondant à des questions dans une barre latérale.

Trois cents agents dans une aciérie

Selon Google Cloud, Tata Steel a déployé plus de 300 agents d'IA spécialisés en neuf mois. Ils prennent en charge la maintenance des équipements, l'accès à l'information et des réponses plus rapides aux clients. Le mot qui fait le travail dans cette phrase est « spécialisés ». Il ne s'agissait pas d'un seul agent doté d'un mandat large, mais de trois cents agents étroits, chacun rattaché à une tâche opérationnelle précise.

C'est une architecture différente de celle que vendent la plupart des fournisseurs. Un agent général capable de tout faire est facile à présenter en démonstration et difficile à qui accorder sa confiance. Une flotte d'agents qui font chacun une seule chose est fastidieuse à construire et bien plus facile à gouverner, parce que le périmètre est défini par la tâche. Quand l'un d'eux déraille, on sait à quel processus il appartient et à quoi il aurait dû avoir accès.

L'angle de la maintenance mérite d'être souligné en soi. La maintenance des équipements est le domaine où l'IA industrielle offre le gain le plus clair, parce que les données sont déjà là, que les modes de défaillance coûtent cher et qu'une amélioration de dix pour cent de la disponibilité se mesure en devises. C'est un travail peu glamour, et c'est exactement le genre de travail qui survit à un examen budgétaire.

Une revue de contrats passée de plusieurs jours à quelques heures

Cebu Pacific a rapporté que le déploiement de ChatGPT Enterprise a réduit d'environ moitié le temps de revue juridique des contrats. Le délai de traitement des demandes de projets est passé de cinq jours à environ un jour, et les recherches de références techniques sont tombées de dix à quinze minutes à moins de dix secondes. Dans une enquête auprès des utilisateurs, 86 % ont déclaré que l'IA soutenait plus d'un tiers de leur travail quotidien.

C'est le chiffre sur les contrats qu'il faut retenir. La revue juridique est une tâche aux enjeux réels, avec une entrée définie et une sortie claire. C'est aussi une tâche dont le goulot d'étranglement est la lecture, et la lecture est quelque chose que les modèles de langage maîtrisent vraiment. La compagnie aérienne n'a pas automatisé le juriste. Elle a supprimé la partie du travail où une personne parcourt un document à la recherche de clauses qu'elle a vues cent fois. C'est un changement de flux de travail, pas un achat d'outil.

Le schéma commun aux deux

Aucune des deux études de cas ne porte sur un modèle capable de raisonner mieux qu'un humain. Toutes deux concernent des modèles insérés à une étape précise d'un processus défini, où l'avant et l'après peuvent être mesurés. Tata Steel sait quelles décisions de maintenance sont devenues plus rapides. Cebu Pacific sait combien de jours durait auparavant le processus de traitement des demandes.

Le chiffre qui devrait inquiéter les fournisseurs se trouve dans les données d'enquête. L'indice de maturité de l'IA d'entreprise de Singapour situe l'adoption de l'IA agentique à 51 %, contre 22 % l'année précédente, alors que seulement 10 % des entreprises avaient repensé leurs flux de travail de bout en bout autour d'elle. Une étude de Capgemini a relevé des écarts similaires, la plupart des organisations se contentant encore d'explorer ou de mener des projets pilotes.

Le marché est donc plein d'entreprises qui ont connecté l'IA à un flux de travail sans changer le flux de travail. Elles ont vissé un modèle sur l'ancien processus et ont appelé cela une transformation. Les deux études de cas présentées ici ont fait l'inverse, et c'est pourquoi elles produisent des chiffres qui valent la peine d'être rapportés.

La spécialisation, c'est ce qui rend les agents gouvernables

Il existe une raison de gouvernance de préférer une flotte d'agents étroits à un seul agent large, et elle mérite d'être explicitée. Un agent dont le périmètre est fixe est facile à auditer. On sait à quoi il devrait pouvoir accéder, on peut journaliser ce à quoi il a réellement accédé, et l'écart entre les deux tient en une courte liste. Un agent doté d'un mandat large a un périmètre qui change à chaque tâche, ce qui transforme le même audit en projet de recherche.

Les 300 agents de Tata Steel sont spécialisés exactement de cette manière. Ce choix rapporte doublement. L'ingénierie est plus simple et le déploiement devient défendable auprès des personnes qui doivent le valider. Chaque agent peut être analysé pour lui-même, et la défaillance de l'un n'oblige pas à réexaminer les 299 autres.

Le même principe explique pourquoi tant de programmes d'agents en entreprise s'enlisent. Un agent généraliste se montre prometteur en démonstration, fait l'objet d'un pilote sur un large pan de travail, puis se heurte au fait que personne ne peut décrire à quoi ressemble un comportement correct sur l'ensemble de ce pan. Réduire le périmètre donne l'impression d'un recul, et c'est pourtant l'étape qui rend le projet viable.

L'exigence cachée : une base de référence à laquelle se comparer

Les deux études de cas produisent des chiffres, et ce n'est pas un hasard. Mesurer un gain de dix pour cent de disponibilité ou un passage de cinq jours à un jour suppose de disposer d'un avant. Les organisations qui négligent la base de référence finissent avec des anecdotes au lieu de résultats, et c'est pourquoi tant de programmes d'IA rapportent de l'enthousiasme mais peinent à rapporter de l'impact.

La discipline commence avant le déploiement. Choisir le processus, consigner combien de temps il prend et ce qu'il coûte aujourd'hui, puis modifier une étape et mesurer à nouveau. Cela semble bureaucratique, et c'est ce qui distingue un programme capable de défendre son budget d'un programme qui en est incapable. Cebu Pacific peut affirmer que son temps de revue des contrats a été réduit de moitié parce que quelqu'un a noté ce qu'il était auparavant.

Il existe une seconde mesure tout aussi importante, et plus rarement effectuée : le taux d'erreur. Un agent qui divise le temps par deux et double les erreurs n'a rien amélioré ; il a déplacé le coût de l'amont du processus vers l'aval. Les études de cas qui tiennent sont celles où un humain vérifie encore la sortie au moment où une erreur coûterait cher, et où le gain mesuré provient de la suppression de la lecture, et non de celle de la vérification.

Ce que cet écart signifie pour l'année à venir

Les organisations qui obtiennent des résultats sont celles qui ont choisi un processus, l'ont mesuré et l'ont reconstruit autour de ce que le modèle sait réellement faire. Celles qui restent bloquées en pilote sont celles qui ont acheté un accès et ont attendu que l'adoption se produise d'elle-même. L'accès n'a jamais été la partie difficile. La refonte, si.

Le sidérurgiste et la compagnie aérienne partagent aussi un trait facile à négliger. Tous deux ont maintenu des humains aux points de décision qui engagent la responsabilité. L'agent de maintenance signale, une personne décide. L'agent contractuel rédige et surligne, un juriste approuve. L'IA a supprimé le balayage, pas le jugement.

Cette répartition du travail paraît banale avec le recul. C'est aussi ce qui sépare un programme d'IA qui produit un chiffre d'un programme qui produit une diapositive. Choisir le processus, trouver l'étape où une personne lit ou déplace de l'information, automatiser cette étape, et mesurer ce qui a changé. La recette est simple. L'exécuter est plus difficile qu'acheter une licence, et c'est pourquoi tant d'organisations achètent la licence et appellent cela une stratégie.