De plus en plus d'organisations se rendent compte que même leurs données de la plus haute qualité ne sont pas prêtes à être utilisées par des agents d’IA pour qu’ils puissent prendre des décisions en s’appuyant sur celles-ci.
Pour savoir avec certitude si vos données sont « adaptées aux agents » – et pas seulement « adaptées aux rapports » –, vous devez disposer de moyens de le vérifier.
Voici cinq tests que vous pouvez effectuer dans votre propre environnement pour vous assurer que vos données sont de qualité « agent ».
1. Vos données sont-elles cohérentes sur tous les systèmes sur lesquels un agent intervient ?
Il s'agit de savoir si vos systèmes ont une raison structurelle de s'accorder, ou si chacun d'entre eux est laissé libre de conserver sa propre version de la vérité.
Pour évaluer cela, examinez les éléments suivants :
- la fréquence à laquelle des champs clés ne concordent pas d’un système à l’autre pour une même entité, comme la description d’un produit, les coordonnées d’un client ou le statut d’un fournisseur
- Si ces divergences sont détectées automatiquement, ou si elles n’apparaissent qu’une fois qu’un problème survient en aval
- Si chaque système s'alimente à partir d'une source unique et contrôlée, ou s'il gère sa propre copie susceptible de diverger au fil du temps
Si la réponse à ce dernier point est « sa propre copie », un agent n’a aucun moyen de savoir quelle version est la bonne.
Il agira en fonction de la première version à laquelle il aura accès, et cette décision comportera une part d’incertitude.
2. Vos données sont-elles suffisamment complètes pour qu’un agent puisse agir sans avoir à deviner ?
Un rapport peut contourner un champ manquant. Un tableau de bord affiche un espace vide, et la personne qui le consulte sait qu’elle doit se renseigner auprès de quelqu’un. Mais un agent n’a personne à qui s’adresser.
Pour un agent, l’exhaustivité ne dépend pas du degré de remplissage global d’un enregistrement, mais des attributs spécifiques requis par un workflow. Ces attributs sont-ils renseignés de manière cohérente dans tous les enregistrements traités par ce workflow ?
Pour vérifier cela, cartographiez un workflow d’agent de bout en bout et répertoriez tous les champs dont il se sert.
Effectuez ensuite un contrôle de remplissage par rapport à cette liste, et non par rapport à l’enregistrement dans son ensemble. Examinez le taux d’échec par champ plutôt que par enregistrement.
Un dossier client peut passer avec succès tous les contrôles d’exhaustivité des rapports tout en présentant des lacunes concernant le statut des droits sur une part non négligeable de comptes. Cela ne pose pas de problème majeur sur un tableau de bord. Mais lorsqu’un agent doit déterminer ce qui est dû à un client, il se retrouve bloqué ou doit faire des suppositions.
3. Vos données sont-elles accompagnées d’un contexte qu’un agent peut interpréter de lui-même ?
Une valeur brute ne dit pas à un agent ce qu’elle signifie. Un outil de reporting extrait un chiffre et le présente, et c’est à une personne de décider ce qu’il implique. Un agent doit en décider lui-même.
Pour vérifier cela, choisissez un type d'enregistrement et vérifiez si les relations dont il dépend sont stockées sous forme de données structurées, et non pas simplement connues des personnes qui l'utilisent :
- La catégorie d’un produit est-elle mappée de manière cohérente sur tous les marchés où il est commercialisé ? Ou varie-t-elle selon les régions sans qu’il y ait de lien entre les différentes versions ?
- Le nom du compte d’un client correspond-il à une seule et même entité juridique ? Ou deux enregistrements pourraient-ils décrire la même entreprise sans qu’aucun lien ne les relie ?
Si ces relations n’existent que sous la forme d’une connaissance humaine, un agent n’a rien à interroger.
Il agira sur la valeur brute, et il n’y a aucun moyen de prédire si cette interprétation est correcte.
4. Vos données sont-elles exactes au moment même où un agent les utilise ?
Un rapport établi à partir des chiffres de la veille peut tout de même s’avérer utile. Ce n’est pas le cas pour un agent qui doit prendre une décision en temps réel.
Pour vérifier cela, choisissez un champ qui évolue fréquemment, tel que :
- les niveaux de stock
- Les délais de livraison des fournisseurs
- La classification des produits
- État des capacités
- Statut de conformité ou de certification
Comparez la valeur lue par un agent dans le système avec celle figurant dans le système de référence au même moment.
Vérifiez ensuite le décalage. Combien de temps faut-il pour qu’une mise à jour effectuée dans l’un des systèmes soit répercutée dans l’autre ?
Un décalage de quelques heures n’a aucune incidence sur un rapport hebdomadaire. Mais pour un agent chargé d’acheminer des stocks ou de confirmer la disponibilité en temps réel, ce même décalage signifie qu’il agit sur un chiffre qui était déjà erroné au moment où il a pris sa décision.
Si vos systèmes se synchronisent selon un calendrier plutôt qu’en continu, ce calendrier est la véritable réponse à la question de l’actualité de vos données.
5. Vos données permettent-elles de justifier la décision prise par un agent et d’en expliquer les raisons ?
Les agents prennent des décisions sans que personne ne les surveille en temps réel, ce qui signifie que la preuve doit déjà exister au moment où quelqu'un en fait la demande.
Dans cet exercice, choisissez une décision prise par un agent au cours du mois dernier et essayez de répondre à quatre questions sans demander d'aide à personne :
- Quelle version de chaque enregistrement d'entrée l'agent a-t-il consultée, et à quelle heure ?
- Quelle règle ou politique s’appliquait à cette décision, et s’agissait-il de la version en vigueur à ce moment-là ?
- Où cette décision a-t-elle été consignée, et pendant combien de temps ce journal est-il conservé ?
- Si l’agent a transmis son résultat à un autre agent ou à un autre système, pouvez-vous retracer ce qui s’est passé ensuite ?
Si vous pouvez répondre à ces quatre questions à partir du système lui-même, vous pouvez reconstituer la décision à la demande.
Si l’une des réponses dépend de la mémoire d’une personne, d’une capture d’écran ou d’un journal qui est écrasé au bout d’un certain nombre de jours, vous ne vous rendrez compte qu’elle est indémontrable que lorsque quelqu’un posera la question.
De quoi dépend la réussite des cinq tests de données de niveau « agent » ?
La réussite des cinq tests dépend de la qualité de la structuration et de l’interconnexion des données relatives à vos produits, clients, fournisseurs, sites et partenaires commerciaux. Il ne s’agit pas d’un domaine isolé.
Un agent reste rarement confiné à un seul domaine.
- Une décision d’approvisionnement concerne à la fois les données fournisseurs et les données produits
- Une décision relative aux services concerne à la fois les données clients et les données produits
Si un domaine répond aux critères et un autre non, l’agent hérite du plus faible dès que son flux de travail passe d’un domaine à l’autre.
C’est pourquoi corriger les domaines un par un permet rarement à une organisation d’atteindre ses objectifs. Le travail qui fait vraiment la différence consiste à relier tous les domaines sans rien perdre :
- la cohérence
- l'exhaustivité
- le contexte
- Précision
- Traçabilité
Tout comme l’alimentation qui sous-tend le programme d’entraînement de cet athlète, cela doit être entretenu. Il ne s’agit pas d’une solution ponctuelle.
Comment Stibo Systems parvient-il à regrouper tout cela sur une seule et même plateforme ?
Grâce à STEP, notre plateforme d’intelligence de confiance, Stibo Systems structure vos données relatives aux produits, aux clients, aux fournisseurs et aux partenaires commerciaux au sein d’une plateforme unique, de sorte que les cinq critères s’appliquent simultanément aux quatre domaines.
- Un modèle de données partagé entre les domaines, de sorte qu’un produit, son fournisseur et le client qui l’achète restent liés et cohérents les uns par rapport aux autres
- Des règles de gouvernance et d’accès intégrées aux données elles-mêmes, de sorte que les agents héritent automatiquement des règles appropriées au fur et à mesure de leurs actions
- Une traçabilité complète de chaque enregistrement, permettant de reconstituer à la demande chaque donnée d’entrée utilisée par un agent et chaque résultat qu’il a produit
- Une synchronisation continue entre les systèmes connectés, permettant ainsi aux agents de travailler à partir de données à jour plutôt que d’un instantané périodique
Il en résulte une infrastructure qui reste solide à mesure que de nouveaux agents sont ajoutés, au lieu d’une configuration qui doit être revérifiée à chaque fois.
FAQ
Qu'est-ce que les données de niveau agent ?
Les données de niveau agent sont des données d'entreprise structurées pour soutenir la prise de décision autonome : cohérentes à travers les systèmes, complètes au niveau du domaine, riches en sémantique, précises en temps réel et entièrement traçables. La plupart des données d'entreprise ont été conçues pour le reporting, ce qui fixe une barre plus basse.
En quoi les données de niveau agent diffèrent-elles des données propres ?
Des données propres peuvent être précises au sein d'un seul système et échouer à un agent si elles entrent en conflit avec un autre système, manquent de contexte ou ne peuvent pas être retracées après coup. La propreté est nécessaire mais pas suffisante pour un niveau d'agent.
Les agents d'IA peuvent-ils travailler avec les données existantes de l'entreprise ?
Souvent seulement partiellement. La plupart des données d'entreprise n'étaient pas conditionnées pour une action autonome, donc les agents peuvent se bloquer, deviner ou agir sur des entrées obsolètes ou incohérentes à moins que les données ne soient mises à jour.
Que se passe-t-il si un agent IA utilise de mauvaises données ?
Contrairement à un humain qui examine un rapport, un agent agit immédiatement sur ce qu'il trouve. Une incohérence ou une lacune n'est pas détectée avant qu'une décision soit prise, elle devient la décision.
Comment préparez-vous les données pour les agents IA ?
La préparation signifie aborder cinq domaines : la cohérence entre les systèmes, l'exhaustivité au niveau du domaine, le contexte sémantique, la précision en temps réel et la gouvernance avec une traçabilité complète, à travers tous les domaines de données connectés plutôt qu'un à la fois.
Quel est le rôle de la gestion des données de référence dans la préparation à l'IA ?
MDM fournit la base structurée et gouvernée qui connecte les données des produits, des clients, des fournisseurs et des partenaires commerciaux, ce qui permet aux agents d'agir de manière fiable à travers les domaines au lieu d'échouer lors du transfert entre eux.
