La plupart des programmes de qualité des données d'entreprise n'ont pas été conçus en tenant compte des agents d'IA. Ils ont été mis en place pour produire des rapports précis et fournir des données fiables aux décideurs humains.
Les agents d'IA prennent leurs propres décisions.
Et la norme de qualité des données dont ils ont besoin est nettement plus exigeante que celle pour laquelle votre infrastructure de reporting a été conçue.
C'est un peu comme les zones d'entraînement des athlètes. L'effort d'entraînement nécessaire pour une compétition locale ne vous mènera pas aux Jeux Olympiques. Plus les enjeux sont élevés, plus les exigences sont élevées. Il en va de même pour les données.
Alors, de quoi avez-vous besoin pour être compétitif ? Voici les cinq normes auxquelles vos données doivent répondre.
1. Des données cohérentes sur tous les systèmes utilisés par un agent
Lorsqu’un analyste humain détecte une incohérence entre les systèmes, cela donne lieu à un échange. Quelqu’un mène l’enquête et une décision est prise. Un être humain intervient dans le processus et peut absorber cette friction.
Un agent IA ne dispose pas d’un tel tampon.
Il agit en fonction de ce qu’il détecte. Si ce qu’il détecte dans un système contredit ce qui figure dans un autre, il pourrait tout simplement continuer. La décision qu’il prend en aval reflète cette incohérence, et rien ne garantit que quelqu’un la repère avant que l’erreur ne se propage davantage.
Vos données peuvent être parfaitement exactes au sein de chaque système pris individuellement. Mais elles doivent également rester cohérentes d’un système à l’autre au moment où un agent en a besoin, et ce :
- Vos fiches produits
- Vos données clients
- Vos informations fournisseurs
- Vos données de localisation
Tout cela, en même temps.
2. Relations entre les domaines structurées pour que les agents puissent les suivre
Les outils de reporting sont conçus pour fonctionner dans un cadre bien défini.
- Un tableau de bord des ventes s'appuie sur les données clients
- Un rapport sur la chaîne d'approvisionnement s'appuie sur les fiches fournisseurs
Chacun est conçu pour son domaine spécifique. Et cela fonctionne parce qu'un être humain établit les liens entre eux.
Les agents ne fonctionnent pas de cette manière. Le workflow d’un agent peut passer d’un dossier client à un produit associé, puis au fournisseur qui le fournit, avant de se diriger vers une règle de conformité régissant la transaction.
Cette chaîne ne tient que si les relations entre les domaines sont explicites, régies et praticables sans que l’agent ne se retrouve dans une impasse. Ou pire encore : qu’il comble les lacunes par une supposition.
La plupart des environnements de données d’entreprise n’ont pas été conçus pour ce type de parcours. Les domaines existent, mais souvent, les relations entre eux font défaut. Du moins pas sous une forme qu’un agent puisse suivre sans intervention humaine.
3. Un contexte sémantique que les agents peuvent interpréter sans intervention humaine
Extraire des données et les comprendre ne sont pas la même chose. Un outil de reporting extrait une valeur et la présente ; c’est l’utilisateur qui en détermine la signification.
Un agent doit prendre cette décision lui-même, sur le moment.
Les données d’entreprise sont rarement aussi claires qu’elles en ont l’air. Par exemple, un produit classé différemment sur deux marchés, ou une fiche client où le nom du compte ne correspond pas à l’entité juridique. Un analyste humain s’arrêterait sur l’un ou l’autre de ces cas.
Un agent n'a aucune raison de le faire. Il poursuivra son analyse en se basant sur l'interprétation que permettent les données, à moins qu'un élément de sa conception ne lui ait demandé de s'arrêter.
C'est le contexte sémantique qui change la donne.
- Métadonnées
- Relations
- Définitions
Elles sont intégrées aux données elles-mêmes, ce qui permet à un agent de disposer d'informations supplémentaires, au-delà de la simple valeur brute d'un champ.
4. Une traçabilité de bout en bout qui permet de retracer chaque décision prise par un agent
Lorsqu’un être humain prend une décision, il en reste généralement une trace : un e-mail, une réunion ou un document qui explique son raisonnement.
C'est le même principe que lorsque les athlètes de haut niveau consignent leur entraînement. Chaque séance, chaque variable, chaque résultat est suivi et enregistré. Ce n'est qu'ainsi qu'ils peuvent s'améliorer en toute certitude et en gardant un contrôle total.
La prise de décision des agents fonctionne de la même manière. Lorsqu’un agent agit, cette trace n’existe que si l’infrastructure de données a été conçue pour la créer.
Les agents opèrent à une vitesse et à une échelle qui rendent toute supervision manuelle impossible. Un seul flux de travail automatisé peut déclencher des centaines d’actions en aval avant même que quiconque n’ait examiné la première.
Ce n’est pas un problème si chaque décision est traçable. Mais cela devient grave lorsqu’un incident survient et que votre équipe doit en comprendre la cause – et que le cheminement des données à l’origine de la décision n’existe tout simplement pas.
La traçabilité doit être structurelle, intégrée dès le départ dans la manière dont vos données sont gérées. Chaque entrée sur laquelle un agent a agi, et chaque sortie qu’il a produite. Tout cela doit pouvoir être reconstitué, sans que vous ayez à rechercher des preuves a posteriori.
5. Une gouvernance intégrée que les agents emportent partout avec eux
Une gouvernance appliquée après l’action d’un agent n’est pas vraiment de la gouvernance. Il s’agit alors de limitation des dégâts.
La plupart des cadres de gouvernance d’entreprise ont été conçus autour de flux de travail humains. Dans ce contexte, une personne peut être formée, rappelée à l’ordre ou empêchée d’agir avant qu’une décision ne soit prise.
Les agents évoluent rapidement d’un système à l’autre et d’un domaine à l’autre. Ils ont certes besoin de points de contrôle, mais une gouvernance conçue pour le mode de fonctionnement humain ne s’applique pas à celui des agents. Elle doit être conçue autour de l’agent, et non l’inverse.
Pour qu’une gouvernance soit efficace dans un environnement basé sur des agents, elle doit être intégrée aux données elles-mêmes. Elle doit être appliquée par le biais de la structure de gestion des données, plutôt que par un processus distinct fonctionnant en parallèle des flux de travail des agents.
Lorsque votre gouvernance est structurelle, vos agents l’emportent avec eux dans leur travail. Les règles accompagnent les données, et non la personne qui les supervise.
Où se situent les données de votre entreprise sur l'échelle de préparation ?
Toutes les données d’entreprise ne sont pas préparées pour la même charge de travail. À l’instar d’un athlète qui a acquis une condition physique suffisante pour terminer une course, mais pas assez pour y participer à un niveau de compétition, la plupart des données d’entreprise ont été préparées pour répondre à un niveau de demande spécifique.
Et ce niveau correspond rarement à celui dont les agents d'IA ont besoin pour réussir.
Il existe trois zones distinctes :
Zone 1 : Tenue des registres
Données de transaction. Suffisamment précises pour consigner ce qui s'est passé, mais non structurées pour aller au-delà.
Zone 2 : Rapports
La norme à laquelle la plupart des entreprises se sont conformées. Adaptées aux tableaux de bord et à la BI, suffisamment fiables pour permettre à des analystes humains d’en tirer des conclusions. La plupart des initiatives d’IA partent du principe que la Zone 2 est suffisante.
Zone 3 : Prise de décision autonome
Le niveau requis par les agents. Cohérent d’un système à l’autre, riche sur le plan sémantique, entièrement traçable et régi par défaut.
C'est dans l'écart entre la zone 2 et la zone 3 que la plupart des déploiements d'agents rencontrent des difficultés. C'est là que les cinq normes ci-dessus servent de outil de diagnostic.
Comment obtenir des données de qualité « agent » avec Stibo Systems
Atteindre la Zone 3 est un processus progressif, et l'ordre dans lequel vous mettez en place vos solutions est tout aussi important que le contenu de celles-ci.
Chez Stibo Systems, nous structurons cette progression grâce à STEP, notre plateforme d’intelligence de confiance. En tant que plateforme MDM multidomaine, elle est conçue pour amener les quatre domaines de données au niveau de qualité exigé par les agents :
- Produit
- Client / Partenaire commercial
- Fournisseur
- Emplacement
Lorsque les données sont maîtrisées dans tous les domaines, les agents disposent d’une base de gouvernance intégrée dont ils ont besoin. Une seule version de la vérité, et non un ensemble de règles ajoutées a posteriori.
Le contexte sémantique, les relations inter-domaines et la traçabilité complète sont intégrés à l’architecture même.
Vous disposez ainsi de données sur lesquelles les agents peuvent agir de manière autonome, tout en bénéficiant de la traçabilité et des garde-fous indispensables à une prise de décision autonome.
FAQ
Quelle est la différence entre les données propres et les données de qualité agent ?
Les données propres sont généralement précises au sein d'un seul système ou pour un rapport spécifique. Les données de niveau agent doivent rester cohérentes dans chaque système simultanément, contenir suffisamment de contexte pour qu'un agent puisse les interpréter sans aide et être entièrement traçables.
Les données peuvent être propres et ne pas atteindre le niveau requis pour un agent.
Pourquoi les agents d'IA ont-ils besoin de normes de données différentes de celles des outils de reporting ?
Les outils de reporting soutiennent les décideurs humains qui peuvent enquêter sur les incohérences et appliquer leur jugement. Les agents d'IA agissent de manière autonome, souvent à grande vitesse et à grande échelle.
Les erreurs peuvent se propager en aval avant qu'un humain n'ait jamais la chance de les détecter ou de les corriger.
Comment savoir si vos données sont prêtes pour les agents d'IA ?
Évaluez-le selon cinq critères : la cohérence entre les systèmes, les relations transversales entre les domaines, le contexte sémantique, la traçabilité complète et l'auditabilité, et la gouvernance intégrée directement dans les données.
Des lacunes dans l'un de ces critères indiquent que les données sont de qualité de rapport plutôt que de qualité d'agent.
Quel est le rôle de la gestion des données de référence dans la préparation des données pour les agents d'IA ?
MDM fournit la structure qui rend possible les données de niveau agent. Il régit et connecte les données à travers des domaines tels que le produit, le client, le fournisseur et le partenaire commercial, offrant aux agents IA une base cohérente, traçable et gouvernée sur laquelle agir.
