Lorsqu'un agent d'IA prend une décision, il agit directement sur les données qui lui sont fournies. Un modèle linguistique performant, qu'il soit de grande envergure ou développé sur mesure, ne peut pas pallier les incohérences de ces données dès lors qu'un humain cesse de vérifier les résultats.
Prenons l’exemple de la musculation. La surcharge progressive ne fonctionne que si vous savez ce que vous avez réellement soulevé la semaine dernière. Si les chiffres sur lesquels vous basez votre entraînement sont incohérents et erronés, toutes les décisions qui en découlent le seront également.
Les agents IA fonctionnent de la même manière. Quelle que soit la capacité du modèle, il ne peut prendre de décisions qu’en se basant sur les données qui lui sont fournies. Si ces données sont incohérentes ou peu fiables, les décisions le seront également.
Dans cet article, vous découvrirez quelles données les agents ont besoin pour agir de manière fiable, et comment la gestion des données de référence (MDM) rend cela possible.
Un modèle linguistique peut-il compenser des données incohérentes ?
Non. Un modèle linguistique, qu'il s'agisse d'un grand modèle polyvalent ou d'un modèle plus petit entraîné en interne, génère des résultats à partir des schémas qu'il détecte dans les données auxquelles il a accès.
Il ne peut pas déterminer de manière fiable si la fiche d'un client est exacte ni quelle version de données d'entreprise contradictoires doit être considérée comme faisant autorité sans contexte supplémentaire ni gouvernance.
Cette distinction était facile à négliger lorsqu’un modèle produisait un rapport qu’une personne examinait avant d’agir en conséquence. Un analyste pouvait repérer une incohérence, écarter une valeur aberrante ou poser une question complémentaire avant de prendre une décision. Un agent chargé d’agir ne s’arrête pas pour exercer ce jugement.
Il existe deux hypothèses courantes à ce sujet :
- Le modèle reconnaîtra et signalera toujours l’incertitude
- Les données incohérentes s’équilibrent à grande échelle
Aucune de ces hypothèses n’est valable dès lors qu’un agent est censé agir de manière autonome. À moins d’avoir été explicitement conçu pour demander des précisions ou reporter la décision, il choisira généralement l’interprétation la plus probable et passera à l’action.
Au-delà de ce stade, les modèles plus performants offrent des rendements décroissants si les données sous-jacentes ne sont pas fiables.
Comment la gestion des données de référence (MDM) améliore-t-elle la fiabilité des décisions prises par les agents d’IA ?
La gestion des données de référence (MDM) améliore la fiabilité des agents IA en fournissant des données métier contrôlées et fiables que chaque agent peut utiliser de manière cohérente. Plutôt que de laisser chaque agent interpréter différentes versions de la réalité, la MDM leur offre une base commune pour le raisonnement et l’action.
Identité
Avant qu'un agent puisse raisonner au sujet d'un client, d'un fournisseur ou d'un produit, il doit savoir de qui ou de quoi il s'agit.
Les enregistrements en double, les identités fragmentées et les identifiants contradictoires conduisent les agents à prendre des décisions concernant la mauvaise entité. La résolution d’identité — une fonctionnalité essentielle de la gestion des données de référence (MDM) — garantit que chaque agent part d’une représentation unique et fiable de l’entité métier.
Cohérence entre les domaines
Un agent IA ne devrait jamais avoir à déterminer quel enregistrement client, produit ou fournisseur est le « bon ». Le MDM fournit une version contrôlée de chaque enregistrement à laquelle chaque agent peut se référer, quel que soit le système opérationnel qui l’a créé ou mis à jour. Ainsi :
- Les données produit restent cohérentes pour tous les agents qui les traitent
- Les fiches clients ne se divisent pas en versions concurrentes
- les données relatives aux fournisseurs ou aux partenaires commerciaux ne se désynchronisent pas d’un système à l’autre
La cohérence n'améliore pas seulement la qualité des données, elle améliore également la qualité des décisions.
Le contexte métier, et pas seulement les données métier
La cohérence ne suffit pas. Outre l'accès aux enregistrements, les agents doivent également pouvoir voir comment ceux-ci sont liés les uns aux autres.
Une fiche fournisseur, par exemple, ne se limite pas à un nom et à une adresse. Elle peut être associée à des produits homologués, à des contrats, à des exigences réglementaires et à des scores de risque. Sans ce contexte, un agent peut certes extraire des données, mais il ne peut pas appréhender pleinement la situation métier.
Des informations fiables au moment de l'action
Le timing est important, mais pas au sens de la vitesse pure. Un agent qui intervient à 14 heures a besoin d’une fiche reflétant la situation de l’entreprise telle qu’elle se présente à cet instant précis. Pas nécessairement celle qui figurait dans votre dernière mise à jour trimestrielle.
Des décisions que vous pouvez justifier
À mesure que les organisations accordent davantage d’autonomie à leurs agents, chaque décision importante doit pouvoir être retracée. La gestion des données de référence (MDM) fournit la gouvernance et la traçabilité nécessaires pour auditer les décisions, enquêter sur les erreurs et préserver la confiance.
Pourquoi ces problèmes liés aux données s'aggravent-ils dans les flux de travail impliquant plusieurs agents ?
Un problème de données qui ne constituerait qu'une seule erreur dans un système unique se transforme en plusieurs erreurs une fois qu'il a traversé une chaîne d'agents. En effet, chaque agent considère la sortie de l'agent précédent comme un fait avéré.
Un exemple simple
- Un agent produit met à jour les niveaux de stock en se basant sur une fiche fournisseur qui n’a jamais été réconciliée
- Un agent de gestion des stocks lit cette mise à jour et déclenche une nouvelle commande
- Un agent fournisseur passe la commande auprès du mauvais fournisseur, car les données erronées de l'agent produit constituaient la seule information dont il disposait pour effectuer cette opération.
Une seule fiche incohérente au départ a entraîné trois actions erronées, et personne n’a vérifié aucune d’entre elles avant qu’elles ne se produisent.
Pourquoi les erreurs s'accumulent
Une seule décision erronée prise par un agent constitue un problème de qualité des données que l’on peut détecter et corriger.
En revanche, une chaîne d’agents agissant sur les résultats des uns et des autres transforme ce même problème en un phénomène qui s’amplifie à chaque transfert.
Chaque agent se fie à ce que l'agent précédent a produit au lieu de le vérifier, car la vérification ne fait pas partie des fonctions pour lesquelles les agents ont été conçus.
La responsabilisation devient plus difficile
Lorsqu'une personne prenait ces décisions, un nom était généralement associé à ce jugement.
Lorsqu’une chaîne d’agents les effectue, quelqu’un doit reconstituer la décision à partir des données sous-jacentes a posteriori. Sans données de référence contrôlées et traçables, il devient extrêmement difficile de répondre à ces questions.
La gestion des données de référence (MDM) évolue-t-elle dans un monde dominé par les agents d'IA ?
Oui. L’objectif de la gestion des données de référence (MDM) a évolué. Historiquement, la MDM produisait des enregistrements fiables que les utilisateurs pouvaient examiner avant de prendre des décisions.
Aujourd’hui, ces mêmes données servent de plus en plus de base opérationnelle sur laquelle les agents d’IA s’appuient directement pour agir.
Des données de référence aux données opérationnelles
Autrefois, un « golden record » était une information que l'on consultait. Aujourd'hui, c'est une information qu'un agent d'IA lit en permanence, sur laquelle il raisonne et en fonction de laquelle il agit.
Cela modifie le rôle de la gestion des données de référence (MDM). Il ne s’agit plus simplement de publier des informations fiables, mais de fournir en continu des informations fiables à des systèmes autonomes qui prennent des décisions à la vitesse d’une machine.
La gouvernance fonctionne dans les deux sens
La gouvernance ne se limite pas aux données consommées par les agents d’IA. Elle doit également régir chaque modification apportée par ces agents.
Un agent qui résout un doublon dans un dossier client :
- complète un attribut de produit manquant
- signale une adresse de fournisseur contradictoire
- Modifie une fiche que l'agent suivant utilisera
Chaque modification apportée par un agent doit être validée avec la même rigueur que les données qu'il a initialement utilisées.
Chaque domaine doit être prêt
Les données relatives aux produits, aux clients, aux fournisseurs, aux sites et aux partenaires commerciaux doivent toutes répondre à la même norme avant que les agents n'y aient accès.
Le domaine le plus faible devient le point faible de l'agent.
Comment STEP permet aux agents IA de s'appuyer sur des données d'entreprise fiables
STEP, la plateforme d’intelligence fiable de Stibo Systems, fournit la base de données de référence d’entreprise fiable sur laquelle s’appuient les agents IA pour lire, raisonner et agir en toute confiance.
STEP aide les agents IA en :
- En résolvant automatiquement les doublons et les conflits entre les enregistrements
- Structurant de manière cohérente les données relatives aux produits, aux clients, aux fournisseurs et aux partenaires commerciaux
- En préservant les relations entre les enregistrements dans tous les domaines
- Valider les données réécrites par les agents avant qu’elles ne soient intégrées à l’enregistrement
- Fournir un historique traçable de chaque décision prise par un agent
- Appliquer les mêmes règles de gouvernance à tous les systèmes traitant ces données
En musculation, le partenaire qui assiste le haltérophile passe souvent inaperçu. Toute l’attention est concentrée sur l’exercice lui-même. Mais si le partenaire détourne le regard au mauvais moment, une seule répétition ratée peut entraîner une blessure.
STEP fonctionne de la même manière pour les agents IA. On a tendance à l'oublier quand tout se passe bien, mais c'est grâce à lui qu'une mauvaise décision n'entraîne pas une cascade d'autres erreurs.
Quelle que soit l’architecture d’agent que vous déployez, elle ne peut pas compenser le manque de fiabilité des données d’entreprise. Sans base réglementée, les erreurs s’accumulent à mesure que les agents s’appuient sur les décisions les uns des autres. STEP fournit le contexte fiable qui garantit la fiabilité de ces flux de travail du début à la fin.
FAQ
Pourquoi les agents IA ont-ils besoin de MDM s'ils ont déjà accès aux systèmes d'entreprise ?
L'accès n'est pas la même chose que la confiance. Les systèmes d'entreprise contiennent souvent des données contradictoires ou en double. MDM fournit la vue gouvernée et de confiance sur laquelle les agents IA s'appuient.
Un LLM peut-il remplacer la gestion des données de référence ?
Non. Un LLM peut raisonner sur les données, mais il ne peut pas déterminer quels enregistrements sont autoritaires ni appliquer la gouvernance. MDM fournit la base de confiance pour une IA fiable.
Si l'IA devient plus performante, pourquoi la MDM est-elle plus importante que jamais ?
Parce que l'IA apprend des modèles, pas la vérité. À mesure que les agents deviennent plus autonomes, des données maîtresses fiables deviennent essentielles pour des décisions fiables.
N'est-ce pas simplement un problème de qualité des données ?
Non. La qualité des données est une capacité au sein de MDM. Une IA fiable dépend également de la gouvernance, des relations, du contexte commercial, de la résolution d'identité, de la lignée et de l'application des politiques.
La génération augmentée par récupération (RAG) peut-elle remplacer MDM ?
Non. RAG améliore la façon dont l'IA accède à l'information. Cela n'améliore pas la qualité de cette information. Si les données sous-jacentes contiennent des doublons, des incohérences ou des enregistrements contradictoires, RAG les récupère simplement plus rapidement.
L'IA peut-elle corriger les mauvaises données toute seule ?
Non. L'IA peut identifier des problèmes et suggérer des corrections, mais elle ne peut pas déterminer la version autorisée d'un client, d'un fournisseur ou d'un produit sans des données de référence gouvernées.
En quoi les données de niveau agent diffèrent-elles des données de niveau rapport ?
Les données de niveau de rapport sont suffisamment précises pour une personne examinant un tableau de bord, qui peut repérer une anomalie et poser une question de suivi. Les données de niveau agent doivent être fiables sans qu'aucune vérification ne soit effectuée avant qu'elles ne deviennent une décision.
Les agents d'IA éliminent-ils le besoin de gouvernance des données ?
Non. Les agents d'IA augmentent le besoin de gouvernance des données. Comme les agents agissent de manière autonome, la gouvernance garantit que chaque décision est basée sur des données fiables et que chaque changement suit les règles de l'entreprise.
Que se passe-t-il lorsque des agents d'IA partagent des données incohérentes ?
Les erreurs s'accumulent. La mauvaise sortie d'un agent devient l'entrée du prochain agent, et l'erreur peut voyager à travers plusieurs décisions avant que quelqu'un ne la remarque.
Comment le MDM se rapporte-t-il à une architecture de données ?
Un tissu de données connecte et déplace les données à travers les systèmes au fur et à mesure qu'elles changent. Le MDM régule ce que signifie cette donnée et confirme qu'elle est précise avant qu'elle ne soit transférée. Les agents ont besoin des deux, mais un tissu de données qui déplace des données non fiables ne fait qu'accélérer la propagation du problème.
