Listen à article
Le prochain défi d'entreprise
Au cours des dernières années, l’IA dans les chaînes d’approvisionnement des entreprises a été utilisée pour la prédiction, la prévision, la détection des risques, l’estimation, l’optimisation et l’identification des anomalies.
L’IA a amélioré la visibilité des chaînes d’approvisionnement, mais elle laisse aux décideurs la tâche difficile de transformer les résultats de l’IA en actions coordonnées à travers la chaîne de valeur. Les gestionnaires de la chaîne d’approvisionnement doivent encore décider quelle mesure prendre, quels systèmes mettre à jour, quels intervenants impliquer et comment équilibrer coûts, service, résilience, durabilité et risques. Une rupture de stock, un retard de fournisseur, une fermeture de port, un dépassement des émissions ou une hausse des retours de produits nécessitent toujours une réponse coordonnée entre les achats, la production, l’inventaire, la logistique, le service à la clientèle et la logistique.
L’intelligence existe; c’est la coordination qui manque. Le défi n’est plus la prédiction; le défi est l’orchestration. La prochaine évolution de l’IA d’entreprise n’est pas un autre modèle de langage; c’est AgentOps. Le fossé d’orchestration est l’endroit où les agents d’IA peuvent créer leur plus grande valeur pour l’entreprise.
AgentOps : Une couche manquante dans l’entreprise
AgentOps est un ensemble de pratiques axées sur la gestion du cycle de vie des agents IA autonomes, offrant aux ingénieurs IA des moyens de gérer, surveiller et améliorer les pipelines de développement agentique. Pensez à AgentOps comme la discipline DevOps pour les agents IA afin de construire, tester, déployer, exploiter, gérer et gouverner des applications d’IA.
Les agents propulsés par des grands modèles de langage (LLM) peuvent coordonner des tâches à étapes multiples, utiliser des outils, maintenir l’état des tâches et permettre des décisions coordonnées. Par exemple, un agent peut devoir vérifier des contrats fournisseurs, lire des bons de commande ou des notes d’expédition, consulter l’inventaire, lancer un moteur d’optimisation de parcours, estimer les émissions, rédiger un message fournisseur et demander l’approbation d’un planificateur.
La valeur ne réside pas dans le fait de laisser le LLM prendre des décisions sans contraintes, mais d’utiliser l’agent comme couche de coordination gouvernée sur les données, les modèles d’optimisation, les simulations et les systèmes d’entreprise. AgentOps permet aux agents d’IA d’exécuter les flux de travail d’entreprise de façon sécuritaire, transparente et sous supervision humaine gouvernée.
Créer une plateforme AgentOps d’entreprise
Les agents propulsés par LLM utilisent la recherche, des outils, l’état, la mémoire, des politiques, des contraintes et une logique de flux de travail. OpenAI décrit les agents comme des applications pouvant planifier, utiliser des outils, collaborer avec divers spécialistes et conserver suffisamment d’état pour mener à terme un travail en plusieurs étapes.
Ce modèle architectural convient bien aux chaînes d’approvisionnement, puisque les décisions opérationnelles reposent souvent à la fois sur des données structurées et non structurées, telles que contrats, courriels, rapports fournisseurs, notes d’expédition, documents d’audit et directives réglementaires.
Les problèmes de chaîne d’approvisionnement sont contraints, multi-objectifs et souvent mathématiquement complexes. La gouvernance devient donc essentielle. Les agents IA doivent détecter les signaux de la chaîne, récupérer des preuves, raisonner sur le contexte, utiliser des outils et systèmes approuvés, recommander des actions, préserver les historiques d’audit et diriger les décisions vers les humains lorsque l’approbation est requise.
L’approche repose sur six couches fondamentales.
- Une couche de détection recueille des données structurées et non structurées à partir des systèmes d'entreprise.
- Une couche de preuve gère la récupération, la provenance et la qualité des sources, garantissant que les sorties de l'agent sont fondées sur des informations vérifiables plutôt que sur des réponses non étayées du modèle linguistique.
- Une couche de raisonnement interprète l’événement et ses interdépendances. Par exemple, un retard de fournisseur peut avoir un impact sur la capacité de production, le stock de sécurité, les niveaux de service, les obligations contractuelles et les émissions de carbone.
- Une couche de moteur de décision relie l’agent aux modèles de prévision, aux modèles d’optimisation, à la simulation, aux jumeaux numériques, aux calculateurs de carbone, aux modèles de risque et aux méthodes de décision multicritères.
- Une couche d’orchestration prépare ou exécute des étapes de flux de travail telles que la communication avec le fournisseur, les changements d’itinéraire, les mises à jour de commande ou l’escalade.
- Une couche de gouvernance définit les permissions, les seuils d’approbation, les journaux d’audit, les vérifications de biais, les contraintes de durabilité et la supervision humaine.
Le principe architectural clé est la séparation des rôles. L’agent propulsé par un LLM ne doit pas inventer de faits ou résoudre des problèmes d’optimisation par intuition. Il doit récupérer les preuves, structurer le problème, utiliser les outils appropriés, expliquer les résultats et respecter les droits de décision. Ce principe réduit le risque d’hallucination et aligne l’IA agentique avec la tradition de la recherche opérationnelle en gestion de la chaîne d’approvisionnement.
Scénario illustratif : Pourquoi AgentOps est essentiel dans les chaînes d’approvisionnement
Prenons l’exemple d’un fabricant qui reçoit un avertissement précoce indiquant qu’un fournisseur de premier rang risque de manquer une livraison en raison d’inondations régionales et de perturbations du transport. Dans un système de prédiction conventionnel, le planificateur reçoit une alerte de retard d’expédition indiquant un risque de rupture de stock. Dans un système d’orchestration agentique, l’agent de gestion des risques fournisseurs récupère les bons de commande, l’état des expéditions, les conditions contractuelles, la position d’inventaire, le calendrier de production et la liste des fournisseurs alternatifs. Une couche de raisonnement identifie quels produits finis, clients, engagements de niveau de service et cibles de carbone pourraient être affectés.
L’agent fait alors appel à un modèle d’optimisation pour évaluer des options comme l’approvisionnement alternatif, la réaffectation des stocks et le rééchelonnement de la production. Un agent de durabilité estime les conséquences carbone du transport accéléré ou de l’approvisionnement alternatif. Un agent de gouvernance vérifie les plafonds de dépenses, les seuils de risque fournisseur, les règles de priorité client et les exigences d’approbation. La recommandation produite n’est pas une instruction opaque unique ; c’est une carte de preuves montrant la cause de la perturbation, les commandes affectées, les options de réponse, les hypothèses, les compromis et les approbations requises.
Cet exemple illustre la différence entre prédiction et orchestration. La prédiction est qu’une rupture de stock risque de se produire. La capacité d’orchestration identifie ce qui peut être fait, quel modèle appuie la recommandation, quels compromis liés à la durabilité et à la résilience sont en jeu et si une approbation humaine s’impose. Ce même modèle peut s’appliquer à des pointes de la demande, à de la congestion portuaire, des rappels de produits, des dépassements de contraintes carbone, des retours de déchets électroniques et à des décisions de récupération en boucle fermée.
Aller au-delà de la prédiction
L’IA dans la chaîne d’approvisionnement va au-delà de la prédiction. La prochaine étape ne consiste pas seulement à fournir des prévisions précises, mais des systèmes capables d’interpréter les événements, d’évaluer les options, de coordonner les actions et d’assurer la reddition de comptes à travers la chaîne d’approvisionnement. Pendant des années, nous avons mesuré l’IA d’entreprise selon la précision de ses prédictions. Cependant, la prochaine génération d’IA d’entreprise sera évaluée selon son efficacité à coordonner l’action d’entreprise. Les agents propulsés par LLM rendent cette transition techniquement possible, et leur plus grande valeur réside non pas dans la génération de réponses, mais dans l’orchestration des flux de travail d’affaires. Les organisations qui réussiront avec l’IA ne seront pas forcément celles qui possèdent les modèles les plus sophistiqués, mais celles qui maîtrisent l’orchestration la plus efficace.
Comment HCLTech peut vous aider
Pour réaliser la pleine valeur d’AgentOps, il faut une fondation organisationnelle reposant sur des données fiables, de la gouvernance, l’optimisation des processus et une grande expertise de la chaîne d’approvisionnement. HCLTech peut aider les entreprises à bâtir cette base solide en combinant ses capacités en génie de l’IA avec l’ingénierie numérique, l’infonuagique, les données, la recherche opérationnelle et les services de transformation des chaînes d’approvisionnement. Grâce à son partenariat stratégique avec OpenAI, HCLTech permet aux entreprises de tirer profit des modèles de fondation de pointe et des capacités d’IA agentique, dans des architectures sécurisées de calibre entreprise, accélérant le développement de solutions d’IA intelligentes, gouvernées et évolutives. Qu’il s’agisse de concevoir des architectures AgentOps, d’intégrer des agents propulsés par LLM à des plateformes organisationnelles ou d’y intégrer la gouvernance, HCLTech permet aux entreprises de passer de cas d’usage isolés de l’IA à une orchestration évolutive, sécuritaire et prête pour les affaires.
