Pourquoi la planification doit devenir autonome, et pas seulement assistée par l’IA

Un surplus d’intelligence, un déficit de confiance

Lors de Pigment Catalyst London, organisé au BAFTA, Thierry d’Hers, Field CTO, a ouvert la keynote avec un constat direct : l’IA n’a plus de problème d’intelligence. Les modèles de pointe deviennent plus performants chaque mois. Les agents accomplissent des tâches réellement complexes de manière autonome. Pourtant, très peu de cette intelligence aide concrètement les entreprises à piloter leur activité au quotidien.

Selon lui, la raison tient à l’architecture, et non aux capacités. Aujourd’hui, la plupart des usages de l’IA reposent sur :

• Des exports CSV qui deviennent obsolètes dès que l’activité évolue
• Des feuilles de calcul fragmentées, sans source unique de vérité
• Des captures d’écran intégrées dans un prompt, pour une personne, une conversation et un instant donné

Résultat : une réponse pertinente aujourd’hui, et une équipe qui recommence de zéro le mois suivant.

Pourquoi accéder aux données ne signifie pas disposer d’une source unique de vérité

Le Model Context Protocol (MCP) a facilité l’accès direct de l’IA aux données d’un CRM ou d’un ERP, plutôt que de dépendre d’exports manuels. C’est une réelle avancée, mais elle ne résout que la moitié du problème.

Connecter l’IA à dix systèmes distincts ne permet pas d’obtenir une seule réponse. Cela donne dix versions différentes de la vérité, car chaque système possède ses propres définitions et sa propre logique. Le « pipeline » des ventes n’est pas équivalent aux « bookings » de la finance. La vision des stocks de la supply chain ne correspond pas nécessairement à la vision du fonds de roulement de la finance.

La solution n’est pas de multiplier les connexions, mais de disposer d’un modèle unique et partagé, dans lequel la finance, les ventes, les RH, et la supply chain ne correspond pas nécessairement à la vision du fonds de roulement de la finance.

La solution n’est pas de multiplier les connexions, mais de disposer d’un modèle unique et partagé, dans lequel la finance, les ventes, les RH et la supply chain effectuent leurs calculs à partir des mêmes définitions. Qu’une organisation utilise dix agents ou plusieurs centaines, tous doivent suivre les mêmes règles et travailler à partir des mêmes chiffres.

De la configuration à l’intention

Pendant des années, la planification commençait par la configuration : rédiger un cahier des charges, apprendre à utiliser l’outil, passer plusieurs jours à configurer des formules avant que quiconque puisse voir un chiffre réellement utile.

Cette séquence est en train de s’inverser. L'Agent Modélisateur de Pigment lancé en mars, permet aux équipes de partir de leur intention : décrivez ce que vous souhaitez ou fournissez-lui un élément existant, même imparfait, un modèle Excel, une présentation PowerPoint, un document contenant des exigences, voire la photo d’un tableau blanc et il construit directement le modèle, les formules et les tableaux de bord au sein de la plateforme gouvernée, en utilisant le contexte de ce qui existe déjà.

Quelques chiffres illustrent l’ampleur de cette évolution :

• L'Agent Modélisateur créent désormais 70 % de toutes les nouvelles métriques et formules chez les clients de Pigment - il ne s’agit pas d’un résultat de laboratoire, mais de la majorité des nouveaux travaux de modélisation en production.
• Unilever a construit et lancé une application de gestion des frais généraux pour l’Amérique du Nord en 25 jours, contre une estimation de quatre à six mois sans l’agent, le délai de réalisation le plus rapide jamais atteint par l’entreprise.

Le résultat n’est pas un prototype qui devra ensuite être reconstruit. C’est l’application en production, dès le premier jour.

Liberté vs confiance : l’approche Frames

Les outils autonomes d’IA générative sont particulièrement performants pour produire rapidement quelque chose qui semble pertinent. Le problème : cette maquette n’est pas connectée aux données en temps réel, n’hérite pas des droits d’accès et personne ne peut retracer la manière dont un chiffre a été calculé.

Pigment Frames comble cet écart en rendant l’interface elle-même générative : décrivez l’expérience souhaitée et un agent la construit directement sur le modèle gouverné, en héritant des mêmes calculs, des mêmes droits d’accès et de la même piste d’audit que tout le reste.

La démonstration de Gavin Allen lors de Catalyst l’a illustré de bout en bout : un plan stratégique Excel comportant 15 onglets et les notes de réunion d’un CFO enregistrées dans Notion ont été transformés, en un seul après-midi, en :

• Un outil de simulation pour le conseil d’administration, avec des curseurs et différentes vues de scénarios
• Un formulaire de saisie guidé et localisé pour les responsables régionaux
• Un rapport exécutif pour le lundi matin, généré automatiquement

Auparavant, cette même tâche nécessitait environ cinq semaines

Ce qu’en disent les clients

• Supercell avait déjà développé des interfaces d’IA personnalisées avant Frames, mais constatait toujours le risque de s’éloigner de son modèle métier actualisé. Sa réaction à Frames : « notre seule limite est désormais notre imagination ».
• The Economist utilise Frames pour créer des tableaux de bord exécutifs directement sur son modèle Pigment, supprimant ainsi l’étape d’export vers Google Sheets qui rompait auparavant la connexion aux données actualisées.
• Unilever résume ainsi l’approche : Frames associe la rapidité de l’IA générative au contrôle d’une base de données gouvernée, permettant de passer d’un prototype créatif à une application en production sans perdre en liberté créative.

L’objectif final : un système qui planifie sans qu’on ait besoin de le lui demander

Unifier et construire permettent d’arriver à une IA capable de créer ce qu’on lui demande. Automatiser transforme la nature même du travail.

L’Agent Analyste de Pigment fonctionne selon deux modes :

• Conversation en direct : vous le sollicitez, affinez ses analyses et lui demandez d’aller plus loin
• Mission autonome: vous définissez une fréquence et il s’exécute seul, chaque jour, chaque semaine ou dès qu’une nouvelle soumission est reçue

Dans la démonstration de Gavin, les soumissions budgétaires reçues pendant le week-end avaient déjà été identifiées, classées et synthétisées le lundi matin sans que personne ne le demande. C’est cette évolution que Pigment appelle la planification autonome : un système qui surveille l’activité, comprend pourquoi quelque chose a changé et propose une décision plutôt qu’un simple point de données.

Aujourd’hui, cela signifie que des agents analystes surveillent l’activité en continu. Prochaine étape : des agents de planification capables d’exécuter des scénarios, de comparer différentes trajectoires et de recommander celle à suivre.

Ce que cela signifie pour les équipes de planification aujourd’hui

Les équipes qui tirent aujourd’hui une réelle valeur de l’IA dans leur planification ne sont pas celles qui utilisent les prompts individuels les plus impressionnants. Elles ont d’abord résolu le problème des fondations : un modèle unique et actualisé, des définitions partagées, des accès gouvernés et un Audit trail complet avant de permettre à l’IA générative de construire sur cette base.

Si vos expérimentations autour de l’IA deviennent obsolètes dès que l’activité évolue, ce n’est pas un problème d’intelligence. C’est un problème de fondations.