L’ère de l’intelligence artificielle d’entreprise exige une compréhension approfondie des données fragmentées

Les entreprises ont passé des années à accumuler des données provenant de systèmes disparates, allant des ventes au marketing en passant par les finances et les produits. Le véritable défi réside désormais dans la capacité des systèmes d’IA à donner un sens à cette mosaïque d’informations. Euno, une plateforme de contexte pour l’IA conçue pour résoudre ce problème, a bouclé un tour de table de série A de 23 millions de dollars le 9 septembre, porté par N47. Ce financement porte le total des fonds levés à 29 millions de dollars.

Un paysage data complexe et chaotique

Les données d’entreprise sont souvent « fragmentées, complexes et chaotiques », remplies de doublons, d’incohérences et d’informations contradictoires. Sarah Levy, cofondatrice et PDG de Euno, souligne que certaines connaissances essentielles, comme les feuilles de calcul utilisées par une équipe ou les indicateurs clés de performance (KPI) auxquels font confiance les dirigeants, n’ont jamais été formalisées. « Une grande partie de ces informations — qui utilise quoi, comment les choses sont calculées, ce que signifient les données — est dispersée dans de nombreux systèmes », explique-t-elle. « Il y a aussi des connaissances uniques qui résident dans les esprits des employés.”

L’infrastructure nécessaire pour une IA efficace

Connexion d’un grand modèle de langage à une base de données ne suffit pas. Cela donne accès aux informations, mais n’indique pas quelles sont les sources autoritaires ni comment les différentes données s’articulent. Une entreprise typique utilise 10 à 12 plateformes de données et outils d’intelligence d’affaires (BI) différents. Attendre de les consolider avant de déployer l’IA pourrait prendre des années que les entreprises n’ont pas. Euno propose une solution qui s’intègre aux systèmes existants, collectant les métadonnées et les signaux opérationnels comme l’utilisation, les calculs, les définitions, la propriété et les flux de données. La plateforme cartographie ensuite ces relations pour permettre à un système d’IA de comprendre comment les informations ont été créées et utilisées, sans stocker les données elles-mêmes.

Les agents IA silotés créent des contextes isolés

Le problème de contexte s’aggrave à mesure que les entreprises déploient différentes applications d’IA dans divers départements. Beaucoup de ces implémentations restent liées à des workflows spécifiques comme le service client, la facturation ou la gestion de stock. Chacun développe son propre glossaire, ses règles et son contexte de données. Lorsque les données d’entreprise évoluent, ces couches de contexte séparées nécessitent une maintenance manuelle. « Les gens se retrouvent à maintenir en permanence ces systèmes et à les accompagner », déclare Levy. « En termes simples, ils travaillent pour les robots.”

Un cas d’usage concret avec AlphaSense

AlphaSense, client de Euno, illustre bien cette problématique. L’entreprise de veille économique possède des années de rapports, tableaux de bord et logiques héritées réparties sur des systèmes comme Tableau et Snowflake. Euno cartographie la logique existante de Tableau et l’aide à traduire en métriques et sémantiques gouvernées dans Snowflake. Ainsi, lorsque les employés interrogent Claude d’Anthropic, le système peut fournir un contexte autour de la réponse, y compris l’origine des informations et leur mode de calcul. Pour les utilisateurs d’entreprise, la réponse elle-même n’est que le début. « D’où vient cette information ? Comment l’avez-vous obtenue ? Qui a créé cette analyse ? » Ces questions de suivi montrent que les utilisateurs ne se contentent pas d’une réponse.

La régulation et la portée des agents IA

Dotés d’une connaissance institutionnelle plus approfondie, les agents IA posent un autre problème : ils ne devraient pas tout savoir. Le même contexte qui les rend utiles peut exposer des informations en dehors de leur champ d’action. Euno résout cela par le biais de personas basés sur les rôles. Un agent soutenant la reporting financier, par exemple, pourrait être limité à une collection gouvernée d’indicateurs financiers et de tableaux, tandis qu’un agent axé sur les produits pourrait recevoir un ensemble plus large de contexte, avec des limites fixées par une équipe centrale de gouvernance. « Vous n’avez accès qu’au contexte pertinent pour votre rôle et votre tâche », précise Levy.

Dans le secteur bancaire, cette question est cruciale. Un sondage de KPMG en juin a révélé que 51 % des banques pilotaient des agents IA. Le même mois, l’Office of the Comptroller of the Currency et la Federal Reserve interrogeaient les banques sur leurs contrôles d’IA, notamment si un système peut accéder ou inférer des données au-delà de ses limites autorisées. Un agent bien délimité, capable de nommer le tableau gouverné derrière sa réponse et l’équipe qui en est propriétaire, fournit aux examinateurs et analystes le même enregistrement.