Yunzhong, depuis Aofeisi
QbitAI | Compte officiel QbitAI
Une réalité quelque peu contre-intuitive :
L'IA est déjà largement utilisée dans les entreprises, mais la productivité de beaucoup d'entreprises n'a pas pour autant augmenté de manière notable.
Dans le rapport 2025 sur l'IA générative en entreprise publié par le NANDA du MIT, il y a un ensemble de chiffres souvent examinés ensemble :
Parmi les entreprises interrogées,95%des expériences pilotes d'IA générative n'ont apporté aucun retour mesurable en termes de pertes et profits ; parallèlement, plus de90%des employés utilisent déjà des outils d'IA personnels pour travailler, alors que seules 40 % des entreprises ont réellement acheté un abonnement d'entreprise officiel.
Derrière ces chiffres se cache en réalité le même problème :
L'IA est utilisée, mais elle s'arrête au niveau individuel.。
Ainsi, la question à laquelle les entreprises sont confrontées aujourd'hui n'est plus « faut-il adopter l'IA », mais une autre, plus difficile :
Une fois l'IA adoptée, que doit réellement accumuler l'entreprise elle-même pour que l'IA devienne véritablement une force productive ?
Ce matin, lors du forum WTCC à West Bund de Shanghai, la réponse donnée par Fan Ling, fondateur de Tezign, est :
Ce que l'entreprise doit finalement compléter, ce n'est pas un modèle plus puissant, maisdeux modèles du monde。
D'abord comprendre le client, puis comprendre l'entreprise.
Le terme « modèle du monde », dit simplement, désigne la capacité d'un système à répondre à la question :si je fais ceci, qu'arrivera-t-il ensuite ?。
Transposée à l'entreprise, cette question a au moins deux directions :
Une vers l'extérieur : comprendre le client.Pourquoi un client préfère-t-il tel choix, qu'est-ce qui peut le faire changer d'avis, quelles formulations et quels produits sont plus facilement acceptés. Cette couche est appelée par Tezign, lors du forum, « modèle du monde client », c'est-à-dire ce que les documents désignent plus souvent ensuite par «modèle du monde subjectif”。
Une vers l'intérieur : comprendre l'entreprise.Une fois qu'une décision entre dans l'entreprise, quels processus traverse-t-elle, sous l'influence de quelles ressources, règles et relations de collaboration, et peut-elle enfin réellement se concrétiser. Cette partie correspond davantage au «modèle du monde d'entreprise”。
Les deux semblent répondre à la question « comment prendre des décisions », mais ce n'est fondamentalement pas la même chose.
Le modèle du monde subjectif qui « comprend le client » traite des préférences subjectives, des motivations et des choix, et s'appuie sur des données d'utilisateurs externes ;
le modèle du monde d'entreprise qui « comprend l'entreprise » traite des processus, des actifs, des règles et des connaissances tacites, et s'appuie sur le contexte accumulé de longue date au sein de l'organisation.
Concernant le modèle du monde subjectif, QbitAI en a déjà fait récemment une explication détaillée, que nous ne reprendrons pas ici.
C'est précisément parce que ces deux systèmes diffèrent par leurs sources de données, leur rythme de mise à jour et l'attribution des responsabilités qu'il est difficile de les fusionner brutalement en un seul grand modèle.
Une fois combinés, ce n'est souvent pas plus fort, mais les deux s'émoussent ensemble ; et si l'un des deux manque, les problèmes apparaissent immédiatement :
- avec uniquement le modèle du monde de l'entreprise, l'agent sait comment faire les choses, mais ne sait pas si elles valent la peine d'être faites, et il risque au final simplement deatteindre efficacement un mauvais objectif。
- avec uniquement le modèle du monde du client, l'agent peut comprendre les besoins, sans pouvoir les traduire en véritable livraison organisationnelle, et il finit par devenircomprehensif des besoins, mais incapable de les réaliser。
Ce n'est donc pas une question de « se munir d'un modèle supplémentaire par précaution », mais du fait que l'architecture des agents d'entreprise manque déjà de deux éléments complètement différents.
Les connaissances les plus précieuses d'une entreprise ne sont souvent pas encore écrites
Si le modèle du monde du client s'apparente davantage à la perception externe, alorsla difficulté majeure du modèle du monde de l'entreprise réside dans l'identification, l'organisation et l'utilisation des connaissances internes。
car ce qui a le plus de valeur dans une organisation ne se trouve précisément souvent pas dans les documents.
Lors du forum, Tezign a divisé la connaissance d'entreprise en deux catégories :
- l'une des catégories estConnaissances explicites, pouvant être consignés dans les manuels, les procédures et les règlements, visant à être plus élevé, plus rapide et plus précis ;
- L'autre catégorie estConnaissance tacite, comme le goût, le jugement, le sens des limites, l'expérience et les relations, ne peuvent pas être exprimés de manière complète ; ils ne peuvent que se développer lentement dans le cadre de projets concrets et de collaborations.
Cela explique également pourquoi « donner tous les documents en pâture à l'IA » ne revient pas à dire que « l'IA comprend l'entreprise ».
En fait, de nombreuses entreprises tentent déjà de construire leur propre système de contexte en s'appuyant sur les capacités des modèles.
Mais pour savoir si le contexte est bien construit, il n'existe peut-être pas encore de critère d'évaluation unifié à ce niveau.
Un système de contexte dont les entreprises ont réellement besoin doit au minimum satisfaire plusieurs conditions :
- Ce n'est pas un remplacement du système existant, mais une connexion au lac de données, aux systèmes métier et aux systèmes d'actifs déjà en place.
- Ce n'est pas un savoir destiné à être lu par des humains, mais des objets structurés et des relations pouvant être appelés par des agents ;
- Ce n'est pas non plus une livraison ponctuelle : elle permet de laisser des éléments de débriefing après chaque évaluation, afin que les problèmes similaires n'aient plus à repartir de zéro la prochaine fois.
En résumé en une phrase :Les agents intelligentes n'appellent pas des données, mais du contexte。
Le jugement des experts est en train de devenir des données d'entraînement
Si les modèles de monde d'entreprise résolvent le contexte interne, un autre changement en cours estDes experts estiment que cela commence à entrer dans les données d'entraînement。
Cela ne désigne pas le troisième modèle de monde, et ne correspond pas non plus au modèle de monde du client.
Il s'agit plutôt d'une couche de socle de capacités partagée sous deux ensembles de modèles du monde.
Selon des informations divulguées par le forum et des documents techniques connexes, Tezign a déjà fait appel à de nombreux experts de différents domaines pour participer à la collecte et à l'annotation de processus de jugement réels, afin que les signaux d'entraînement ne reposent plus uniquement sur des données génériques, mais commencent à inclure les trajectoires de jugement en contexte métier (Creative Trajectory). Parallèlement, certaines institutions partenaires font progresser des recherches dans une direction similaire, et l'accumulation de ces trajectoires de jugement a déjà atteintde l'ordre de dizaines de milliers。
Pourquoi est-ce important ?
Parce que les connaissances les plus précieuses dans les entreprises, comme les critères de jugement, la logique des arbitrages et la sensibilité aux risques, ne se trouvent ni sur Internet ni dans les modèles généralistes.
Elles n'existaient à l'origine qu'entre les personnes, les projets et les archives.
Ce que nous faisons maintenant consiste en réalité à transformer ces processus de jugement, autrement difficiles à conserver, en un actif qui peut s'accumuler.
C'est pourquoi cette voie ne mène finalement pas seulement à « des modèles qui comprennent mieux le métier », mais vers une direction claire d'évolution de l'IA d'entreprise :
À partir de «Location intelligente », en allant vers «Intelligence souveraine"。
Ce qui est vraiment difficile à évaluer, ce n'est pas de savoir si la réponse est correcte, mais si elle « ressemble à cette entreprise »
Il reste enfin une question incontournable : comment évaluer ?
Les benchmarks génériques mesurent si un modèle peut donner la bonne réponse standard.
Mais dans les scénarios d'entreprise, la question la plus importante n'est souvent pas « est-ce correct », mais plutôt :est-ce que le résultat a été obtenu de la bonne manière, selon la méthode de cette entreprise。
Les limites de marque d'une entreprise, la logique de sélection de produits d'une équipe, la tolérance au risque d'un manager : tout cela ne figure ni dans les jeux d'évaluation publics, ni dans les valeurs par défaut des modèles génériques.
Ainsi, la vraie valeur d'un benchmark vertical métier ne réside pas dans l'attribution d'un score à un modèle, mais dans le fait qu'il transforme les critères de jugement de l'organisation en un jeu de test capable d'être soumis en continu à des régressions, des comparaisons et des corrections.
Une fois que cela existe, les changements de capacités apportés par une mise à niveau du modèle, un ajustement des processus ou une évolution de l'équipe n'ont plus besoin d'être jugés sur la base d'une « impression d'amélioration ».
Sur ce point, l'équipe de Tezan a mentionné une méthode de calibrage très typique :
Dans le scénario d'Atypica, on fait réaliser les mêmes expériences de comportement économique à des personnes réelles et à des personas d'IA, puis on utilise les différences entre les deux pour quantifier et calibrer la qualité de la simulation, ce qui alimente en retour l'entraînement et l'optimisation du modèle.
Dans un reportage réalisé sur place en juillet de cette année à la WAIC, QbitAI avait mentionné un résultat : le modèle du monde subjectif atteint une précision de 85 % en matière de simulation comportementale.
Bien sûr, ce type de simulation et de benchmark reste fondamentalement un outil de calibrage : ils permettent à la recherche et à la validation d'intervenir plus tôt, mais ne peuvent pas remplacer la recherche avec de vraies personnes elle-même.
Le début de l'Agentic Transformation
Quels mécanismes une entreprise doit-elle mettre en place pour que les agents intelligents fonctionnent réellement ?
Une fois ces fondations posées, comment faire tourner réellement ces mécanismes ?
Selon ce qui a été expliqué lors du forum, pour qu'un agent d'entreprise fonctionne réellement, il faut faire tourner une boucle complète :Signal, Plan, Create, Evals。
- Signal et Evals dépendent davantage du modèle du monde client : ils répondent aux questions suivantes — qu'est-ce qui préoccupe les utilisateurs en ce moment, et ce qui est produit trouvera-t-il grâce aux yeux des clients.
- Plan et Create, eux, dépendent davantage du modèle du monde de l'entreprise : ils répondent à la question de savoir si cette chose est réellement réalisable dans l'organisation — avec les ressources, les processus et les contraintes en place, comment avancer.
Derrière tout cela se trouve en réalité la différence entre les agents d'entreprise et la génération précédente de Copilot。
Le Copilot ressemble davantage à un outil appelé ponctuellement : vous demandez, il répond ; vous lancez une tâche, il vous rend un résultat.
Mais l'agent dont les entreprises ont réellement besoin n'est pas cela. Il est de longue durée, peut fonctionner en continu, doit s'intégrer dans les flux de travail, doit conserver dans le temps les objectifs, les états et les retours, au lieu de repartir de zéro à chaque fois.
Fan Ling a déclaré dans son discours :
L'agent pousse le travail jusqu'à 80, puis l'humain l'emmène de 80 à 120.
Ce qui est important dans cette phrase, ce ne sont pas les deux chiffres « 80 » et « 120 », mais le fait qu'elle redéfinit la division du travail entre l'humain et l'agent.
Il ne s'agit pas d'une relation de remplacement, mais d'une division du travail décalée : l'IA se charge de faire avancer la masse de travail tokenisable, tandis que la véritable valeur de l'expert réside toujours dans ce dernier segment de jugement à haute densité.
En rassemblant tous ces éléments, l'IA d'entreprise entre dans une nouvelle phase, et les « deux modèles du monde » offrent précisément l'expression de cet ensemble de capacités dans l'architecture d'entreprise :
un système pour comprendre l'externe, un pour comprendre l'interne, et au milieu un agent de longue durée capable d'avancer continuellement.
Il est à noter que Tezign a également lancé lors du forum WTCC leprogramme de co-construction Agentic Transformation, réunissant universités, instituts de recherche, entreprises, partenaires de modèles et de technologies, ainsi que des praticiens experts ; la raison est simple : cette voie n'a pas encore été entièrement validée, beaucoup de questions n'ont pas de réponse toute prête, et l'on ne peut qu'apprendre en faisant, dans une collaboration ouverte.
Plutôt que de se demander « comment utiliser l'IA », Tezign tente, par une approche de co-construction, de répondre à une question bien plus difficile :
Pour qu'une entreprise transforme son jugement en un actif cumulable, quelle doit être la première étape ?
Lien de référence : https://game.atypica.ai/
*Cet article est republié par QbitAI avec autorisation ; les points de vue exprimés demeurent ceux de l'auteur original.