Dell mise sur la connaissance d’entreprise pour différencier ses IA

Contexte et enjeux

Dell Technologies a déployé des agents autonomes au sein de ses propres services pendant près de deux ans. Cette période d’expérimentation a permis d’observer que l’adoption d’agents sans réorganisation des processus conduit à des résultats limités. John Roese, CTO et chief AI officer, souligne que l’outil ne suffit pas : il faut réviser le modèle d’exploitation pour éviter de « faire de l’IA ce qui était déjà fait par les humains ».

Modèle d’exploitation IA de Dell

Le modèle proposé, baptisé AI Factory, repose sur trois piliers : capture du savoir, encodage technique et amélioration continue. La première étape consiste à identifier les pratiques distinctives de l’entreprise et à les formaliser sous forme de fichiers de compétences. Ces fichiers sont ensuite consommés par les agents, qui les utilisent comme contraintes d’action. Le processus s’inscrit dans une chaîne d’orchestration où chaque agent agit selon des règles explicites plutôt que sur la base d’un modèle générique.

# Exemple de fichier de compétence (Markdown)
- domaine: pricing
- règle: appliquer un discount max de 15 % pour les clients premium
- condition: volume > 1000 unités
- action: proposer offre personnalisée

Mécanismes de capture et d’encodage du savoir

Les experts métier transcrivent leurs procédures dans des documents Markdown, ce qui crée un artefact lisible à la fois par les humains et les machines. Cette approche garantit que le texte contient des paramètres, des biais et des règles propres à Dell, ce qui différencie le comportement de l’agent de celui d’un modèle public. Une fois intégrés, les agents enrichissent un graphe de connaissances en reliant les nouvelles données aux concepts existants, ce qui améliore la pertinence des réponses au fil du temps.

Implications et limites

Le principal avantage réside dans la protection du « moat » concurrentiel : le savoir propriétaire reste interne, même si les modèles de base proviennent de fournisseurs externes. Cependant, la dépendance à la qualité des fichiers de compétences impose une discipline de mise à jour continue. Un fichier incomplet ou obsolète peut entraîner des décisions erronées, car l’agent ne possède aucune capacité d’inférence au‑delà des règles codées. De plus, la création de ces fichiers nécessite un investissement humain important, ce qui peut freiner l’adoption à grande échelle.

En résumé, Dell démontre que la valeur ajoutée d’une IA d’entreprise provient davantage de la structuration du savoir interne que du choix du modèle de fond. Le succès dépend donc de la capacité à transformer les connaissances tacites en artefacts numériques exploitables par les agents autonomes.