Contexte et objectifs
IBM propose un AI Operating Model qui part d’une question métier : que doit accomplir l’intelligence artificielle pour l’entreprise ? Tyler Lynch, CTO du portefeuille IBM Automation, explique que chaque agent IA doit être rattaché aux résultats client, aux dépendances d’infrastructure et à la responsabilité financière. L’enjeu est de passer d’un projet isolé à une gouvernance transversale où l’automatisation, les données et les signaux opérationnels sont alignés sur les objectifs business.
Architecture du modèle d’opérations intelligentes
Le modèle repose sur plusieurs types d’agents : applications autonomes, agents délégués et « co‑work agents » comme les assistants de codage. IBM s’appuie sur la Open Agent Safety Platform de Nvidia pour fournir identité d’agent, gestion des credentials et prise en charge d’infrastructures hybrides. En collaboration avec Apptio, IBM envisage d’émettre de la télémétrie sur l’usage des jetons d’accès et d’appliquer des politiques similaires à celles de la détection d’anomalies d’identité, pouvant révoquer automatiquement une clé d’API lorsqu’un risque est détecté.
Sécurité des agents et contrôle financier
Le contrôle financier s’étend à la surveillance du coût des appels d’API et à la capacité de bloquer un agent en cas de dépassement de budget ou d’anomalie. Lynch indique que les politiques peuvent « évaluer le token usage » et placer l’agent en quarantaine jusqu’à intervention humaine. Cette approche crée un lien direct entre la consommation de ressources IA et les indicateurs de rentabilité, ouvrant la voie à une gouvernance plus stricte des dépenses d’IA.
Analyse des impacts et limites
HashiCorp a rendu disponible Infragraph pour les clients Terraform, offrant une représentation graphique de l’infrastructure qui évolue vers un knowledge graph. Ce graphe alimente les outils FinOps et d’observabilité, permettant une analyse d’impact des dépendances : un changement de configuration peut être évalué quant à ses répercussions sur d’autres services. Lynch souligne que la capacité à détecter des erreurs humaines grâce à cette analyse reste un domaine scientifique en cours de maturation. Enfin, mesurer la valeur IA au‑delà de la consommation de tokens implique de relier les gains de vitesse (ex. mise sur le marché plus rapide) aux indicateurs financiers, un exercice qui nécessite des cycles d’optimisation plus courts et une collaboration entre équipes FinOps, contrôleurs et dirigeants. Le modèle d’IBM montre la voie, mais il n’existe pas encore de standard unique pour la sécurité des agents ni pour la quantification précise du ROI IA.
