Contexte et exigences de l'IA de production

IBM décrit le governed context comme une condition indispensable pour les agents d’intelligence artificielle qui doivent prendre des décisions à l’échelle de l’entreprise. Selon Shaun Clowes, directeur général de Confluent et Data chez IBM, la capacité d’un grand modèle de langage (LLM) à raisonner dépend directement de la pertinence et de la fraîcheur des données qui lui sont fournies. Cette exigence s’accentue lorsque les organisations dépassent les outils de productivité individuelle et que les agents doivent accéder à des informations provenant de multiples systèmes opérationnels.

Architecture streamhouse et rôle d'IBM Confluent

Pour répondre à ce besoin, IBM a introduit ce qu’il appelle l’architecture streamhouse. Cette architecture vise à rassembler « l’état actuel de l’entreprise » et à le présenter directement aux LLM, sans passer par une centralisation préalable. IBM Confluent combine streaming, connectivité, traitement, gouvernance et capacités de requête, permettant de préparer des produits de données là où ils sont générés. Clowes souligne que « plus on gouverne les données tôt, plus on produit rapidement des données à forte valeur », ce qui réduit la latence entre la création d’un événement (par exemple une réservation de voyage) et sa disponibilité pour l’agent IA.

Spécialisation des agents et gouvernance du contexte

Outre la disponibilité des données, chaque agent nécessite un contexte adapté à sa tâche. IBM propose de définir des métriques et des jeux de données gouvernés qui constituent la base de raisonnement du modèle. Ainsi, un même terme métier peut recevoir des définitions différentes selon le processus concerné, évitant les ambiguïtés. IBM encourage à commencer par des tâches à forte valeur ajoutée, puis à étendre la spécialisation à d’autres agents une fois que les premiers démontrent une exécution fiable. Le système permet même à un « agent superviseur » de remettre en question l’utilité d’un processus existant et d’en proposer de nouveaux.

Défis opérationnels et perspectives d’évolution

Le passage d’une prise de décision assistée par l’humain à une opération autonome impose aux entreprises de fournir un flux continu d’informations opérationnelles. Clowes rappelle que les données ne résident plus uniquement dans des datacenters centralisés ; elles peuvent provenir de plateformes distantes comme des plateformes pétrolières ou des navires de croisière. L’enjeu consiste à créer une vue opérationnelle cohérente sans supposer qu’une solution unique puisse tout contenir. Cette approche, présentée avant le IBM TechXchange 2026, montre comment IBM envisage de placer le contexte gouverné au centre de l’écosystème IA, en alignant architecture technique, gouvernance des données et spécialisation des agents pour soutenir des décisions en temps réel.