Contexte et objectifs
Infor (US) LLC développe des agents d’intelligence artificielle dédiés à des secteurs industriels spécifiques afin de limiter les réponses erronées, appelées hallucinations. L’entreprise cible les secteurs de la fabrication industrielle, de l’aérospatiale et de la défense, de l’automobile ainsi que de l’alimentation et des boissons. Selon Suresh Jayaraman, vice‑président senior du produit, les agents génériques ne garantissent pas une réponse déterministe à chaque requête, d’où le besoin d’une IA intégrée au contexte métier. L’objectif est d’automatiser les tâches récurrentes tout en conservant la fiabilité requise par les processus d’entreprise.
Architecture micro‑verticale et garde‑fous
La version 2026.10 introduit des garde‑fous de sécurité et de portée. Infor utilise des cœurs communs partagés entre industries similaires, puis applique une configuration légère pour chaque micro‑verticale, par exemple la chimie ou le chauffage, ventilation et climatisation. Dans le domaine alimentaire, l’agent doit différencier une réception de lait – où il analyse la teneur en matière grasse et la viscosité – d’une réception de viande, qui nécessite le pays d’origine et d’autres paramètres spécifiques. Cette granularité repose sur des modèles entraînés sur des jeux de données sectoriels, enrichis par des experts métier qui annotent les cas d’usage. Les agents peuvent créer une commande et vérifier la demande de façon autonome, mais le transfert d’une commande d’un client à un autre reste soumis à une validation humaine, assurant ainsi un contrôle de boucle fermée.
Analyse des impacts et limites
En intégrant le savoir métier dès la phase d’entraînement, Infor réduit le taux d’hallucination observé avec les modèles génériques, ce qui améliore la confiance des utilisateurs dans les processus automatisés. Cependant, la dépendance à des experts sectoriels crée un goulot d’échelle : recruter des spécialistes avec une connaissance approfondie du domaine s’avère plus difficile que d’embaucher des développeurs purement techniques. De plus, la personnalisation micro‑verticale augmente la complexité de la gestion des versions, chaque configuration devant être maintenue et mise à jour séparément. Le besoin de validation humaine pour les transferts de commande indique que l’automatisation totale n’est pas encore atteinte, et que le risque de décisions erronées persiste tant que les garde‑fous restent limités à la couche de sécurité et de portée. Enfin, l’absence de métriques publiques sur le taux de réduction des hallucinations empêche une évaluation quantitative de l’efficacité de l’approche.
