En matière de gouvernance, les détaillants ont besoin d'un plan de contrôle pour le contexte

Les détaillants entrent dans une nouvelle phase d'adoption de l'AI.

Les premières discussions autour de l'AI générative concernaient souvent l'expérimentation. Quel modèle devrions-nous essayer ? Quel chatbot devrions-nous concevoir ? Quelle équipe devrait mener le premier projet pilote ? L'AI pourrait-elle améliorer la recherche, résumer des documents, enrichir le contenu des produits ou répondre à des questions internes ?

Ces étapes ont constitué des points de départ importants. De nombreux détaillants, épiciers, distributeurs et entreprises en contact direct avec les consommateurs ont tiré une réelle valeur de ces premiers efforts.

Fin 2023, un grand distributeur avec lequel nous avons travaillé a vu l'opportunité de combiner le machine learning traditionnel et les grands modèles de langage pour améliorer la gestion de son catalogue de produits. À mesure que de nouveaux produits entraient dans le catalogue, les modèles de machine learning aidaient à catégoriser et à faire correspondre les articles, tandis que les grands modèles de langage généraient des descriptions de produits plus riches.

À l'époque, c'était révolutionnaire.

Cette initiative a nécessité un intégrateur de systèmes, une équipe dédiée restreinte et un sprint d'environ 100 jours pour prouver sa valeur, pendant que l'équipe réglait les détails de l'architecture, de l'accès aux données, du comportement des modèles et du flux de travail métier. Ce fut une initiative très réussie, qui a permis d'économiser des millions de dollars et de prouver que l'AI pouvait améliorer concrètement un processus critique pour l'entreprise.

Mais cela représentait également un modèle courant de la première vague : une équipe, un cas d'usage, une architecture, un sprint ciblé.

Aujourd'hui, ce même type de flux de travail basé sur l'AI devient un prérequis incontournable. Les discussions passent de « Je me demande si l'AI pourrait résoudre ce problème » à « L'AI doit aider à résoudre ce problème, et j'ai besoin rapidement des bonnes données pour ne pas ralentir l'activité ». Ce changement redéfinit le défi pour l'entreprise.

La prochaine phase de l'AI dans le commerce de détail ne consiste pas seulement à disposer d'un meilleur modèle. Il s'agit d'apporter le bon contexte métier à chaque expérience d'AI.

Le contexte est ce qui rend l'AI d'entreprise utile

Un modèle sans contexte lié au commerce de détail ne peut donner qu'une réponse générique.

Un modèle disposant du bon contexte peut aider un commerçant à évaluer le risque lié à l'assortiment, un responsable de magasin à prioriser sa journée ou un dirigeant à obtenir une réponse fiable sur les ventes et les marges. Pour les détaillants, ce contexte englobe tout, des stocks et des prix aux autorisations et politiques qui déterminent qui est autorisé à voir quoi.

C'est ce contexte qui rend l'AI utile. Mais le contexte est aussi la porte d'entrée des risques dans le système.

Quelles données l'AI doit-elle voir ? À quelles définitions métier doit-elle se fier ? Quels utilisateurs sont autorisés à poser quelles questions ? Quels outils l'agent peut-il appeler ? Quel modèle doit gérer la tâche ? Combien cette interaction doit-elle coûter ? Comment l'entreprise doit-elle auditer ce qui s'est passé ?

C'est pourquoi l'AI pour le commerce de détail a besoin d'un plan de contrôle pour le contexte, une couche unique qui gouverne les données, les modèles et les outils que chaque expérience d'AI peut utiliser.

La gouvernance favorise la rapidité

La gouvernance est parfois présentée comme ce qui ralentit les équipes. Pour les détaillants, c'est tout le contraire.

L'objectif de la gouvernance est de donner à plus d'équipes plus de liberté pour utiliser l'AI en toute sécurité.

Si les bons contrôles sont en place, chaque nouveau cas d'usage de l'AI n'a pas besoin de devenir un exercice ponctuel de sécurité, d'approvisionnement et d'architecture. Les équipes de l'entreprise de vente au détail peuvent avancer plus vite car l'accès aux modèles, les autorisations, la journalisation, le suivi et le contrôle des coûts sont déjà intégrés à la plateforme.

Voilà tout l'intérêt de la gouvernance de l'AI dans le commerce de détail.

Il ne s'agit pas de faire de la gouvernance pour le plaisir de la gouvernance. C'est une gouvernance qui permet aux employés d'utiliser l'AI avec plus de confiance, de mieux servir les clients et de prendre des décisions plus rapides grâce à des données fiables.

Les équipes se familiarisent de plus en plus avec l'AI intégrée à leurs flux de travail. Elles ont besoin d'avoir le champ libre pour explorer, concevoir et obtenir des résultats. Mais leur donner le champ libre ne signifie pas supprimer les contrôles. Cela signifie leur donner un moyen encadré d'avancer rapidement avec les bonnes données, les bons modèles, les bonnes autorisations et les bons contrôles de coûts déjà en place.

La prochaine phase est l'adoption de l'AI à l'échelle de l'entreprise

Dans le cadre de mon travail avec les leaders technologiques du commerce de détail, j'ai vu les discussions évoluer à travers trois phases.

1. Tout d'abord, les équipes se sont demandé par où commencer avec l'AI générative.
2. Ensuite, elles ont développé des cas d'usage ciblés tels que la correspondance de produits, l'enrichissement de catalogues, la recherche, la synthèse, les assistants de connaissances internes et la génération de contenu.
3. À présent, la discussion évolue à nouveau : comment déployer l'AI à grande échelle dans les magasins, les équipes du siège et les canaux numériques sans créer une gouvernance fragmentée, des dépenses de modèles incontrôlées ou un accès incohérent aux données de l'entreprise ?

C'est important car le commerce de détail n'est pas un secteur à utilisateur unique ou à flux de travail unique.

La plupart de ces employés ne sont pas assis à un bureau à choisir un outil d'AI. Leur expérience de l'AI est intégrée dans une application de magasin, un tableau de bord, un flux de travail qu'ils utilisent déjà, et elle doit répondre à une question différente pour chaque rôle. Chaque fonction a besoin de données différentes. Chaque fonction a des autorisations différentes. Chaque fonction peut nécessiter un modèle différent. Chaque fonction a un profil de coût et un profil de risque différents.

C'est pourquoi l'AI dans le commerce de détail ne peut pas être gérée par un seul modèle.

Les détaillants ont besoin d'un moyen encadré de proposer de nombreuses expériences d'AI au sein de l'entreprise, tout en contrôlant quels utilisateurs peuvent accéder à quelles données, quels modèles ils peuvent utiliser, combien ils dépensent et comment ces interactions sont surveillées.

Le plus difficile est de passer à l'échelle sans perdre le contrôle

À mesure que l'AI se déploie dans l'entreprise, les détaillants risquent de créer un modèle opérationnel fragmenté.

Une équipe utilise directement Claude. Une autre conçoit une application RAG. Une autre utilise Copilot. Les développeurs se tournent vers Cursor. Les utilisateurs métier expérimentent Claude Cowork. Les équipes de données mettent en place leurs propres flux de travail d'agents.

Chaque outil peut avoir son propre accès aux modèles, son propre accès aux données, ses propres journaux, autorisations, coûts et processus de gouvernance.

Cela peut fonctionner pendant la phase d'expérimentation. Mais cela ne fonctionne pas comme modèle opérationnel pour l'AI d'entreprise.

Sans plan de contrôle, les détaillants peuvent rapidement se retrouver avec :

• Des contrats distincts avec les fournisseurs de modèles
• Des outils d'AI et des frameworks d'agents distincts
• Des journaux de prompts et de réponses distincts
• Des centres de coûts distincts
• Des modèles d'autorisation distincts
• Des emplacements distincts pour la logique métier
• Des réponses différentes à une même question métier

Les détaillants ont passé des années à essayer de réduire la fragmentation des données et des analyses. L'AI ne devrait pas réintroduire le même problème sous une nouvelle forme.

Les détaillants ont besoin de harnais d'AI ouverts, pas d'impasses d'AI fermées

À mesure que l'adoption de l'AI se développe, une autre question se pose : où doit se situer le harnais d'AI ?

Certains harnais sont fermés. L'utilisateur bénéficie d'une expérience d'AI clé en main, d'un modèle par défaut et d'un contrôle limité sur la gouvernance des données, des outils, des prompts, des coûts et de la sélection des modèles. Cela peut être utile pour la productivité individuelle, mais cela devient limitant lorsque l'entreprise souhaite contrôler quels modèles sont utilisés, comment les données sont accédées, comment les coûts sont gérés et comment les interactions d'AI sont auditées.

D'autres harnais sont plus ouverts. Ils permettent à l'entreprise de choisir le modèle le plus adapté à la tâche, de se connecter à des données et des outils gouvernés, d'acheminer les appels de modèles via une passerelle centrale et de préserver sa flexibilité à mesure que le paysage des modèles évolue.

Cette distinction est importante.

Lors d'une récente discussion autour d'un dîner, le CIO d'un détaillant à bas prix a partagé que les groupes de pairs de CIO débattent activement de l'opportunité d'acquérir des GPU pour tirer parti de modèles open source moins coûteux. Dans le même temps, les équipes expérimentent déjà différentes interfaces d'AI : les développeurs utilisent Cursor et des assistants de codage, les équipes métier explorent Claude Cowork, les équipes d'entreprise évaluent des expériences de type Copilot, et les équipes de données conçoivent des agents et des applications sur mesure.

C'est la réalité pour la plupart des détaillants. L'adoption de l'AI ne se normalisera pas simplement autour d'un seul modèle, d'un seul assistant ou d'un seul fournisseur.

Et lorsque nous demandons aux CIO quel modèle va l'emporter selon eux, la réponse est presque toujours une variante de : « Je ne sais pas. » C'est une réponse rationnelle. Le paysage des modèles évolue trop rapidement pour qu'un CIO puisse parier la stratégie AI de l'entreprise sur le modèle par défaut actuel au sein de l'outil préféré du moment.

Les détaillants ont besoin de flexibilité sans le chaos des modèles.

Ils doivent prendre en charge les modèles de pointe là où la qualité et le raisonnement importent. Ils ont besoin d'accéder à des modèles open-source lorsque le coût, le contrôle ou la spécialisation sont essentiels. Ils doivent prendre en charge les assistants de codage, les agents commerciaux, les applications pour les collaborateurs et les applications personnalisées. Mais ils ont également besoin d'un moyen commun pour gouverner l'accès, surveiller l'utilisation, contrôler les dépenses, journaliser les interactions et s'assurer que l'AI est ancrée dans un contexte d'entreprise fiable.

C'est le rôle d'un plan de contrôle de l'AI.

Évaluer le modèle tout en préservant la liberté de choix

Le paysage des modèles évolue trop rapidement pour que les détaillants prennent des décisions d'architecture à long terme basées sur un seul fournisseur de modèles ou un seul assistant par défaut.

Les recherches de Databricks montrent que les modèles open-source gèrent des tâches de plus en plus complexes qui auraient nécessité des modèles de pointe premium il y a encore peu de temps. Cela compte pour les détaillants, en particulier les épiceries et les enseignes de grande distribution, où les marges sont serrées et où une utilisation intensive de l'AI peut rapidement devenir coûteuse.

Mais la solution n'est pas de supposer que les modèles open-source sont toujours suffisants. La solution consiste à évaluer.

Un flux de travail de contenu produit peut être très performant sur un modèle open-source ou moins coûteux. Une analyse complexe de merchandising peut nécessiter un modèle de raisonnement plus puissant. Un assistant pour les collaborateurs en magasin peut nécessiter une faible latence, des autorisations strictes et un coût prévisible. Un assistant de codage ou un agent de planification multi-étapes peut tirer parti d'un modèle de pointe. Le bon modèle dépend de la tâche, des données, des exigences de précision, des exigences de latence et du profil de coût.

C'est pourquoi les détaillants ont besoin de flexibilité sans le chaos des modèles. La question ne devrait pas être : « Quel modèle va l'emporter ? » La bonne question est plutôt : « Quel modèle est le mieux adapté à cette tâche, dans ce contexte, à ce coût et avec cette exigence de gouvernance ? »

Les environnements AI fermés masquent ou limitent souvent ce choix. Un plan de contrôle ouvert permet aux détaillants d'évaluer, de changer et d'optimiser les modèles au fur et à mesure de l'évolution du marché.

Un plan de contrôle pour le contexte de l'AI dans le commerce de détail

Voici à quoi ressemble un plan de contrôle en pratique. Quatre fonctionnalités de Databricks collaborent pour le fournir : Unity Catalog, Unity AI Gateway, Foundation Model APIs et Genie.

• Unity Catalog gouverne le contexte métier : les données, les autorisations, le lignage, les modèles et les définitions de confiance.
• Unity AI Gateway gouverne l'accès aux modèles : le routage, la visibilité de l'utilisation, la journalisation, les budgets et les limites de débit.
• Foundation Model APIs fournit un accès centralisé aux modèles commerciaux, open-source et personnalisés.
• Genie permet aux utilisateurs métier de poser des questions en langage naturel sur des données gouvernées, afin que les réponses restent ancrées dans un contexte de confiance.

Ensemble, ces fonctionnalités aident les détaillants à passer de succès AI isolés à une adoption de l'AI à l'échelle de l'entreprise.

Le but n'est pas de forcer chaque utilisateur à utiliser une seule application AI. Il s'agit de donner à l'entreprise une stratégie unique de gouvernance et d'accès aux modèles qui reste valable quel que soit l'application, l'agent ou l'interface utilisé par un employé.

L'objectif n'est pas d'empêcher les équipes d'utiliser les outils AI qu'elles apprécient. L'objectif est de leur permettre d'avancer plus vite tout en donnant à l'entreprise le contrôle sur le modèle, les données, le contexte, le coût et le risque.

À quoi cela ressemble au sein des équipes de vente au détail

Un CIO d'une enseigne de grande distribution a récemment partagé un exemple révélateur. Sa CEO souhaitait que l'AI soit ancrée dans les données plus larges de l'entreprise afin de devenir véritablement utile pour la prise de décision de la direction.

Cette demande illustre parfaitement le défi de l'AI en entreprise. La CEO ne demandait pas un modèle plus intelligent. Elle en demandait un auquel elle pouvait confier l'activité de l'entreprise. L'instinct est le bon. L'AI gagne en valeur lorsqu'elle comprend l'entreprise. Les CEO veulent des réponses ancrées dans leurs propres chiffres, pas des données génériques.

La solution ne consiste pas simplement à donner à chaque outil AI un accès illimité à chaque ensemble de données brutes. La solution est de donner à chaque utilisateur la bonne expérience AI, ancrée dans les bonnes données, avec les bonnes autorisations, le bon lignage, les bonnes définitions et une parfaite auditabilité.

Éviter de créer une autre couche AI déconnectée

De nombreux détaillants investissent déjà massivement dans la gouvernance des données, la modernisation du lakehouse et les analyses de confiance. Alors que l'adoption de l'AI s'accélère, le risque est de créer une couche AI distincte fonctionnant en dehors de ce patrimoine de données gouverné. 

Cela peut introduire de réels problèmes.

• La logique métier peut se retrouver dupliquée en dehors de la plateforme de données. 
• Les autorisations peuvent devoir être recréées dans plusieurs systèmes. 
• Les agents AI peuvent accéder aux données sans lignage cohérent. 
• L'utilisation des modèles peut s'éparpiller entre différents fournisseurs et contrats. 
• La visibilité des coûts peut devenir fragmentée par équipe ou par application. 
• Les journaux de prompts et de réponses peuvent se déconnecter des flux de travail de gouvernance.

Les détaillants doivent éviter de recréer la fragmentation que beaucoup ont passé des années à essayer d'éliminer dans les données et les analyses.

L'avenir du commerce de détail agentique exige que l'AI vienne aux données gouvernées, et non que la logique métier, les autorisations et le contexte de confiance soient déplacés vers une autre couche déconnectée.

Pour les détaillants qui investissent déjà dans Unity Catalog, l'étape suivante consiste à gouverner les systèmes AI construits par-dessus. Ce faisant, chaque nouveau cas d'usage de l'AI hérite des mêmes autorisations, pistes d'audit et contrôles de coûts déjà en place, au lieu de repartir de zéro.

Le résultat métier : plus de liberté avec plus de contrôle

Avec un plan de contrôle de l'AI gouverné, les détaillants peuvent laisser les équipes avancer plus rapidement en toute liberté tout en maintenant le contrôle de l'entreprise. Chaque fonction bénéficie d'une AI conçue pour sa façon réelle de travailler, du magasin à l'équipe financière, sans avoir à attendre une évaluation ponctuelle de sécurité ou d'approvisionnement pour y parvenir.

Dans le même temps, les responsables IT peuvent conserver une visibilité sur qui utilise quels modèles, quelles données sont consultées, combien coûte chaque flux de travail et comment les interactions AI sont gouvernées.

C'est l'équilibre dont les détaillants ont besoin. Pas un seul chatbot. Pas un seul modèle. Pas une autre plateforme AI déconnectée.

Un plan de contrôle pour le contexte.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original