Oubliez les réglages fins : orchestrez votre IA ERP

Discutez avec des dirigeants du secteur manufacturier au sujet de l'IA, et vous entendrez un objectif familier : « Nous devons entraîner un modèle personnalisé sur toutes nos données ERP historiques afin qu'il apprenne les spécificités de notre activité. »

Croyez-le ou non, j'entends cela plus souvent que jamais ces derniers temps. Les dirigeants pensent qu'en intégrant vingt ans de tables personnalisées, de code hérité et de flux de travail uniques dans un modèle de langage étendu, l'IA absorbera comme par magie leur savoir-faire, quoi qu'il arrive.

Soyons clairs : cela démontre à quel point nos connaissances sur le fonctionnement de l’intelligence artificielle moderne sont lacunaires. Plus important encore, c’est le moyen le plus rapide de gaspiller des sommes colossales dans un projet informatique au point mort.

Cessez d'essayer d'entraîner GenAI sur vos anciennes données ERP. Cela ne fonctionne pas et, franchement, ce n'est pas nécessaire.

Je vais vous expliquer précisément pourquoi le piège du réglage fin va ruiner les initiatives d'IA en entreprise, et comment je conseille à chacun de se procurer des agents autonomes capables d'exécuter une logique métier hautement personnalisée sans exploser son budget.

Le piège du réglage fin

Lorsque les responsables informatiques évoquent l'apprentissage des règles métier spécifiques à une IA, ils font généralement référence à un processus appelé « fine-tuning ». Celui-ci consiste à utiliser un modèle pré-entraîné et à ajuster en profondeur ses pondérations internes (les relations mathématiques qui déterminent la façon dont l'IA raisonne et valorise l'information) en l'alimentant avec les données historiques hautement personnalisées de votre entreprise.

D'un point de vue architectural, le réglage fin d'une IA sur un ERP existant pose trois problèmes critiques :

1. Lacune sémantique

Les modèles d'IA sont pré-entraînés à comprendre la sémantique commerciale standard et globale. Ils connaissent le de commande dans l'ensemble du secteur. Si votre avantage concurrentiel réside dans une table de base de données personnalisée nommée t_z_special_discount_v3, l'IA peut lire le texte, mais elle est totalement incapable de comprendre le contexte et la fonction réelle de cette table. En d'autres termes, vous demandez à un système intelligent, certes performant, mais aux capacités généralistes, de comprendre un langage que seul un développeur retraité de votre entreprise maîtrise.

2. Rigidité extrême

Le réglage fin consiste essentiellement à contraindre l'IA à mémoriser des schémas rigides. Si votre logique de tarification évolue le mois prochain pour s'adapter à une nouvelle tendance du marché, votre modèle réglé avec précision devient instantanément obsolète. Vous êtes alors contraint de recommencer le cycle d'entraînement, coûteux et chronophage.

3. Le risque d'hallucination

Les titulaires d'un LLM excellent dans les langues, mais sont catastrophiques en mathématiques rigides et en organigrammes complexes. Si vous tentez de forcer un modèle probabiliste à mémoriser une logique de chaîne d'approvisionnement propriétaire en 50 étapes, je peux vous garantir qu'il finira par dérailler et exécuter avec assurance le mauvais processus à une vitesse fulgurante.

Si nous ne parvenons pas à perfectionner l'IA, comment pourrons-nous lui faire comprendre et exploiter notre avantage concurrentiel unique ?

Dans une architecture d'entreprise moderne, nous n'entraînons pas l' IA sur nos règles métier. Nous contextualisons et nous lui fournissons les outils nécessaires. Nous y parvenons grâce à deux paradigmes : RAG et l'appel de fonctions.

RAG (Génération augmentée par la récupération)

Au lieu de contraindre l'IA à mémoriser vos politiques d'entreprise complexes, vos accords avec les fournisseurs ou vos règles d'entreposage uniques, vous utilisez RAG.

Considérez RAG comme un examen à livre ouvert destiné à l'IA.

Au lieu de modifier le cerveau interne de l'IA, vous prenez toute la documentation de votre savoir-faire (vos procédures opérationnelles standard, vos manuels de politiques, …) et vous l'indexez dans une base de données Vector sécurisée.

Lorsqu'un planificateur interroge l'IA : « Comment gérer un retard de livraison du fournisseur X pour cette gamme de produits ? », l'IA ne se base pas sur son apprentissage préalable. Elle consulte d'abord votre base de données Vector. Elle récupère votre règle propriétaire exacte pour ce scénario précis, la lit et élabore une réponse combinant son intelligence adaptative à vos règles factuelles et rigoureuses.

Vous n'avez jamais entraîné l'IA. Vous lui avez simplement fourni le document exact dont elle avait besoin, au moment précis où elle en avait besoin. Si votre politique change demain, il vous suffit de mettre à jour le document dans la base de données. Aucun nouvel entraînement n'est nécessaire.

Appel de fonctions : l'agent en tant qu'orchestrateur

Si RAG est idéal pour les textes et les politiques d'entreprise, qu'en est-il de la logique métier transactionnelle ? Et si votre atout majeur résidait dans un algorithme très complexe qui calcule des coûts de transport personnalisés en fonction de contraintes multivariables en temps réel ?

Il est absolument hors de question de confier ces calculs à un juriste spécialisé. Il est préférable d'utiliser des appels de fonctions (API). C'est précisément là que le concept d' extensibilité des ERP cloud prend tout son sens.

Dans un environnement ERP Cloud moderne comme Infor LN, votre logique métier personnalisée n'est plus enfouie au sein de la base de données centrale, mais est plutôt construite en périphérie du système comme une extension, accessible via des API sécurisées.

Grâce aux appels de fonctions, vous exposez directement à l'IA l'existence et la finalité de votre algorithme de fret.

Vous fournissez à l'IA une boîte à outils numérique. Vous lui indiquez : « Lorsqu'un utilisateur demande le calcul des frais de transport personnalisés, ne tentez pas d'effectuer le calcul vous-même. Appelez cette API spécifique, indiquez-lui la destination et le poids, et renvoyez à l'utilisateur le résultat exact. »

L'IA se transforme en orchestrateur. Elle sert de pont intelligent entre l'utilisateur humain et votre code source exclusif. L'IA gère l'interprétation du langage naturel, mais votre extension API personnalisée et irréprochable prend en charge le traitement complexe.

Compromis

En toute honnêteté intellectuelle, il faut reconnaître que renoncer au réglage fin et s'appuyer entièrement sur RAG et les appels de fonctions n'est pas une solution miracle, et qu'il faudra inévitablement, tôt ou tard, s'attaquer aux problèmes rencontrés. Cette architecture présente ses propres inconvénients :

• Latence et coût des jetons : comme RAG exige que l’IA récupère et lise vos documents à chaque requête, cela ajoute des millisecondes (ou des secondes) au temps de réponse. De plus, l’envoi répété de gros volumes de données contextuelles récupérées à une API LLM consomme davantage de jetons, ce qui augmente vos coûts d’exploitation au fil du temps.
• Dépendance à la recherche : un système RAG est aussi performant que son moteur de recherche. Si votre base de données vectorielle récupère la mauvaise politique d’entreprise, l’IA fournira sans hésitation une réponse erronée à l’utilisateur, se basant sur ce contexte inexact.
• Prérequis pour la modernisation : l’appel de fonctions suppose que votre architecture ERP soit suffisamment moderne pour exposer vos personnalisations existantes sous forme d’API claires et exploitables. Si votre technologie est profondément enchevêtrée dans un code monolithique hérité, vous devrez investir massivement dans son découplage et sa modernisation avant qu’un agent d’IA puisse l’orchestrer.

Mon avis final

La crise qui menacera les utilisateurs d'ERP traditionnels au cours de la prochaine décennie n'est pas que les systèmes cloud détruiront leur propriété intellectuelle. La dure réalité est que cette propriété intellectuelle est actuellement prisonnière d'un format que l'intelligence artificielle ne peut exploiter.

Si vous souhaitez obtenir un retour sur investissement massif en matière d'IA d'entreprise, la stratégie architecturale à adopter est claire :

1. Cessez de personnaliser le cœur de votre ERP. Cela ne signifie pas que vous devez cesser d'adapter le système à vos besoins métiers. Cela signifie que vous devez conserver un code source strictement standard afin que l'IA puisse le lire nativement.
2. Arrêtez d'essayer de peaufiner les modèles d'IA sur des données anciennes et erronées.
3. Repensez votre code personnalisé et reconstruisez-le sous forme d'API externes en utilisant des techniques modernes.
4. Donnez à vos agents IA accès à ces API via des appels de fonction et fondez leurs connaissances à l'aide de RAG.

Votre logique propriétaire est l'atout le plus précieux de votre entreprise. Cessez de tenter de l'intégrer à un algorithme probabiliste. Transformez-la en outil, confiez-la à l'agent autonome et laissez l'intelligence faire ce qu'elle fait de mieux : orchestrer.

Écrit par Andrea Guaccio 

14 avril 2026