(Cet article a été initialement publié surForbes.com)
Yu Fang est cofondateur et directeur technique (CTO) chez Sonatus, où il est spécialisé dans les systèmes distribués et les architectures de véhicules basées sur l'AI.
Pendant des décennies, les logiciels d'entreprise reposaient sur un principe simple : développer un produit unique et le vendre à de nombreuses entreprises. Prenons l'exemple de Microsoft Office, SAP ou Lotus Notes. Le logiciel de base était conçu pour être largement applicable. La personnalisation relevait davantage de la responsabilité du client.
Ce raisonnement était valable à l'époque où les logiciels coûtaient cher et étaient longs à développer. On ne pouvait pas se permettre de créer une solution différente pour chaque client. La standardisation était le seul choix rationnel sur le plan économique. Cette logique n'est plus valable aujourd'hui, car les enjeux économiques liés au développement de logiciels ont radicalement changé.
Le coût d'une approche uniforme
Les logiciels génériques ont toujours comporté un coût caché, qui se mesure au temps perdu et aux erreurs commises pour adapter un produit générique à un cas d'utilisation ou à un flux de travail spécifique. Ces coûts sont bien réels. Ils n'apparaissent simplement pas sur une facture.
Dans les secteurs où les cas d’utilisation et les flux de travail sont complexes, cette charge peut s’accumuler et prendre de l’ampleur. Prenons l’exemple du diagnostic des problèmes automobiles. Les principaux équipementiers nord-américains (OEM) disposent de plus de 40 milliards de dollars de provisions pour garanties. Rien qu'au premier trimestre 2026, 12,1 millions de véhicules ont fait l'objet d'un rappel aux États-Unis, dont 47 % ont été réparés grâce à des mises à jour logicielles à distance. Les outils génériques conçus pour le cas d'utilisation moyen ne peuvent pas résoudre les cas spécifiques.
Lorsqu'un véhicule entre dans un poste d'entretien, le technicien se retrouve face à un casse-tête diagnostique. Il sait que la suspension a présenté un comportement anormal, mais pourquoi ? Une défaillance d'un composant ? Un défaut logiciel ? Les outils génériques permettent de mettre en évidence le symptôme, mais ils en révèlent rarement la cause. Il en résulte souvent un processus manuel et fastidieux — et lorsqu'un technicien part à la retraite, son expertise disparaît avec lui.
Ce que signifie « sur mesure » aujourd'hui
AI a profondément bouleversé l'économie du développement logiciel — non pas de manière progressive, mais structurelle.
Les solutions sur mesure étaient autrefois coûteuses, car le développement de logiciels prenait beaucoup de temps. Cette contrainte tend à disparaître. AI accélère désormais le développement grâce à la génération de code, à l'extraction de modèles et à la conception automatisée de flux de travail. Ce qui nécessitait autrefois des mois de travail d'ingénierie peut désormais être défini et mis en œuvre en un temps bien plus court.
Mais la rapidité n’est pas le seul argument en faveur de la personnalisation. L’argument le plus important est que la transformation axée sur l’ AI doit s’ancrer dans la réalité existante du client : ses données, ses outils et ses flux de travail. Il ne s’agit pas de tout remplacer et d’obliger l’organisation à tout réapprendre à zéro. Il s’agit d’intégrer l’ AI à ce qui existe déjà. Il s’agit de s’adapter au processus tel qu’il existe, et de le rendre plus rapide, plus cohérent et plus évolutif.
Voyez les choses ainsi : une feuille de calcul vierge et un modèle préconfiguré permettent tous deux de stocker des chiffres. Mais le modèle — déjà structuré pour votre entreprise, avec les champs et les formules adaptés — vous permet d’obtenir une réponse en quelques minutes, et non en plusieurs heures. Appliquez désormais ce principe à un processus de diagnostic, à un processus de contrôle qualité des fournisseurs ou à un système de suivi de flotte. La différence entre un point de départ général et un point de départ spécialement conçu est d’ordre opérationnel, et non purement esthétique.
Deux transformations s'exécutant en parallèle
Une approche des solutions sur mesure axée sur l'AI e peut permettre de réaliser deux transformations que les logiciels génériques ont toujours eu du mal à mettre en œuvre simultanément.
Le premier consiste à mettre à profit l'expertise humaine. Les connaissances, les schémas décisionnels et le jugement diagnostique acquis par des ingénieurs expérimentés peuvent de plus en plus être intégrés dans des systèmes d'AI s et mis à la disposition de l'ensemble de l'organisation. Il en résulte un renforcement des capacités organisationnelles, un partage des connaissances plutôt qu'un cloisonnement, et une expertise qui s'enrichit au lieu de disparaître avec le départ des collaborateurs.
Le deuxième axe consiste à transformer les flux de travail manuels en flux de travail automatisés. De nombreux processus opérationnels reposent encore sur des intervenants humains pour coordonner les décisions, transférer les tâches d’un système à l’autre et résoudre les exceptions courantes. Les flux de travail automatisés confient une plus grande partie de cette coordination à l’ AI, ce qui permet de mettre en place des processus de plus en plus autonomes, adaptatifs et évolutifs, tout en restant dans les limites définies.
L'intelligence artificielle est au cœur des flux de travail autonomes. Ensemble, elles créent les conditions propices à des gains de productivité qui vont au-delà de la simple automatisation de tâches individuelles pour redéfinir la manière dont le travail est effectué.
Pourquoi l’ AI e générique ne suffit pas
L'AI e générale est performante, accessible et évolue rapidement. Mais à elle seule, elle ne suffit pas dans la plupart des environnements à enjeux élevés.
Voici pourquoi : l'AI e générale excelle dans la reconnaissance de schémas et la recherche d'informations sémantiquement similaires à une question. Elle permet de résumer ce qui a fonctionné dans des situations comparables. Mais sans modèle de vos produits, de vos processus et de votre environnement d'exploitation, elle ne peut pas déterminer de manière fiable ce qui permettra de résoudre une défaillance spécifique dans un ensemble de conditions donné.
Ce n'est pas une limite inhérente à l'AI e en tant que catégorie. C'est une limite propre à AI , qui ne dispose pas des connaissances métier et du contexte opérationnel requis pour cette tâche.
AI, quant à lui, est un outil spécialement conçu qui utilise une recherche structurée capable de comprendre les relations entre les systèmes et les composants, et non pas seulement les similitudes superficielles. Il combine des données spécifiques au domaine, le contexte opérationnel et les connaissances techniques afin d’améliorer le diagnostic, d’adapter son approche en fonction de la complexité de chaque cas et de capitaliser les connaissances institutionnelles qui, sans cela, risqueraient de disparaître avec le départ des collaborateurs expérimentés.
La nouvelle norme
Le sur-mesure n'est plus un luxe réservé aux budgets importants et aux délais longs. Pour les organisations évoluant dans des environnements complexes où les enjeux sont importants, il s'impose de plus en plus comme l'une des voies les plus efficaces pour aller de l'avant, même si le choix de l'approche la plus adaptée dépend toujours du cas d'utilisation, de l'infrastructure existante et du niveau de préparation de l'organisation.
Les équipementiers, qui dépensent des milliards en coûts de garantie et de rappel, manquent rarement de logiciels. Le problème, c’est qu’une grande partie de leurs logiciels a été conçue pour gérer des informations, et non pour comprendre les modes de défaillance spécifiques, le contexte technique et les processus de maintenance qui sont à l’origine de ces coûts.
Je pense que les organisations qui parviendront à combler ce fossé y parviendront en élaborant des solutions ancrées dans leur réalité opérationnelle, en insufflant de l’ AI e dans les processus où le coût d’une erreur se mesure en termes de conséquences telles que des rappels de véhicules et une érosion des marges.
Ainsi, avant d’investir dans un nouvel outil d’ AI polyvalent, demandez-vous où l’expertise métier, la complexité des processus et le savoir-faire institutionnel génèrent le plus de frictions. Ce sont souvent les domaines les plus indiqués pour le recours à des solutions spécialisées AI. À partir de là, évaluez si les données sous-jacentes sont suffisamment structurées et accessibles pour permettre l’entraînement d’une solution, et si les outils et processus existants peuvent prendre en charge l’intégration sans nécessiter de remplacement complet.
Les logiciels sur mesure constituaient autrefois l'exception, mais je pense qu'ils sont en train de devenir la norme — non pas parce que les ambitions ont changé, mais parce que la donne économique a évolué. Pour les organisations prêtes à identifier les domaines dans lesquels les solutions sur mesure apportent le plus de valeur ajoutée et à les développer en conséquence, les opportunités sont considérables.