Le problème de l’analyse de rentabilisation de l’IA générative dans ServiceNow
Malgré la pression constante en faveur de l’adoption de l’IA, de nombreuses organisations en 2026 ont encore du mal à définir des résultats clairs. Les stratégies s’appuient souvent sur de vagues promesses de « productivité », mais manquent fréquemment de clarté et d’un parcours d’exécution pratique pour y parvenir.
La réalité est que, sans une compréhension approfondie du domaine d’affaires que nous cherchons à transformer, il est extrêmement difficile d’en saisir les nuances en matière de flux de travail humains qui s’y déroulent : les risques, l’urgence, les flux de travail humains, les communications, etc. Or, la compréhension de ces nuances est essentielle pour déployer un changement durable dans toute organisation.
Tout au long des implantations traditionnelles de ServiceNow, nous passons d’innombrables heures dans des ateliers avec les clients pour comprendre leurs cas d’usage et leurs flux de travail. Ce n’est pas parce que les applications prêtes à l’emploi ne peuvent pas être utilisées telles quelles, mais plutôt parce que, dans la plupart des organisations, de légers ajustements et une touche de personnalisation maximisent grandement l’adoption. C’est ce qui fait toute la différence entre une plateforme boudée par les utilisateurs et un déploiement d’entreprise réussi.
Il en va de même pour la dernière génération de capacités d’IA générative. Le piège actuel consiste à traiter l’IA générative comme une solution miracle universelle pouvant s’appliquer de manière homogène à n’importe quel flux de travail. En réalité, une mauvaise application de l’IA générative peut introduire des risques opérationnels majeurs et une lourde dette technique. Pour bâtir une stratégie d’IA de calibre entreprise, nous devons réexaminer la manière dont les entreprises modernes fonctionnent réellement.
La réalité de l’entreprise : projets, processus et prévisibilité
Au-delà de la stratégie, les entreprises modernes fonctionnent selon un paradigme traditionnel : des processus établis par le biais de projets. Les projets sont des investissements discrets et uniques destinés à transformer l’entreprise, tandis que les processus sont les moteurs répétables qui assurent la marche prévisible des affaires.
Un processus d’affaires solide minimise les écarts, et les entreprises reposent sur des processus interdépendants. Face à des écosystèmes complexes de fournisseurs, d’organismes de réglementation et de clients, des extrants imprévisibles brisent ces dépendances. La prévisibilité est synonyme de sécurité.
Un processus d’entreprise stable repose sur quatre éléments clés :
- Intrants : Les données brutes, les requêtes entrantes ou les déclencheurs du système.
- Étapes : Les actions documentées et hautement répétables exécutées par le système ou l’utilisateur.
- Contrôles : La couche de gouvernance, incluant les vérifications de politiques, les audits et les approbations.
- Extrants : Les résultats prévisibles et uniformes exigés par l’entreprise.
Le désalignement : IA probabiliste contre processus déterministes
C’est ici que réside la friction fondamentale : les processus d’entreprise exigent une variance nulle, alors que l’IA générative est intrinsèquement non déterministe.
Par conception, les modèles d’IA générative sont phénoménaux pour interpréter le contexte, synthétiser des données non structurées et générer des options créatives. Cependant, lorsque vous injectez ce comportement probabiliste dans un processus déterministe, la variance devient une anomalie dangereuse plutôt qu’un atout.
Pour bâtir une stratégie viable sur la plateforme Now de ServiceNow, les architectes doivent séparer clairement les zones où la génération probabiliste crée de la valeur de celles où l’exécution déterministe doit rester absolue.
Où l’IA générative excelle : tâches à contexte élevé et forte variance
L’IA générative a sa place à la périphérie de vos processus, pour analyser les intrants et rédiger des ébauches d’extrants, plutôt que de servir de cœur décisionnel. Elle excelle à structurer ce qui ne l’est pas et à réduire la charge cognitive humaine.
Quelques bons cas d’usage pour l’IA générative dans l’écosystème ServiceNow incluent :
- De la traduction de documents à l’exécution : Analyse des PDF, politiques ou contrats non structurés pour en extraire des tâches exploitables ou des règles d’affaires vers les structures de données de ServiceNow.
- Des données non structurées aux charges utiles structurées : Traduction de textes complexes provenant de courriels, de transcriptions de clavardages ou d’alertes tierces en charges utiles JSON propres ou en champs d’enregistrement structurés.
- Requêtes conversationnelles et orientation : Interaction avec les utilisateurs via l’Agent virtuel pour clarifier leurs intentions en langage naturel et les diriger vers l’article de connaissances ou l’élément de catalogue exact.
- Synthèse de contexte et documentation : Optimisation de la productivité des développeurs et des administrateurs en rédigeant des récits utilisateurs (user stories), en générant de la documentation de processus ou en résumant l’historique d’incidents.
- Calibrage d’intrants multi-sources : Synthèse des mises à jour de statut fragmentées provenant de plusieurs parties prenantes en un cadre de rapport unifié, comme des statuts automatisés rouge, jaune et vert.
Où l’IA générative échoue : flux de travail à faible variance et haut contrôle
Même avec des modèles matures, l’IA générative ne possède pas de filtres de risques intégrés. Elle n’a pas de « peau investie dans le jeu » (skin in the game) ni de peur instinctive d’exécuter des tâches qui pourraient mener à des erreurs catastrophiques mettant fin à une carrière. Si l’IA prend une décision catastrophique, la responsabilité incombe toujours aux humains.
L’IA générative ne devrait jamais être responsable de l’exécution de règles d’affaires strictes ou de la prise de décisions autonomes dans des environnements hautement contrôlés. Agir ainsi introduit une imprévisibilité inacceptable.
Évitez d’utiliser l’IA générative autonome pour des scénarios comme les suivants :
- Approbations basées sur des politiques : Les décisions régies par des règles strictes et non négociables (comme l’évaluation d’une demande de changement par rapport à des paramètres de risque) exigent une conformité à 100 %, et non une probabilité.
- Contrôles financiers : L’approbation des demandes d’approvisionnement ou d’achat exige une audibilité totale. Un modèle probabiliste ne peut pas justifier mathématiquement sa logique à un vérificateur financier.
- Exécution de flux de travail réglementés : Tout flux de travail où un léger écart entraîne une amende réglementaire, une brèche de sécurité ou un risque pour la sécurité physique doit rester entièrement déterministe via Flow Designer.
Le cadre architectural pour l’IA dans ServiceNow
La bonne nouvelle est que nous pouvons tout de même tirer parti de l’IA générative pour éliminer les frictions sans compromettre la sécurité. Cela demande simplement un cadre architectural rigoureux.
Lors de l’évaluation de Now Assist ou d’intégrations de modèles de langage (LLM) personnalisés, tenez-vous-en à cette architecture à trois niveaux pour équilibrer l’innovation et le contrôle absolu :
- Couche d’accueil (Probabiliste) : Utiliser l’IA générative (Now Assist, Agent virtuel) pour interagir avec les humains, analyser le texte brut, interpréter le ton et recueillir le contexte à partir d’intrants non structurés.
- Couche de traitement et de gouvernance (Déterministe) : Transmettre les données structurées aux flux de travail natifs de ServiceNow (Flow Designer, règles d’affaires, Integration Hub) où la logique codée traditionnelle effectue les validations, les approbations et les intégrations.
- Couche de sortie et de synthèse (Hybride) : Utiliser l’IA générative pour rédiger les réponses finales, résumer les tableaux de bord des agents ou rédiger des revues post-incident, tout en gardant un humain dans la boucle pour la validation finale.
Conclusion : la stratégie avant l’engouement
Une stratégie d’activation de l’IA efficace dans ServiceNow ne consiste pas à activer toutes les fonctionnalités d’IA de la plateforme. C’est une question de discipline architecturale.
L’objectif est de protéger l’intégrité des processus tout en libérant une valeur commerciale tangible. En respectant la frontière entre le raisonnement probabiliste et l’exécution déterministe, les organisations peuvent déployer les bons outils pour les bonnes tâches, transformant ainsi l’engouement de l’IA en une valeur concrète et robuste.
