Une question de proportion
Beaucoup de problèmes industriels sont déterministes. Choisir une gamme de fabrication, contrôler la cohérence d'une nomenclature, déclencher une alerte de stock, appliquer une règle de traçabilité : ce sont des décisions codifiables. Les traiter par un modèle statistique généraliste revient à mobiliser une infrastructure de calcul considérable pour retrouver, avec incertitude, une logique que l'on connaît déjà.
Le système expert fait l'inverse : il formalise le savoir métier en règles explicites, auditables, corrigibles. Son coût d'exécution est marginal. Son empreinte énergétique est sans commune mesure avec celle d'un modèle entraîné en continu.
Auditabilité et conformité
Dans un contexte où le reporting extra-financier et les exigences de traçabilité se durcissent, l'explicabilité n'est pas un confort : c'est une condition d'usage. Une règle se justifie devant un auditeur. Une inférence probabiliste, beaucoup moins facilement. C'est l'un des angles morts du débat actuel sur l'IA en entreprise.
« La question n'est pas « avec ou sans IA ». Elle est : quelle est la plus petite technologie qui résout correctement le problème ? »
L'hybridation plutôt que la substitution
Cette tribune ne plaide pas contre l'apprentissage automatique. Elle plaide pour l'hybridation : des règles métier là où la logique est connue, des modèles là où le signal est réellement statistique — prévision de charge, détection d'anomalie, maintenance prédictive. C'est l'architecture que nous observons chez les éditeurs les plus sérieux, et notamment dans les travaux d'Archipelia sur l'ERP.
- Cartographier les décisions réellement incertaines avant d'envisager un modèle.
- Écrire les règles métier avec les opérateurs, pas à leur place.
- Mesurer la valeur en unités physiques : kWh évités, rebut supprimé, heures rendues.
L'IA frugale n'est pas un compromis à la baisse. C'est une exigence d'ingénierie — et, pour un investisseur de long terme, un bien meilleur indicateur de sérieux qu'une démonstration spectaculaire.
