Decision Intelligence : des prévisions commerciales aux résultats opérationnels, Part 2

L’intelligence artificielle est désormais entrée dans le courant dominant. Selon McKinsey, 78 % des entreprises utilisent l’IA dans au moins un domaine d’activité, et 71 % ont recours à l’IA générative. Pourtant, plus de 80 % ne constatent aucun impact sur leurs bénéfices. La Decision Intelligence (DI) pourrait constituer la couche manquante reliant l’analytique aux résultats. Cet article montre comment ce lien se matérialise dans la pratique.

Le fossé entre prévision et résultat

Comme dans l’analytique classique, les systèmes d’IA produisent des prévisions (p. ex. des estimations, classifications ou probabilités), mais les organisations doivent encore décider de la manière d’agir à partir de ces informations. Comme le souligne James Taylor dans Digital Decisioning (2019), la prévision est une performance technique ; la décision est un acte managérial, qui définit la responsabilité, les compromis et le niveau de risque acceptable.
Pourtant, de nombreuses initiatives en IA s’arrêtent au stade prédictif, dans l’hypothèse que l’insight seul déclenchera le changement. En réalité, c’est rarement le cas. Le véritable défi consiste à partir d’un business outcome clairement formulé, puis à concevoir les processus décisionnels de manière à traduire les informations prédictives en résultats mesurables.

Une décision est le point où convergent informations, règles et jugement afin de sélectionner une action. Chaque décision comporte des inputs, une logique et des outputs, façonnés par le temps, les politiques internes et la tolérance au risque. Taylor distingue trois niveaux de décisions : stratégiques, tactiques et opérationnelles. Les premières fixent la direction et reposent sur des arbitrages ; les secondes sont fréquentes, formalisées et adaptées à l’automatisation. Identifier ces niveaux est essentiel pour équilibrer le jugement humain et le soutien machine.

La Decision Intelligence considère les décisions comme des artefacts construits — explicites, testables et perfectibles. Chaque décision définit son déclencheur, les données nécessaires, la logique et l’action qui en découle, devenant ainsi mesurable et imputable. Au cœur de toute décision se trouve sa rationale : le schéma de raisonnement explicite qui relie la prévision à l’action et la décision à son résultat. Selon Taylor, une décision dépourvue de rationale documentée n’est pas une décision gérée : elle ne peut être ni auditée ni améliorée, et ne saurait inspirer confiance. Lorien Pratt approfondit cette idée en décrivant la rationale comme la chaîne causale permettant à une organisation d’apprendre de l’expérience — en retraçant comment les décisions mènent à des conséquences, et comment ces conséquences affinent les décisions futures. En Decision Intelligence, la rationale n’est pas un sous-produit, mais l’architecture essentielle qui transforme la prédiction en responsabilité et en apprentissage.

Figure 1: Les décisions transforment les inputs en actions dans le cadre des objectifs et contraintes organisationnels, tandis que la supervision humaine garantit transparence, responsabilité et contrôle éthique.

Les flux décisionnels dans la pratique

Un Decision Flow décrit la manière dont l’information analytique se traduit en action organisationnelle : comment les données alimentent une décision, comment la logique et le jugement sont appliqués, et comment les résultats génèrent un retour d’information pour l’amélioration continue. Le concept apparaît dans la littérature sous diverses appellations. Taylor (2019) parle de Decision Flows opérationnels reliant les modèles aux processus quotidiens. Pratt (2019) introduit les notions de decision chains et de decision networks, illustrant comment chaque choix influence le suivant. Davenport, Harris et Shapiro (2010) décrivent des processus analytiques reliant données et actions managériales. Malgré des terminologies variées, toutes ces approches reposent sur le même principe fondamental : une séquence intentionnelle reliant analyse, décision et apprentissage.

Figure 2: HLes systèmes human-in-the-loop guident, supervisent et apprennent à chaque étape du cycle décisionnel piloté par l’IA, faisant de l’ingénierie des résultats de bout en bout un facteur clé de réussite contre l’échec des projets d’IA.

Dans la Decision Intelligence, cette structure devient un objet de conception. Cartographier les Decision Flows rend explicite et vérifiable la manière dont les résultats analytiques traversent la logique métier pour produire des effets mesurables. Cela met au jour les hypothèses et biais, clarifie les responsabilités et identifie qui interprète, autorise et évalue. Avec le temps, cette modélisation transforme les analyses isolées en systèmes d’apprentissage pilotés, où le retour d’expérience renforce simultanément les algorithmes et le jugement humain.

Les paradigmes de la Decision Intelligence

La Decision Intelligence se manifeste à travers plusieurs architectures distinctes, chacune illustrant une manière différente dont la prédiction, la rationale et le retour d’expérience interagissent pour produire des résultats responsables. Dans l’optimisation opérationnelle, les systèmes de chaîne d’approvisionnement prévoient les goulets d’étranglement et ajustent automatiquement les commandes ; ils comparent ensuite les niveaux de service et les coûts réels aux attentes afin d’affiner règles et modèles (Taylor, 2019). Le soutien décisionnel à forte intensité de jugement se retrouve dans le triage de la septicémie assisté par IA, où les algorithmes identifient le risque pour les patients, tandis que les médecins examinent et documentent la rationale de chaque intervention — une approche qui génère le retour d’expérience nécessaire à l’apprentissage (Goh et al., 2021). Les décisions gouvernées dominent les secteurs réglementés tels que l’octroi de crédit, où les modèles de credit scoring sont combinés à des règles d’approbation explicites et à des justifications documentées, permettant ainsi d’évaluer chaque décision en termes d’équité et de risque (Addy et al., 2024). Enfin, dans les systèmes adaptatifs, comme la gestion du trafic urbain, les analyses prédictives coordonnent signaux et incitations en temps réel ; les données relatives aux émissions et à la congestion alimentent un ajustement continu des politiques et des seuils de modèle (Shahid et al., 2025). Ensemble, ces exemples montrent comment la Decision Intelligence part d’objectifs clairement définis et relie prédiction, rationale et accountability. Ensemble, ces exemples montrent comment la DI part d’objectifs clairement définis et relie prédiction, rationale et accountability.

Orchestrer le résultat

La Decision Intelligence veille à ce que l’IA ne produise pas seulement des prévisions, mais de véritables résultats opérationnels. Elle conçoit les Decision Flows de manière à pouvoir être formalisés, exécutés et optimisés. Des cadres tels que la Decision Model and Notation (DMN) ou le Decision Process Modeling (DPM) définissent règles et workflows pouvant être simulés, optimisés et intégrés dans des plateformes d’automatisation. Un tableau DMN relié à un moteur de règles peut déclencher des actions, tandis que les outils de simulation et de retour d’expérience testent des alternatives et valident les résultats. La supervision human-in-the-loop instaure la responsabilité via des seuils d’escalade, des tableaux de bord et des contrôles éthiques, tandis que les environnements low-code permettent aux analystes d’ajuster la logique décisionnelle dans des cadres de gouvernance définis. Ensemble, ces capacités — représentation formelle, exécution, feedback et supervision humaine — constituent les fondements des plateformes commerciales de Decision Intelligence, qui feront l’objet du prochain article.

References

Davenport, T. H., Harris, J. G., & Morison, R. (2010). Analytics at Work: Smarter Decisions, Better Results. Harvard Business Press.

McKinsey & Company. (2025). The State of AI in 2025. McKinsey Global Institute.

Pratt, L. (2021). Link: How Decision Intelligence Connects Data, Actions, and Outcomes for a Better World. Wiley.

Taylor, J. (2019). Digital Decisioning: Using Decision Management to Deliver Business Impact from AI. Taylor and Francis / MK Press.

Taylor, J. (2022). Real-World Decision Modeling with DMN (2nd ed.). MK Press.

Addy, N., Boateng, S. L., & Li, J. (2024). AI in Credit Scoring: A Comprehensive Review of Models and Predictive Analytics. Expert Systems with Applications, 241, 122675. Elsevier.

Goh, K. H., Wang, L., Yeow, A. Y. K., Poh, H., Li, K., Yeow, J. J. L., & Tan, G. Y. H. (2021). Artificial Intelligence in Sepsis Early Prediction and Diagnosis. Nature Communications, 12, 7150. https://doi.org/10.1038/s41467-021-20910-4.

Shahid, A., Khan, M. J., & Li, Y. (2025). Revolutionizing Urban Mobility: A Systematic Review of AI, IoT, and Predictive Analytics in Adaptive Traffic Control Systems. Electronics, 14(4), 719. MDPI.