l'IA Générative pour une gouvernance disruptive de l'Architecture d'Entreprise

Intelligence Artificielle : Stratégie et Architecture

L'intelligence artificielle transforme profondément la manière dont les entreprises conçoivent et exploitent leurs systèmes d'information. Cette approche stratégique, s’appuie sur une méthodologie complète pour intégrer l'IA de manière structurée dans l'architecture d'entreprise. L'objectif est de démontrer comment une approche « Model-Centric » combinée à un prompting avancé permet d'automatiser des tâches fastidieuses tout en garantissant traçabilité et continuité.

La Stratégie IA : Fondements et Principes

La stratégie IA repose sur plusieurs piliers fondamentaux. La modélisation et la vectorisation/sémantisation constituent le socle méthodologique permettant de structurer l'information. L'entraînement du modèle au démarrage permet d'enrichir la base de connaissances avec le contexte métier spécifique.

Le masterprompting représente l'art de concevoir des instructions optimales pour guider l'IA. Les interactions avec l'utilisateur incluent des mécanismes de validation et de précision pour garantir la qualité des résultats. La continuité incrémentale assure une évolution progressive du système.

L'auditabilité et la traçabilité sont des exigences fondamentales pour les environnements d'entreprise. Enfin, l'approche est conçue pour être LLM agnostique, permettant de s'adapter à différents modèles de langage.

Architecture Fonctionnelle

L'architecture fonctionnelle s'articule autour de deux étapes principales. La première consiste à identifier le processus métier concerné. Cette identification permet ensuite d'enrichir progressivement le processus dans les versions suivantes du système.

La seconde étape exploite les données structurées pour prendre des décisions au sein du processus. Les sorties sont restructurées de manière cohérente, et les retraitements multi-flux permettent d'orchestrer des workflows complexes impliquant plusieurs sources de données.

Architecture Technique

L'architecture technique s'appuie sur plusieurs composants clés. Les sources de données peuvent provenir de systèmes RAG (Retrieval Augmented Generation), de réseaux sociaux, du web ou de fournisseurs externes.

Les solutions sur mesure comprennent un gestionnaire de processus, une base vectorisée pour le stockage sémantique et une base documentaire traditionnelle. Le déploiement peut être réalisé on-premise, dans le cloud ou en mode hybride selon les contraintes de l'entreprise.

Le codage permet de développer des traitements particuliers et d'implémenter la continuité par gestion des changements delta (Continuity).

Stratégie Générale : Du Modèle à la Vectorisation

La stratégie générale repose sur un processus métier collaboratif impliquant tous les acteurs concernés. Un modèle de données unique et cohérent constitue le référentiel central du système.

Le workflow comprend trois phases principales : la vectorisation qui transforme les données en représentations sémantiques, le stockage avec auditabilité intégrée pour garantir la traçabilité, et la re-vectorisation pour assurer la continuité lors des mises à jour du système.

Cette approche garantit que chaque modification peut être tracée et que le système évolue de manière incrémentale sans perte d'information.

Le Modèle Gouverné

Le modèle de données gouverné structure l'information d'architecture d'entreprise selon les concepts TOGAF. Les entités principales comprennent les Applications avec leurs composants applicatifs, les Technologies utilisées et les Serveurs d'hébergement.

Les flux de données sont modélisés via les Échanges et les Données échangées. L'organisation spatiale du système d'information est représentée par une hiérarchie Zone, Quartier, Ilot, Fonction qui permet de cartographier le plan d'occupation des sols applicatif.

Ce modèle unifié permet de garantir la cohérence des données extraites automatiquement depuis les documents d'architecture.

Ce modèle incomplet permet de valider les concepts présentés ici.

Le modèle sera complété pour s’accommoder des besoins particuliers à chaque contexte d’Architecture d’Entreprise.

Le Modèle Généré

À partir du modèle gouverné, le système génère automatiquement plusieurs artefacts techniques. Le schéma SQL permet de créer les tables de base de données avec toutes les relations et contraintes nécessaires.

Un schéma JSON est également généré pour permettre l'interopérabilité avec les systèmes modernes. Les classes Java peuvent être produites pour intégrer le modèle dans des applications d'entreprise existantes.

Cette génération automatique garantit la cohérence entre le modèle conceptuel et les implémentations techniques.

Cette génération a été ici exécutée par l’outil de modélisation UML Modelio.

Implémentation Supabase

Le modèle généré a été implémenté dans Supabase, démontrant la portabilité de l'approche vers les plateformes cloud modernes. Le schéma de base de données comprend les tables pour les échanges, serveurs, applications, données, composants applicatifs et technologies.

La modélisation des zones, quartiers, ilots et fonctions permet de représenter le plan d'occupation des sols applicatif. Les relations entre tables matérialisent les liens fonctionnels et techniques identifiés dans le modèle gouverné.

La solution Supabase est open-source et permet un déploiement on-prem, PaaS ou SaaS.

Workflow d'Acquisition DAT

Le workflow complet d'acquisition du DAT démontre l'orchestration des différentes étapes. La sémantisation du DAT convertit le fichier texte en structure TOGAF. L'AI Continuity vérifie les éléments TOGAF déjà présents afin de ne pas créer de doublons fonctionnels.

L'insertion en RAG ne concerne que les éléments TOGAF nouveaux. L'audit et la sérialisation garantissent la traçabilité en enregistrant la référence du DAT, les artefacts TOGAF créés, les artefacts filtrés et l'horodatage.

Le montage en base SQL structurée finalise le processus en alimentant les différentes tables du référentiel d'entreprise.

La solution N8N démontrée ici est open-source et permet un déploiement on-prem, PaaS ou SaaS.

La Sémantisation

La sémantisation transforme le texte libre en données structurées. À partir de phrases naturelles décrivant l'architecture (par exemple : « L'application Salesforce envoie des bons de commande à l'application SAP »), le système extrait automatiquement les entités et leurs relations.

Le résultat est un JSON structuré décrivant les applications, leurs technologies, leurs composants et les fonctions couvertes. Cette extraction automatique élimine le travail fastidieux de saisie manuelle tout en garantissant une structuration cohérente de l'information.

Qui dit données structurées dit traitement algorithmique prévisible sur la base de documents en entrée qui sont déstructurés.

AI Continuity : Gestion Incrémentale

L'AI Continuity constitue un composant essentiel du système. Sa fonction principale est le recyclage des éléments vectorisés dans de précédents DAT. Lorsqu'un nouvel élément est identique ou similaire à un élément existant, le système le reconnaît et évite les doublons.

Le merging des doublons fonctionnels permet de consolider l'information en fusionnant les éléments redondants. Cette approche garantit que le référentiel d'entreprise reste cohérent même lorsque plusieurs documents décrivent les mêmes composants sous des angles différents.

Pré-Vectorisation RAG

L'insertion dans le RAG (Retrieval Augmented Generation) utilise un chunker fonctionnel ad-hoc pour le pré-vectoring. Cette approche permet d'obtenir des réponses de grande précision lors des interrogations ultérieures.

Chaque élément stocké contient son contenu sémantique ainsi que des métadonnées riches : type d'entité, fichier source, date d'indexation, localisation dans la hiérarchie zone/quartier/ilot, niveau et nom de fonction. Ces métadonnées permettent des recherches contextuelles précises.

La solution QDRANT démontrée ici est open-source et permet un déploiement on-prem, PaaS ou SaaS.

RAG Agentique

Le RAG Agentique exploite la base de connaissances vectorisée pour répondre à des requêtes complexes. Le système combine un modèle de chat Anthropic avec une mémoire PostgreSQL et un magasin de vecteurs Qdrant.

Les capacités offertes incluent le diagramming automatique pour générer des représentations visuelles de l'architecture, l'analyse d'impact pour évaluer les conséquences de changements, les rapports TOGAF automatisés et l'extraction de données en CSV pour l'analyse.

Diagramming Automatique

Le diagramming automatique génère des représentations visuelles directement exploitables. L'exemple présenté montre la génération d'un plan d'occupation des sols en format DRAWIO XML.

Le système identifie automatiquement les zones, quartiers, ilots et fonctions à partir du RAG, puis génère le code XML structuré pour créer un diagramme complet. Cette automatisation élimine le travail manuel de création de diagrammes tout en garantissant la cohérence avec les données du référentiel.

Plan d'Occupation des Sols

Le plan d'occupation des sols généré automatiquement présente une vue cartographique du système d'information. La Zone Métier contient les quartiers Commercial et Finance, avec leurs ilots respectifs (Gestion Commerciale, Relation Client, Comptabilité).

La Zone Support comprend le Quartier Données de Référence avec l'Ilot Référentiel Client, ainsi que le Quartier Intégration avec l'Ilot Plateforme d'Intégration. Chaque fonction métier (Prise de commande, Facturation, Contact client, etc.) est positionnée dans son ilot.

La légende identifie clairement les niveaux : Zone, Quartier, Ilot et Fonction, permettant une lecture intuitive de la cartographie applicative.

Analyse d'Impact

L'analyse d'impact illustre la puissance du système pour évaluer les conséquences de changements. Dans l'exemple présenté, l'utilisateur demande d'analyser les impacts du remplacement d'EBX par Semarchy.

Le système identifie automatiquement le contexte actuel (EBX/TIBCO EBX utilisé pour la gestion du référentiel client MDM) et produit une analyse structurée des impacts sur les échanges, avec leur niveau de criticité.

Matrice de Risques

L'analyse d'impact génère une matrice de risques complète. Pour chaque risque identifié (incompatibilité format données, perte de données en migration, interruption flux SAP/Salesforce, performance dégradée, formation utilisateurs), le système évalue la probabilité et l'impact.

La criticité résultante permet de prioriser les actions de mitigation. Les mesures proposées sont concrètes : POC technique avant migration, plan de rollback avec tests exhaustifs, déploiement progressif avec bascule contrôlée, tests de charge, plan de formation adapté.

Plan d'Actions Recommandé

Le plan d'actions recommandé structure le projet de migration en quatre phases. La Phase 1 de Préparation (4-6 semaines) comprend l'audit du modèle de données EBX, la comparaison fonctionnelle EBX vs Semarchy, le POC technique Semarchy/Mulesoft et la définition du plan de migration.

La Phase 2 de Développement (8-12 semaines) couvre le développement des connecteurs, la configuration de Semarchy et la migration en environnement de test. La Phase 3 de Déploiement (4-6 semaines) inclut la bascule en pré-production et les tests de non-régression. La Phase 4 de Stabilisation (4 semaines) assure le monitoring et l'optimisation.

L'estimation d'effort totale se situe entre 90 et 130 jours, soit 4 à 6 mois de projet.

SQL Agentique : Interrogation Libre

Le SQL Agentique permet une interrogation libre de la base de données structurée. L'utilisateur peut poser des questions en langage naturel, comme « liste les échanges impliquant l'application SAP ».

Le système traduit automatiquement la requête en SQL, l'exécute et présente les résultats de manière structurée. L'exemple montre l'identification de deux échanges impliquant SAP : l'envoi de bons de commande depuis Salesforce et la distribution des données client via Mulesoft.

Cette capacité d'interrogation en langage naturel démocratise l'accès aux données d'architecture d'entreprise, permettant à des utilisateurs non techniques d'explorer le référentiel.

Une Stratégie applicable aux processus Métier d'Entreprise 

Cette stratégie & Architecture s'applique de la même façon aux processus Métier de l'Entreprise.

Chez Acceliance, dans le domaine RH, nous avons automatisé le processus de recrutement de nos consultants sur mission. Deux RAG pré-vectorisés nous permettent d'effectuer des requêtes de grande précision.

Les gains ?

• 30 minutes par CV pour un examen de premier niveau

• 30 minutes par fiche de poste pour bien comprendre les compétences demandés ainsi que leur criticité

• 2 heures par CV pour la conversion dans la charte Acceliance (Mise en forme graphique, conjugaisons à la 3ème personne, mise en avant des mots clé selon la fiche de poste, génération d'une présentation en préambule orientée sur le besoin du client)

• Une qualité perçue par le client augmentée par la production d'un rapport de scoring très détaillé avec radar graphique et points de vigilance en entretien.

Les domaines de la Finance, de la conformité, du commerce, ... peuvent bénéficier de gains de productivité de la même façon.

Conclusion : l’IA pour une gouvernance disruptive de l’Architecture d’Entreprise centrée sur la Valeur

Cette approche démontre comment l'intelligence artificielle peut transformer la gouvernance de l'architecture d'entreprise. En combinant modélisation sémantique, vectorisation et agents IA, il est possible de bâtir une solution complète pour automatiser les tâches fastidieuses tout en garantissant traçabilité et continuité.

Les bénéfices sont multiples : réduction drastique du temps de saisie dans le référentiel d'entreprise, génération automatique de diagrammes et rapports, analyse d'impact instantanée et interrogation en langage naturel. Cette approche « Model-Centric » avec « Advanced Prompting » s'adapte à tous les environnements et garantit l'AI Continuity pour une évolution incrémentale du référentiel TOGAF.