Connecter un modèle d'IA à des données d'entreprise ne suffit pas toujours à obtenir des recommandations réellement exploitables. Lors du Tech For Industry Show, Geoffrey Gabelle, Partner Director et Antoine Cavelius, Lead Applied Value Engineer (Celonis), société allemande spécialiste du process mining depuis 15 ans, ont présenté leur vision d'un modèle contextuel opérationnel, pensé comme le chaînon manquant entre la donnée brute et une IA agentique réellement pertinente pour l'industrie.

Celonis s'est historiquement construite autour du process mining : reconstituer les processus réels d'une entreprise à partir des journaux (logs) de ses systèmes informatiques, sans avoir à interroger les experts métier. Au fil de 15 années et d'une large base client, l'entreprise a fait évoluer cette approche vers la process intelligence — non plus seulement comprendre ce qui s'est passé, mais agir sur les processus et orchestrer différemment pour capter la valeur identifiée. Cette année, Celonis se positionne désormais comme un modèle contextuel opérationnel, une couche destinée à la fois à l'analyse de performance des processus et à l'alimentation de développements d'IA agentique.

Les intervenants illustrent leur propos avec un exemple simple : interroger un LLM interne sur la conduite à tenir face à une hausse de la demande produit une réponse acceptable mais générale (réapprovisionner, éventuellement augmenter le stock de sécurité). En connectant ce même modèle à une information d'entreprise précise et événementielle, la réponse devient bien plus actionnable : identifier que la hausse de demande concerne un produit fini utilisant un composant en stock critique, savoir que ce composant est théoriquement livré en 10 jours par son fournisseur habituel mais qu'il est en réalité livré en 15 à 20 jours d'après l'historique observé, et proposer en conséquence un transport express pour éviter la rupture. C'est cette capacité à amener l'IA au plus près d'un vrai point de décision — avec les contrôles nécessaires pour éviter les hallucinations — que Celonis considère comme déterminante pour la prochaine vague de développement de l'IA en entreprise.

Le modèle contextuel opérationnel de Celonis s'appuie sur plusieurs briques :

Ce sont les événements survenus dans le passé — création, modification, suppression d'une facture, validation d'une réception, etc. Les intervenants proposent une analogie avec une course de Formule 1 : la BI classique montre la grille de départ et l'arrivée, tandis que les données de process montrent les arrêts au stand et les incidents en cours de course — essentiel pour comprendre comment améliorer la performance future, y compris à partir des contre-exemples (processus n'ayant pas respecté un taux de service donné).

De nombreux clients définissent des procédures cibles au format BPMN ou des règles de conformité : si l'IA doit un jour opérer un processus, elle doit respecter le même cadre que celui imposé aux opérateurs humains.

L'analyse historique des événements permet de prédire une trajectoire probable "toutes choses égales par ailleurs", ou de mener des analyses sous contrainte (que se passe-t-il si tel paramètre de la supply chain change ?).

Celonis décrit sa plateforme comme reposant sur trois éléments : une infrastructure haute performance développée depuis 15 ans, le modèle contextuel lui-même — construit comme un jumeau numérique vivant des opérations — et la capacité à créer des solutions composables à partir de ce modèle, en trois temps : analyser les processus, concevoir le processus de demain en y intégrant de l'IA agentique alimentée par ce contexte métier, puis orchestrer et industrialiser cette nouvelle façon de travailler.

Lors d'une démonstration en direct, Celonis illustre sa démarche sur un cas de shop floor, en se connectant à un MES, un système de gestion d'entrepôt (WMS) et un système de planification avancée (APS). Le modèle contextuel transforme la complexité de ces systèmes en objets et événements métier compréhensibles (ordre de fabrication, centre de travail, commande d'achat).

L'analyse révèle que, sur 10 489 ordres de fabrication concernés, un contrôle qualité a échoué, ralentissant considérablement le processus. En creusant plus loin, un écart de 11 heures entre le début de production prévu et réel est identifié, remonté jusqu'à une panne d'une machine, elle-même causée par un retard de livraison de pièces de maintenance — un fournisseur peu fiable. Celonis chiffre l'opportunité associée à environ 8 millions de dollars, les machines ne fonctionnant que 65 % du temps contre un objectif de 80 % selon le benchmark utilisé.

Sur cette base, Celonis propose de concevoir un agent de maintenance prédictive capable d'identifier en amont les fournisseurs à risque, puis d'orchestrer une réponse automatisée : lorsqu'un retard est détecté, l'agent alerte l'utilisateur et recommande, dans cet exemple, de transférer une pièce disponible en excès de stock depuis une usine voisine plutôt que d'attendre le fournisseur défaillant — action qui, une fois validée, déclenche directement l'ordre de transfert dans l'ERP.

Celonis, société allemande, cite l'exemple de BMW, qui affirme que chaque véhicule sorti de ses usines a été touché à un moment ou un autre par la plateforme — avec un cas d'usage sur la synchronisation des lignes d'assemblage moteur pour éviter les retards de livraison liés à des désynchronisations entre lignes parallèles.

Chez Mercedes, le partenariat a démarré pendant la crise Covid et la pénurie de microprocesseurs, avec un enjeu de priorisation : quel véhicule doit recevoir en priorité les composants électroniques disponibles ? Celonis a construit une "control tower" sur la supply chain, avec des scénarios de simulation permettant d'identifier la meilleure allocation possible.

Celonis se positionne comme agnostique vis-à-vis des couches de consommation de l'IA (Copilot, agents personnalisés) et travaille notamment avec Microsoft pour alimenter des solutions comme Copilot Studio. L'architecture typique déployée chez les clients comprend une couche de données, la couche contextuelle Celonis, une couche de consommation (agents, copilotes) et une couche d'observabilité — par exemple via l'outil Agent 365 de Microsoft, qui surveille les accès des agents, pendant que Celonis mesure en parallèle la valeur économique générée par chaque agent depuis sa mise en place.

Un argument technique mis en avant : le fait de préparer en amont le contexte nécessaire aux agents réduirait, selon les observations de Celonis, la consommation de tokens par un facteur de deux à trois pour un même cas d'usage, en évitant aux agents de devoir reconstruire eux-mêmes des requêtes complexes ou des transformations de données.

Le message central de Celonis est que la valeur d'une IA agentique en entreprise dépend directement de la qualité du contexte métier auquel elle a accès. Sans une compréhension fine et réelle des processus — construite ici via le process mining —, une IA reste cantonnée à des réponses génériques ; avec ce contexte, elle devient capable de recommandations directement actionnables et mesurables en valeur business.

Retrouvez l'intégralité de cette conférence, ainsi que les autres replays du Tech For Industry Show, sur notre page dédiée.