Toute organisation sérieuse détient déjà les données nécessaires pour mieux décider. Ce qui lui manque, c’est un chemin de la donnée à la décision, et de la décision à l’action, sans perdre le contrôle de l’une ni de l’autre. Combler cet écart, entre savoir et agir, c’est ce que nous appelons maîtriser l’espace décisionnel.
Le goulot d’étranglement n’a jamais été l’information. Vingt ans de collecte, d’entreposage et de tableaux de bord ont produit des analyses qui décrivent le passé, dans des silos qui ne se parlent pas, et des décisions qui circulent encore par e-mail et en réunion. Le difficile, c’est la distance entre une question et une action défendable. L’IA générative promettait de la réduire, et pour le grand public elle l’a fait. Placez un modèle généraliste dans une banque, un ministère ou une usine, et la promesse se brise de trois façons.
Pourquoi l’IA généraliste échoue ici
Un agent lâché sur des tables brutes devine. Le sens d’un métier ne vit pas dans ses données : il vit dans les conventions de nommage du schéma et dans la tête des plus anciens. En environnement régulé, cette devinette porte un nom : l’hallucination. Une réponse juste à 95 % n’est pas un actif, c’est un passif bien présenté.
Il suppose aussi que vos données peuvent sortir. L’essentiel du marché envoie vos données les plus sensibles dans le cloud d’une autre société, sous la loi d’un autre pays, et ne répond à aucune des trois questions qu’un opérateur souverain doit trancher sans hésiter : qui a décidé, sur quelles données, et peut-on revenir en arrière.
La thèse : souveraine, gouvernée, agentique
Galahad repose sur quatre convictions. Monarch, le produit que nous déployons, est bâti sur elles.
Déclarez le métier et la devinette cesse. Monarch est piloté par une ontologie : vos entités, relations, règles et exceptions y sont déclarées plutôt qu’inférées. Le même agent lit alors à travers les systèmes que vous exploitez déjà, sur place, dans le vocabulaire que vos équipes emploient déjà. Sur votre propre domaine, c’est la différence entre zéro hallucination et fiction plausible.
C’est ce qui rend l’IA utile à la décision. Rédiger un texte ne demande aucune connaissance de votre métier. Une décision n’en demande rien d’autre. Un agent qui tient votre modèle répond en une passe à une question traversant six systèmes, montre la requête sous chaque chiffre, et propose l’action qui en découle. Le travail de l’expert passe d’assembler la réponse à la juger.
L’IA propose, un humain dispose. Ce n’est sûr que parce que l’action est mise en attente, non exécutée. Les connexions sont en lecture seule par défaut. Chaque écriture est préparée, présentée intégralement, et n’est validée que sur votre accord explicite.
Rien ne compte si le raisonnement se fait ailleurs. Monarch tourne dans votre périmètre, totalement déconnecté si nécessaire, connecté en lecture seule aux systèmes PostgreSQL que vous exploitez déjà. Vos données ne bougent pas, c’est l’intelligence qui vient à elles. Chaque requête, plan et résultat s’inscrit dans une piste d’audit en ajout seul : qui a décidé quoi, quand, sur quel enregistrement. Auditable par construction, non par promesse. Et une société française : conforme au RGPD et à l’AI Act.
La question n’est plus de savoir si l’IA peut répondre. C’est de savoir si vous pouvez lui faire assez confiance pour agir, et prouver ensuite exactement ce qui a été fait.
La souveraineté, pas la nouveauté
Bien des plateformes savent produire une réponse. Très peu peuvent donner à un opérateur souverain une réponse sur laquelle il a le droit d’agir : ancrée dans sa propre ontologie, exécutée sous contrôle humain, contenue dans sa propre juridiction, défendable lors d’un audit.
Maîtriser l’espace décisionnel, ce n’est pas disposer du modèle le plus brillant. C’est être le seul, dans la pièce, capable de passer de la question à l’action responsable sans demander la permission d’utiliser ses propres données.