Le bulletin The Geospatial Edge est publié par Esri Canada à l'intention des gestionnaires et des professionnels chargés de développer les capacités géospatiales de leur organisation. Dans ce numéro, Matt Lewin présente cinq compétences essentielles en IA que chaque gestionnaire SIG doit maîtriser.

En 2024, j’ai rédigé un article sur sept compétences essentielles que chaque gestionnaire SIG doit maîtriser pour réussir dans son rôle. Ce billet a rapidement rencontré un franc succès, devenant l’un des plus consultés et des mieux évalués de ma carrière, et je suis ravi de son impact positif.

Toutefois, cet article a été rédigé au tout début de l’ère de l’IA générative, une époque où l’impact de cette technologie, en particulier sur la fonction de gestionnaire de système d’information géographique, n’était pas encore bien défini.

Le temps, cependant, a permis d’éclaircir cette question. Les sept compétences mentionnées dans l’article restent plus pertinentes que jamais, mais l’émergence de l’IA agentique dans le domaine des SIG présente de nouveaux défis en matière d’intégration, de gestion budgétaire et de gestion d’équipe; des enjeux qui n’existaient même pas il y a deux ans. Il est donc temps de faire une mise à jour.

Voici cinq compétences supplémentaires que chaque gestionnaire doit désormais posséder pour diriger et développer efficacement son programme SIG à l’ère de l’IA agentique.

1. Concevoir une infrastructure SIG pour l’utilisation d’agents

L’IA agentique représente un défi majeur dans la conception de votre infrastructure SIG : votre système doit désormais être conçu pour accueillir non seulement des utilisateurs humains, mais aussi des machines (agents). Or, ces machines ne possèdent pas le contexte nécessaire pour naviguer dans les particularités ou les lacunes de vos données ou outils.

Ce changement architectural a des répercussions pratiques dans plusieurs domaines :

Préparation des données. Tous vos ensembles de données ne sont pas prêts à être utilisés par un agent. Certains présentent des problèmes de qualité connus, tandis que d’autres comportent des nuances ou un contexte que seule votre équipe maîtrise. Par exemple, l’équipe d’intégrité, l’équipe des opérations et l’équipe environnementale d’une entreprise de pipeline maintiennent chacune des couches spatiales avec un champ intitulé « ÉTAT », mais dans chaque cas, ce champ désigne quelque chose de différent : un score d’inspection en ligne, un statut opérationnel tel que « actif » ou « abandonné », et une description de surface comme « érodée » ou « végétalisée ». Un analyste humain, réalisant une évaluation des risques d’un site de fouilles, ne confondrait pas ces données, mais un agent chargé de « repérer les segments de pipeline en mauvais état près de l’excavation prévue » manquera du contexte nécessaire pour les distinguer sans une documentation claire et lisible par machine. Il vous faut donc un moyen d’évaluer quels ensembles de données sont « prêts pour les agents » et, ensuite, fournir à ces derniers des instructions précises sur leur utilisation.

Métadonnées et documentation. Les métadonnées ont toujours été cruciales, mais il existe une différence majeure entre des métadonnées rédigées pour un analyste SIG qui maîtrise les conventions et des métadonnées conçues pour qu’un modèle d’IA puisse déterminer correctement si une couche est adaptée à une requête spécifique. Cela relève presque d’une nouvelle forme de rédaction technique, visant à décrire vos données et services de manière à guider le comportement des agents, plutôt qu’à simplement informer les utilisateurs humains.

Fourniture d’outils et de services. Lorsqu’un agent se connecte à votre environnement SIG, à quels outils de géotraitement a-t-il accès? Quelles sont les couches de données ou les services auxquels il peut se connecter? C’est un peu comme attribuer une boîte à outils à un nouvel employé, sauf que les conséquences d’attribuer les mauvais outils à un agent sont différentes. Un humain cherchera des éclaircissements, tandis qu’un agent utilisera simplement ce qu’on lui donne.

Connectivité. Les gestionnaires SIG doivent comprendre comment les agents se connectent à l’infrastructure spatiale et comment ils interagissent avec elle. Cela inclut des éléments tels que l’exposition aux API et les protocoles par lesquels les modèles de langage de grande taille appellent des services spatiaux. Vous n’avez pas à créer cette infrastructure vous-même, mais vous devez disposer de suffisamment de connaissances pour prendre des décisions éclairées. Par exemple, un agent qui interroge un service d’entités publié est très différent de celui qui a un accès direct à votre géodatabase ou peut invoquer des outils de géotraitement. L’étendue de ce qu’il peut lire, écrire et exécuter dépend de la manière dont il est connecté. Si vous ne comprenez pas ces distinctions, vous risquez d’introduire, sans le vouloir, des risques liés à l’accès et à l’utilisation des données dans votre environnement.

2. Décider de ce que font les agents et ce que font les humains

Il y a cinq ans, aucun gestionnaire SIG n’avait à se poser la question suivante : quels flux de travaux doivent rester humains, lesquels doivent être attribués aux agents, et lesquels doivent être hybrides, avec des points de contrôle humains tout au long du processus*? Aujourd’hui, cette question se pose quotidiennement!

[* Remarque : j’ai rédigé un guide pour les gestionnaires qui explore en détail cette transition à travers dix fonctions essentielles des SIG. N’hésitez pas à le consulter pour une lecture plus approfondie.]

Actuellement, les LLM (modèles de langage de grande taille) et les agents qu’ils alimentent présentent des limites notables dans certaines tâches spatiales. Les calculs de coordonnées précis, le raisonnement topologique, les projections cartographiques : ce sont des domaines où les agents, s’ils sont laissés à eux-mêmes, donneront des réponses erronées avec une grande assurance. Comprendre où les agents risquent de faillir dans le raisonnement spatial devient une nouvelle forme de compétence technique pour les gestionnaires SIG.

Cela est crucial, car la manière dont le travail est réparti entre les humains et les agents pose une question stratégique qui a de réelles conséquences opérationnelles. Si vous vous trompez dans une direction, vous risquez d’automatiser des flux de travaux qui nécessitent un jugement humain, avec à la clé une série d’erreurs. Si vous vous trompez dans l’autre direction, vous risquez d’ajouter trop de points de contrôle humains, recréant ainsi le vieux processus manuel, mais avec encore plus d’étapes.

Pour chaque flux de travaux, il vous faut évaluer le coût d’une erreur. Quelle capacité un agent a-t-il à gérer le raisonnement spatial impliqué? À quel moment un humain doit-il intervenir avant que le processus ne progresse davantage?

Cela s’étend à ce que j’appelle la supervision des travailleurs non humains. Vous n’avez pas à motiver les agents ou à vous préoccuper de leur perfectionnement professionnel, mais vous devez clairement définir leurs limites d’autorité et savoir quand leur accorder votre confiance.

Prenons un exemple concret : supposons que votre équipe soit chargée des évaluations d’impact environnemental. Un collègue propose qu’un agent puisse s’occuper de la phase de sélection initiale. Cependant, vous savez que cette étape nécessite des jugements spatiaux subtils, comme déterminer si les limites d’une zone humide sont exactes ou si elles se basent sur des images obsolètes.

Comment procéder? Une approche pragmatique consiste à confier à l’agent l’assemblage du paquetage de données et l’exécution de l’analyse, puis à faire examiner les résultats par un analyste humain avant qu’ils n’atteignent un intervenant. Ce point de contrôle vous permet de conserver la plupart des gains d’efficacité obtenus grâce à l’agent, tout en vous prémunissant contre des erreurs qui pourraient avoir de lourdes conséquences.

3. Gérer l’économie du travail avec les agents

Dans mon article original, j’avais abordé la gestion du coût total des systèmes SIG, incluant le matériel, les licences, les données, la formation et l’entretien à long terme. Cette compétence demeure essentielle, mais l’IA agentique introduit une structure de coûts bien différente de celle à laquelle la plupart des gestionnaires SIG sont habitués.

Les coûts traditionnels des SIG sont généralement fixes et prévisibles, reposant sur les licences et le personnel à temps plein, avec des coûts de consommation infonuagiques qui dépendent de l’architecture web de l’organisation. L’IA agentique, quant à elle, pousse la tarification fondée sur la consommation à un niveau inédit. Chaque requête, chaque analyse, chaque sortie produit un coût lié aux cycles de calcul, aux appels API et aux services IA basés sur des jetons. Ces coûts peuvent évoluer de manière difficilement prévisible.

Cela engendre trois défis économiques distincts auxquels les gestionnaires SIG doivent désormais s’adapter :

L’économie unitaire. Quel est le véritable coût d’une analyse réalisée par un agent, et comment cela se compare-t-il à une analyse effectuée par un humain?

Gestion de la demande. Lorsque l’analyse spatiale passe d’une attente de deux heures à une réponse en deux minutes, la demande au sein de l’organisation peut exploser. Gérer cette demande (triage, limitation des taux, gestion des attentes) devient un défi opérationnel inédit.

Établir le rendement. Si un agent vous coûte chaque mois une somme fixe, mais qu’il économise à l’analyste X heures de travail, permettant ainsi à ce dernier de se consacrer à des tâches stratégiques, quelle est la véritable valeur de cette économie pour votre entreprise?

Par exemple, imaginez que vous déployiez un agent qui génère automatiquement des cartes de gestion de la végétation. Ce qu’un analyste faisait en deux heures, l’agent le fait en quelques minutes. Un franc succès, qui vous incite à étendre le pilote à toutes les opérations sur le terrain. Six semaines plus tard, vous vous rendez compte que vos frais de calcul dans le nuage ont triplé. Vous n’aviez pas anticipé correctement le volume de cycles CPU et de génération de jetons nécessaires à cette échelle. À l’avenir, un gestionnaire SIG compétent devra comprendre ces aspects économiques de l’IA et définir des garde-fous d’utilisation avant d’élargir le projet pilote.

4. Assurer la qualité dans un environnement piloté par des agents

Un aspect particulièrement préoccupant de l’IA, que soulignent souvent les gestionnaires, est que les agents fonctionnent à des vitesses sans précédent. Alors, comment garantir la qualité lorsque l’agent dépasse la capacité de votre équipe? Et comment éviter le piège de valider rapidement les résultats sans véritablement les examiner, juste pour passer rapidement à autre chose? Lorsqu’une équipe SIG produit cinq cartes ou ensembles de données chaque semaine, il est concevable qu’elle puisse suivre le rythme, mais lorsqu’un agent génère cinq cents sorties dans la même période, l’assurance qualité devient une discipline totalement différente.

Les gestionnaires SIG doivent apprendre à concevoir des processus d’assurance qualité adaptés à la rapidité et au volume des agents. Une méthode consiste à ne plus réviser chaque sortie, mais à définir des taux d’erreur pour différents cas d’utilisation, puis à prélever des échantillons aléatoires des résultats. Les différents cas d’utilisation auront naturellement des taux d’erreur acceptables différents. Par exemple, une demande de zonage d’un résident pourrait tolérer un taux d’erreur différent d’un calcul de marge d’infrastructure servant à délivrer un permis de construction. Ce dernier étant plus sensible sur le plan spatial, il nécessite une grande précision. Cependant, le processus reste le même : créer des contrôles automatisés qui signalent les anomalies sans qu’un humain ait besoin d’examiner chaque résultat.

Cela implique également de mettre en place des pistes d’audit. Lorsqu’un agent produit une sortie spatiale, il faut pouvoir reconstruire ce qui s’est passé. Quelles données a-t-il utilisées? Quelles opérations a-t-il effectuées? Quelles décisions intermédiaires a-t-il prises? Sur quelles données le modèle a-t-il été entraîné? Aujourd’hui, lorsqu’il y a un problème avec une carte ou une analyse, vous vous dirigez vers le bureau de l’analyste pour poser des questions. Dans un flux de travaux piloté par un agent, cette conversation n’existe pas. Il est donc essentiel d’intégrer l’observabilité et la traçabilité dès le départ.

L’assurance qualité dans un environnement piloté par des agents deviendra de plus en plus cruciale à mesure que leur adoption se développe. C’est ce qui rend vos travaux spatiaux automatisés fiables et exploitables.

5. Gouverner les agents et gérer les risques

Dans mon billet original, j’insistais sur l’importance de la gestion et de la gouvernance des données géospatiales. L’IA agentique étend désormais cette responsabilité. Il ne s’agit plus seulement de gouverner les données, mais aussi les agents eux-mêmes, tout en tenant compte de nouveaux risques qui n’existaient pas auparavant.

Plusieurs questions essentielles s’imposent. Qui, dans votre organisation, est autorisé à déployer un agent qui utilise vos données et services spatiaux? À quel processus d’approbation ces initiatives sont-elles soumises? Que sont autorisés à faire les agents? Doivent-ils se limiter à des requêtes en lecture seule, ou peuvent-ils publier des résultats, modifier des données ou déclencher des flux de travaux? Autant de questions de gouvernance qui appellent des réponses claires. Dans bien des organisations, elles restent encore sans cadre formel.

Se pose ensuite la question de la responsabilité. Lorsqu’un agent produit un résultat spatial inexact, qui en répond? L’équipe SIG, parce qu’elle met les données à disposition, ou l’unité commerciale qui a déployé l’agent pour servir ses besoins?

Ces enjeux sont complexes, mais, en tant que gestionnaire SIG, vous êtes souvent la personne la mieux placée pour les soulever. Vous comprenez les risques propres aux données spatiales d’une manière que d’autres n’ont pas nécessairement. Bien que vous ayez besoin des parties prenantes concernées pour peser sur la réponse, vous jouez le rôle de catalyseur pour faire avancer une conversation importante sur la gouvernance et la politique liées aux agents géospatiaux.

Conclusion

Les sept compétences présentées dans mon article initial demeurent essentielles. En tant que gestionnaire, vous devez toujours comprendre les capacités des SIG, en démontrer la valeur, gérer les coûts, maîtriser les intégrations, constituer des équipes, assurer la gouvernance des données et suivre l’évolution du secteur. Ces compétences restent pleinement d’actualité. Cela dit, l’IA agentique ajoute un niveau de complexité qui appelle un nouvel angle d’attention. Ces compétences sont relativement nouvelles, mais elles s’imposeront rapidement comme incontournables au cours des prochaines années. En commençant à les développer dès maintenant, vous ne vous contenterez pas de vous adapter aux transformations de la profession en SIG. Vous serez en mesure d’en prendre les devants.

Parlons-en ensemble

Exploitez-vous le potentiel de l’IA et des agents d’IA pour votre entreprise? Vous souhaitez faire évoluer vos compétences et approfondir vos connaissances? Écrivez-moi ou entrez en contact avec moi sur LinkedIn. Au plaisir d’échanger avec vous!

Cordialement,

Matt

The-Geospatial-Edge est un bulletin d’information périodique sur la stratégie géospatiale et l’intelligence de localisation édité par Matt-Lewin, directeur des services-conseils stratégiques d’Esri-Canada. Si ce courriel vous a été transmis et que vous souhaitez recevoir le bulletin d’information The-Geospatial-Edge et les messages connexes d’Esri-Canada, visitez notre centre de préférences en matière de communications et cochez la case «-Stratégie SIG-» parmi les champs d’intérêt.

Ce billet a été écrit en anglais par Matthew Lewin et peut être consulté ici.