L'intelligence artificielle est rapidement en train de devenir un standard de base. D'ici quelques années, chaque grande entreprise aura accès à des capacités prédictives largement comparables. Une fois la prédiction transformée en produit de base, elle cesse d'être un facteur de différenciation.

La prochaine frontière concurrentielle ne réside pas dans la prévision de ce qui pourrait se produire, mais dans la détermination de ce qu'une entreprise doit faire face à ces prévisions — à travers des milliers de choix interconnectés, des priorités concurrentes et des ressources limitées. C'est le fossé décisionnel, et c'est là qu'une part importante de la valeur d'entreprise sera créée ou détruite au cours de la prochaine décennie.

Le problème qu'aucun système n'a été conçu pour résoudre

Considérez les dernières semaines de chaque trimestre financier. Les comptes fournisseurs retiennent les paiements pour préserver la liquidité. Les comptes clients (AR) accélèrent les encaissements pour atteindre les objectifs de créances. Les ventes décident quelles affaires avancer, quels litiges AR escalader et quels clients devraient recevoir des concessions. Chaque fonction prend une décision localement rationnelle, mais collectivement, elles produisent un résultat que personne n'aurait délibérément choisi pour l'entreprise dans son ensemble.

L'IA peut identifier quelles opportunités sont susceptibles d'aboutir, signaler les créances à risque et estimer si une concession pourrait améliorer la probabilité de clôture. Mais la prédiction seule ne peut pas répondre à la question qui compte finalement : Que devrait faire l'entreprise concrètement ?

Une remise peut protéger le chiffre d'affaires tout en érodant la marge. Régler un litige AR trop rapidement peut préserver la trésorerie mais signaler une fragilité financière. Avancer un contrat peut sécuriser des revenus à court terme tout en fragilisant une relation stratégiquement vitale. Ces décisions ne peuvent pas être prises de manière isolée par fonction. L'attention des dirigeants, la capacité juridique et les ressources commerciales sont toutes limitées. Les décisions commerciales ont des répercussions sur les finances, les flux de trésorerie, la livraison, l'exposition aux risques et la valeur client à long terme.

Le véritable défi consiste à identifier le portefeuille coordonné d'actions qui produit le meilleur résultat pour l'entreprise simultanément sur toutes ces dimensions. Ce n'est pas fondamentalement un problème de prédiction — c'est un problème d'espace décisionnel.

Les véritables décisions d'entreprise sont intrinsèquement complexes. Elles impliquent de multiples niveaux de remise, des structures de paiement, des contraintes de livraison, des objectifs de trésorerie, des seuils de marge et des relations clients qui doivent être protégées. Pour rendre ces décisions traitables, les entreprises les simplifient avant tout calcul : elles réduisent les scénarios, excluent les interactions, convertissent les arbitrages complexes en règles fixes et optimisent séparément les ventes, les finances et les opérations. Les calculs deviennent plus simples, mais le problème commercial devient moins réaliste.

Une nouvelle catégorie d'entreprise

Une nouvelle catégorie technologique d'entreprise émerge pour combler ce fossé : Enterprise Decision Computing.

Enterprise Decision Computing transforme une décision commerciale — ses actions possibles, ses objectifs, ses contraintes, ses incertitudes, ses interdépendances et ses conséquences économiques — en un objet d'entreprise calculable qui peut être résolu et optimisé dans son ensemble.

Les systèmes de planification des ressources d'entreprise exécutent des processus. L'informatique décisionnelle explique le passé. L'IA prédit les résultats. Pourtant, aucun de ces systèmes, individuellement ou collectivement, n'indique à une entreprise quel ensemble coordonné d'actions elle devrait entreprendre compte tenu de ses objectifs, de ses contraintes, de ses incertitudes et des interdépendances entre ses fonctions.

Il ne s'agit pas d'un rebranding de la recherche opérationnelle, une discipline dont les racines remontent au milieu du XXe siècle et qui applique la modélisation mathématique à des problèmes d'optimisation bien définis. Il s'agit plutôt de la couche d'entreprise dans laquelle les décisions elles-mêmes sont continuellement représentées, gouvernées, mesurées et améliorées — réunissant l'optimisation mathématique, la simulation, l'IA et le jugement humain autour d'une représentation partagée de la décision et de sa valeur.

Enterprise Decision Computing est pertinent aujourd'hui, indépendamment de l'évolution du calcul quantique. Les techniques d'optimisation classiques — la programmation linéaire, l'optimisation en nombres entiers mixtes et la simulation de Monte Carlo — sont déjà intégrées dans la planification de la chaîne d'approvisionnement, la modélisation financière et la gestion des revenus de nombreuses grandes entreprises. Pourtant, la plupart des entreprises n'exploitent qu'une fraction de la richesse de modélisation décisionnelle que ces méthodes peuvent déjà gérer. L'avantage de premier entrant est disponible dès maintenant.

Là où le quantique trouve sa place

Du point de vue de quelqu'un qui a passé des années à l'intersection du calcul quantique et des opérations d'entreprise, la conversation actuelle sur le quantique semble curieusement mal orientée. L'essentiel porte sur les jalons matériels — la qualité des qubits, la correction d'erreurs, la voie vers la tolérance aux pannes. Ces avancées comptent, mais elles répondent à la mauvaise question.

La question pertinente n'est pas de savoir quand le matériel quantique sera prêt, mais ce qu'il sera réellement chargé de calculer une fois qu'il le sera. Les ordinateurs quantiques d'aujourd'hui restent expérimentaux et n'ont pas encore démontré d'avantage commercial pour aucun cas d'usage en entreprise.

La réponse réside dans l'enrichissement progressif des décisions. Commencez par un modèle classique prenant en compte le chiffre d'affaires, la probabilité de clôture et les ressources commerciales disponibles. Ajoutez ensuite une couche : la marge et les conditions de paiement. Puis le calendrier des flux de trésorerie, le statut des litiges AR et les contraintes de livraison. Ensuite, les interactions à l'échelle du portefeuille et la valeur client à long terme. Chaque couche supplémentaire rend la décision plus réaliste — et plus exigeante sur le plan computationnel.

La plupart de ces couches sont résolubles de manière classique aujourd'hui et génèrent déjà une valeur mesurable. Mais à un certain seuil, une couche devient trop interconnectée, trop contrainte et trop riche pour que les méthodes classiques puissent la traiter sans forcer des simplifications qui vident le résultat de sa substance. Pour ces catégories de problèmes hautement interconnectés, les méthodes quantiques pourraient éventuellement permettre d'évaluer des modèles plus riches sans supprimer les interactions qui rendent la solution réaliste.

C'est le point précis où le quantique trouve sa place — non pas comme un remplacement global, mais comme la capacité qui permet d'inclure une dimension supplémentaire précieuse plutôt que de l'omettre. L'avantage concurrentiel ne trouve pas son origine dans le quantique. Il trouve son origine dans le modèle décisionnel. Le rôle du quantique, lorsqu'il atteindra une échelle commerciale, sera d'étendre davantage cette richesse — non pas de la créer.

La décision à laquelle chaque direction générale fait face maintenant

La dette décisionnelle augmente de la même manière que la dette financière : silencieusement, jusqu'à ce qu'elle ne le puisse plus. La dégradation de notation de crédit qu'une entreprise a évitée n'était pas un risque futur. C'était un risque présent — invisible uniquement parce qu'aucun système n'avait été conçu pour le détecter.

Les PDG et les conseils d'administration peuvent prendre des mesures concrètes dès maintenant. Identifiez un domaine à haute fréquence et aux enjeux élevés où les ventes, les comptes fournisseurs, les comptes clients ou la trésorerie optimisent actuellement de manière isolée. Exécutez un modèle de référence. Mesurez la réponse coordonnée par rapport à la réponse en silos. L'investissement requis est modeste. Le coût de ne pas disposer de ces données lorsque vos concurrents les ont ne l'est pas.

La prochaine frontière concurrentielle n'est pas déterminée par l'entreprise qui détient le plus de données ou l'IA la plus puissante. Elle est déterminée par l'entreprise qui construit l'architecture décisionnelle la plus performante — une architecture capable de contenir toute la complexité d'une entreprise en activité et d'identifier des actions coordonnées qu'aucune fonction individuelle n'aurait pu découvrir seule. Cette architecture peut être construite aujourd'hui. La question pour chaque direction générale n'est pas de savoir s'il faut la construire, mais s'il faut la construire en premier.

Le véritable goulot d'étranglement

En pratique, le même goulot d'étranglement initial se reproduit dans toutes les initiatives quantiques en entreprise. Il s'agit rarement de l'accès à un processeur quantique. C'est l'absence d'une représentation précise, à l'échelle de l'entreprise, de la décision que le processeur est censé améliorer.

Une entreprise prête pour le quantique comprend ses décisions les plus conséquentes suffisamment profondément pour savoir où une richesse computationnelle supplémentaire générerait de la valeur. Les organisations qui tireront la plus grande valeur du quantique ne seront pas celles qui accéderont à la technologie en premier. Ce seront les entreprises qui comprennent précisément où les décisions simplifiées d'aujourd'hui laissent de la valeur sur la table — et où le quantique peut ajouter la dimension manquante.

Les opinions exprimées dans les articles de commentaires de Fortune.com sont uniquement celles de leurs auteurs et ne reflètent pas nécessairement les opinions et les croyances de Fortune.

Cette histoire a été initialement publiée sur Fortune.com.