L’essor rapide de l’Intelligence Artificielle et des technologies Web transforme en profondeur les usages numériques des entreprises. À travers une nouvelle série de publications, Oalia décrypte ces évolutions et analyse leur impact concret sur la fonction Achats.
En ce début d’année 2026, il devient stratégique d’anticiper l’évolution des LLM (grands modèles de langage) et leurs applications dans le Digital Achats : exploitation avancée des données, automatisation des analyses, amélioration de la gestion des risques fournisseurs et appui renforcé à la prise de décision.
Notre document « Digital Achats – LLM 2026 – Panorama et prédictions » propose un éclairage structuré sur ces tendances et détaille la manière dont nous intégrons ces innovations pour générer de la valeur durable chez nos clients.
À travers ses articles de fond, Oalia propose une synthèse de ce que l’on peut attendre de l’intelligence artificielle, des technologies Web en général, de la convergence de ces technologies et explique comment chez Oalia, nous les mettons en œuvre pour créer des avantages concurrentiels pour nos clients.
Début 2026, il me semble important de comprendre et d’anticiper la trajectoire des LLM (grands modèles de langage) et des implications pour le Digital Achats.
Flashback 2022–2024
Un travail continu d’amélioration des modèles est à l’œuvre depuis de nombreuses années et pas simplement en ce qui concerne les fameuses « hallucinations » qui sont d’ailleurs, selon moi, plutôt des confabulations.
2022 — Passer de “modèle qui complète du texte” à “assistant utilisable”
En clair, 2022 est l’année où la valeur se déplace d’une capacité brute à régurgiter, type système expert, vers un comportement contrôlé. C’est l’année où ChatGPT fait son entrée grand public et connaît un succès immédiat :
Exemple : apprendre les “bonnes manières”
Refuser certaines demandes, éviter la toxicité, adopter un ton professionnel.
2023 — On spécialise, on décline
C’est l’année où l’on a rendu l’IA déclinable et déployable à l’échelle, via l’ingénierie de données supervisées. On sort du modèle monolithique capable de tout faire.
Exemple : “assistant juridique” vs “assistant support”
Même modèle de base, mais deux affinages :
L’un apprend à produire des analyses structurées de clauses,
L’autre apprend des scripts de support et du triage de tickets.