- Walmart n’achète pas de solutions d’IA existantes : l’entreprise développe des applications d’IA via sa propre plateforme de fonderie d’IA, Element, déjà utilisée par 1,5 million d’employés
- Grâce à une architecture indépendante des LLM, elle peut choisir le modèle optimal à chaque requête, combinant efficacité des coûts et optimisation des performances
- L’entreprise a adopté un « modèle de foundry » permettant de produire des applications d’IA à grande échelle comme des produits, et non comme des projets, ce qui accélère fortement le développement
- Elle a rapidement lancé 5 applications clés couvrant la planification du travail, la traduction en temps réel, l’IA conversationnelle et la gestion des stocks, avec des cycles de développement ramenés à quelques semaines
- En combinant opérations et retours autour des données de la supply chain, Walmart crée des applications d’IA en amélioration continue, capables d’analyser et d’intégrer les données opérationnelles en temps réel
- Walmart transforme ainsi l’IA, de « logiciel à installer » en « capacité internalisée », et creuse continuellement l’écart avec ses concurrents
Walmart isn’t buying enterprise AI solutions — they’re creating them
Développement de la plateforme d’IA interne Element
- Walmart a développé la plateforme Element via une AI Foundry interne, plutôt qu’en s’appuyant sur des fournisseurs externes d’IA
- Cette plateforme produit des applications d’IA à une vitesse qui dépasse celle du développement logiciel traditionnel
- Elle est utilisée chaque semaine par 900 000 employés sur 1,5 million, et démontre une scalabilité à grande échelle en traitant 3 millions de requêtes par jour
- La traduction en temps réel couvre 44 langues, et le temps de planification des équipes est passé de 90 à 30 minutes
- Ce n’est pas seulement le succès d’une application unique, mais un premier signal de l’efficacité d’une méthode industrialisée de développement de l’IA
Philosophie de conception LLM-agnostic et architecture basée sur l’open source
- Element n’est pas dépendante d’un grand modèle de langage (LLM) en particulier, et repose sur une architecture permettant de choisir les modèles de manière flexible
- Selon l’usage ou le type de requête, la plateforme sélectionne automatiquement le LLM le plus efficace en termes de coût/performance
- L’architecture intègre par défaut des options d’intégration open source, ce qui renforce son extensibilité et sa flexibilité
The first wave reveals the principles of the foundry model
Premiers exemples d’applications produites via la Foundry
- Les 5 applications majeures suivantes ont été « fabriquées » sur la même plateforme selon l’approche Foundry
- Planification assistée par IA : réduction de 90 à 30 minutes par jour du temps de planification pour chaque manager, avec priorisation des tâches fondée sur les données de la supply chain
- Traduction en temps réel : prise en charge de 44 langues, avec sélection automatique du modèle optimal selon la paire de langues
- IA conversationnelle : réponse à 30 000 requêtes quotidiennes, avec résolution de tâches répétitives sans intervention humaine
- VizPick basé sur la RA : grâce au RFID et à la vision par ordinateur, la précision des stocks est passée de 85 % à 99 %
- MyAssistant : assistant qui analyse les documents et les données internes
- Une infrastructure partagée et des pipelines de données intégrés évitent les développements redondants
- Toutes les applications partagent les mêmes modèles de déploiement, de contrôle qualité et de collecte de feedback, avec une standardisation proche d’un processus de production
Un système de production reproductible
- Element ne considère pas chaque application comme un projet indépendant, mais les produit comme des produits modulaires
- Quand un data scientist soumet des spécifications, la plateforme prend automatiquement en charge le choix du modèle, l’infrastructure et le déploiement
- Les composants déjà validés dans les applications précédentes peuvent être réutilisés, ce qui réduit presque à zéro les frictions pour développer une nouvelle application
How Walmart’s foundry model changes development economics
La transformation de l’économie du développement IA
- Dans l’IA d’entreprise traditionnelle, l’évaluation des fournisseurs, les négociations contractuelles et l’intégration se répètent, avec un coût important en temps et en argent
- À l’inverse, Element traite en parallèle plusieurs demandes de développement d’applications et minimise le gaspillage
- La productivité et la vitesse atteignent un niveau de lean manufacturing, permettant de passer immédiatement de l’idée au développement
- La planification, l’IA conversationnelle et les systèmes d’inventaire en RA ont tous été rapidement construits sur Element
Supply chain data becomes development fuel
Les données de la supply chain comme carburant du développement applicatif
- Element est connectée aux systèmes de supply chain et collecte automatiquement des données comme les arrivées de camions, les habitudes d’achat ou les retours des employés
- Ces données servent à définir les priorités des tâches, prédire le comportement des consommateurs et déployer des modèles adaptés aux conditions locales
- En transformant la complexité opérationnelle en données unifiées, Walmart peut développer des applications adaptées à chaque magasin
Walmart has a model arbitrage strategy
Une stratégie d’arbitrage entre modèles
- Element effectue en temps réel une comparaison performance/coût entre différents modèles d’IA afin de router les requêtes par le chemin optimal
- Selon la complexité de chaque requête, elle oriente automatiquement vers un modèle standard ou premium
- Lorsqu’un nouveau modèle est lancé, il peut être testé et déployé immédiatement, et toute amélioration des modèles existants est appliquée automatiquement
- Exemple : l’outil de traduction sélectionne des modèles optimaux différents selon les paires de langues
How Walmart integrates real-time feedback
Une architecture intégrant le feedback en temps réel
- L’usage des applications par les employés n’est pas une simple consommation : il est conçu pour générer des signaux d’amélioration
- L’IA conversationnelle exploite 30 000 requêtes pour mesurer les performances du modèle, les types de requêtes et la satisfaction, puis réinjecter ces informations en feedback
- Les nouvelles applications sont lancées en tirant déjà parti des retours accumulés par les précédentes, ce qui permet d’offrir un haut niveau de performance dès le lancement
- Pour cela, Walmart s’appuie sur une architecture de pipelines de données sophistiqués, gestion des versions de modèles et orchestration des déploiements
Why internal Foundries beat external platforms
Pourquoi une Foundry interne surpasse les plateformes externes
- Les plateformes externes généralisent leurs fonctionnalités pour rester polyvalentes, ce qui les rend imparfaitement adaptées à une organisation donnée
- Walmart optimise sa plateforme selon les tâches, la terminologie et les objectifs communs de ses 2,1 millions d’employés
- Lorsqu’un nouveau besoin apparaît, le développement peut démarrer immédiatement, sans négociation avec un fournisseur, ce qui relie rapidement l’idée au produit
Assessing the competitive implications
Implications concurrentielles
- Avec l’approche Foundry, plus Walmart crée d’applications, plus la plateforme se renforce ; les interactions utilisateurs améliorent la sélection des modèles, et chaque déploiement devient un nouveau standard de production pour l’application suivante
- Les concurrents doivent alors
- accepter le coût massif de construire leur propre plateforme
- composer avec les limites de solutions externes
- ou ne rien faire et risquer de voir l’écart se creuser
- Exemple : la seule application de planification permet d’économiser 1 heure par jour et par manager, soit des économies de plusieurs millions de dollars à l’échelle nationale
Lessons learned from Walmart’s enterprise AI Foundry blueprint
Les 4 grands principes de conception d’une Foundry
- 1. Les modèles d’IA doivent être traités comme des composants interchangeables
- Une architecture indépendante des LLM permet d’éviter le vendor lock-in et de maintenir l’optimisation dans la durée
- 2. L’unification de l’accès aux données est prioritaire
- Element combine les connaissances générales des LLM avec les données internes de Walmart
- 3. Le développement de l’IA doit être industrialisé
- Le modèle Foundry standardise le cycle développement → déploiement → itération
- 4. Le feedback doit être intégré dès la conception
- Avec des boucles de feedback embarquées, les applications s’améliorent à mesure qu’elles sont utilisées
Walmart just created the enterprises’ new imperative
Un nouveau point de bascule pour l’IA en entreprise
- Walmart ne s’est pas contenté d’« adopter » l’IA : l’entreprise a acquis la capacité même de créer de l’IA
- Elle considère l’IA non comme un logiciel isolé, mais comme une gamme de produits assemblables
- Les interactions avec les employés rendent le système plus intelligent, et chaque nouveau déploiement affine davantage la plateforme
- La clé du succès en IA ne réside pas dans le choix d’un modèle, mais dans la construction de la capacité de production IA de l’organisation
- Walmart s’impose comme l’une des premières entreprises à définir l’IA non comme un logiciel, mais comme un actif stratégique
1 commentaires
C’est une évolution intéressante.