NetSuite AI Canvas : langage naturel ou recherches enregistrées

Résumé analytique

NetSuite, une plateforme ERP cloud de premier plan comptant des dizaines de milliers d'utilisateurs dans le monde ^{[1] [2]}, s'est historiquement appuyé sur les Recherches enregistrées comme méthode principale pour interroger et rapporter des données. Les recherches enregistrées sont des définitions de requêtes puissantes et réutilisables qui permettent un filtrage complexe et une analyse basée sur des formules ; elles sont fondamentales pour les capacités de reporting et d'analyse de NetSuite ^[3]. Cependant, à mesure que les volumes de données et les attentes des utilisateurs augmentent, les logiciels d'entreprise évoluent vers des interfaces plus intuitives et pilotées par l'IA. En 2024-2025, Oracle NetSuite a dévoilé une suite de fonctionnalités d'IA (collectivement connues sous le nom de NetSuite Next) qui modifient radicalement la manière dont les utilisateurs interagissent avec les données. Parmi celles-ci, citons Ask Oracle, un assistant conversationnel en langage naturel, et AI Canvas, un espace de travail collaboratif de simulation et de visualisation ^[4] (Source: ecommercenews.co.nz). Ces innovations permettent aux utilisateurs de poser des questions en langage courant et d'obtenir des réponses immédiates et contextuelles (incluant souvent des graphiques et des résumés), réduisant ainsi efficacement le besoin de construire des recherches enregistrées traditionnelles pour de nombreuses requêtes courantes (Source: ecommercenews.co.nz) ^[5].

Ce rapport de recherche examine cette transition en profondeur. Il fournit un contexte sur la fonctionnalité de recherche enregistrée de NetSuite et son rôle dans l'analyse des données d'entreprise, explique les capacités alimentées par l'IA nouvellement introduites, et analyse comment les requêtes en langage naturel remplacent (ou complètent) progressivement les méthodes de reporting plus anciennes. Nous étudions de multiples perspectives — techniques, commerciales et centrées sur l'utilisateur — et présentons des preuves issues de la documentation produit, de commentaires d'experts et de scénarios de cas. Nous mettons en évidence les fondements techniques (tels que le module N/LLM de SuiteScript et SuiteQL de NetSuite) et nous appuyons sur le contexte de l'industrie (par exemple, la tendance plus large vers l'analyse conversationnelle ^[6]). Le rapport comprend également des tableaux comparatifs, des exemples de cas et une discussion sur les implications pour les entreprises, notamment les gains d'efficacité et les défis potentiels. En fin de compte, nous concluons que l'AI Canvas et Ask Oracle de NetSuite représentent un changement significatif, passant de requêtes manuelles basées sur des formulaires à une approche plus conversationnelle et augmentée par l'IA, réorientant NetSuite d'un « système d'enregistrement » vers un « système de raisonnement » ^[7].

Introduction et contexte

Les systèmes de planification des ressources d'entreprise (ERP) comme NetSuite se sont traditionnellement appuyés sur des interfaces de requête structurées pour aider les utilisateurs à trouver des données. Dans NetSuite, les Recherches enregistrées ont longtemps été le mécanisme principal par lequel les utilisateurs définissent et exécutent des requêtes et des rapports personnalisés ^[3]. Une recherche enregistrée combine des critères de filtrage et des colonnes de résultats dans une requête réutilisable qui peut être partagée, planifiée ou intégrée dans des tableaux de bord ^{[3] [8]}. Par exemple, un analyste financier pourrait créer une recherche enregistrée listant toutes les factures ouvertes en retard de plus de 60 jours, ou un responsable commercial pourrait en créer une pour classer les produits les plus vendus. Comme le note la documentation d'Oracle, les recherches enregistrées sont des « définitions de recherche réutilisables » qui sont essentielles pour « le reporting, le suivi, l'analyse commerciale et la prise de décision stratégique » ^[3].

Cependant, les recherches enregistrées comportent des limites. Pour définir des requêtes complexes, les utilisateurs doivent souvent connaître les noms exacts des champs et les relations dans le modèle de données de NetSuite, et peuvent avoir besoin d'écrire des formules de type SQL. Comme l'observe un commentateur de l'industrie, les recherches enregistrées puissantes nécessitent fréquemment une maîtrise de la syntaxe PL/SQL d'Oracle pour écrire des critères de formule ou des colonnes de résultats ^{[9] [10]}. En pratique, les organisations ont souvent besoin d'administrateurs ou de consultants NetSuite spécialisés pour créer des recherches enregistrées avancées, surtout lorsqu'elles impliquent plusieurs types d'enregistrements ou des jointures personnalisées ^{[10] [9]}. Les utilisateurs professionnels occasionnels — tels que les représentants commerciaux ou les gestionnaires de niveau intermédiaire — s'appuient généralement sur des recherches prédéfinies ou nécessitent l'aide des équipes informatiques. De plus, les recherches enregistrées produisent des résultats tabulaires statiques ; une analyse plus approfondie implique souvent l'exportation des données vers Excel ou des outils de visualisation. Ce processus peut être long et sujet aux erreurs, surtout lorsque les données doivent être exportées, manipulées et réimportées pour la génération de rapports.

Parallèlement, le paysage plus large de la Business Intelligence (BI) et de l'analyse a évolué vers des interfaces plus naturelles et interactives. Au début des années 2020, des recherches et des rapports de l'industrie ont noté l'émergence d'interfaces en langage naturel pour les données. Les grands modèles de langage (LLM) comme ChatGPT ont démontré que les utilisateurs peuvent obtenir des réponses précises et conversationnelles à des questions sur des données complexes lorsqu'ils sont combinés avec des techniques de récupération ^[6]. Dans une analyse d'O'Reilly, ce changement est décrit comme une « révolution de la recherche » combinant chatbots et moteurs de recherche. Au lieu de la recherche traditionnelle par mots-clés (ou de la construction manuelle de requêtes), les systèmes modernes peuvent utiliser la génération augmentée par récupération (RAG) pour extraire des données pertinentes et demander à une IA de générer des réponses ^[6]. Le résultat est une expérience qui ressemble à « parler au bibliothécaire d'Alexandrie » plutôt que de fouiller dans un catalogue ^[6].

Pour les clients de NetSuite, cette évolution dans l'accès aux données a coïncidé avec des pressions croissantes : explosion des volumes de données, rôles d'utilisateurs plus diversifiés et attentes accrues en matière d'informations à la demande. De nombreuses organisations ont lutté avec le fardeau de maintenir des centaines ou des milliers de recherches enregistrées dans tous les départements. Dans le même temps, les utilisateurs en dehors de l'informatique exigeaient de plus en plus des moyens plus simples d'obtenir des réponses. En réponse, Oracle a commencé à intégrer des fonctionnalités d'IA dans toute la plateforme NetSuite. Les premières étapes comprenaient la détection d'exceptions pilotée par l'IA et des informations prédictives dans les finances (par exemple, l'identification d'anomalies, la prévision de crises) et une version de 2024 qui a introduit SuiteAnalytics Assistant – un compagnon IA en langage naturel pour les données des classeurs ^[11], ainsi que de nouvelles API SuiteScript d'IA générative ^[12] pour les applications personnalisées. Ces développements ont préparé le terrain pour la refonte la plus ambitieuse de l'histoire de 27 ans de NetSuite : la suite de fonctionnalités dévoilée à SuiteWorld 2025 sous la bannière de NetSuite Next (Source: ecommercenews.co.nz).

En résumé, le décor est planté : les Recherches enregistrées ont été la pierre angulaire de l'interrogation des données dans NetSuite, mais l'avènement de l'IA intégrée (LLM, RAG, assistants conversationnels) modifie fondamentalement les attentes des utilisateurs. Le reste de ce rapport examine comment les nouvelles fonctionnalités AI Canvas et Ask Oracle de NetSuite exploitent le langage naturel pour augmenter ou remplacer les recherches enregistrées, et ce que cela signifie pour les organisations.

Recherches enregistrées de NetSuite : Rôle et limites

Définition et cas d'utilisation

Une Recherche enregistrée dans NetSuite est essentiellement une requête prédéfinie : les utilisateurs spécifient des critères de filtrage (par exemple, plages de dates, conditions de champ) et choisissent les champs à afficher. Une fois enregistrée, elle devient un rapport réutilisable qui peut être consulté à la demande ou planifié (par exemple, envoyé par e-mail aux parties prenantes quotidiennement). Selon la documentation d'Oracle, les recherches enregistrées sont des « définitions de recherche réutilisables » qui prennent en charge le filtrage avancé et des ensembles de résultats personnalisés ^[3]. Les utilisations typiques incluent :

• Reporting et KPI : Les mesures financières et opérationnelles (par exemple, revenus mensuels par région, rapports sur l'ancienneté des stocks) sont souvent construites sous forme de recherches enregistrées. Les résultats peuvent être publiés sur des tableaux de bord ou liés à des portlets ^[13].
• Alertes et flux de travail : Les recherches enregistrées peuvent être configurées pour déclencher des alertes par e-mail ou des actions automatisées lorsque des critères sont remplis (par exemple, notifier si le solde d'un client dépasse une limite de crédit) ^[14].
• Vues de données : Les recherches enregistrées peuvent servir de « formulaires de recherche préférés » sur les pages d'enregistrement, n'affichant que les enregistrements pertinents (par exemple, la recherche enregistrée d'un vendeur affichant ses commandes clients) ^[15].

La nature définie par l'utilisateur des recherches enregistrées les rend très flexibles. Dans l'interface utilisateur de NetSuite, un utilisateur choisit un type d'enregistrement (par exemple, Transactions, Clients) puis configure les filtres et les colonnes à l'aide de cases à cocher, de menus déroulants et d'un sélecteur de champ. De plus, il existe une prise en charge des champs Formule, où les utilisateurs peuvent saisir des expressions SQL pour calculer des valeurs ou une logique conditionnelle dans les résultats. L'interface de recherche enregistrée renvoie même vers un guide de conversion vers Analytics Workbook ^[16], et fournit des exemples pour les recherches courantes comme les numéros de bac ou les articles moyens par commande.

Parce que les recherches enregistrées sont si centrales, NetSuite permet de les intégrer dans des tableaux de bord, des portlets, des rappels et même de les publier en externe ^{[13] [17]}. Les administrateurs peuvent créer des modèles de recherche pour les autres et définir des autorisations afin que certains rôles puissent exécuter ou s'abonner aux recherches ^{[18] [19]}. En bref, les recherches enregistrées forment le « langage de requête » hérité de NetSuite, accessible aux utilisateurs expérimentés comme aux administrateurs.

Limites des recherches enregistrées traditionnelles

Malgré leur puissance, les recherches enregistrées présentent des inconvénients bien connus :

• Complexité technique : Comme indiqué, les recherches enregistrées avancées nécessitent souvent des connaissances en PL/SQL. Les consultants observent que si vous avez besoin de critères sophistiqués (par exemple, combiner des champs, logique conditionnelle), vous devez soit maîtriser le SQL interne d'Oracle, soit mandater un expert ^{[9] [10]}. Par exemple, pour dupliquer deux champs de date dans une colonne ou pour sommer uniquement les heures « Facturables », un utilisateur peut élaborer manuellement des formules SQL (voir Étude de cas ci-dessous). Cette courbe d'apprentissage abrupte est un obstacle pour les utilisateurs non techniques.

• Processus itératif : L'exécution d'une recherche enregistrée est souvent une tâche itérative et manuelle. Un utilisateur peut exécuter une recherche, puis ajuster les filtres, la sortie ou la formule si les résultats ne sont pas corrects, en répétant l'opération jusqu'à satisfaction. Ce « tâtonnement » peut être long, surtout pour les requêtes complexes. Si une réponse nécessite de creuser plus profondément (par exemple, filtrer par un critère supplémentaire découvert après avoir vu les résultats), l'utilisateur doit modifier manuellement et réexécuter une autre recherche — une action complètement distincte nécessitant de nouvelles saisies.

• Sortie statique : Les résultats typiques des recherches enregistrées sont affichés sous forme de tableau de valeurs. Bien que les utilisateurs puissent ajouter des graphiques ou des totaux récapitulatifs, la sortie elle-même est fixe une fois la recherche définie. Les résumés (par exemple, totaux, comptes) doivent être activés manuellement (en utilisant la case à cocher « Afficher les totaux » de NetSuite) et peuvent ne pas couvrir des informations nuancées. Tout contexte narratif ou explication sur la raison pour laquelle les données apparaissent telles quelles doit être déduit par l'utilisateur. Il n'y a pas de narration ou de raisonnement intégré : la recherche donne ce que sont les données, mais pas pourquoi.

• Intégration limitée des flux de travail : Pour agir sur les données, les utilisateurs doivent souvent exporter les résultats de recherche vers des feuilles de calcul ou d'autres systèmes. Par exemple, si une série de conclusions issues d'une recherche enregistrée doit déclencher des tâches en aval (comme l'ajustement des niveaux de stock ou l'initiation de communications), chaque étape est manuelle à moins que des règles de flux de travail ou des scripts distincts ne soient configurés en dehors de la recherche. En d'autres termes, les recherches enregistrées sont excellentes pour l'analyse, mais elles n'automatisent pas elles-mêmes les processus en plusieurs étapes entre les modules.

• Fardeau de maintenance : Dans les grands comptes, des centaines de recherches enregistrées prolifèrent au fil du temps, chacune nécessitant une maintenance. Les changements de règles commerciales (nouvelles taxes, codes de département réorganisés, nouveaux champs personnalisés) nécessitent souvent la mise à jour de nombreuses recherches enregistrées. Pendant ce temps, le journal d'audit montre que chaque recherche enregistrée a un historique d'utilisation et doit être examinée périodiquement pour la performance. Les recherches lentes sont signalées, mais leur débogage ou leur optimisation nécessite un administrateur compétent en base de données ^[20].

Ces limites ont des conséquences réelles. Plusieurs consultants NetSuite ont documenté comment des scénarios quotidiens (empiler des valeurs dans une colonne, instructions CASE conditionnelles, arithmétique des dates) nécessitent généralement un travail de formule lourd ^{[9] [21]}. Par exemple, dans plusieurs études de cas de blogs, des outils d'IA (notamment ChatGPT) sont utilisés pour aider à générer le SQL nécessaire aux filtres et résultats complexes ^{[21] [22]}, soulignant à quel point les formules de recherche enregistrée peuvent devenir complexes. En résumé, bien que les recherches enregistrées soient indispensables, elles imposent des charges techniques et servent largement d'outil de requête de « solution ponctuelle » plutôt que d'interface conversationnelle axée sur l'information.

Tableau 1 : Recherches enregistrées vs Requêtes en langage naturel

| Interface utilisateur | Générateur de requêtes graphique : filtres par pointer-cliquer, sélecteur de champs ^[3] | Interface de chat conversationnelle : posez des questions en langage naturel (Source: ecommercenews.co.nz) ^[5] | | Formulation de la requête | Manuelle : définition de chaque critère et colonne de résultat ; champs de formule pour une logique avancée ^{[3] [9]} | Automatique : l'IA traduit le langage en logique de recherche (souvent via SuiteQL/RAG) (Source: ecommercenews.co.nz) ^[23] | | Connaissances requises | Élevées : l'utilisateur doit connaître le schéma NetSuite, les ID de champs, le PL/SQL pour les formules ^{[9] [10]} | Faibles : connaissance minimale du modèle de données ; des phrases comme « ventes au T1 » suffisent ^[24] (Source: ecommercenews.co.nz) | | Résultats | Résultats tabulaires listés ; l'utilisateur interprète les valeurs des données ^[3] | Réponses contextuelles avec graphiques et narration ; l'IA explique le « comment » et le « pourquoi » (Source: ecommercenews.co.nz) ^[24] | | Interactivité | Statique : nécessite une reconfiguration et une réexécution pour obtenir de nouvelles vues ; pas de suivi dans la même session | Conversation interactive : les questions de suivi et l'exploration des données (drill-down) sont fluides (Source: ecommercenews.co.nz) | | Collaboration | Partagé uniquement par l'enregistrement/le partage de recherche ; les feuilles de calcul doivent être envoyées à d'autres | Espace de travail collaboratif en temps réel (AI Canvas) ; analyse de scénarios multi-équipes ^[4] (Source: ecommercenews.co.nz) | | Automatisation | Peut déclencher des e-mails ; action intégrée minimale ; flux de travail séparés nécessaires | Agents IA et flux de travail intégrés : les requêtes peuvent déclencher des actions au sein de l'ERP (Source: ecommercenews.co.nz) ^[4] |

Cette comparaison met en évidence la manière dont Ask Oracle et les outils d'IA associés transforment fondamentalement l'interaction. Au lieu de construire des requêtes rigides ligne par ligne, les utilisateurs interrogent simplement NetSuite ; le système gère la logique en arrière-plan. Comme l'a noté un compte-rendu, Ask Oracle « permet aux utilisateurs d'interroger NetSuite en langage naturel et d'obtenir des réponses contextuelles » et même le chaînage (une question menant à une autre) devient naturel (Source: ecommercenews.co.nz). De même, AI Canvas introduit une couche collaborative et dynamique sur les données que les recherches enregistrées seules ne peuvent fournir ^[4] (Source: ecommercenews.co.nz).

Évolution de l'IA dans NetSuite

Pour comprendre le contexte de ces nouvelles fonctionnalités, il est utile de retracer le parcours de NetSuite en matière d'IA. Oracle intègre l'IA et l'apprentissage automatique dans NetSuite depuis plusieurs années, en se concentrant initialement sur des domaines spécifiques :

• Insights prédictifs et analytiques : NetSuite a introduit l'analyse prédictive dans des domaines tels que la prévision des revenus et la gestion de trésorerie, en utilisant des modèles d'apprentissage automatique en arrière-plan pour suggérer des tendances. Par exemple, Smart Financials pouvait signaler des anomalies ou détecter automatiquement des exceptions financières.

• SuiteAnalytics et Workbooks : Au fil du temps, NetSuite a amélioré son moteur SuiteAnalytics. En 2024, il a dévoilé le SuiteAnalytics Assistant, un assistant alimenté par l'IA/ML pour analyser les données des classeurs (BI) via le langage naturel ^[11]. Grâce à lui, les utilisateurs professionnels pouvaient poser des questions sur les jeux de données analytiques (« Quels sont les 5 principaux comptes clients par tranche de vieillissement ? ») et obtenir des résumés et des graphiques générés par l'IA. Il s'agissait d'une première étape vers la BI conversationnelle ; plus précisément, Oracle a noté que les utilisateurs peuvent « récupérer des informations » et recevoir des résumés génératifs sur les comptes ou les clients via une interface en langage naturel ^[11]. Cela signalait le passage d'Oracle des tableaux statiques aux insights narratifs.

• API d'IA générative : Également en 2024, Oracle a étendu les capacités pour les développeurs. Il a introduit l'IA générative pour SuiteScript, ce qui signifie que les développeurs pouvaient intégrer des appels LLM génératifs (via le cloud et les frameworks d'Oracle) directement dans les SuiteApps. Un communiqué de presse d'Oracle a décrit cela comme permettant aux « clients de compléter rapidement l'IA intégrée de NetSuite avec des SuiteApps basées sur l'IA générative » ^[25]. En complément du travail sur la plateforme, la plateforme SuiteCloud a ajouté un module N/LLM (publié début 2025) qui a donné au code SuiteScript 2.1 un accès natif aux LLM ^[26]. En pratique, cela permet à un script suitelet de rassembler des documents contextuels depuis NetSuite, de les envoyer à un LLM et d'afficher la réponse – reconstruisant essentiellement une expérience de type « Ask Oracle » dans du code personnalisé.

• Tarification et contenu génératifs : Des fonctionnalités comme TextEnhance (un assistant de rédaction pour les e-mails et les enregistrements) sont apparues, permettant aux utilisateurs de rédiger des descriptions avec l'IA générative. Bien que non directement liées aux requêtes, ces améliorations ont signalé que l'IA générative devenait un outil courant dans la suite.

Fin 2024, l'attention de NetSuite s'était déplacée des éléments d'IA isolés vers une stratégie d'IA à l'échelle de la plateforme. Le PDG d'Oracle, Evan Goldberg, a noté lors d'Oracle CloudWorld 2024 que l'IA intégrée serait omniprésente : « Nous intégrons des capacités d'IA dans toute la suite afin que les clients en bénéficient dès qu'ils se connectent » ^[27]. La mise à jour de 2024 a également introduit la gestion des exceptions financières (IA pour détecter automatiquement les anomalies en comptabilité) et Oracle Code Assist pour SuiteScript (assistance au code par IA) ^{[28] [29]}, le tout pointant vers l'automatisation et l'augmentation par l'IA des tâches ordinaires.

NetSuite Next (SuiteWorld 2025)

Le tournant a eu lieu lors de SuiteWorld 2025 (octobre 2025). Oracle y a lancé NetSuite Next, le décrivant comme une suite réimaginée où l'IA n'est pas seulement un ajout, mais le « moteur » de l'ERP ^[7]. NetSuite Next a été présenté comme le plus grand changement de plateforme à ce jour (27 ans d'histoire) (Source: ecommercenews.co.nz). Sous cette bannière sont apparues les fonctionnalités clés :

• Ask Oracle : Un assistant IA en langage naturel directement intégré dans l'interface de NetSuite. Selon les documents de NetSuite, Ask Oracle permet aux utilisateurs de « rechercher, analyser et agir » en utilisant des invites conversationnelles ^[4]. Il est conscient du contexte (sensible au rôle, aux autorisations et à la portée des données de l'utilisateur) et peut présenter les réponses sous une forme riche et exploitable, y compris des tableaux de bord et des récits ^[24] (Source: ecommercenews.co.nz). Dans les démonstrations, les utilisateurs posent simplement des questions comme « Montre-moi quels produits ont vu leurs ventes décliner au dernier trimestre » ou « Pourquoi notre rotation des stocks ralentit-elle ? », et le système renvoie des réponses avec des preuves ^[30]. Notamment, il s'intègre également à travers les personnalisations de NetSuite : une démonstration a montré Ask Oracle lisant une facture téléchargée, l'interprétant et déclenchant le flux de travail correct (Source: ecommercenews.co.nz). Cela va bien au-delà de ce qu'une recherche enregistrée peut faire, car cela mélange vision par ordinateur, raisonnement par IA et déclencheurs de flux de travail.

• AI Canvas : Un nouvel espace de travail interactif au sein de NetSuite pour la planification collaborative et l'analyse de scénarios ^[4] (Source: ecommercenews.co.nz). Les supports marketing le décrivent comme un « tableau blanc » où les données et l'imagination se rencontrent ^[31]. Concrètement, les équipes peuvent extraire des données NetSuite en temps réel dans le Canvas, créer des graphiques et construire des scénarios hypothétiques sans exporter les données hors de l'ERP (Source: ecommercenews.co.nz). Par exemple, les utilisateurs peuvent ajuster les prévisions de ventes, simuler un changement de prix ou modifier les plans de ressources, et voir immédiatement l'impact sur des indicateurs clés comme la marge, la chaîne d'approvisionnement et les flux de trésorerie (Source: ecommercenews.co.nz). AI Canvas fait le pont en douceur entre l'analyse et l'action : une fois qu'un scénario est validé, les utilisateurs peuvent lancer des tâches automatisées (via SuiteAgents) directement depuis le canevas, plutôt que de les exécuter manuellement. Oracle affirme que les tableaux de bord dynamiques et les résumés narratifs (générés par IA) de Canvas aident les dirigeants à prendre des décisions « en quelques minutes plutôt qu'en quelques jours » après l'analyse ^[31] (Source: ecommercenews.co.nz).

• Flux de travail agentiques (SuiteAgents et AI Connector) : Plus profondément, NetSuite a annoncé les « SuiteAgents » – essentiellement des bots IA définis par l'utilisateur construits sur le framework AI Connector. Ces agents peuvent exécuter des tâches spécifiques à un domaine (par exemple, approbations de crédit, décisions d'approvisionnement) en utilisant le nouveau service AI Connector et un MCP (Model Context Protocol) pour intégrer en toute sécurité des modèles d'IA externes (Source: ecommercenews.co.nz) ^[32]. Cela signifie que la plateforme peut réellement répondre aux requêtes en effectuant des actions complexes multi-modules pour le compte de l'utilisateur. Par exemple, on pourrait demander à NetSuite (via Ask Oracle) de compiler et d'envoyer par e-mail un rapport financier personnalisé, et le système effectuerait de manière autonome toutes les étapes. En bref, l'analyse et l'exécution commencent à fusionner : l'IA « ne vous donne pas seulement la réponse, mais peut agir en conséquence » ^{[24] [33]}. (La vision d'Oracle s'apparente à un « pilote automatique » d'avion plutôt qu'à un simple copilote, s'intégrant profondément dans chaque fonction ^[34].)

Ensemble, ces fonctionnalités signalent le nouveau paradigme de NetSuite : un environnement d'entreprise conversationnel et augmenté par l'IA. NetSuite Next ne remplace pas le modèle de données sous-jacent ; les clients conservent leurs données et leurs personnalisations, et la mise à niveau est facultative (pas une migration forcée) ^[35]. Au lieu de cliquer sur des dizaines d'éléments de menu ou de construire des centaines de recherches enregistrées, les utilisateurs demanderont à Oracle des insights et des actions. Comme le résume un blog de partenaire : « Avec Ask Oracle et l'IA intégrée, NetSuite passe d'un système dans lequel vous naviguez... à un système avec lequel vous conversez » ^[36]. L'accès anticipé aux fonctionnalités de NetSuite Next (y compris AI Canvas) est déployé auprès de clients sélectionnés (par exemple, quelques clients nord-américains fin 2025) ^[37], avec une disponibilité mondiale complète prévue pour 2026–2027.

Requêtes en langage naturel vs. Recherches enregistrées

Ask Oracle : Questions-réponses métier « toujours actives »

Ask Oracle représente un changement fondamental. Au lieu de construire manuellement une recherche enregistrée, un utilisateur peut poser une question en langage clair. Le système effectue ensuite en interne un processus de génération augmentée par récupération (RAG) : il traduit la requête en requêtes (souvent SuiteQL en arrière-plan) pour récupérer les données NetSuite pertinentes, puis invoque un LLM pour élaborer une réponse. La documentation d'Oracle sur N/LLM décrit exactement ce modèle RAG, où un suitelet construit un ensemble de documents contextuels (par exemple, des résumés de données de ventes) et les transmet au LLM, qui renvoie une réponse avec des citations renvoyant aux données ^{[23] [38]}. Le résultat est une réponse à la fois basée sur les données et conversationnelle.

Par exemple, une invite Ask Oracle pourrait être aussi simple que : « Quel article a généré le plus de revenus à Boston l'année dernière ? » ^[5]. Le système regrouperait les données de transaction par article et par emplacement, puis calculerait les sommes à l'aide de SuiteQL (comme illustré dans le blog des développeurs) ^{[39] [40]}. L'IA produit ensuite une réponse du type : « Le Widget A a généré X $ à Boston en 2025, soit Y % de plus que l'article suivant le plus performant. Cela indique une forte demande du marché. (Voir le graphique des revenus ci-joint.) » L'utilisateur peut ensuite poser naturellement des questions de suivi (« Qu'en est-il à New York ? »), auxquelles Ask Oracle répondra en exécutant de nouvelles requêtes contextuelles. Chaque réponse est accompagnée de graphiques ou de tableaux de bord et d'un récit écrit expliquant le raisonnement (Source: ecommercenews.co.nz) ^[24], un niveau d'analyse que les résultats de recherche enregistrés traditionnels ne fournissent pas par eux-mêmes.

Comme Ask Oracle peut voir le contexte (rôle de l'utilisateur, type d'enregistrement consulté, etc.), deux utilisateurs peuvent poser la même question et obtenir des réponses différentes, pertinentes pour leur domaine ^[24]. Par exemple, un directeur financier interrogeant le système sur les « meilleurs clients » verra une analyse axée sur la rentabilité, tandis qu'un commercial posant la même question verra une vue basée sur le volume des ventes. Oracle le décrit explicitement comme « conscient des rôles » et fournissant des « réponses contextuelles » ^{[24] [4]}. Cette personnalisation contraste avec les recherches enregistrées, qui fournissent par défaut le même résultat à tous (sauf si des filtres sont appliqués).

Plus important encore, Ask Oracle peut fonctionner sur des enregistrements personnalisés, des extensions SuiteCloud et même des applications partenaires, ce qui signifie que l'ensemble du modèle de données NetSuite est à sa portée (Source: ecommercenews.co.nz). Lors d'une démonstration, l'assistant a été montré en train de lire une facture PDF téléchargée, d'en extraire les données et de lancer le flux de travail de comptes fournisseurs approprié (Source: ecommercenews.co.nz). Une recherche enregistrée ne serait même pas déclenchée par ce scénario, et encore moins capable d'agir. De même, les agents IA basés sur l'AI Connector peuvent exécuter des tâches selon les instructions de l'utilisateur, rendant le dialogue véritablement « exploitable ».

L'effet global est que les requêtes en langage naturel remplacent une grande partie des cas d'utilisation précédemment résolus par des recherches enregistrées. Les questions quotidiennes qui nécessitaient autrefois la création ou l'ajustement de recherches enregistrées peuvent désormais souvent être résolues instantanément en posant simplement la question. Au lieu d'apprendre quels champs combiner, l'utilisateur s'appuie sur le langage (« montre-moi les ventes en baisse », « quels sont nos clients à risque ? ») et fait confiance à l'IA pour former la requête appropriée en arrière-plan. Cela abaisse considérablement la barrière pour les utilisateurs finaux. Un expert de la communauté NetSuite résume ainsi : « Ask Oracle, c'est comme avoir un Siri expert en affaires qui sait vraiment de quoi il parle » ^[41] (une citation favorable aux partenaires, bien qu'informelle). Contrairement à un rapport statique, Ask Oracle est toujours actif, à l'écoute. Il « montre son travail » en fournissant un raisonnement, afin que l'utilisateur puisse lui faire confiance et le vérifier.

Sur le plan technique, le passage au langage naturel reflète également un changement dans la manière dont les requêtes sont écrites en arrière-plan. Historiquement, l'API de script de NetSuite incluait un module N/search pour les requêtes de type recherche enregistrée. En revanche, le nouvel exemple de code utilise N/query avec du SQL SuiteQL brut pour plus de performance et de flexibilité ^{[42] [39]}. Oracle encourage même les développeurs à préférer SuiteAnalytics Query (SuiteQL) à l'ancienne API de recherche pour les requêtes lourdes ^[42]. Cela suggère que le backend de l'IA s'appuiera généralement sur des requêtes SuiteQL à partir d'une invite d'Ask Oracle ou d'AI Canvas. SuiteQL peut gérer des jointures complexes et de grands ensembles de données plus efficacement qu'une recherche par pointer-cliquer, ce qui peut améliorer la réactivité des requêtes Ask Oracle.

AI Canvas : Modélisation de scénarios et collaboration

Alors qu'Ask Oracle se concentre sur les requêtes conversationnelles, AI Canvas s'adresse à la planification et à l'analyse. Il s'agit d'un nouvel espace de travail intégré (un « Canvas ») où les équipes collaborent. Dans le Canvas, les panneaux de données dynamiques et les visuels sont pilotés en direct par le modèle de données de NetSuite (Source: ecommercenews.co.nz). L'innovation clé est la simulation de scénarios interactifs. L'analyse traditionnelle implique souvent de copier des données dans Excel ou des outils de BI, d'ajuster manuellement les hypothèses, puis de réimporter les résultats. Avec AI Canvas, les utilisateurs professionnels peuvent manipuler directement les modèles dans NetSuite. Par exemple, un analyste de la chaîne d'approvisionnement peut immédiatement tester « Que se passe-t-il si nous augmentons les coûts des composants de 10 % ? » en saisissant simplement ce changement dans le Canvas. Instantanément, tous les graphiques, mesures et prévisions sur la page se mettent à jour à l'aide de calculs en temps réel (Source: ecommercenews.co.nz). Il n'est pas nécessaire de créer une nouvelle recherche enregistrée ou d'attendre un rapport planifié : le Canvas est le volet où les données restent contextuelles et interactives.

De plus, AI Canvas favorise la connectivité des équipes. Les ventes, les opérations et la finance peuvent travailler ensemble sur un même Canvas plutôt que d'échanger des fichiers statiques. Comme le souligne la description d'Oracle, il « réunit les équipes de la chaîne d'approvisionnement, des opérations et de la finance dans une interface unique » avec des données partagées ^[43]. Cette planification collaborative dépasse largement les capacités de n'importe quelle recherche enregistrée ; elle transforme l'analyse en une session chorégraphiée. Après avoir exploré des scénarios « et si », les utilisateurs peuvent directement exécuter des décisions depuis le Canvas. Par exemple, si un scénario montre un manque à gagner dans certaines conditions, l'équipe peut déclencher un agent IA pour lancer une campagne marketing ciblée ou ajuster automatiquement les prix (Source: ecommercenews.co.nz) ^[4].

Notamment, AI Canvas est conçu pour générer non seulement des visuels, mais aussi des informations basées sur l'IA. Il produit des résumés narratifs et des suggestions d'étapes suivantes basées sur le scénario ^[44]. Au lieu que l'utilisateur doive interpréter manuellement les graphiques, le logiciel peut dire « Baisse de la demande dans la région Est, envisagez de renforcer les promotions » ou « Le risque de marge est de X ; voici un plan d'action », en utilisant l'IA générative en arrière-plan. Cela transforme la session d'analyse en une conversation guidée, remplaçant là encore l'étape d'interprétation manuelle.

En substance, AI Canvas fait passer le paradigme du reporting statique à la simulation dynamique. Une recherche enregistrée peut répondre une fois à la question « Quelles ont été les ventes l'année dernière ? ». AI Canvas, en revanche, vous permet de demander avec fluidité « Comment les ventes changeraient-elles si nous entrions sur le marché Y ? » et de voir des réponses et des suggestions en temps réel. C'est un autre exemple du remplacement de requêtes rigides et ponctuelles par une exploration flexible et interactive.

Génération augmentée par récupération (RAG) et précision

Un fondement technique important d'Ask Oracle (et par extension des fonctionnalités d'IA d'AI Canvas) est la génération augmentée par récupération (RAG) ^{[23] [6]}. Le RAG garantit que les réponses de l'IA sont ancrées dans les données réelles de NetSuite. Par exemple, l'exemple de suitelet N/LLM récupère explicitement des documents pertinents (ventes d'articles individuels), puis les transmet au LLM, qui produit une réponse renvoyant à ces documents ^{[45] [38]}. Le blog d'Oracle explique que le RAG « maintient les résultats factuellement fondés, spécifiques au domaine, et réduit les hallucinations » ^[23]. En d'autres termes, alors que les grands modèles de langage pourraient être enclins à inventer des faits, l'approche de NetSuite lie les réponses aux données transactionnelles réelles du compte. Chaque réponse inclut même des « citations » vers les données justificatives ^[46]. Cet aspect est vital pour l'adoption en entreprise : les directeurs financiers et les auditeurs ont besoin de confiance. Selon Oracle, le contenu de l'IA est « utilisé pour faire des suggestions », mais l'utilisateur doit « assumer la responsabilité de les valider » ^[47].

De plus, Oracle a pris des mesures pour protéger la confidentialité des données. Les services d'IA fonctionnent sur Oracle Cloud Infrastructure (OCI), et les données des clients ne sont pas partagées avec des fournisseurs de LLM tiers ^[48]. La sécurité basée sur les rôles dans NetSuite contrôle les données auxquelles l'IA peut accéder, garantissant que les réponses respectent les autorisations ^[48]. Cela signifie que, même si Ask Oracle donne l'impression de parler à un assistant super intelligent, il est strictement limité aux données du compte NetSuite donné et aux droits d'accès de l'utilisateur.

Étude de cas : Création de recherches enregistrées accélérée par l'IA

Bien que le discours officiel de NetSuite porte sur le remplacement des recherches enregistrées par des requêtes naturelles, de nombreuses organisations se trouvent actuellement dans un état hybride. Sur le terrain, des consultants ont rapporté utiliser l'IA (comme ChatGPT) pour rendre les recherches enregistrées meilleures ou plus rapides. Par exemple, Graybox Consulting a démontré la création de formules de recherche complexes via des invites ChatGPT ^{[49] [50]}. Dans un exemple, un utilisateur souhaitait empiler deux champs de date dans une seule colonne. Il a simplement demandé à ChatGPT la formule PL/SQL et a obtenu {custentity_orig_start_date}||’<br>’||{custentity_orig_end_date} ^[51]. Un autre exemple a utilisé ChatGPT pour écrire une instruction CASE qui additionne uniquement les heures facturables dans une recherche de feuilles de temps ^[21]. Ces aides IA progressives permettent d'économiser des heures d'écriture SQL experte. Cependant, elles reposent toujours sur la création préalable d'une recherche enregistrée.

Comparez cela avec Ask Oracle : au lieu de créer manuellement ces colonnes, un utilisateur pourrait demander « Combine les dates de début et de fin prévues pour chaque projet » en anglais simple, et l'IA gérerait la logique. Les exemples de Graybox soulignent à la fois la puissance des recherches enregistrées (elles peuvent résoudre presque n'importe quelle requête avec suffisamment de SQL) et leurs défis d'utilisabilité (la plupart des utilisateurs ne peuvent pas écrire les requêtes nécessaires sans aide) ^{[9] [21]}. AI Canvas et Ask Oracle suppriment effectivement cette couche intermédiaire : avec l'IA, les utilisateurs n'ont plus besoin de connaître la syntaxe ou même l'existence de champs séparés ; ils décrivent simplement ce qu'ils veulent.

Tableau 2 : Méthodes d'analyse traditionnelles vs AI Canvas

Ce tableau illustre comment AI Canvas va au-delà de la simple interrogation. Par exemple, au lieu du cycle « exportation de données → analyse → rapport », Canvas garde les données dans leur contexte et continuellement mises à jour (Source: ecommercenews.co.nz). Ses graphiques intégrés et ses résumés textuels (propulsés par l'IA générative) éliminent la création manuelle de présentations ; le système fait même ressortir les prochaines étapes recommandées à partir des scénarios modélisés ^[44]. En substance, AI Canvas convertit les tâches de planification traditionnelles en une expérience native de NetSuite.

Études de cas et perspectives du monde réel

Bien que des études de cas formelles publiées sur Ask Oracle ou AI Canvas ne soient pas encore disponibles, divers commentateurs de l'industrie et communautés d'utilisateurs ont réfléchi aux implications.

• Early Adopters et projets pilotes : Oracle a indiqué qu'un nombre restreint d'entreprises nord-américaines testerait AI Canvas plus tard en 2025 ^[37]. Ces clients couvrent divers secteurs et cas d'utilisation (par exemple, les directions financières, les équipes des opérations commerciales). Bien que leur identité ne soit pas publique, les premiers retours suggèrent un grand enthousiasme. Un observateur a noté que les équipes présentes à SuiteWorld étaient « ébahies » par la capacité de Canvas à remplacer leurs modèles Excel ^[52]. À mesure que ces projets pilotes progressent, les entreprises anticipent des gains de temps significatifs dans la modélisation.

• Cabinets de conseil : Des cabinets comme Crowe et Ernst & Young (EY) ont synthétisé les annonces de SuiteWorld pour leurs clients. EY a noté que l'IA en langage naturel (NL AI) appliquée à la business intelligence peut fournir « des réponses instantanées à des questions de haut niveau sans... flux de données complexes » et qu'une seule question d'entreprise peut désormais susciter des réponses différentes selon la perspective (par exemple, « le directeur financier pose la même question que le responsable d'entrepôt et obtient des tableaux de bord différents et pertinents » ^[53]). Ils ont également souligné les mesures de « gouvernance et de contrôle » mises en place à mesure que l'IA se déploie, reflétant la prudence des clients ^[54]. Dans l'ensemble, les cabinets de conseil considèrent qu'Ask Oracle simplifie considérablement l'utilisation quotidienne de NetSuite.

• Dirigeants d'entreprise : Du point de vue de la direction, ce changement est souvent perçu comme le passage d'un reporting réactif à une vision proactive. Evan Goldberg, d'Oracle, a fait remarquer : « Les entreprises qui intègrent l'IA au cœur de leur fonctionnement... se donneront les moyens de surpasser leurs concurrents pour les années à venir » ^[55]. L'analyse du secteur confirme cette idée, comparant Ask Oracle à un « navigateur d'entreprise » toujours actif qui raccourcit les cycles de décision ^[56]. Les responsables commerciaux, par exemple, souhaitent désormais vivement obtenir des réponses en temps réel (« Quels sont mes meilleurs clients dans la région Sud-Ouest ? ») sans avoir à extraire des listes de requêtes. Les clients des ERP prêts pour l'IA citent souvent des clôtures de fin de mois plus rapides et de meilleures prévisions comme avantages principaux.

• IT et développeurs : L'introduction du module N/LLM et de l'IA au niveau de la suite modifie également le rôle du développeur. Les développeurs doivent désormais gérer les prompts, les documents de contexte et l'intégration avec les services LLM. Le blog N/LLM montre comment un suitelet peut regrouper les données NetSuite dans des prompts d'IA ^[57] et gérer les citations ^[38]. Des implications en matière de sécurité et de gouvernance apparaissent également : les équipes informatiques doivent s'assurer que les connecteurs d'IA et les autorisations de données sont conformes aux politiques. Certains craignent une perte de contrôle, mais Oracle souligne que les utilisateurs « gardent le contrôle » sur toutes les actions initiées par l'IA ^[58]. En effet, chaque recommandation de l'IA est configurable ; les administrateurs peuvent approuver ou affiner les flux de travail suggérés par le Canvas.

• Utilisateurs finaux : Les bénéficiaires les plus immédiats sont sans doute les utilisateurs finaux. Le personnel non technique peut poser des questions métier dans un langage courant. Un responsable d'entrepôt pourrait demander : « J'ai besoin de la liste des articles en rupture de stock au cours du dernier trimestre » et obtenir des résultats sans avoir à manipuler les écrans de recherche enregistrée. Les représentants du service client peuvent interroger le système de gestion des commandes via un chat sur des cas spécifiques. L'expérience utilisateur passe de l'apprentissage de l'interface de NetSuite à l'apprentissage de la formulation de questions efficaces. Un membre de la communauté a plaisanté en disant qu'avec Ask Oracle, NetSuite « ne donne plus l'impression de lutter avec un logiciel, mais de travailler avec un collègue » ^[59] (paraphrasé du blog Medium). Des enquêtes dans des contextes similaires montrent que des informations plus rapides se traduisent directement par des décisions plus opportunes et une grande satisfaction des utilisateurs.

• Contexte comparatif : L'approche de NetSuite reflète des tendances plus larges. Outre les exemples de conseil ci-dessus, les principaux fournisseurs de BI ont déployé des fonctionnalités en langage naturel (par exemple, Ask Data de Tableau, Q&A de Power BI) pour permettre des requêtes conversationnelles sur les rapports. L'avantage unique de NetSuite est d'intégrer ces capacités directement dans le système transactionnel, plutôt que dans un silo analytique séparé. Contrairement aux outils génériques, Ask Oracle couvre les données transactionnelles en temps réel et les flux de travail ERP. Par conséquent, les départements qui vivent dans NetSuite (finance, distribution, services de projet) n'ont pas besoin de créer des tableaux de bord externes ou des entrepôts de données pour cette fonctionnalité.

Dans l'ensemble, les points de vue des parties prenantes convergent sur un point : les requêtes en langage naturel dans NetSuite abaissent considérablement la barrière d'accès aux données. Les utilisateurs n'ont plus besoin d'être formés aux subtilités de la syntaxe des recherches enregistrées. Les requêtes métier sont démocratisées. Parallèlement, en maintenant les opérations sur la même plateforme, les conclusions et les actions restent sécurisées et gouvernables.

Fondements techniques : N/LLM et récupération des données NetSuite

Le fonctionnement d'Ask Oracle et d'AI Canvas repose sur les nouvelles capacités de SuiteCloud. Les composants importants incluent :

• Module SuiteScript N/LLM : Publié en 2025, le module N/LLM dote SuiteScript (l'API JavaScript de NetSuite) de fonctions LLM intégrées ^[26]. Les développeurs peuvent appeler llm.generateText() avec un prompt et des documents de support. Ils peuvent créer des « documents » à partir des données NetSuite (via des requêtes SuiteQL) pour fournir un contexte factuel. Par exemple, dans le suitelet du blog des développeurs, chaque type de données (ventes d'articles, ventilations par emplacement, etc.) a été assemblé en documents texte et transmis au LLM ^[57]. Le blog souligne que les résultats du LLM sont accompagnés de citations renvoyant aux documents, garantissant ainsi la traçabilité ^{[60] [38]}. Il est crucial de noter que toute sortie LLM produite par le système peut être liée exactement aux enregistrements ou documents NetSuite sous-jacents.

• SuiteAnalytics Query (SuiteQL) : En interne, l'interface alimentée par le LLM utilise SuiteQL (la variante NetSuite du SQL ANSI) plutôt que les anciens modules de recherche. Le guide du développeur montre explicitement l'utilisation de query.runSuiteQL() pour récupérer des données à des fins d'analyse ^[39]. SuiteQL offre une plus grande flexibilité (par exemple, des jointures entre les transactions et les articles) et des avantages en termes de performances. Cela suggère que lorsqu'une question est posée à Ask Oracle, le système compose probablement une ou plusieurs requêtes SuiteQL en arrière-plan pour récupérer les extraits de données nécessaires ^{[42] [39]}.

• Génération augmentée par récupération (RAG) : Comme expliqué précédemment, les outils d'IA de NetSuite implémentent le RAG. Cela signifie un processus en deux étapes : récupérer les données métier pertinentes et générer une réponse. En limitant le LLM à des enregistrements spécifiques à l'entreprise, NetSuite garantit l'exactitude factuelle. Cette méthode revient à remplacer le scan par mots-clés d'un moteur de recherche par une brève consultation de bibliothèque, puis à demander au LLM de résumer. L'explication du RAG par O'Reilly s'applique directement ici : combiner une récupération rapide avec un LLM réduit les hallucinations et produit des réponses plus précises et contextuelles ^{[6] [23]}.

• Connecteur d'IA et SuiteAgents : Pour les modèles d'IA externes et les agents personnalisés, NetSuite utilise le Model Context Protocol (MCP) et le service de connecteur d'IA. Il s'agit d'un cadre à l'échelle de la suite qui permet à une instance Oracle Cloud de NetSuite d'appeler en toute sécurité une IA tierce (par exemple, Claude, les modèles GPT) à la demande ^[32]. Ces modèles peuvent exécuter des « outils » ou des actions exposés par NetSuite. En pratique, cela signifie que si Ask Oracle ou Canvas a besoin d'une capacité dépassant la pile native de NetSuite, il peut passer par ce connecteur. Les administrateurs conservent le contrôle sur les modèles et les périmètres de données autorisés, intégrant la gouvernance dans le flux d'IA ^{[61] [48]}.

Ensemble, ces technologies estompent la frontière entre stockage de données et intelligence des données. Les bases de données de l'ERP deviennent une base de connaissances vivante, interrogée dynamiquement par des agents d'IA. C'est un contraste frappant avec l'ancien modèle de requêtes statiques et périodiques via des recherches enregistrées.

Implications et orientations futures

Impacts commerciaux et opérationnels

Le passage à AI Canvas et aux requêtes conversationnelles a des implications larges :

• Efficacité accrue : En réduisant la création manuelle de requêtes, des tâches qui prenaient autrefois des heures peuvent être effectuées en quelques minutes. La génération de rapports de routine devient triviale, libérant les analystes pour qu'ils se concentrent sur l'interprétation plutôt que sur la collecte de données. Les processus de clôture de fin de mois (longtemps un goulot d'étranglement) peuvent être hautement automatisés, comme Oracle l'a démontré avec le flux de travail « Intelligent Close » ^[62].

• Démocratisation des données : Le personnel non technique (commerciaux, managers, etc.) peut obtenir lui-même des informations sans l'aide de l'informatique. Cela accélère la prise de décision et réduit la « paralysie par l'analyse ». Les barrières sont levées : toute personne disposant d'un identifiant NetSuite et du rôle approprié peut explorer les données de manière conversationnelle. Par exemple, un représentant du service client peut trouver des réponses sur l'historique des commandes d'un client sans avoir besoin de déposer une demande informatique pour une recherche personnalisée.

• Arriérés réduits pour l'informatique : L'informatique et les administrateurs passeront moins de temps à créer et à mettre à jour des recherches enregistrées. Au lieu de cela, leur rôle évolue vers la curation de l'environnement d'IA : assurer la qualité des données, ajuster les prompts/modèles d'IA et gérer la gouvernance. Les recherches enregistrées qui subsistent seront celles qui prennent en charge des rapports de niche ou hautement structurés, tandis que de nombreuses questions ponctuelles seront traitées par l'IA. Cela pourrait modifier les besoins en personnel : moins de créateurs de tableaux de bord pourraient être nécessaires, remplacés par des architectes de solutions maîtrisant l'IA.

• Informations améliorées : Le format narratif et visuel signifie que les entreprises peuvent découvrir des modèles qu'elles auraient autrement manqués. Au lieu de fouiller dans des tableaux, les dirigeants obtiennent des explications concises. Par exemple, le récit d'AI Canvas pourrait souligner qu'un déficit projeté est largement dû à une gamme de produits sous-performante, ce qu'un tableau de recherche brut ne mettrait pas en évidence.

• Gouvernance des données et conformité : L'intégration de l'IA soulève de nouvelles considérations. L'organisation doit établir des politiques sur la manière dont les utilisateurs formulent les requêtes, sur la manière dont les réponses de l'IA sont auditées et sur la manière dont les données sensibles sont protégées. Les contrôles de rôle intégrés d'Oracle et la gestion des données fermées d'OCI aident, mais les entreprises devront toujours surveiller les résultats pour garantir la conformité aux exigences réglementaires (par exemple, aucune donnée non autorisée n'est exposée).

Défis et risques

• Précision et confiance : Même avec le RAG, certaines réponses de l'IA peuvent être imparfaites. Les utilisateurs doivent continuer à valider les réponses critiques. Une dépendance excessive sans surveillance pourrait entraîner des erreurs commerciales si, par exemple, l'IA interprétait mal une question. Les entreprises maintiendront probablement des vérifications manuelles (par exemple, en recoupant les résultats de l'IA avec une recherche enregistrée ou un rapport) jusqu'à ce que la confiance soit élevée.

• Formation des utilisateurs : Bien que le langage naturel soit plus simple que la syntaxe, les utilisateurs peuvent avoir besoin de conseils sur la manière de formuler efficacement leurs questions. Il peut y avoir une courbe d'apprentissage autour des prompts (par exemple, « Quelle est la meilleure façon de demander X pour obtenir Y »). Oracle peut fournir une formation ou des conseils d'aide intégrés (comme on le voit dans la liste d'exemples de prompts ^[5]), mais les organisations doivent planifier des programmes d'adoption par les utilisateurs.

• Charge système et performances : Les requêtes conversationnelles peuvent générer beaucoup plus de rapports ponctuels que les travaux par lots planifiés. L'infrastructure de NetSuite doit gérer cette charge. Heureusement, les quotas d'utilisation intégrés et la surveillance (les développeurs peuvent voir « l'utilisation LLM restante » ^[63]) aident à gérer les coûts et les performances. Néanmoins, les requêtes très complexes ou volumineuses peuvent devoir être contrôlées.

• Le poids des recherches enregistrées : Certains processus et intégrations hérités reposent toujours sur les résultats des recherches enregistrées (pour l'analyse ou les connecteurs tiers). Une planification de la transition est nécessaire pour garantir que le remplacement des recherches enregistrées par l'IA ne casse pas les automatisations. À court terme, les outils coexisteront probablement : recherches enregistrées pour les pipelines entièrement automatisés, et IA pour les requêtes pilotées par l'utilisateur.

Orientations futures

La voie à suivre est vaste. AI Canvas et Ask Oracle de NetSuite ne sont que le début de l'intégration de la conception de l'IA dans les flux de travail d'entreprise. Les prochaines étapes pourraient inclure :

• Agents d'IA plus larges : Le concept de SuiteAgents laisse entendre que des bots spécifiques à l'industrie (par exemple, un agent d'optimisation de la fabrication) pourraient être construits et partagés. Nous pourrions voir des places de marché d'agents d'IA NetSuite similaires à AppExchange.
• Intégration inter-applications : NetSuite travaille sur des « applications MCP » qui permettent aux utilisateurs d'interagir avec NetSuite via d'autres assistants d'IA (comme avoir NetSuite comme compétence dans Alexa ou Siri) ^[61]. Cela pourrait supprimer davantage la barrière de l'interface.
• Capacités RAG avancées : Les API pour développeurs suggèrent des améliorations continues dans la manière dont les données sont transmises aux LLM. Les avancées futures (comme les améliorations de la recherche vectorielle ou les entrées multimodales) pourraient rendre les réponses encore plus robustes.
• Clôture autonome et au-delà : Déjà, la « Clôture autonome » est prévue pour automatiser largement la clôture financière de fin de mois ^[64]. Des objectifs similaires de « fonctionnement sans intervention » pourraient émerger pour d'autres processus (approvisionnement, replanification des stocks, etc.), rendus possibles par des flux de travail agentiques.

D'un point de vue stratégique, les organisations passent effectivement du reporting après coup à l'exploitation en temps réel des informations. Cela s'aligne sur des tendances plus larges : Gartner et IDC ont prédit que l'analyse pilotée par l'IA sera un différenciateur clé pour les entreprises numériques. Comme NetSuite le résume lui-même, intégrer l'IA dans les opérations de base n'est pas seulement un levier de productivité, mais une évolution vers une « altitude complètement différente » pour l'entreprise ^[55].

Conclusion

L'introduction par NetSuite d'AI Canvas et des requêtes conversationnelles marque une innovation majeure dans la convivialité des ERP. Les interfaces en langage naturel changent rapidement la façon dont les utilisateurs métier accèdent aux données : plutôt que de lutter avec des filtres de recherche ou de construire des requêtes SQL, les utilisateurs peuvent poser des questions et obtenir des réponses immédiates et intelligentes. AI Canvas comble davantage le fossé entre l'analyse et l'action, permettant aux équipes de simuler des scénarios ensemble sur des données en direct. Ces avancées ne rendent pas totalement obsolète la fonctionnalité de recherche enregistrée – il y aura toujours des besoins de reporting de niche, superficiels ou hautement contrôlés – mais pour de nombreuses requêtes quotidiennes, les recherches enregistrées seront supplantées par l'IA.

En résumé, l'initiative IA de NetSuite repositionne la plateforme d'un « système d'enregistrement » vers un « système de raisonnement » ^[7]. Les recherches enregistrées existent toujours, mais bon nombre de leurs fonctions sont désormais accessibles via des requêtes en langage clair et des flux de travail d'IA. Pour les entreprises, cela signifie des informations plus rapides, des coûts de formation réduits et une prise de décision plus agile. Pour les administrateurs, cela signifie un passage de la création de requêtes à la supervision de l'IA. Et pour les clients, cela devrait signifier obtenir les réponses dont ils ont besoin plus rapidement. Si elle est bien exécutée, cette nouvelle approche pourrait considérablement augmenter la valeur que les utilisateurs tirent de NetSuite. Comme le notent les observateurs du secteur, les organisations qui intègrent l'IA au cœur de leurs opérations « se donneront les moyens de surpasser leurs concurrents pour les années à venir » ^[55].

Mots-clés : NetSuite, AI Canvas, Ask Oracle, requête en langage naturel, recherche enregistrée, ERP, analyse conversationnelle, IA générative, SuiteQL, agents d'IA, assistance consciente des rôles, recherche d'entreprise.