Les grands modèles de langage (LLM) ont fait des progrès extraordinaires dans la compréhension du langage naturel, la génération de réponses fluides et la création de toutes nouvelles expériences pour les clients et les employés. Cependant, puisque les LLM sont intrinsèquement stochastiques, leur utilisation pour des raisonnements numériques ou logiques complexes offre peu de garanties quant à la conformité ou à l’optimalité de leurs résultats. Par exemple :
Un gestionnaire dit à un assistant de planification par IA : « Expédiez-en le plus possible la semaine prochaine tout en maintenant les coûts au minimum », et le système produit un plan ambitieux qui semble efficace, mais qui dépasse silencieusement la capacité de l’entrepôt et compromet les garanties de livraison.
Un coordonnateur dit à un assistant d’IA : « Réaffectez les équipes afin de réduire les nuitées et de minimiser les perturbations », et le modèle produit un horaire moins coûteux qui semble optimal, mais qui enfreint les contraintes obligatoires relatives au temps de service ou au repos.
Un assistant d’IA pour les opérations financières doit approuver des transactions selon de strictes contraintes régionales et de risque, mais il autorise une transaction suspecte en inventant une justification qui semble conforme tout en enfreignant la politique interne.
Dans les environnements soumis à des exigences opérationnelles strictes, la combinaison de LLM et de solveurs formels aide à garantir que les décisions fondées sur le langage naturel respectent les limites définies et évitent les résultats irréalisables, sous-optimaux ou non conformes.
Notre équipe de R&D étudie une approche hybride qui allie la créativité et la souplesse des LLM à la rigueur, aux garanties et à la transparence de solveurs mathématiques formels comme Z3, Pyomo et OR-Tools. Nous développons également un moteur d’IA formelle réutilisable afin d’intégrer cette capacité à la pile technologique standard des entreprises. La plateforme permettra aux organisations d’importer des règles d’affaires directement de leurs systèmes existants, de vérifier continuellement les décisions par rapport à ces règles et de déployer des agents d’IA en toute sécurité dans des limites clairement définies.
Notre vision consiste à réduire les risques opérationnels tout en accélérant la prise de décisions à grande échelle. Les dirigeants obtiennent plus rapidement des décisions conformes aux politiques à partir d’entrées en langage naturel, tandis que les organisations peuvent automatiser les changements ponctuels touchant les horaires, l’affectation des ressources de la chaîne d’approvisionnement, les opérations financières, la vérification des politiques et même la conception vidéo ou 3D. Des mécanismes de protection intégrés empêchent les résultats irréalisables, non conformes ou dangereux d’atteindre la production.
Lors d’expériences contrôlées portant sur des problèmes d’optimisation de type logistique et trois bancs d’essai publics, notre approche hybride a systématiquement démontré :
Une précision accrue
Une interprétabilité et une auditabilité accrues
Notre approche renverse le paradigme habituel selon lequel « le LLM fait tout » et adopte plutôt la conception suivante :
Cette approche sépare clairement les responsabilités : les LLM extraient les règles et les contraintes du langage naturel, tandis que des solveurs déterministes comme OR-Tools, Z3 et Pyomo assurent l’optimisation et la vérification. Le résultat combine les forces des deux approches :
LLM | Solveurs | Hybride (LLM + solveur) | |
|---|---|---|---|
Comprendre l’intention humaine dans différents domaines | ✅ Excellent | ❌ Aucune | ✅ Excellent |
Comportement déterministe | ❌ Non | ✅ Garanti | ✅ Oui |
Exactitude démontrable du raisonnement mathématique et de l’optimisation sous de multiples contraintes | ⚠️ Fragile | ✅ Garanti | ✅ Oui |
Auditabilité et interprétabilité | ⚠️ Fragile | ✅ Claire | ✅ Claire |
Résistance au bruit et aux injections dans les invites | ❌ Vulnérable | ✅ Immunisé | ✅ Forte |
Nous avons commencé par un défi auquel certains de nos clients font face :
Transformer des demandes en langage naturel en décisions optimales et en temps réel sur les ressources, tout en appliquant rigoureusement les contraintes opérationnelles, stratégiques et de coûts.
Ce défi est au cœur de la logistique et des chaînes d’approvisionnement modernes, notamment la planification du personnel, l’affectation des actifs, l’établissement des itinéraires, la planification de l’exécution et la gestion de la capacité. C’est également là que les LLM et les solveurs formels doivent collaborer pour produire des systèmes dignes de confiance. Pour notre évaluation, nous avons créé des scénarios d’essai, des sources de données et des contraintes contrôlés, ainsi que 240 requêtes synthétiques. En voici des exemples :
Veuillez réviser l’horaire existant à la suite d’une annulation. L’installation cible doit être entièrement approvisionnée d’ici le 24 décembre 2025. Dans la mesure du possible, prélevez les stocks d’un entrepôt à proximité et acheminez-les par un point de regroupement précis. La première date de début autorisée est le 14 décembre 2025.
Demande de dernière minute : une personne VIP arrivera à l’emplacement A dans trois heures. Le personnel requis doit être sur place dans les deux heures. Veuillez ajuster l’affectation du personnel tout en minimisant les changements à l’horaire existant.
Les requêtes montrent que le système doit extraire et appliquer de façon fiable les contraintes strictes et souples directement à partir des demandes en langage naturel :
Les contraintes strictes sont non négociables (p. ex., les premières dates de début, les modalités contractuelles et les plafonds de capacité). La violation d’une seule de ces contraintes invalide la solution.
Les contraintes souples expriment des préférences, comme minimiser les retards, réduire les coûts et limiter les changements. L’objectif est d’optimiser sans franchir les limites strictes.
Certains aspects de ces problèmes d’optimisation ne peuvent pas être entièrement prédéfinis. Ils doivent être assemblés dynamiquement en s’appuyant non seulement sur les contraintes et objectifs prédéfinis issus de la logique d’affaires structurée, des documents internes et des données opérationnelles, mais aussi sur la demande de l’utilisateur.
Afin de comprendre le rendement des différentes techniques dans ce contexte, nous avons mis en œuvre et comparé trois approches.
LLM pur : l’approche la plus simple transmet toutes les données pertinentes et la demande en langage naturel de l’utilisateur à une seule invite de LLM, à laquelle on demande de produire un plan ou une affectation optimale. Cette approche peut fonctionner pour des problèmes simples ou soumis à peu de contraintes, mais elle s’effondre à mesure que la complexité augmente. Le modèle peut ignorer des contraintes, privilégier le mauvais objectif ou produire des plans qui semblent raisonnables, mais sont irréalisables, sans moyen fiable de détecter ou de prévenir les défaillances.
LLM + interpréteur de code : dans cette approche, le LLM interprète la demande et utilise des outils pour accéder aux sources de données et générer du code d’optimisation exécutable. Cela accroît la souplesse et l’observabilité, mais la fiabilité demeure problématique. Le LLM doit toujours traduire les contraintes en code exact, et de petites erreurs de raisonnement ou de programmation peuvent produire des résultats invalides ou sous-optimaux, surtout lorsque le nombre de contraintes augmente.
Hybride : LLM → contraintes structurées → solveur déterministe : la troisième approche sépare les responsabilités. Le LLM ne « décide » jamais du résultat; il aide à formaliser les variables, les contraintes et les objectifs. Un solveur d’optimisation éprouvé applique les contraintes, garantit la faisabilité et produit des résultats vérifiables et auditables. Le rôle du LLM se limite à traduire les demandes en langage naturel en contraintes explicites et structurées à l’aide de schémas prédéfinis. Ces contraintes sont automatiquement compilées en code de solveur, comme OR-Tools, qui calcule de façon déterministe une solution réalisable et optimale.
Nous avons testé les méthodes avec plusieurs LLM, notamment GPT-5, GPT-5.1 et GPT-5.2. Comme prévu, l’approche hybride a surpassé les autres :
Méthode | Précision de l’affectation | Latence moyenne | Tokens utilisés par requête |
|---|---|---|---|
LLM pur | 70–78 % | 62–190 s | ~175 000 |
LLM + interpréteur de code | 82–84 % | 62–140 s | ~9 000 |
LLM → solveur (hybride) | 95–97 % | 6–25 s | ~2 000 |
Notre méthode hybride démontre une augmentation considérable de la précision, une efficacité d’utilisation des tokens plus de quatre fois supérieure et une réduction de la latence d’un ordre de grandeur.
Notre prochaine étape consiste à créer une interface généralisable et réutilisable qui convertit le langage naturel en représentations sémantiques structurées, que notre système dorsal peut traduire en code prêt pour le solveur. Pour cette expérience, nous nous sommes concentrés sur les problèmes d’optimisation linéaire et avons évalué l’approche avec trois jeux de données publics (NLP4LP, NL4OPT et IndustryOR).
LLM autonome
Méthode hybride (LLM → règles structurées → solveur → résultat vérifié)
Utiliser un LLM pour extraire les variables, les contraintes et les objectifs de l’entrée, puis formuler un problème d’optimisation structuré.
Transmettre le problème structuré et la demande originale à un LLM aux fins d’autovérification.
Traduire le problème structuré en code OR-Tools afin de calculer l’affectation optimale.
Nous avons évalué cette approche à l’aide de modèles propriétaires de pointe, notamment GPT-5.1, GPT-5 mini, GPT-5.1-Codex-Max et GPT-5.2, ainsi que de modèles à code source ouvert comme Kimi K2, les modèles GPT-OSS et MiniMax M2. Les diagrammes en boîte résument les résultats de chaque méthode.
Pour presque tous les modèles de langage sous-jacents évalués, l’approche hybride produit systématiquement des résultats plus précis, stables et vérifiables que la référence fondée sur un LLM autonome. Bien que le rendement absolu varie selon les modèles, les gains relatifs de l’approche hybride demeurent constants. Cela indique que les améliorations proviennent de la séparation entre la compréhension du langage naturel et l’optimisation formelle, plutôt que de la capacité de raisonnement d’un seul modèle.
Précision
Pour NLP4LP et NL4OPT, qui comprennent principalement des problèmes de programmation linéaire, la méthode hybride atteint une précision presque maximale et surpasse l’utilisation d’invites avec un LLM autonome. Plutôt que de produire un raisonnement « approximativement exact », le système hybride génère plus systématiquement des formulations mathématiques valides et bien structurées. Avec le jeu de données IndustryOR, plus difficile, la précision diminue pour les deux méthodes, mais pour des raisons différentes. De nombreux problèmes d’IndustryOR comportent des structures combinatoires, comme l’établissement d’itinéraires de véhicules, le séquençage des tâches et l’affectation du personnel, qui dépassent les capacités d’optimisation linéaire actuellement prises en charge par notre système dorsal de solveur.
L’analyse des modes de défaillance montre que les LLM autonomes enfreignent fréquemment les contraintes requises, comme l’illustrent les exemples suivants :
Exemple 1 :
Plain Text
Le LLM autonome produit une solution contenant moins de matières grasses au total, mais elle enfreint l’exigence voulant que les repas à la dinde ne représentent pas plus de 40 % des repas. L’approche hybride applique correctement cette contrainte stricte et retourne une réponse valide.
Exemple 2 :
Plain Text
Le LLM autonome produit encore une solution avec moins de rejets, mais elle dépasse la limite maximale permise de médicaments antidouleur. L’approche hybride applique correctement cette contrainte stricte et retourne une réponse valide.
Latence et utilisation des tokens
Les données sur la latence et l’utilisation des tokens révèlent une distinction importante. L’approche hybride présente une latence moyenne et une utilisation des tokens supérieures à celles d’une seule invite de LLM, mais cela reflète des choix architecturaux plutôt qu’un manque d’efficacité.
Le pipeline hybride comprend :
Un ou plusieurs appels de LLM pour extraire des variables structurées, des contraintes et des objectifs.
Une étape d’autovérification pour repérer les incohérences internes.
Bien que ces étapes ajoutent une surcharge par rapport à une seule invite, la latence demeure limitée et prévisible, et l’exécution du solveur est généralement rapide une fois le problème bien formulé. Le travail supplémentaire crée des représentations intermédiaires explicites, réutilisables et auditables. En revanche, les approches reposant sur un LLM autonome condensent le raisonnement en une seule génération opaque, reportant les coûts sur les nouvelles tentatives, les vérifications manuelles et les défaillances en aval. Les prochaines itérations pourront réduire cette surcharge grâce aux mesures suivantes :
Mettre en cache les schémas extraits.
Mettre à jour les contraintes progressivement.
Améliorer l’orchestration des invites et des appels.
Transparence et auditabilité
Enfin, même lorsque les deux méthodes échouent, leur mode de défaillance est fondamentalement différent.
Avec un LLM autonome, les défaillances sont souvent silencieuses : le modèle peut retourner un résultat subtilement erroné.
Avec l’approche hybride, la formulation explicite du problème rend les défaillances transparentes et aide les équipes à déterminer quelle partie de la formulation a causé une erreur.
Les prochaines versions pourraient présenter ces formulations dans une interface, afin que les utilisateurs puissent les auditer ou les vérifier avant l’exécution du solveur. Cette transparence améliore la précision mesurée et facilite le débogage et le perfectionnement du système, ce qui est essentiel à un déploiement réel.
À retenir
Pour tous les bancs d’essai et la plupart des modèles sous-jacents testés, les résultats renforcent une conclusion centrale de nos travaux :
Les LLM excellent dans la compréhension et la traduction des intentions, mais les solveurs déterministes sont essentiels pour garantir l’exactitude.
L’approche hybride transforme le langage naturel, auparavant source d’ambiguïté, en une interface fiable pour une prise de décisions mathématiquement rigoureuse, rapprochant ainsi l’IA d’entreprise de systèmes non seulement intelligents, mais aussi dignes de confiance.
Les contraintes d’entreprise se présentent rarement sous forme de schémas ordonnés ou d’invites parfaitement formulées. Elles sont dispersées dans des bases de données, des feuilles de calcul, des politiques internes et des contrats. Les demandes des utilisateurs peuvent être incomplètes, ambiguës ou incompatibles avec les règles d’affaires. Pour appliquer cette approche à grande échelle, nous développons un moteur dorsal réutilisable qui transforme cette complexité en une capacité d’entreprise fiable.
Au cœur du système, ce moteur sert de structure formelle aux systèmes décisionnels propulsés par l’IA et fournit :
Une base de connaissances symbolique dotée d’adaptateurs qui importent les règles d’affaires, les contraintes, les variables et les objectifs.
Une couche de traduction qui compile les schémas en code pour solveur.
Des interfaces permettant aux équipes d’examiner, d’auditer et de modifier les contraintes.
Bien que ces expériences portent actuellement sur l’optimisation, la même méthode peut s’étendre à la vérification logique. Voici quelques applications commerciales possibles :
Effectuer ponctuellement et dynamiquement la planification, l’établissement des itinéraires et l’affectation des ressources tout en appliquant chaque contrainte opérationnelle.
Générer des réponses et des recommandations qui respectent systématiquement les règles d’affaires.
Concevoir et valider des objets 3D, des vidéos et des architectures complexes, tout en repérant les conceptions irréalisables avant la production.
L’IA actuelle est puissante, mais les entreprises ont besoin de plus que de puissance : elles ont besoin d’exactitude, de cohérence et de contrôle. Notre système hybride combinant LLM et solveur nous rapproche d’un monde où :
Les agents n’inventent ni règles ni contraintes.
La déduction logique et l’optimisation sont mathématiquement rigoureuses.
Le langage naturel sert d’interface universelle aux systèmes déterministes.