Novo Nordisk a appris à des agents IA à répondre selon les procédures réglementaires : des minutes au lieu d'heures et de jours
Novo Nordisk, fabricant de médicaments contre le diabète et l'obésité, a appris à son assistant IA à répondre à partir des procédures d'usine. Face à la question « quels prélèvements faut-il effectuer sur le granulateur ? », il demande d'abord le site, la génération du produit et l'équipement, et ne cherche qu'ensuite. Les tâches des experts, qui prenaient des heures ou des jours, se règlent désormais en quelques minutes, avec des citations issues de documents approuvés. Dans la pharmacie et les autres secteurs réglementés, il vaut mieux poser une question que se tromper avec assurance.
Traité par IA depuis AWS Machine Learning Blog ; édité par Hamidun News
Imaginez la question : « Quels prélèvements faut-il effectuer sur le granulateur ? » Dans une usine de comprimés, il n'existe pas de réponse unique. Tout dépend du site, de la génération du produit, de l'installation précise et de la taille du lot. Si l'assistant s'appuie sur une instruction obsolète ou sur un document provenant d'une autre usine, cela se traduira en pharmacie par des problèmes de qualité et d'audit. C'est précisément le problème qu'a résolu l'équipe Manufacturing Technology de la division comprimés de Novo Nordisk. Elle a conçu un assistant IA sur AWS et, selon les auteurs, le travail des experts, qui prenait des heures ou des jours, est tombé à quelques minutes.
Pourquoi la recherche classique ne suffit pas
Novo Nordisk fabrique des médicaments contre le diabète et l'obésité. Chaque étape importante de la production est décrite dans des documents contrôlés : procédures opérationnelles standard, instructions de travail, formulaires et supports de formation. Ces documents sont mis à jour en permanence, en raison des nouvelles exigences des autorités de régulation, du remplacement d'équipements, de l'amélioration des processus et des remarques des auditeurs. Ce qui doit être révisé, ce qui attend une validation et ce qui exige une attention immédiate était le plus souvent suivi dans des tableurs et des systèmes disparates. C'est lent, source d'erreurs et difficile à faire évoluer : un document périmé peut rester en circulation longtemps.
Il existe un second problème. Les connaissances sont dispersées entre versions, sites et programmes, et seul un collaborateur expérimenté, qui sait où chercher, parvient souvent à trouver l'information. La recherche par mots-clés renvoie une liste de fichiers, pas une réponse. Le RAG vectoriel classique (recherche sémantique suivie d'une génération de réponse par un modèle) comprend mieux les questions formulées en langage naturel. Mais il se perd dans les identifiants précis, comme les numéros de documents et les codes d'équipements, et répond mal aux questions portant sur les liens entre documents. Surtout, il ne sait pas dire honnêtement qu'aucun document pertinent n'existe, ce qui est critique dans un secteur réglementé.
Le fonctionnement du GraphRAG chez Novo Nordisk
Le système repose sur un GraphRAG : la recherche textuelle est complétée par un graphe de connaissances. Le graphe, hébergé dans Amazon Neptune, conserve la structure et les liens : à quel processus se rattache un document, à quels documents il renvoie, et à quel site, produit et équipement il est lié. La recherche dans Amazon OpenSearch Serverless combine la comparaison sémantique (embeddings Amazon Titan) et la correspondance exacte de termes via l'algorithme BM25. Les résultats des deux approches sont fusionnés par la méthode reciprocal rank fusion, c'est-à-dire selon un classement commun. Ainsi, on retrouve à la fois les documents proches du sens de la question et ceux qui contiennent le code exact d'un équipement.
Les deux stockages ne sont volontairement pas fusionnés dans un seul moteur. Ils sont reliés par le numéro de document, présent à la fois dans le fragment trouvé et dans le nœud du graphe. Le paragraphe retrouvé devient donc directement un point d'entrée dans le graphe, sans rapprochement approximatif. Ensuite, le graphe ajoute les documents voisins et les références, puis un modèle de reranking (cross-encoder, via Amazon Bedrock Rerank) lit la question avec chaque candidat et les reclasse selon leur précision.
Les agents tournent sur Amazon Bedrock AgentCore, sont écrits avec le Strands Agents SDK et utilisent les modèles Anthropic Claude. Les documents entrent dans le système par un pipeline reposant sur AWS Step Functions et Lambda, l'analyse des fichiers passe par Bedrock Data Automation, et l'infrastructure est décrite avec AWS CDK.
Le schéma du graphe est fixe et établi par les experts. Le niveau supérieur est un arbre des processus d'environ trois niveaux, et chaque document est rattaché au niveau le plus bas pertinent. Le niveau inférieur regroupe les entités du domaine : sites, générations de produits, équipements, étapes du processus. Les auteurs justifient ce choix : lorsqu'un modèle invente lui-même les entités, le résultat est bruité, difficile à maintenir et compliqué à vérifier pour les auditeurs. Dans la pharmacie, le secteur dispose déjà d'une ontologie d'experts, et les nouvelles entités sont ajoutées avec l'intervention d'un humain.
D'abord clarifier, ensuite chercher
L'idée la plus marquante est le guided mode. Le RAG classique cherche d'abord, puis répond. Ici, l'ordre est inversé : si la question est ambiguë, l'agent pose une brève question de précision et ne cherche qu'ensuite.
Les attributs universels, comme le site et la génération du produit, sont demandés directement. Tous les autres, comme l'équipement ou la taille du lot, sont tirés du graphe au moment de la requête. L'agent fait correspondre le terme de l'utilisateur avec les nœuds réels du graphe, écarte ce qui est déjà connu et, lorsque plusieurs options subsistent, propose l'attribut qui les distingue réellement.
Les options sont uniquement tirées des valeurs existantes, ce qui limite le risque de variantes inventées. Quand les experts ajoutent à la taxonomie un nouvel attribut discriminant, l'assistant commence à le demander sans modification des prompts ni du code.
La réponse est construite à partir de sources approuvées, avec des renvois vers ces sources, et l'assistant indique clairement lorsque le contenu recherché n'existe pas. Par défaut, ce sont les versions approuvées et en vigueur qui sont utilisées, et non les brouillons ni les révisions obsolètes.
Ce qu'il faut en retenir
Des réserves s'imposent. Il s'agit d'un retour d'expérience publié par AWS sur son propre client, et l'affirmation « des heures et des jours au lieu de minutes » n'est accompagnée ni d'une méthodologie de mesure ni d'une vérification indépendante. Le texte disponible ne fournit pas de métriques détaillées sur la qualité des réponses.
La leçon pratique reste néanmoins utile pour quiconque construit un RAG d'entreprise. Si la base contient des versions, des statuts et des périmètres d'application, une base vectorielle seule ne suffit pas : il faut un schéma explicite de liens, comme chez Novo Nordisk. Il vaut mieux poser une seule question de précision à l'utilisateur que fournir une réponse assurée sur le mauvais site. Et une réponse « données absentes » doit être considérée comme un résultat complet du système.
- 21 nov. 2026Anthropic a clôturé sa première semaine en Bourse à une valorisation de 1,6 billion de dollars, mais a perdu 8,5 % en une journée
- 21 nov. 202615 sous-agents Claude Code ont écrit un système pour un atelier, mais la validation des livraisons est confiée à un agent sans droit de modification
- 21 nov. 2026Un mathématicien d'Anthropic affirme que Claude l'a aidé à prouver l'hypothèse de Riemann en six semaines
- 21 nov. 2026OpenAI ouvre ChatGPT Spaces aux abonnés Plus : des documents collaboratifs avec IA
Questions clés sur cet article
Pourquoi la recherche classique ne suffit pas?
Novo Nordisk fabrique des médicaments contre le diabète et l'obésité. Chaque étape importante de la production est décrite dans des documents contrôlés : procédures opérationnelles standard, instructions de travail, formulaires et supports de formation. Ces documents sont mis à jour en permanence, en raison des nouvelles exigences des autorités de régulation, du remplacement d'équipements, de l'amélioration des processus et des remarques des auditeurs.
Que sait-on sur Le fonctionnement du GraphRAG chez Novo Nordisk ?
Le système repose sur un GraphRAG : la recherche textuelle est complétée par un graphe de connaissances. Le graphe, hébergé dans Amazon Neptune, conserve la structure et les liens : à quel processus se rattache un document, à quels documents il renvoie, et à quel site, produit et équipement il est lié. La recherche dans Amazon OpenSearch Serverless combine la comparaison sémantique (embeddings Amazon Titan) et la correspondance exacte de termes via l'algorithme BM25.
Que sait-on sur D'abord clarifier, ensuite chercher ?
L'idée la plus marquante est le guided mode. Le RAG classique cherche d'abord, puis répond. Ici, l'ordre est inversé : si la question est ambiguë, l'agent pose une brève question de précision et ne cherche qu'ensuite. Les attributs universels, comme le site et la génération du produit, sont demandés directement. Tous les autres, comme l'équipement ou la taille du lot, sont tirés du graphe au moment de la requête.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.