Soyons honnêtes : au milieu du buzz autour de l’intelligence artificielle générative (GenAI), de nombreuses entreprises sont confrontées à la dure réalité des résultats de leurs initiatives ambitieuses. Les entreprises sont constamment confrontées à la nécessité de se concentrer sur l’essentiel et de transformer les défis de l’IA en avantages concurrentiels. Reconsidérez donc dès maintenant votre stratégie afin d’établir de nouveaux critères de réussite pour votre prochain projet d’IA d’entreprise.
L’explosion de l’IA générative et des grands modèles de langage (LLM, Large Language Models) est sans précédent : ChatGPT d’OpenAI a atteint 100 millions d’utilisateurs en quelques mois seulement. Le domaine de l’intelligence artificielle se développe rapidement. Depuis le début de l’année 2024, la position de leader d’OpenAI est mise à l’épreuve par de nouveaux modèles puissants comme Claude 3 d’Anthropic, le Large Model de Mistral AI ou de nouveaux développements, par exemple dans le domaine des grands modèles d’action (Large Action Models, LAM). Ceux-ci génèrent des séquences d’actions cohérentes et ciblées au lieu d’un simple texte.
Alors que les géants de la tech et les start-ups continuent d’intensifier leur concurrence en matière d’IA et d’innover rapidement dans le domaine de la GenAI et des LLM, l’avenir de cette technologie transformatrice reste passionnant. Les entreprises doivent surveiller de près le marché de l’intelligence artificielle et faire la distinction entre l’enthousiasme général et la réalité afin d’identifier les véritables opportunités pour elles.
Aux plus hauts étages de la direction, ces questions sont sur toutes les lèvres : « Quelle est notre stratégie de GenAI, comment se déroulent nos projets et à combien se montre le retour sur investissement ? »
L’IDC estime que les dépenses pour les systèmes centrés sur l’IA en Europe s’élèvent à 34,2 milliards de dollars en 2023, tous secteurs confondus, et prévoit un taux de croissance annuel moyen (TCAM) de 29,6 % jusqu’en 2027. Au début, les dépenses pour les grands modèles de langage et l’intelligence artificielle générative étaient davantage motivées par l’enthousiasme général et la peur de manquer quelque chose (FOMO) que par des objectifs stratégiquement définis, et ont déclenché une course aux parts de marché entre les fournisseurs de services.
Cependant, les assistants IA, les chatbots et les outils de codage se sont avérés directement utiles. Aujourd’hui, les entreprises utilisent différentes applications :
Compte tenu des milliards investis et de la course mondiale aux talents en matière d’IA, Gartner prévoit que d’ici 2026, plus de 80 % des entreprises auront intégré des API ou des modèles d’IA générative dans leurs environnements de production. En 2023, ce chiffre était encore inférieur à 5 %. Malgré la croyance largement répandue que les LLM représentent une solution universelle aux défis commerciaux, Forbes souligne que 90 % des solutions d’IA générative échouent lors de la preuve de concept (POC) avant d’atteindre la pleine maturité opérationnelle.
Les stratégies doivent être repensées dans un environnement en constante évolution : l’IA avancée, en particulier les grands modèles de langage, est considérée comme la voie royale pour tous les défis commerciaux. Mais en réalité, l’IA générative n’est pas encore arrivée à maturité. Des objectifs peu clairs et des problèmes mal définis rendent difficile la traduction des besoins de l’entreprise en tâches d’IA exécutables et l’évaluation ultérieure des résultats. Comme le paysage de l’IA ne cesse d’évoluer et présente toujours plus de nouveaux modèles, de bibliothèques d’orchestration et de services cloud, le risque est de se retrouver dans une boucle de prototypage sans fin, ce qui peut avoir un effet négatif sur le résultat.
Autrement dit : la clé réside dans une évaluation rigoureuse du potentiel par rapport à la complexité, suivie d’une expérimentation stratégique rapide. Cette approche expérimentale itérative évite des investissements importants et prématurés dans des cas d’application dont les exigences ne sont pas claires ou qui présentent des obstacles techniques importants.
Données non fiables, problèmes de confidentialité et de sécurité : la qualité et la sécurité des données sont une priorité absolue dans les entreprises pilotées par l’IA, car les systèmes d’IA ne peuvent pas fonctionner sans un vaste pool de données robustes et non altérées. Étant donné que les entreprises, en particulier dans les secteurs strictement réglementés, ont accès à une multitude de données textuelles, les défis de la fiabilité des données, de la protection des données et de la sécurité sont urgents. Les intrusions non autorisées, les violations de la protection des données et les cyberattaques constituent une menace sérieuse pour l’intégrité et la confidentialité des systèmes de GenAI. Des dilemmes éthiques tels que la violation des droits d’auteur, des droits de propriété intellectuelle ainsi que la partialité des données utilisées pour entraîner l’IA ont déjà donné lieu à des litiges et soulignent la nécessité de développer et d’utiliser l’IA de manière consciencieuse.
Autrement dit : pour une utilisation efficace des grands modèles de langage et pour garantir leur fiabilité et une utilisation éthique, il est essentiel de sélectionner des données de qualité et non biaisées. Les entreprises peuvent accéder à des solutions LLM évolutives via un hébergement à la carte ou opter pour un contrôle sur mesure avec une infrastructure privée dédiée. En outre, une gouvernance des données et une cybersécurité rigoureuses, avec des audits et des contrôles de conformité réguliers, offrent un cadre sûr pour répondre aux exigences en matière de protection des données et de sécurité lors de l’utilisation de l’IA.
La problématique des coûts et de la complexité : la mise en œuvre de l’IA générative implique non seulement un investissement initial, mais aussi des coûts récurrents. Les coûts du cloud pour l’exécution de grands modèles sont élevés, le développement de solutions propres nécessite des experts et du matériel coûteux, et même l’utilisation d’options open source requiert un savoir-faire technique. Le contrôle des résultats de la GenAI, les mises à niveau du système, le personnel spécialisé, la sécurité des données, l’éthique, la conformité, la surveillance, la formation et les considérations juridiques augmentent les coûts. Souvent, l’investissement initial et les coûts d’exploitation dépassent tous les avantages en termes d’optimisation des coûts ou de rendement, de sorte que les projets sont abandonnés avant même d’être réellement mis en œuvre. En outre, de nombreux cas d’utilisation professionnels nécessitent un degré élevé de personnalisation. L’interaction complexe qui en résulte entre l’orchestration LLM, l’intégration des données, la génération augmentée de récupération (RAG), l’incorporation de modèles et l’intégration de bases de données vectorielles constitue un obstacle considérable. En outre, la recherche de résultats rapides peut amener les équipes à accorder trop peu d’importance à des aspects non fonctionnels importants tels que l’évolutivité du pipeline RAG, la robustesse des performances du modèle, la sécurité et une protection rigoureuse des données. Il en résulte des défauts techniques qui doivent être corrigés ultérieurement.
Autrement dit : pour gérer avec succès les coûts et la complexité de la mise en œuvre de l’intelligence artificielle générative, des analyses détaillées doivent être effectuées afin de mettre en balance les investissements initiaux et les avantages à long terme. Par exemple, une entreprise de vente au détail qui investit dans des robots de service à la clientèle pilotés par l’IA doit mettre en balance les coûts des services cloud, du personnel spécialisé et de la maintenance continue avec l’augmentation potentielle des ventes due à l’amélioration de la satisfaction et de la fidélisation des clients. La collaboration entre les départements IT, marketing et service clientèle garantit l’harmonisation des objectifs et une allocation efficace des ressources. La priorité accordée aux exigences non fonctionnelles, telles que l’évolutivité et la sécurité, peut être illustrée par l’exemple d’une entreprise fintech qui met en œuvre des systèmes de détection des fraudes basés sur l’IA, pour lesquels la robustesse et la protection des données sont d’une importance capitale. L’amélioration continue comprend des évaluations régulières des indicateurs de performance et des commentaires des utilisateurs, ce qui permet de procéder à des ajustements en temps utile pour optimiser l’efficacité et l’efficience.
Tout bien considéré, nous recommandons aux entreprises d’adopter une approche équilibrée. Elles doivent suivre le rythme des évolutions technologiques tout en veillant à ce que leurs stratégies en matière d’IA soient étroitement alignées sur leurs objectifs commerciaux concrets. Voici quelques règles générales à ce sujet :
Les entreprises devraient toujours être attentives à deux choses en termes d’IA : le développement continu de la technologie et son orientation stricte vers des résultats commerciaux concrets.
En bref : l’intégration stratégique de l’IA ne doit pas se contenter d’amplifier l’engouement pour la technologie, mais doit conduire à un succès commercial mesurable grâce à la synergie entre l’innovation et la gouvernance.
L’introduction de l’intelligence artificielle est un processus extrêmement complexe qui comporte de nombreux défis, mais qui offre également de nombreuses opportunités. Si vous souhaitez savoir comment transformer ces défis en un tremplin pour l’innovation et la croissance, contactez-moi. N’hésitez pas à nous poser vos questions !