Démocratiser l'IA dans toutes les entreprises

L'IA n'est pas encore utilisée par les entreprises comme elle l'est par les particuliers. Quels freins l'expliquent et quels moyens peuvent être mis en oeuvre pour y parvenir ?

Démocratiser l’IA dans toutes les entreprises

L’adoption de l’IA a été massive dans le grand public : rapidité d’adoption de ChatGPT battant toutes les courbes d’adoption technologiques historiques et, anecdote plus proche de nous, une campagne de Lidl permettant aux consommateurs du marché français de générer le produit de leur choix aux couleurs de la marque a enregistré des millions de générations en quelques semaines !

Force est de constater que l’IA n’a pas fait son entrée de la même manière dans notre quotidien professionnel On peut arguer du fait que l’IA est déjà présente en entreprise dans de nombreux usages mais on n’a pas constaté de changement radical en 2024…

De bonnes raisons expliquent cette relative lenteur. 

Des questions légales et éthiques ont dû être traitées : quid de la propriété intellectuelle, de la localisation et de la confidentialité des données, de l’entrainement des modèles, d’éventuels biais discriminatoires. Tous ces sujets, s’ils ne sont définitivement adressés, sont largement balisés et caractérisés, à ce jour, permettant aux entreprises de choisir les modèles et les SaaS de leur choix selon leurs propres politiques.

La question de l’exactitude des modèles s’est ensuite posée. Si l’on peut tolérer les approximations (les fameuses « hallucinations ») à titre personnel lorsque l’on cherche de l’information sur Internet, le monde de l’entreprise doit être celui de la fiabilité et de l’exactitude. Sur ce point, on a fait l’amalgame de plusieurs sujets… La recherche de l’information dont on sait depuis longtemps qu’elle n’est pas forcément correcte sur la toile et la capacité à la métaboliser à grande échelle, l’interroger, la résumer, la traiter grâce aux modèles de langage. Un modèle nourrit des bases de connaissances, des données et des documents officiels de l’entreprise, piloté par des « prompts » précis, donnera des réponses « corporate ».

Ensuite, la prolifération des modèles et des SaaS, ainsi que l’évolution permanente des offres pour faire « toujours plus et toujours mieux » laissent certains décideurs perplexes à l’idée de s’engager avec un acteur. Là encore, des solutions existent… On peut concevoir des applications qui appellent des modèles de manière flexibles pour réaliser une tâche précise, en laissant la possibilité à l’entreprise de « débrancher l’un pour brancher l’autre » si les conditions de marché évoluent. 

Surtout, la technologie a éclipsé le cas d’usage métier. On parle de LLM et d’IA générative alors que ces technologies elles-mêmes se déploient dans différents champs : génération de texte et de code, métabolisation d’information (couplée à un moteur de recherche), génération d’image et de vidéos, résolution de problèmes complexes avec ChatGPT O3. Le sujet pour l’entreprise n’est pas de déployer un LLM ou d’utiliser l’IA générative mais d’augmenter la qualité, la pertinence, la satisfaction client, d’aider à la prise de décision complexe ou d’augmenter la productivité… et ce en combinant toute technologie pertinente car un LLM seul suffira rarement !

Enfin, la question du retour sur investissement s’est posée. S’il faut s’engager dans un nouveau grand projet stratégique d’analyse de la valeur, de cartographie des systèmes, de refonte des processus et de redéploiement de systèmes… cela en vaut-il vraiment la peine et les entreprises ont-elles de l’énergie pour une telle « aventure ». La dernière bonne nouvelle est que ce n’est pas nécessaire : de la même manière que des agents IA et des assistants IA peuvent soit suppléer aux collaborateurs dans des tâches fastidieuses soit les épauler dans des travaux plus complexes, les agents et assistants peuvent être largement utilisés pour réaliser les activités de « consulting » nécessaires à l’adoption de l’IA. Depuis la cartographie des workflows, l’identification d’opportunités, la construction de « pipelines » enchainant les technologies (machine learning, IA générative, règles déterministes…) pour remplacer ou seconder une « personae » (un archétype de poste) et enfin le déploiement d’agents et d’assistants IA et la matérialisation de la valeur.

Partant de ces différentes observations, on peut légitimement considérer que l’IA peut effectuer une entrée plus fondamentale dans les entreprises, quelque soit leur taille et au plus grand bénéfice de leur productivité !