La plupart des DSI ont commencé à explorer l'IA générative pour être sûrs d'être toujours à la page. Mais nombre d'entre eux constatent aujourd'hui que la technologie disponible sur le marché n'est pas encore à la hauteur de l'engouement qu'elle suscite. « Après avoir expérimenté GitHub Copilot et ChatGPT pendant plus de six mois, je suis stupéfait par la vitesse à laquelle l'IA générative évolue, déclare Yves Caseau, DSI monde de Michelin. Mais dans son état actuel, ce n'est qu'une boîte à outils. »

Si le battage autour des LLM et des outils associés peut faire penser que la technologie serait grandement surestimée, il se pourrait au contraire que la technologie devienne bel et bien indispensable. « Une fois qu'elle aura atteint sa maturité, l'IA générative accomplira un grand nombre de nos tâches banales, pour que nous nous concentrions sur autre chose, » déclare Yves Caseau.

Un coup de pouce à l'IA traditionnelle

Si l'IA générative est nouvelle, l'intelligence artificielle ne l'est pas. La recherche en la matière a commencé dès les années 40 pour aboutir à de premiers dispositifs concrets, les systèmes experts, dès les années 70. Une des premières utilisations en entreprise - de l'intelligence artificielle dans de nombreuses entreprises, dont Michelin et Albemarle - a concerné la maintenance prédictive. A son niveau le plus élémentaire, elle consiste en un algorithme entraîné sur des données collectées par des capteurs. Le modèle recherche ensuite les indicateurs qui ont conduit à des défaillances et alerte les opérateurs humains, qui peuvent alors prévenir les arrêts de production.

Mais la configuration de base de la maintenance prédictive comporte une faiblesse importante : les événements rares sont sous-représentés dans les données d'entraînement. Par conséquent, l'algorithme risque de ne pas en apprendre suffisamment sur les schémas de sortie de capteurs qui, bien que peu fréquents, peuvent être annonciateurs de pannes. Pour combler cette lacune, de nombreuses entreprises ont ainsi complété les données réelles avec des données dites synthétiques.

Améliorer la supply chain ou la relation clients

L'IA est également utilisée pour augmenter l'efficacité de la supply chain, faciliter les interactions avec les clients et aider les employés à effectuer des tâches de bureau. L'industriel américain de la chimie Albemarle utilise l'IA comme assistant virtuel depuis les récents blocages liés à la pandémie. « Nous étions finalement un peu en avance, mais principalement par nécessité, raconte Patrick Thompson, ancien DSI et directeur de la transformation digitale de l'entreprise. La pandémie nous a en effet obligés à trouver des solutions de self-service pour nos 7 000 employés en télétravail. »

Le chatbot d'Albemarle a évolué vers un outil d'aide pour d'autres fonctions de l'entreprise, avant de devenir un assistant personnel virtuel qui gère des workflows fédérés. Il aide les employés à travailler plus facilement avec plusieurs systèmes à la fois sans se connecter à chacun d'entre eux. Ils peuvent, par exemple, participer à un workflow et poser des questions en langage naturel avec le bot qui, lui-même, s'interface avec les systèmes de l'entreprise.

Chris Herringshaw, CIO monde de Janus Henderson : "Si la gouvernance, la sécurité et l'ingestion des données sont correctes, l'IA générative peut aider une petite entreprise à croître et devenir plus "lean". Je suis sûre qu'elle va constituer l'innovation de rupture la plus importante pour les entreprises."  (Photo Janus Henderson)

Mais depuis quelques mois, l'IA générative élève l'IA traditionnelle à un autre niveau pour des applications telles que la maintenance prédictive. « Les interactions deviennent plus conversationnelles, ce qui permet de poser des questions et d'obtenir différentes informations sur l'état de l'équipement, explique Patrick Thompson. Elle peut collecter des données industrielles internes et externes ensuite exploitées pour entraîner des algorithmes traditionnels et obtenir des résultats agiles. »

« L'IA générative peut également être utilisée pour analyser des données publiques sur les marchés et les entreprises afin de faciliter la prise de décision en matière d'investissement, explique Chris Herringshaw, directeur informatique monde de Janus Henderson, le groupe américaino-britannique de gestion d'actifs internationaux. Plutôt que de passer du temps à chercher « manuellement » ce type informations, nous voulons utiliser l'IA générative pour résumer ce qui existe, pointer les signaux au milieu du bruit et nous suggérer des domaines à étudier. »

Les défis et les avantages d'une adoption précoce

Outre le manque de maturité de la technologie, l'autre défi auquel font face les entreprises qui veulent se lancer dans l'IA générative est le manque de compétences, tant en interne que chez les éditeurs d'applications traditionnelles. Le manque d'expertise interne affecte la décision de développer ou d'acheter. "En optant pour l'achat, vous n'avez pas besoin de comprendre comment concevoir, développer, faire évoluer et adapter l'infrastructure sous-jacente, précise Chris Herringshaw. De plus, les prix sont tellement bas qu'il n'en coûte pas grand-chose de faire un travail d'exploration. »

Les fournisseurs maintiennent des tarifs peu élevés pour encourager l'adoption. Mais avec le temps, les entreprises vont introduire davantage de données dans les modèles, ce qui les liera avec un fournisseur, et elles commenceront à créer des produits dérivés spécialisés dans certains domaines. Au lieu d'utiliser la version générale de ChatGPT par exemple, elles exploiteront des adaptations pour des secteurs spécifiques, comme les services financiers. « Et une fois que vous aurez des modèles adaptés à différents cas d'utilisation, vous vous retrouvez avec plusieurs versions fonctionnant en même temps, ce qui multiplie le prix de l'abonnement, poursuit Chris Herringshaw. Ce que nous espérons, c'est que les bénéfices des entreprises augmenteront en parallèle. Si nous trouvons vraiment le moyen de révolutionner notre processus d'investissement, le ROI devrait largement compenser le coût. »

Le manque de compétences, frein majeur

Qui plus est, à court terme, il est moins coûteux de souscrire à des solutions en SaaS que de construire en interne. Mais à long terme, un développement interne peut être la meilleure option pour des organisations qui ont besoin d'adapter les modèles à leur secteur, ou celles qui veulent pousser l'IA en edge et exécuter l'inférence sur des appareils déconnectés des services cloud.

Pour l'instant cependant, très peu de structures disposent d'un personnel qualifié pour élaborer un modèle d'IA ou modifier un modèle existant. La plupart n'ont même pas l'expertise nécessaire pour être de bons utilisateurs. Pour tirer le meilleur parti de ce que vous achetez, vous devez d'abord réaliser une curation de vos données pour entraîner le modèle, puis pendant la phase d'inférence, lui poser les bonnes questions. Et par-dessus tout, vous devez savoir à quel moment douter du modèle.

Les entreprises qui n'iront pas sont vouées à l'obsolescence

L'IA générative augmentera probablement la valeur qu'une entreprise peut extraire de ses données et, en fin de compte, changera la façon dont elle est gérée, mais cette technologie creusera aussi le fossé entre celles qui maîtrisent le numérique et celles qui sont à la traîne. Elles devraient toutes commencer par développer un certain niveau d'expertise interne. « Nous commençons à mettre en place une formation pour améliorer notre utilisation de la technologie, ajoute ainsi Chris Herringshaw. La première chose que nous voulons améliorer est la capacité à poser les bonnes questions. »Le manque de compétences affecte non seulement l'utilisation des modèles, mais aussi la qualité des produits tiers sélectionnés. Certains prétendant en effet inclure des algorithmes d'IA. Les DSI qui achètent la dernière version d'une application d'entreprise devraient vérifier cette affirmation, car il y a encore beaucoup de confusion chez les fournisseurs d'applications traditionnelles.

Ces derniers « s'associent à des entreprises qui développent une IA générative pour proposer des assistants virtuels qui libèrent la valeur des systèmes d'entreprise, explique Chris Thompson, qui siège aux conseils d'administration de plusieurs éditeurs. Ils doivent trouver un équilibre entre la sécurité et la confidentialité des données, d'une part, et la rapidité de mise en oeuvre de la promesse de valeur de l'IA générative, d'autre part. »

L'IA générative n'est pas réservée aux grandes structures

Par ailleurs, si les grandes entreprises sont les premières à se lancer, car elles disposent des ressources nécessaires, Chris Thompson estime qu'aucune raison n'empêche les plus petites structures d'utiliser l'IA générative. « Si la gouvernance, la sécurité et l'ingestion des données sont correctes, elle peut aider une petite entreprise à croître et devenir plus "lean", explique le CIO. Je suis sûre que l'IA générative va constituer l'innovation de rupture la plus importante en entreprise. Elle va contribuer à la consolidation, à l'optimisation et à l'intégration des industries. Cela se traduira par de nouvelles références en matière de performance industrielle qui placeront la barre plus haut et créeront une plus grande valeur pour les actionnaires. Les entreprises qui ne l'adoptent pas deviendront tout simplement obsolètes. »