L’adoption réussie de l’intelligence artificielle générative (IA générative) au sein d’une organisation repose sur trois piliers fondamentaux : les personnes, les processus et la technologie. Si les aspects humains et procéduraux ont déjà été abordés, cet article se concentre sur le troisième pilier, la technologie, et son rôle crucial dans la transformation des données en impact tangible. La technologie n’est pas une fin en soi, mais un moyen d’atteindre des objectifs précis. C’est un catalyseur qui, lorsqu’il est correctement choisi et déployé, permet de débloquer le potentiel de l’IA générative et de créer une valeur significative.
Récapitulatif : un état d’esprit de croissance et la chaîne de valeur cognitive
Avant d’entrer dans les détails de l’infrastructure et de l’architecture technologiques idéales pour l’IA générative, il est essentiel de rappeler les principes clés qui sous-tendent une adoption réussie.
Concernant les personnes, l’objectif est de favoriser un état d’esprit de croissance vis-à-vis de l’IA générative, en la considérant comme un nouvel outil ou une nouvelle technique, au même titre qu’un tableur ou une analyse post-mortem sans blâme. Cet état d’esprit doit encourager l’*excellence de l’augmentation* (« C’était une façon intelligente de l’utiliser ») et une *augmentation excellente* (« Je suis vraiment content que nous ayons fait cela »). La formation et la communication transparente sont essentielles pour dissiper les craintes et encourager l’expérimentation.
Concernant les processus, l’objectif est d’évoluer vers une « nouvelle normalité » où une chaîne de valeur cognitive permet d’intégrer la connaissance dans les flux de travail, à un rythme et à une échelle qui permettent de réduire les erreurs. Ce concept est analogue à la façon dont les entreprises ont développé des chaînes de valeur numériques qui ont permis d’intégrer les données dans les expériences numériques, à un rythme et à une échelle qui ont permis d’accroître leur valeur. Les processus doivent être repensés pour intégrer l’IA générative et maximiser son potentiel d’automatisation, d’amélioration de la prise de décision et de création de nouvelles opportunités. D’ailleurs, on peut observer cela dans la programmation.
La technologie doit être choisie pour faciliter l’accès aux données pertinentes, automatiser les tâches, améliorer la prise de décision et permettre l’innovation. Elle doit toujours être une aide, jamais un obstacle. Les choix technologiques doivent soutenir les objectifs stratégiques de l’entreprise et s’intégrer de manière transparente aux systèmes existants.
Accès aux bonnes données
Un exemple concret illustre l’importance d’un accès aux données optimisé. Teresa Heitsenrether, responsable des données et de l’analyse chez JPMorgan, a décrit comment l’IA générative pourrait transformer le travail dans sa banque : « Pensez à tous les endroits de la banque où les employés se préparent à aller parler à leurs clients. Aujourd’hui, vous avez des armées de personnes qui courent partout pour rassembler des notes d’information et s’assurer que tout le monde est préparé. C’est un excellent moyen de rassembler ces informations plus rapidement. Nous le voyons dans le domaine juridique, dans tous les endroits où vous avez beaucoup de documents, beaucoup d’informations à trier. »
Une application d’IA générative standard, comme ChatGPT Enterprise, peut aider n’importe quel utilisateur capable de rédiger une requête et d’insérer des documents dans sa fenêtre de contexte. Cependant, pour les flux de travail importants et continus, tels que la préparation des réunions avec les clients, des appels de vente ou des négociations contractuelles, il est inefficace et risqué de demander aux individus de copier-coller des informations provenant de 17 sources de données différentes.
L’idéal est que les développeurs d’applications d’IA générative puissent intégrer l’accès aux sources de données appropriées dans des applications d’entreprise personnalisées. Plus le contexte est riche, meilleurs sont les résultats et plus grand est l’impact. Cela implique de mettre en place une infrastructure de données capable de fournir aux applications d’IA générative les informations pertinentes, au moment opportun, et dans un format exploitable.
Cet accès aux données nécessite une architecture de données moderne, flexible et capable de gérer des volumes massifs de données provenant de sources diverses. Les bases de données vectorielles, par exemple, sont essentielles pour stocker et récupérer des embeddings, des représentations numériques de données textuelles ou multimédias qui permettent aux modèles d’IA de comprendre le sens et le contexte des informations.
Exemple concret
Une entreprise de services financiers souhaite améliorer son service client grâce à l’IA générative. Elle peut utiliser une base de données vectorielle pour stocker les transcriptions des conversations avec les clients, les articles de la base de connaissances, les FAQ et les informations sur les produits et services. Lorsqu’un client pose une question, l’IA générative peut utiliser la recherche vectorielle pour trouver les informations les plus pertinentes et fournir une réponse personnalisée et précise.
Données supplémentaires
Selon une étude de Gartner, les entreprises qui investissent dans des infrastructures de données modernes et flexibles ont 2,5 fois plus de chances de réussir leurs initiatives d’IA. La générative transforme les entreprises.
Agence et orchestration
L’IA générative présente une particularité par rapport aux applications traditionnelles. Ces dernières ne peuvent afficher aucune agence au-delà des sources de données et des requêtes qui y sont codées en dur. L’IA générative, en revanche, peut choisir d’utiliser les outils et les API auxquels elle a accès. Le développement est en pleine mutation.
La couche d’outils de développement doit donc intégrer des éléments d’orchestration. Il s’agit non seulement d’exploiter les données disponibles dans le patrimoine de données de l’entreprise, mais également d’identifier ce qui pourrait être pertinent au-delà.
Par exemple, si une base de données de tickets est le système d’enregistrement du service client, mais qu’un ticket se termine par « Passons cette conversation sur Slack », l’application d’IA générative doit être capable de suivre la piste. Ou si l’IA trouve des données contradictoires provenant de sources internes sur les indicateurs commerciaux d’un client qui sont disponibles auprès d’une source de haute qualité telle que Dun & Bradstreet, elle pourrait signaler le problème et demander l’autorisation de passer l’appel.
L’orchestration est donc un élément clé pour maximiser la valeur de l’IA générative. Elle permet aux applications d’IA de s’adapter aux situations complexes, de prendre des décisions intelligentes et d’interagir de manière plus naturelle avec les utilisateurs.
Exemple concret
Une entreprise de commerce électronique utilise l’IA générative pour personnaliser les recommandations de produits. L’application d’IA peut non seulement utiliser l’historique d’achat du client et les données démographiques, mais aussi accéder à des données provenant de sources externes, telles que les avis des clients, les tendances des médias sociaux et les informations sur les produits de la concurrence. Grâce à l’orchestration, l’IA peut combiner ces différentes sources de données pour fournir des recommandations de produits plus pertinentes et personnalisées.
Données supplémentaires
Selon une étude de McKinsey, les entreprises qui utilisent l’orchestration de l’IA pour automatiser les processus métiers peuvent améliorer leur efficacité de 30 à 50 %. Les technologie de l’IA générative évoluent rapidement.
La couche de connaissance
Même si l’IA générative peut manifester un comportement similaire à celui de l’esprit humain, une application d’IA générative dépend toujours des « mathématiques » sous le capot pour trouver le contexte le plus pertinent. Si la recherche vectorielle est un atout essentiel pour les applications d’IA générative, les approches de recherche hybrides, telles que la combinaison de la recherche vectorielle (pour la compréhension sémantique) et de la recherche lexicale (pour la correspondance exacte des mots-clés), peuvent améliorer les résultats.
Une couche de connaissance est donc insérée afin de fournir des capacités de recherche multimodales complètes au-delà des requêtes SQL qui étaient auparavant le lien prédominant entre les développeurs et leurs données. Cette couche de connaissance permet de combiner différentes sources de données, d’appliquer des techniques d’analyse avancées et de présenter les informations de manière claire et concise.
Exemple concret
Une entreprise de recherche pharmaceutique utilise l’IA générative pour accélérer la découverte de nouveaux médicaments. La couche de connaissance combine des données provenant de différentes sources, telles que les publications scientifiques, les bases de données de brevets, les essais cliniques et les données génomiques. L’IA peut utiliser ces informations pour identifier de nouvelles cibles médicamenteuses, prédire l’efficacité des médicaments et concevoir des essais cliniques plus efficaces.
Données supplémentaires
Selon une étude de Deloitte, les entreprises qui utilisent l’IA pour la découverte de médicaments peuvent réduire les coûts de développement de 25 à 50 % et accélérer le temps de commercialisation de 10 à 20 %. De plus, l’ IA générative a de multiples applications en entreprise.
Les blocs constitutifs de la réussite de l’IA
En résumé, trois changements majeurs sont essentiels pour réussir avec l’IA générative :
- Les données non structurées deviennent un citoyen de première classe de la couche de données. Cela implique de mettre en place une infrastructure de données capable de gérer des volumes massifs de données non structurées, telles que du texte, des images, des vidéos et des données audio.
- Ajout de capacités d’orchestration et d’accès aux données au niveau de la couche d’outils de développement. Cela permet aux développeurs de créer des applications d’IA plus intelligentes et plus adaptatives.
- La nouvelle couche de connaissance. Cela permet de combiner différentes sources de données, d’appliquer des techniques d’analyse avancées et de présenter les informations de manière claire et concise.
Ces trois changements permettent de mettre en place des processus efficaces pour exploiter l’IA générative et préparer les personnes (utilisateurs finaux et développeurs) à réussir. Il faut donc une IA générative dans les TPE/PME.
Conclusion
L’IA générative a le potentiel de transformer les entreprises, mais son succès dépend de la mise en place d’une infrastructure technologique solide et adaptée. L’accès aux bonnes données, l’orchestration et la couche de connaissance sont des éléments clés pour débloquer le potentiel de l’IA générative et transformer les données en impact tangible. Les entreprises qui investissent dans ces technologies et qui cultivent un état d’esprit de croissance sont les mieux placées pour tirer parti de l’IA générative et créer une valeur significative. Sans oublier la sécurité !
Importance du choix de la bonne technologie : Il est impératif de ne pas considérer la technologie comme un simple accessoire, mais comme un moteur essentiel de la réussite de l’IA générative. Une mauvaise sélection technologique peut entraver les efforts, entraîner des retards et compromettre les résultats. Il est donc crucial d’adopter une approche stratégique et de sélectionner des solutions technologiques qui sont alignées sur les objectifs commerciaux, qui s’intègrent de manière transparente aux systèmes existants et qui sont capables de gérer les volumes massifs de données et les complexités des modèles d’IA générative. Pour adopter une stratégie, il faut être bien préparé.
Word count: 1850
