Capgemini explore pourquoi les preuves de concept en intelligence artificielle générative échouent souvent à susciter l'adhésion.

Une recherche récente de Capgemini met en lumière un défi majeur dans tous les secteurs : transformer les preuves de concept en solutions de production fonctionnelles en matière d'IA. Selon Steve Jones, EVP de Data-Driven Business et Generative AI chez Capgemini, ce retard est en grande partie dû à des problèmes tels que les frontières numériques, les employés numériques et des données de mauvaise qualité.

Jones a souligné : « Nous sommes devenus trop à l'aise avec les mauvaises données. Le mythe le plus répandu en informatique est de croire que nous résoudrons les problèmes de données dans le système source. C'est une notion trompeuse que les organisations se répètent inlassablement. » Il a comparé les données à du pétrole, notant qu'à l'instar du pétrole qui doit être raffiné pour être utilisable, les données doivent également être nettoyées et organisées pour être efficaces. Avec des prévisions selon lesquelles 50 % des décisions commerciales seront prises par l'IA d'ici 2030, notamment dans les chaînes d'approvisionnement autonomes, les risques associés à des données peu fiables sont considérables.

« Les employés numériques ne devraient pas devoir attendre des données nettoyées pour prendre des décisions ; c'est opérationnellement impraticable, » a déclaré Jones. « Dans des scénarios comme les véhicules autonomes ou les entrepôts, une mauvaise gestion des données est tout simplement inacceptable. Les organisations doivent établir un cadre de gestion non seulement pour leurs employés humains, mais aussi pour l'IA qui évolue au sein de leurs équipes. »

Jones a également précisé que les modèles de langage de grande taille (LLM) pouvaient mal fonctionner s'ils n'avaient pas accès à des données opérationnelles précises. Malheureusement, les entreprises ont historiquement créé un fossé entre leurs processus opérationnels et leurs stratégies de gestion des données.

Aborder les défis de l'adoption de l'IA

Pour combler cette lacune, les organisations ont besoin d'un modèle opérationnel numérique robuste. Cela comprend la définition claire des problèmes qu'elles cherchent à résoudre numériquement, l'identification des ensembles de données adaptés à la prise de décision et la détermination de ce que l'IA doit ou ne doit pas influencer. « Si vous déployez une IA puissante pour réduire l'empreinte carbone d'une entreprise sans limites, elle pourrait suggérer d'arrêter complètement les opérations principales de l’entreprise, ce qui n'est pas une stratégie viable, » a expliqué Jones. « L'essentiel est de s'assurer que l'IA fonctionne dans des limites définies en accord avec les objectifs commerciaux. »

Les organisations ne bénéficieront pas d'un système d'IA unique régissant toutes les opérations en raison des risques élevés impliqués. Les solutions d'IA doivent être adaptées à des fonctions spécifiques. Par exemple, un bot de recouvrement de créances fonctionnera selon un ensemble de réglementations différent de celui d'un bot conseiller commercial. Beaucoup d'organisations peinent à évoluer au-delà des preuves de concept, car elles négligent l'importance d'aborder l'IA sous l'angle de la gestion des affaires, espérant plutôt une technologie capable de résoudre tous leurs problèmes.

Jones a déclaré : « Nous nous accrochons à l'idée que la technologie seule résoudra nos problèmes, mais la véritable adoption nécessite l'engagement des personnes envers ces technologies. » Pour une intégration efficace de l'IA, les entreprises doivent définir des modèles granulaires afin de gérer les risques opérationnels et cybernétiques tout en garantissant la responsabilité. Par exemple, un bot conseiller commercial peut collaborer avec plusieurs sous-bots, chacun ayant son propre ensemble de règles. Leurs efforts collectifs peuvent générer des résultats commerciaux significatifs, mais en l'absence de frontières opérationnelles claires, le risque s'intensifie.

« Un contrôle et une responsabilité efficaces nous permettent d'automatiser des processus qui étaient auparavant ingérables, » a déclaré Jones. « Cela nécessite de se concentrer sur l'optimisation des modèles commerciaux au lieu de simplement insérer l'IA dans les workflows existants. »

Mettre l'accent sur le changement organisationnel pour l'échelle de l'IA

« Nous devons privilégier le changement organisationnel aux avancées technologiques, » a affirmé Jones. « Alors que la technologie évolue rapidement dans la Silicon Valley, le principal défi reste l’adoption par les entreprises et l'adaptation des modèles. »

Pour réussir, l'architecture de l'IA doit être fondamentalement différente. Les données doivent être facilement accessibles pour les employés numériques, plutôt que reléguées à l'arrière-plan des applications où se déroulent les transactions.

Jones a conclu : « Le faible taux de transition de la preuve de concept à l'adoption complète de l'IA provient du fait que les stratégies de données actuelles sont inadéquates. Les employés numériques exigent un modèle opérationnel bien défini, et la plupart des organisations ne sont pas prêtes pour ce changement. Il est crucial pour les dirigeants d'entreprise—qui peuvent ne pas comprendre pleinement la technologie—d'embrasser l'IA pour garantir leur succès et s'adapter à un monde où l'IA influence considérablement la prise de décision. »