L'essor de l'IA fait face à des défis. Les organisations ont du mal à transformer leurs investissements en IA en sources de revenus fiables, de nombreuses entreprises trouvant l'IA générative plus complexe à mettre en œuvre que prévu. Les startups du secteur de l'IA sont souvent surévaluées, et l'intérêt des consommateurs diminue. Même McKinsey, qui avait prévu des bénéfices économiques de 25,6 trillions de dollars grâce à l'IA, affirme désormais que les entreprises pourraient nécessiter d'importants changements organisationnels pour tirer pleinement parti du potentiel de l'IA.
Avant de se précipiter à restructurer, les dirigeants doivent revisiter les principes fondamentaux. Dans le domaine de l'IA, comme dans tout autre, la création de valeur commence par établir un ajustement produit-marché : comprendre la demande et sélectionner les outils appropriés.
Dans le paysage actuel de l'IA, la précipitation à appliquer la technologie à chaque problème envisagé entraîne une multitude de produits qui manquent souvent d'utilité pratique ou peuvent même être nuisibles. Par exemple, un chatbot gouvernemental a conseillé par erreur des entrepreneurs new-yorkais de licencier des employés signalant des cas de harcèlement, et des services tels que TurboTax et H&R Block ont lancé des bots fournissant des conseils erronés dans la moitié des cas.
Le problème ne réside pas dans l'inadéquation des outils d'IA ou des capacités organisationnelles ; c'est comme utiliser un marteau pour cuisiner des crêpes. Pour tirer réellement de la valeur de l'IA, nous devons nous concentrer sur les problèmes spécifiques que nous souhaitons résoudre.
La Fallacie Furby
L'IA a une tendance particulière à contourner les processus établis pour atteindre un ajustement produit-marché. Des outils comme ChatGPT peuvent donner l'illusion de compréhension, conduisant les utilisateurs à surestimer leur sophistication—réminiscence de la "fallacie Furby". Lorsque les Furbys ont émergé au début des années 2000, beaucoup, y compris des responsables du renseignement, croyaient à tort que les jouets apprenaient des utilisateurs, alors qu'en réalité, ils exécutaient simplement des réponses programmées.
Cette anthropomorphisation s'étend aux modèles d'IA, où nous pourrions attribuer incorrectement de l'intuition. Cette méprise contourne la tâche cruciale de définir clairement nos objectifs. Connue en informatique comme le "problème d'alignement," cela illustre qu'à mesure que les modèles d'IA avancent, formuler des instructions précises devient de plus en plus difficile, avec des conséquences potentiellement significatives. Si détournée, une IA puissante pourrait optimiser par erreur des résultats indésirables.
Le problème d'alignement souligne la nécessité d'établir un ajustement produit-marché dans les applications d'IA. Nous devons résister à l'envie de passer sous silence les détails complexes, en articulant clairement nos exigences. Ce n'est qu'ainsi que nous pourrons créer des outils d'IA générant une réelle valeur.
Revenir aux Fondamentaux
Les systèmes d'IA ne peuvent pas naviguer de manière autonome vers un ajustement produit-marché ; il est de notre responsabilité, en tant que dirigeants et techniciens, de répondre précisément aux besoins des clients. Cela implique quatre étapes cruciales—certaines traditionnelles, d'autres adaptées aux spécificités du développement de l'IA :
1. Comprendre le Problème : Trop d'entreprises concluent à tort que leur principal problème est un manque d'IA. Il est essentiel de définir le problème indépendamment de la technologie pour voir si l'IA est la solution adéquate.
2. Définir le Succès du Produit : Articulez clairement ce qui constitue le succès de votre solution. Cette étape implique de comprendre les compromis, tels que l'importance de la fluidité ou de l'exactitude dans les réponses de l'IA.
3. Choisir Votre Technologie : Avec un objectif clair en tête, collaborez avec des ingénieurs et des designers pour déterminer les meilleures technologies. Considérez dès le départ les différents modèles d'IA, l'utilisation des données, la conformité réglementaire et les risques réputationnels.
4. Tester et Retester Votre Solution : Vous pouvez alors commencer le développement. De nombreuses entreprises précipitent cette étape, ce qui peut mener à des produits mal conçus. Un focus sur l'ajustement produit-marché dès le début favorise une approche structurée, permettant des améliorations itératives pour résoudre de réels défis.
Supposer qu'une application d'IA créera automatiquement de la valeur est une idée reçue courante. Les organisations qui déploient l'IA sans réflexion stratégique peuvent parfois obtenir des résultats satisfaisants, mais la plupart de leurs tentatives n'apporteront guère de bénéfice.
Pour libérer le plein potentiel de l'IA, nous devons d'abord définir des objectifs clairs avant d'orienter nos efforts pour les atteindre. Ce processus peut nécessiter des solutions qui n'utilisent pas l'IA ou des mises en œuvre plus simples répondant efficacement aux besoins des utilisateurs.
Quelle que soit la nature du produit d'IA développé, établir un ajustement produit-marché et aligner les technologies avec les exigences des clients est essentiel pour générer de la valeur. Les entreprises qui réussissent dans ce domaine émergeront comme des leaders dans le paysage de l'IA.
Ellie Graeden est partenaire et scientifique en chef chez Luminos.Law, et professeur de recherche à l'Institut de données massives de l'Université de Georgetown. M. Alejandra Parra-Orlandoni est le fondateur de Spirare Tech.
Classement
