partie IV du dossier : Comprendre et bien intégrer l’Intelligence Artificielle pour Transformer les Entreprises

La chaine de valeur et l’écosystème de l’IA générative

Les premiers modèles nécessitaient -compte tenu des masses de données, ressources informatiques et effort humain nécessaires pour les affiner- des niveaux d’investissement élevés pour être développés. En conséquence, ils ont principalement été développés par quelques géants de la technologie, des start-ups soutenues par des investissements importants et certains collectifs de recherche open source. Cependant, grâce à la mise à disposition ces travaux en open source, des modèles plus légers sont de plus en plus accessibles et personnalisables. Cela a donné naissance à un écosystème riche, avec des acteurs qui se sont spécialisés verticalement :

Les modèles de base sont pré-entraînés sur des sources de données générales, et peuvent ensuite être adaptés pour résoudre des problèmes spécifiques, ce qui est rendu possible par l’architecture « transformers » qui apprend le contexte et, par conséquent, la signification.

Comment déployer l’IA dans les entreprises ? Différentes solutions techniques en fonctions du besoin

Utiliser une solution standard de type Open AI est rarement la solution idéale pour l’entreprise en raison notamment des problèmes de confidentialité et de propriété des données. Des alternatives existent : certaines start-ups comme Cohere, Anthropic et AI21 Labs ont déjà ainsi pu développer leurs propres LLM, des prestataires proposent des modèles LLM dédiés aux usages spécifiques, protégés par des « data usage agreements », et les technologies sont à présent disponibles en open-source pour permettre aux entreprises de mettre en place des ressources sur les sites propres avec leurs données propriétaires… mais cela requiert selon les besoins des niveaux de compétences variables pour la mise en place et la maintenance.
La mise en place des outils et processus liés à l’IA dans les entreprises nécessite une vision stratégique claire, une excellente connaissance des processus internes, une approche centrée sur l’humain et une parfaite compréhension des défis et opportunités présentés par ces technologies.
La remise à plat de la chaîne d’information data passe par la cartographie, l’architecture, et n’est surtout pas à aborder d’un point de vue exclusivement technique/SI : cela demande une sensibilisation de l’ensemble des acteurs de la structure à la compréhension de la data…
Pour les cas d’utilisation transformatifs en particulier, des études approfondies avec mise au point d’un business plan son requises pour évaluer le potentiel de création de valeur.

Le choix d’une solution IA se fait nécessairement dans le cadre d’un besoin clairement exprimé. Selon celui-ci, l’approche peut-être soit :
– bottom-up si l’entreprise dispose d’un volume important de données, ou de traitements massivement manuels
– top-down si l’entreprise dispose de données très structurées (par exemple dans des bases de données relationnelles), et qu’une forte connaissance métier est requise dans les traitements
L’analyse doit prendre en compte les faiblesses ou impasses des traitements actuels de l’entreprise, ou ceux qu’elle souhaite mettre en place… Le résultat sera conditionné par l’existence de données de qualité !
L’élaboration d’une analyse de rentabilisation est un point de départ rationnel… Les coûts de poursuite de l’IA générative varient considérablement, en fonction du cas d’utilisation et des données requises pour les logiciels, l’infrastructure cloud, l’expertise technique et la gestion des risques (ce dernier étant extrêmement consommateur de ressources).

Quelques exemples de cas d’utilisation :

• Améliorer le développement logiciel par l’utilisation d’un outil SaaS (Software-as-a-Service) : Les processes sont améliorés, moyennant la vérification systématique des résultats.
  • Couts : Abonnements outil SAAS 10 à 30 € par utilisateur et par mois généralement
  • Compétences techniques : Peu de compétences techniques nécessaires, hormis choisir la bonne solution et un travail d’intégration léger
  • Données Propriétaires : Le modèle est utilisé tel quel, aucune donnée propriétaire nécessaire
• Aider les gestionnaires des relations clients à gérer les flux d’informations en créant des couches logicielles sur l’API du modèle. Des processus complémentaires peuvent être nécessaires pour permettre le stockage des sollicitations et des réponses, et des garde-fous peuvent être nécessaires pour limiter l’utilisation sur des critères de risque ou de coût.
  • Couts : Investissement initial : développer l’interface utilisateur, intégrer la solution et créer des couches de post-traitement ; Coûts d’exploitation pour l’utilisation des API et la maintenance
  • Compétences techniques : Capacités de développement logiciel, de gestion de produits et d’intégration de bases de données nécessaires : data scientist, machine learning engineer, data engineer, designer, et developpeur front-end
  • Données Propriétaires : Le modèle est utilisé tel quel, aucune donnée propriétaire nécessaire
• Travail de R&D avancé en formant un modèle de base à partir de zéro. Un examen juridique approfondi est nécessaire en amont pour prévenir les problèmes de propriété intellectuelle, et il est nécessaire de mettre en place tout un processus de gestion et de gouvernance des data.
  • Couts : investissement initial 10 à 20 fois plus élevés que la construction sur API en raison du capital humain et de l’infrastructure technologique
    Coûts d’exploitation pour la maintenance du modèle et le cloud computing
  • Compétences techniques : Nécessite une équipe importante data science et data engineering possédant une connaissance avancée du sujet, des DevOps en ML (MLOps), et des compétences en gestion des données et d’infrastructure
  • Données Propriétaires : Les modèles de base peuvent être formés sur des données accessibles au public, bien que la différenciation à long terme vienne de l’ajout de données labellisées ou non (ce qui est plus facile à collecter)

De l’enjeu d’accompagner la transformation de l’entreprise provoquée par les IA

Le risque à ne pas anticiper les changements est non négligeable, comme en témoigne l’exemple de Samsung cité plus haut. Pour prévenir de tels dérapages et pour que la transition se fasse de la manière la moins douloureuse possible, il est nécessaire d’accompagner les entreprises dans leurs prises de décisions stratégiques : un accompagnement et une adaptation des politiques d’entreprise sont indispensables.

La priorité pour les dirigeants est non pas de s’immerger dans la technologie, mais de se concentrer sur la manière dont l’IA générative impactera leurs organisations et leurs industries, et sur les choix stratégiques qui leur permettront d’exploiter les opportunités et de gérer les défis. Ces choix sont de 4 ordres :

• Vision et Potentiel : Identifier les cas d’utilisation qui différencieront l’entreprise.
• Alignement des Organisations et des Personnes : mettre en place un langage commun business / IT / métiers… Adapter les structures organisationnelles et préparer les collaborateurs à soutenir le déploiement.
• Policy / Gouvernance : Mettre en place des garde-fous éthiques et des protections juridiques.
• Moyens opérationnels : identifier et redéployer les ressources et leviers actionnables

Chacun de ces piliers implique des considérations à court et long terme, et de nombreuses questions sans réponse. Mais les dirigeant doivent se préparer au moment où leurs modèles d’affaires actuels deviendront obsolètes, car l’IA peut soit prendre le job des employés, soit les aider à l’améliorer !
L’IA générative a le potentiel de transformer presque toutes les industries, offrant à la fois un avantage concurrentiel et une destruction créatrice. Les impacts au niveau de la stratégie d’entreprise ne sont pas techniques, mais organisationnels, notamment dans la réorganisation des processus par gains de productivité. Les entreprises sont à un tournant au moins aussi fondamental que l’apparition des ERP et elles doivent dès maintenant prendre des décisions stratégiques pour exploiter les opportunités et gérer les risques. Cela passe par les étapes suivantes :

1. Comprendre l’impact de l’IA sur son marché
2. Revoir l’organisation / l’architecture de l’entreprise et revoir l’infrastructure organisationnelle et technique
3. Rejeter les dogmes et faire les bons choix technologiques
4. Accompagner la transformation
5. Faire monter en compétences les collaborateurs et les accompagner dans leur utilisation des nouveaux outils, car il est indispensable de former à comprendre les mécanismes, à prendre du recul et vérifier la production…
6. Réintroduire de la confiance dans l’équipe par la vision et la communication, comme dans toute période de transformation profonde…

C’est ici qu’interviennent les architectes d’entreprise et les managers de transition, car les managers de transition s’immergent dans l’entreprise et en comprennent les objectifs (mieux que les consultants qui optimisent leur temps), et ainsi peuvent passer à côté de choses plus intrinsèques ou profondes… Ils possèdent l’expertise nécessaire pour aider les entreprises à naviguer dans cet environnement complexe et incertain en tirant le meilleur parti de ces nouvelles technologies dans cette période de transformation. Grâce à leur expertise en gestion des informations et processus pour augmenter la valeur de l’entreprise, par l’apport d’un regard extérieur, ils peuvent contribuer à optimiser l’usage de ces nouvelles technologies, tout en protégeant les données et compétences essentielles des entreprises.

La transformation des métiers « cols blancs » par les technologies de l’IA est à la fois un défi et une opportunité. Avec une vision claire, un accompagnement adéquat et un respect des nouvelles régulations, les entreprises pourront naviguer efficacement dans cette période de changement, exploiter les opportunités et gérer les risques.

Ce dossier a été co-écrit avec GPT-4. GPT-4 a aidé à réfléchir et à simplifier les termes et concepts techniques. Les images d’illustrations ont été générées avec MidJourney.

Pour aller plus loin :  10 Graphs That Sum Up the State of AI in 2023