L’intelligence artificielle générative suscite un engouement sans précédent dans le monde des affaires. Pourtant, derrière les promesses alléchantes des fournisseurs, la réalité de sa mise en œuvre à grande échelle se révèle plus complexe qu’il n’y paraît. De nombreuses entreprises avancent prudemment, confrontées à des défis techniques et organisationnels majeurs.
Un enthousiasme tempéré par les réalités du terrain
Selon une étude récente de Gartner, seule 1 entreprise sur 4 a réussi à mettre en production un projet d’IA générative. McKinsey rapporte quant à lui que seulement 10% des entreprises déploient cette technologie à grande échelle, et 15% constatent un impact positif sur leurs revenus. Loin de l’image d’une révolution imminente, ces chiffres témoignent d’une adoption progressive et mesurée.
La complexité technique, premier frein à l’adoption
Implémenter une solution d’IA générative demande bien plus qu’un modèle de langage performant. Même un projet simple nécessite l’assemblage de 20 à 30 briques technologiques, de la sécurisation des données aux contrôles de propriété intellectuelle. Cela exige des compétences pointues, encore rares sur le marché. La dette technique liée à des systèmes d’information vieillissants complique encore la tâche.
Les organisations réalisent vite qu’elles doivent effectuer un travail de préparation à l’IA : construire une plateforme, nettoyer les données… Mais une approche progressive est possible, sans attendre des années avant d’en tirer de la valeur.
– Mike Mason, Chief AI Officer chez Thoughtworks
Des données de qualité, clé de la réussite
La donnée est au cœur des projets d’IA, et représente un défi majeur pour 39% des entreprises selon Gartner. Il faut non seulement disposer de données pertinentes et « propres », mais aussi pouvoir les exploiter en toute légalité. C’est particulièrement sensible pour les organisations traitant des données personnelles ou confidentielles, comme l’explique Akira Bell, DSI de Mathematica :
Nous devons avancer avec précaution. En tant que dépositaire de confiance des données de nos clients, parfois issues de populations vulnérables, la gouvernance est primordiale.
Prouver la valeur business, un prérequis
Pour justifier leurs investissements dans l’IA générative, les entreprises doivent pouvoir en mesurer le retour. Un exercice délicat à ce stade, comme le souligne Sharon Mandell, DSI de Juniper :
En 2024, nous allons tester la hype de l’IA générative. Si ces outils tiennent leurs promesses, le ROI sera élevé. Mais il nous faut d’abord éliminer d’autres dépenses.
Les entreprises multiplient donc les preuves de concept (POC), en quête de cas d’usage à forte valeur ajoutée. Une approche pragmatique privilégiée par les experts, à l’image d’Aamer Baig de McKinsey :
Il faut une approche centralisée de l’IA, en évitant les initiatives dispersées. Concentrez-vous sur 3 ou 4 domaines de données applicables à vos enjeux business prioritaires, avec des livrables rapides en production.
Une implémentation progressive et itérative
Pour réussir leurs projets d’IA générative, les entreprises gagnent à procéder par étapes :
- Identifier les cas d’usage à fort potentiel, en lien avec la stratégie
- Constituer une équipe pluridisciplinaire dédiée, dotée des compétences clés
- Mener des POCs ciblés pour tester la faisabilité et la valeur
- Industrialiser les solutions les plus prometteuses en s’appuyant sur une plateforme scalable et sécurisée
- Déployer progressivement, en capitalisant sur les succès et les leçons apprises
L’essentiel est de ne pas se laisser paralyser par les obstacles, tout en faisant preuve de discernement. Le succès viendra aux organisations capables de trouver le juste équilibre entre audace et sagesse dans leur adoption de l’IA générative.
