L’IA ne peut pas réparer un mauvais sol : Comment les entreprises peuvent préparer leur écosystème interne pour un déploiement d’IA réussi

Bien que les dirigeants d’entreprise soient souvent stéréotypés comme étant uniquement axés sur le résultat, une étude récente a démontré que plus de 80 % des entreprises ne suivent pas le ROI de leurs dépenses en IA. Inversement, ceux qui suivent le ROI constatent que cela ne correspond pas à l’hype, avec seulement un quart des PDG mondiaux déclarant que leurs investissements en IA répondent aux attentes de ROI.

Mais comme le dit le proverbe, « un mauvais charpentier blâme ses outils » – en d’autres termes, pour beaucoup, le ROI est décevant parce que les déploiements d’IA ont été configurés pour échouer. Si l’on considère une entreprise comme un jardin, pour que la productivité et les profits puissent croître, certaines étapes doivent être prises avant de déployer un outil comme l’IA pour qu’il ait le plus grand impact mesurable.

Étape 1 : Identifier où les humains sont essentiels

Peut-être en raison de la surpromotion des capacités inhérentes au marketing des produits LLM, il existe une fausse idée selon laquelle l’IA est une affaire de plug-and-play. En réalité, les meilleurs déploiements d’IA commencent par identifier où la supervision humaine est non négociable.

Par exemple, lorsqu’il s’agit de travailler avec une entreprise de services juridiques, mon équipe et moi avons été chargés de mettre en œuvre un système d’IA capable de traiter des volumes massifs de documents juridiques – les classifiant, en extrayant les faits clés et en décidant s’il fallait les conserver, les rédiger ou les supprimer.

Alors que l’IA effectuait le travail lourd en scannant les documents pour la pertinence, en étiquetant les données sensibles et en résumant les réponses, les résultats étaient ensuite transmis à des avocats humains qui pouvaient examiner le travail, confirmer les jugements juridiques et annuler les classifications lorsque nécessaire.

Non seulement cela a aidé à protéger l’entreprise contre les risques potentiels, mais isoler le coût de l’automatisation du coût de la supervision rendra également les audits de ROI plus propres à l’avenir.

Étape 2 : Déterminer comment l’IA peut le mieux compléter vos équipes

Pour maximiser le ROI de l’IA, vous devez être sélectif quant à l’endroit où elle peut le mieux servir votre organisation. Les processus idéaux à décharger incluent les tâches répétitives ou basées sur des règles (par exemple, le triage de base du service client ou la codification des factures), les recherches de connaissances lourdes comme les clauses contractuelles, et les saisies de données sujettes à des erreurs, entre autres.

Il est ensuite tout aussi important que les modèles d’IA soient configurés stratégiquement pour compléter, plutôt que de perturber, le flux de travail. Pour ce faire, mappez les flux de travail des employés en tâches, puis étiquetez ces tâches sous l’une des trois catégories de processus : générer, sélectionner ou juger. Les tâches génératives peuvent être confiées à l’IA, les tâches nécessitant un jugement restent avec les employés humains, et les tâches qui nécessitent une sélection peuvent être un processus collaboratif où l’IA suggère les prochaines étapes et les humains déterminent le meilleur chemin à suivre.

Dans l’exemple des services juridiques ci-dessus, l’IA traitait le triage initial en classifiant les documents (génératif), en signalant le contenu sensible (génératif) et en mettant en surface des réponses probables (sélectif). De cette façon, le rôle des employés humains est passé de la recherche dans les détails des documents à la vérification des résultats (jugement) – transformant un travail qui prenait des jours en une question d’heures.

En ce qui concerne le ROI, cela libère plus de temps pour être consacré aux exceptions aux règles, qui sont là où se cachent les profits.

Étape 3 : Standardiser vos données de formation

L’affinement des LLM avec vos données d’entreprise peut débloquer des avantages concurrentiels, mais pour que l’IA soit fructueuse, elle a besoin d’un sol riche en nutriments, ce qui signifie de bonnes données propres. De mauvaises ou bruyantes données empoisonneront les résultats et amplifieront les biais. En bref, votre discipline de données dicte la fiabilité de la sortie.

Qu’est-ce que cela implique ? Un grand volume et une grande variété de données sont importants, mais il est tout aussi important qu’elles soient de haute qualité. Les incohérences dans les formats de données et les conventions de dénomination, ou les champs manquants/incomplets, affecteront négativement la qualité des entrées brutes. De même, les pipelines de données en double ou non structurés gonfleront les factures de stockage et ralentiront les performances du modèle.

Par conséquent, il est impératif que les entrées de données aient des contrôles de qualité et une gouvernance solide – ce qui signifie le contrôle d’accès et la conformité réglementaire. Sans ces filtres, vous n’investissez pas dans l’IA, vous brûlez simplement de l’argent sur les boucles de nettoyage.

Avec tout l’hype autour de l’IA, il est compréhensible que les dirigeants puissent se sentir pressés de plonger dans une mise en œuvre le plus rapidement possible, mais prendre le temps de déployer un modèle de manière stratégique, ou de fertiliser le sol avant de planter des graines, conduira à un succès et à des rendements d’investissement beaucoup plus importants.