Les initiatives d’IA ne nécessitent pas de données parfaites : le point de vue d’un pragmatiste sur l’IA d’entreprise

Le marché de l’IA d’entreprise atteindra 204 milliards de dollars d’ici 2030. Quatre-vingt-douze pour cent des organisations prévoient d’augmenter leurs investissements dans l’IA au cours des trois prochaines années. Pourtant, des recherches du MIT montrent que 90 % des projets d’IA ne dépassent pas les phases de test. Et la principale cause n’est pas la sophistication des modèles ; c’est la qualité des données.

Les salles de réunion débattent de ChatGPT versus Claude. Ils posent la mauvaise question. La véritable question est de savoir si les données de l’organisation sont prêtes pour toute mise en œuvre de l’IA. La plupart des entreprises construisent des capacités d’IA sophistiquées sur des fondations de données fracturées, incohérentes et dépourvues de contexte.

Cela crée malheureusement des échecs coûteux. Les institutions financières déployent des chatbots qui hallucinent des chiffres de revenus. Les détaillants mettent en œuvre des moteurs de recommandation qui suggèrent des produits discontinués. Les fabricants investissent dans des analyses prédictives qui ne peuvent pas répondre à des questions opérationnelles de base. Ces échecs proviennent de la précipitation à mettre en œuvre des modèles avancés tout en sautant les préparatifs de données fondamentaux.

Comprendre le défi de complexité des données

Les données d’entreprise existent dans trois catégories. Chacune nécessite des approches de préparation différentes. Comprendre ces différences détermine le succès de l’IA.

Les données structurées semblent familières. Les informations sont stockées dans des bases de données et des tableurs avec des lignes et des colonnes claires. De nombreuses organisations supposent que des systèmes transactionnels bien organisés signifient une préparation à l’IA. Cette supposition crée des problèmes. Les systèmes d’IA ont du mal avec les données structurées, non pas à cause d’une désorganisation, mais à cause de lacunes de contexte. Lorsque l’IA rencontre des champs “ProductID” à travers plusieurs tables de base de données, elle ne peut pas comprendre ces relations sans instruction explicite. Le résultat est un IA qui accède aux données mais ne peut pas les analyser de manière significative.

Les données non structurées présentent des défis et des opportunités opposés. Cette catégorie comprend les e-mails, les documents, les présentations, les vidéos et d’autres contenus générés par l’homme où vit la plupart des connaissances organisationnelles. Les outils d’analyse traditionnels ont du mal avec les données non structurées. Les systèmes d’IA modernes sont conçus pour les traiter. Le succès nécessite une préparation systématique. Les organisations ne peuvent pas télécharger des milliers de PDF et s’attendre à des informations significatives. La mise en œuvre efficace exige une segmentation de contenu, une création de métadonnées et une optimisation de la recherche.

Les données semi-structurées occupent le terrain intermédiaire complexe. Les fichiers JSON, les journaux de système et les rapports mélangent des éléments organisés avec du contenu narratif. L’erreur commune est de traiter ces sources comme purement non structurées, ce qui perd des composants organisés précieux. La mise en œuvre réussie de l’IA nécessite d’analyser les éléments structurés tout en préservant les connaissances non structurées, puis de les recombiner pour une analyse complète.

Chaque type de données nécessite des stratégies de préparation spécifiques. Les systèmes d’IA doivent être configurés pour gérer cette complexité. Les organisations qui traitent toutes les données de manière uniforme créent des mises en œuvre de l’IA qui excellent avec un type de données et échouent avec d’autres.

Le fossé de contexte qui paralyse les performances de l’IA

Le contexte est le facteur le plus critique dans le succès de l’IA. C’est également le plus souvent négligé. Les analystes humains apportent des décennies de connaissances commerciales à l’interprétation des données. Lorsqu’ils examinent les rapports trimestriels, ils comprennent que “Revenu” représente les ventes post-impôts aux États-Unis en dollars. Les systèmes d’IA ne possèdent pas une telle compréhension. Sans contexte explicite, l’IA pourrait interpréter “47 %” comme un chiffre de revenu alors que la valeur réelle est de 4,7 millions de dollars. Cela conduit à des recommandations commerciales fondamentalement erronées.

Le fossé de contexte s’étend au-delà de l’interprétation des données de base. Chaque organisation développe des définitions uniques pour des métriques communes. “Le coût d’acquisition de client” signifie quelque chose de complètement différent dans une startup par rapport à une entreprise établie. Les calculs de “taux d’abandon” varient considérablement d’une industrie à l’autre et d’une entreprise à l’autre. Les systèmes d’IA nécessitent une instruction explicite dans ces nuances organisationnelles pour fournir des informations significatives.

Les approches traditionnelles de documentation échouent dans la mise en œuvre de l’IA. Les dictionnaires de données statiques stockés sur des serveurs restent invisibles pour les systèmes d’IA et deviennent rapidement obsolètes. Les organisations réussies créent une documentation vivante que l’IA peut référencer activement. Cela se met à jour automatiquement à mesure que les règles commerciales évoluent.

L’équilibre entre l’automatisation et l’entrée humaine devient crucial ici. Les machines excellent à identifier les relations techniques. Elles reconnaissent que la colonne A se connecte à la table B à travers les systèmes de base de données. Seule l’expertise humaine fournit le contexte commercial. Les humains expliquent pourquoi certaines métriques sont importantes, comment elles sont calculées et ce qui constitue des plages de performance normales ou inquiétantes. La mise en œuvre efficace de l’IA combine la découverte automatisée avec la curation des connaissances humaines.

Les risques amplifiés dans l’ère de l’IA

La mise en œuvre de l’IA amplifie les problèmes de données existants à une échelle et à une vitesse sans précédent. Les défis traditionnels de gouvernance des données deviennent exponentiellement plus complexes lorsque les systèmes d’IA accèdent, traitent et partagent des informations à travers les frontières organisationnelles.

Les mécanismes de contrôle d’accès conçus pour les utilisateurs humains s’avèrent inadéquats pour les systèmes d’IA. Les modèles de sécurité traditionnels pourraient accorder aux analystes commerciaux l’accès à des dossiers spécifiques. Mais les assistants d’IA peuvent involontairement exposer des informations sensibles à des utilisateurs non autorisés via des requêtes apparemment innocentes. Un IA de service client pourrait accéder aux données de tarification des concurrents et les partager dans les communications avec les clients. Les organisations ont besoin de cadres de sécurité suffisamment sophistiqués pour comprendre ce que l’IA peut et ne peut pas partager dans différents contextes.

Les exigences de conformité deviennent considérablement plus complexes lorsque les systèmes d’IA prennent des décisions affectant les individus. La conformité au RGPD était difficile lorsque les humains prenaient des décisions fondées sur les données. Maintenant, les organisations doivent expliquer comment les algorithmes d’IA sont parvenus à des conclusions spécifiques. Ils doivent maintenir des traces d’audit pour les décisions automatisées. Ils doivent s’assurer que les données de formation de l’IA sont conformes aux réglementations de confidentialité. Le “droit à l’explication” prend un nouveau sens lorsque le décideur est un système algorithmique plutôt qu’un analyste humain.

La construction de la confiance nécessite de nouvelles approches pour les tests et la surveillance. L’assurance qualité traditionnelle se concentrait sur le fait que les systèmes fonctionnaient correctement dans les conditions attendues. Les systèmes d’IA nécessitent une surveillance continue pour détecter lorsqu’ils échouent, à quel point et pourquoi. Les organisations doivent mettre en œuvre une surveillance en temps réel pour chaque décision d’IA, et non seulement les métriques de performance du système.

La boucle de rétroaction devient critique pour l’amélioration. Lorsque les utilisateurs corrigent les réponses de l’IA, cette correction représente des données de formation précieuses. Mais seulement si les organisations les capturent et les intègrent systématiquement. Cela nécessite des processus pour collecter les commentaires des utilisateurs, valider les corrections et mettre à jour le comportement de l’IA en conséquence.

Navigation dans la décision de construire ou d’acheter

Les organisations sont confrontées à un choix entre développer des capacités d’IA internes ou s’associer à des plateformes externes. Chaque approche présente des avantages et des défis distincts qui doivent correspondre aux capacités et aux objectifs stratégiques de l’organisation.

Le développement de capacités d’IA internes offre un contrôle et un potentiel de personnalisation maximum. Les organisations peuvent développer des systèmes adaptés précisément à leurs besoins uniques. Ils conservent la pleine propriété de leurs données et algorithmes. Cependant, les exigences en ressources sont substantielles. Le développement interne réussi nécessite généralement des équipes d’ingénieurs de données, de spécialistes de l’IA et d’experts du domaine. Le développement prend 12 à 24 mois. Les coûts cachés incluent le fait de rester à jour avec les technologies d’IA en évolution rapide, de maintenir les systèmes en permanence et d’expliquer les retards de calendrier à la direction exécutive.

Les solutions de plateforme promettent une mise en œuvre plus rapide et une charge technique réduite. Les organisations peuvent télécharger des données, configurer les paramètres de base et commencer à générer des informations d’IA. Cependant, les organisations doivent évaluer soigneusement les capacités de la plateforme par rapport à leurs besoins spécifiques. Les considérations critiques incluent la compatibilité du format de données, la compréhension spécifique à l’industrie, les protections de sécurité et de confidentialité des données, ainsi que les capacités d’intégration avec les systèmes existants.

Une approche hybride fonctionne souvent mieux pour de nombreuses organisations. Commencer avec des solutions de plateforme permet aux entreprises de prouver rapidement la valeur de l’IA tout en apprenant sur leurs besoins spécifiques. Une fois que les organisations comprennent ce qui fonctionne, elles peuvent prendre des décisions éclairées sur lesquelles des capacités justifient un développement interne par rapport à une utilisation continue de la plateforme.

Un cadre pratique pour avancer

La mise en œuvre réussie de l’IA commence par une évaluation honnête plutôt que par une planification ambitieuse. Les organisations devraient commencer par inventorier leurs actifs de données existants. Ce processus révèle généralement plus de complexité et d’incohérence que prévu initialement. Plutôt que de tenter une transformation complète de l’IA, les entreprises réussies identifient des problèmes spécifiques et mesurables où l’IA peut fournir une valeur claire.

Les travaux de base nécessitent des efforts importants mais restent essentiels. Cela inclut le nettoyage des données, la documentation du contexte, la mise en œuvre du contrôle d’accès et les tests pilotes avec des métriques de succès clairement définies. Les organisations devraient planifier des délais réalistes. Penser en mois ou en années plutôt qu’en semaines. Construire les capacités de manière incrémentale.

Les entreprises qui réalisent ces travaux de base tandis que leurs concurrents restent concentrés sur la sélection des modèles d’IA gagneront des avantages significatifs. Le choix de la technologie compte moins que la préparation qui permet à tout système d’IA de réussir.

Le coût de l’attente

La révolution de l’IA se poursuit indépendamment de la préparation organisationnelle. Les entreprises peuvent choisir d’investir dans une préparation de données appropriée maintenant. Ou elles peuvent essayer de rétroéquiper des solutions plus tard à un coût et une complexité considérablement plus élevés. Les organisations qui émergent comme des leaders de l’IA reconnaîtront tôt que le succès dépend non pas du choix des modèles les plus sophistiqués, mais de la construction de fondations de données suffisamment solides pour permettre à tout système d’IA de fournir une valeur commerciale significative.

La question à laquelle sont confrontés les dirigeants d’entreprise n’est pas de savoir quelle technologie d’IA mettre en œuvre. C’est de savoir si leur organisation a réalisé le travail difficile nécessaire pour rendre toute mise en œuvre de l’IA réussie. Les capacités de l’IA progressent mensuellement. L’avantage concurrentiel durable appartient aux entreprises dont les fondations de données sont suffisamment solides pour supporter les développements technologiques qui émergeront ensuite.