Leaders d’opinion
En 2025, les copilotes GenAI émergeront comme l’application tueuse qui transforme les entreprises et la gestion des données
GenAI en tant que technologie a fait des progrès importants au cours des dernières années. Pourtant, malgré tous les titres et l’hype, son adoption par les entreprises est encore dans les premiers stades. L’enquête 2024 Gartner CIO et Tech Executive Survey place l’adoption à seulement 9 % de ceux qui ont répondu, avec 34 % déclarant qu’ils prévoient de le faire dans l’année à venir. Une enquête récente du groupe Enterprise Strategy Group place l’adoption de GenAI à 30 %. Mais les enquêtes aboutissent toutes à la même conclusion sur 2025.
Prédiction 1. La majorité des entreprises utiliseront GenAI en production d’ici la fin de 2025
L’adoption de GenAI est considérée comme cruciale pour améliorer la productivité et la rentabilité et est devenue une priorité absolue pour la plupart des entreprises. Mais cela signifie que les entreprises doivent surmonter les défis rencontrés jusqu’à présent dans les projets GenAI, notamment :
- La mauvaise qualité des données : GenAI n’est que aussi bon que les données qu’il utilise, et de nombreuses entreprises ne font toujours pas confiance à leurs données. La qualité des données, ainsi que les données incomplètes ou biaisées, ont toutes été des problèmes qui ont conduit à de mauvais résultats.
- Les coûts de GenAI : la formation de modèles GenAI comme ChatGPT n’a été réalisée que par les meilleures équipes GenAI et coûte des millions en puissance de calcul. Les gens ont donc utilisé une technique appelée génération augmentée de récupération (RAG). Mais même avec RAG, cela devient rapidement coûteux pour accéder et préparer les données et rassembler les experts nécessaires pour réussir.
- Les ensembles de compétences limités : de nombreux déploiements GenAI précoces nécessitaient beaucoup de codage par un petit groupe d’experts en GenAI. Même si ce groupe grandit, il existe toujours une réelle pénurie.
- Les hallucinations : GenAI n’est pas parfait. Il peut halluciner et donner de mauvaises réponses lorsqu’il pense qu’il a raison. Vous avez besoin d’une stratégie pour empêcher les mauvaises réponses d’affecter votre entreprise.
- La sécurité des données : GenAI a exposé les données à des personnes non autorisées car elles ont été utilisées pour la formation, le fine-tuning ou la RAG. Vous devez mettre en œuvre des mesures de sécurité pour protéger contre ces fuites.
Heureusement, l’industrie du logiciel a été aux prises avec ces défis au cours des dernières années. 2025 semble être l’année où plusieurs de ces défis commencent à être résolus, et GenAI devient mainstream.
Prédiction 2. Les copilotes RAG modulaires deviendront l’utilisation la plus courante de GenAI
L’utilisation la plus courante de GenAI est de créer des assistants, ou des copilotes, qui aident les gens à trouver des informations plus rapidement. Les copilotes sont généralement construits à l’aide de pipelines RAG. RAG est la voie à suivre. C’est la façon la plus courante d’utiliser GenAI. Puisque les grands modèles de langage (LLM) sont des modèles polyvalents qui n’ont pas toutes les données, ou même les données les plus récentes, vous devez augmenter les requêtes, également appelées invites, pour obtenir une réponse plus précise.
Les copilotes aident les travailleurs du savoir à être plus productifs, à répondre à des questions qui n’avaient pas de réponse auparavant et à fournir des conseils d’experts tout en exécutant parfois des tâches routinières. Peut-être que le cas d’utilisation de copilote le plus réussi à ce jour est la façon dont ils aident les développeurs de logiciels à coder ou à moderniser les codes hérités.
Mais les copilotes devraient avoir un impact plus important lorsqu’ils sont utilisés en dehors de l’informatique. Des exemples incluent :
- Dans le service client, les copilotes peuvent recevoir une requête de support et soit la transmettre à un humain pour une intervention, soit fournir une résolution pour des requêtes simples comme la réinitialisation du mot de passe ou l’accès au compte, ce qui entraîne des scores de satisfaction client plus élevés.
- Dans la fabrication, les copilotes peuvent aider les techniciens à diagnostiquer et à recommander des actions ou des réparations spécifiques pour des machines complexes, ce qui réduit les temps d’arrêt.
- Dans les soins de santé, les cliniciens peuvent utiliser des copilotes pour accéder à l’historique des patients et à la recherche pertinente et aider à guider le diagnostic et les soins cliniques, ce qui améliore l’efficacité et les résultats cliniques.
Les pipelines RAG ont fonctionné presque tous de la même manière. La première étape consiste à charger une base de connaissances dans une base de données vectorielle. Lorsqu’une personne pose une question, un pipeline RAG GenAI est invoqué. Il réingénie la question en une invite, interroge la base de données vectorielle en codant l’invite pour trouver les informations les plus pertinentes, invoque un LLM avec l’invite en utilisant les informations récupérées comme contexte, évalue et formate les résultats, et les affiche à l’utilisateur.
Mais il s’avère que vous ne pouvez pas supporter tous les copilotes de la même manière avec un seul pipeline RAG. Le RAG a donc évolué vers une architecture plus modulaire appelée RAG modulaire, où vous pouvez utiliser différents modules pour chacune des nombreuses étapes impliquées :
- Indexation, y compris le découpage et l’organisation des données
- Prérécupération, y compris l’ingénierie et l’optimisation de la requête (invite)
- Récupération avec affinage du récupérateur et d’autres techniques
- Rerangement et sélection post-récupération
- Génération avec affinage du générateur, en utilisant et en comparant plusieurs LLM, et vérification
- Orchestration qui gère ce processus et le rend itératif pour obtenir les meilleurs résultats
Vous devrez mettre en œuvre une architecture RAG modulaire pour supporter plusieurs copilotes.
Prédiction 3. Les outils GenAI sans code / faible code deviendront la norme
À ce stade, vous vous rendez peut-être compte que GenAI RAG est très complexe et change rapidement. Ce n’est pas seulement que de nouvelles meilleures pratiques émergent constamment. Toutes les technologies impliquées dans les pipelines GenAI changent si vite que vous aurez finalement besoin de remplacer certaines d’entre elles ou de les prendre en charge. De plus, GenAI ne concerne pas seulement le RAG modulaire. Le fine-tuning de la récupération augmentée (RAFT) et la formation complète du modèle deviennent également rentables. Votre architecture devra prendre en charge tous ces changements et cacher la complexité à vos ingénieurs.
Heureusement, les meilleurs outils GenAI sans code / faible code fournissent cette architecture. Ils ajoutent constamment du support pour les principales sources de données, les bases de données vectorielles et les LLM, et rendent possible la construction de pipelines RAG modulaires ou l’alimentation de données dans les LLM pour le fine-tuning ou la formation. Les entreprises utilisent avec succès ces outils pour déployer des copilotes en utilisant leurs ressources internes.
Nexla ne utilise pas seulement GenAI pour rendre l’intégration plus simple. Il comprend une architecture de pipeline RAG modulaire avec un découpage de données avancé, une ingénierie de requête, un rerangement et une sélection, un support multi-LLM avec un classement et une sélection de résultats, une orchestration, et plus – le tout configuré sans codage.
Prédiction 4. La ligne entre les copilotes et les agents va se brouiller
Les copilotes GenAI, comme les chatbots, sont des agents qui aident les gens. À la fin, les gens prennent la décision sur ce qu’il faut faire avec les résultats générés. Mais les agents GenAI peuvent répondre entièrement de manière automatisée sans impliquer les gens. Ceux-ci sont souvent appelés agents ou intelligence artificielle agente.
Certaines personnes considèrent ces deux approches comme séparées. Mais la réalité est plus complexe. Les copilotes commencent déjà à automatiser certaines tâches de base, en permettant facultativement aux utilisateurs de confirmer les actions et en automatisant les étapes nécessaires pour les compléter.
Attendez-vous à ce que les copilotes évoluent avec le temps en une combinaison de copilotes et d’agents. Tout comme les applications aident à réingénier et à rationaliser les processus métier, les assistants pourraient et devraient commencer à être utilisés pour automatiser les étapes intermédiaires des tâches qu’ils soutiennent. Les agents basés sur GenAI devraient également inclure des personnes pour gérer les exceptions ou approuver un plan généré à l’aide d’un LLM.
Prédiction 5. GenAI va conduire à l’adoption de tissus de données, de produits de données et de normes de données ouvertes
GenAI devrait être le plus grand moteur de changement dans l’informatique au cours des prochaines années, car l’informatique devra s’adapter pour permettre aux entreprises de réaliser pleinement les avantages de GenAI.
Dans le cadre des cycles de hype de Gartner pour la gestion des données, 2024, Gartner a identifié 3 technologies, et seulement 3, comme étant transformatives pour la gestion des données et pour les organisations qui en dépendent : les tissus de données, les produits de données et les formats de table ouverts. Les 3 aident à rendre les données beaucoup plus accessibles pour une utilisation avec GenAI, car ils facilitent l’utilisation de ces nouveaux ensembles d’outils GenAI.
Nexla a mis en œuvre une architecture de produit de données basée sur un tissu de données pour cette raison. Le tissu de données fournit une couche unifiée pour gérer toutes les données de la même manière, quelle que soit la différence de formats, de vitesses ou de protocoles d’accès. Les produits de données sont ensuite créés pour répondre à des besoins de données spécifiques, tels que pour la RAG.
Notre plate-forme d’intégration pour l’analyse, les opérations, le B2B et GenAI est mise en œuvre sur une architecture de tissu de données, où GenAI est utilisé pour créer des connecteurs, des produits de données et des flux de travail réutilisables. Le support des normes de données ouvertes comme Apache Iceberg facilite l’accès à davantage de données.
Comment copiloter votre chemin vers l’intelligence artificielle agente
Alors, comment devriez-vous vous préparer à rendre GenAI mainstream dans votre entreprise en fonction de ces prédictions ?
Tout d’abord, si vous ne l’avez pas encore fait, commencez par votre premier assistant GenAI RAG pour vos clients ou employés. Identifiez un cas d’utilisation important et relativement simple où vous avez déjà la bonne base de connaissances pour réussir.
Deuxièmement, assurez-vous d’avoir une petite équipe d’experts GenAI qui peuvent aider à mettre en place la bonne architecture RAG modulaire, avec les bons outils d’intégration pour supporter vos premiers projets. N’ayez pas peur d’évaluer de nouveaux fournisseurs avec des outils sans code / faible code.
Troisièmement, commencez à identifier les meilleures pratiques de gestion des données dont vous aurez besoin pour réussir. Cela implique non seulement un tissu de données et des concepts tels que les produits de données. Vous avez également besoin de gouverner vos données pour l’IA.
Le moment est venu. 2025 est l’année où la majorité réussira. Ne soyez pas en retard.
