Résoudre le Comment et le Quand : Intégrer la Stratégie Commerciale dans l’Adoption de l’IA

Nous avons atteint un point de basculement avec l’intelligence artificielle (IA) où les discussions dans les salles de réunion ont évolué de la débat sur l’efficacité à l’accélération de l’adoption. C’est un moment excitant, surtout si l’on considère que le rythme du changement ne sera jamais aussi lent qu’aujourd’hui. Selon BCG, malgré l’incertitude économique mondiale, l’innovation est devenue une priorité corporative de premier plan en 2023, avec 79 % des entreprises la classant parmi leurs trois principaux objectifs.

Mais l’innovation pour l’innovation en soi n’est pas une stratégie commerciale solide, et les organisations qui se laissent emporter par l’hystérie de l’IA risquent d’investir dans l’hype, plutôt que dans des solutions qui créent une valeur à long terme. Comprendre la différence nécessite une considération attentive des capacités actuelles et la patience de donner la priorité à la croissance durable plutôt qu’aux tendances à court terme.

La Zone de Goldilocks

L’histoire des entreprises est parsemée d’exemples de sociétés dont les décisions stratégiques à des moments clés ont été déterminantes pour leur existence. Par exemple, Amazon a survécu à la bulle des dot-com en reconnaissant l’importance de l’ajustement de sa stratégie comptable et en augmentant ses réserves, tandis que d’autres entreprises brûlaient de l’argent comme si demain n’existait pas. Le point est que les décisions commerciales solides sont plus critiques que jamais en période d’enthousiasme de masse, et la planification de demain nécessite une capacité aiguë à réfléchir à tous les scénarios possibles.

Dans l’ensemble, il y a un sentiment général de peur de manquer l’IA (FOMO) qui a pénétré les équipes de direction, compliqué par la réalité que ne rien faire (c’est-à-dire succomber à la « paralysie par analyse ») est également une menace réelle. (Demandez simplement à Kodak.) Voici 3 considérations pour les entreprises qui cherchent cette « zone de Goldilocks » de l’IA – ne pas investir trop vite ou trop lentement, mais trouver le point chaud de l’innovation durable.

1. Se concentrer sur la croissance des données en premier

Comme n’importe quelle machine, il est important de comprendre son fonctionnement interne pour déterminer d’où vient la valeur. Cela signifie que l’IA n’est pas un produit entièrement formé, mais que ses grands modèles de langage (LLM) reposent sur d’énormes quantités de points de données diversifiés pour apprendre les modèles, le contexte et les nuances linguistiques. La taille et la complexité des LLM nécessitent des données de formation étendues pour fonctionner efficacement dans divers domaines et tâches. La qualité et la quantité de ces données auront un impact significatif sur les performances des LLM, et par extension, sur l’ensemble d’outils d’IA de l’entreprise.

Créer des écosystèmes de données plus robustes est donc un investissement judicieux pour toute entreprise qui prévoit une transformation de l’IA, et ces données serviront de fondement aux LLM à mesure qu’ils grandissent et évoluent. C’est dans cette évolution que les données de haute qualité deviennent encore plus critiques. Alors que des études ont montré que les LLM peuvent être compétents avec un minimum de données, les experts affirment maintenant que « l’impact de la qualité et de la diversité des données sur l’alignement et d’autres voies de formation des LLM (pré-formation, fine-tuning, steerability, etc.) est absolument massif ».

2. Identifier un cas d’utilisation commercial

Alors que l’IA a certainement la capacité d’applications externes étendues, la plupart des entreprises se concentrent davantage sur l’utilisation de la technologie pour optimiser leurs processus internes. « Optimiser » est le mot clé ici, ce qui signifie que les entreprises ne doivent pas s’attendre à brancher et à jouer de l’IA pour améliorer magiquement la production. Plutôt, certains des cas d’utilisation d’IA les plus réussis impliquent l’analyse des données pour révéler des informations précieuses sur le comportement des clients, les tendances du marché et les risques potentiels. Il a également été prouvé qu’il est efficace pour rationaliser les activités internes, notamment en automatisant les tâches manuelles pour allouer le temps des employés à des activités de niveau supérieur.

En bref, au lieu de perdre du temps à essayer de déterminer quels modèles d’IA utiliser, les organisations doivent se concentrer sur des problèmes spécifiques qu’elles ont besoin que leur IA résolve. (C’est-à-dire commencer par l’aiguille que vous voulez déplacer, configurer l’indicateur de performance clé que vous souhaitez influencer, puis travailler à rebours pour déterminer quels outils d’IA accompliront ces objectifs.) Selon l’enquête mondiale sur l’IA de MIT, 90 % de ceux qui utilisent l’IA pour créer de nouveaux indicateurs de performance clé affirment que leurs indicateurs de performance clé s’améliorent. « Ces indicateurs de performance clé éclairés par l’IA offrent des avantages commerciaux et démontrent de nouvelles capacités : ils conduisent souvent à plus d’efficacité et à un plus grand bénéfice financier et sont plus détaillés, sensibles au temps et alignés sur les objectifs de l’organisation ».

3. Construire des outils d’IA sur mesure à l’aide de LLM open source

Construire ou acheter – c’est la question. Construire une solution d’IA personnalisée peut sembler effrayant, et de nombreuses entreprises optent pour l’achat d’une licence auprès d’un fournisseur externe avec un LLM propriétaire pour éviter d’emprunter cette voie. Cependant, la licence peut restreindre la façon dont le LLM peut être utilisé, et les frais de licence peuvent devenir très coûteux avec le temps. À l’inverse, les LLM open source sont gratuits et l’architecture sous-jacente est disponible pour que les développeurs puissent y accéder, construire et la modifier en fonction des besoins spécifiques de l’entreprise.

Ce modèle d’écosystème open source a gagné en popularité à mesure que les entreprises s’efforcent de conserver les informations sensibles sur leur réseau et de conserver un contrôle plus grand sur leurs données. Les LLM open source offrent aux entreprises cette transparence et cette flexibilité, ainsi que les avantages d’une réduction des problèmes de latence et d’une amélioration des performances. IBM et la NASA ont récemment collaboré pour développer un LLM open source formé sur des données géospatiales pour aider les scientifiques à lutter contre le changement climatique, dans le cadre de l’initiative Open-Source Science de la NASA visant à construire une communauté scientifique plus accessible, plus inclusive et plus collaborative.

Comme pour toute technologie open source, il existe des risques associés aux LLM open source, notamment les fuites de sécurité, les hallucinations / les préjugés basés sur des informations inexactes ou erronées, et les acteurs malveillants qui manipulent intentionnellement les données. Mais les modèles open source deviennent plus intelligents et plus sécurisés avec le temps, ce qui amène certains experts à estimer que les LLM open source atteindront bientôt le niveau des meilleurs LLM propriétaires, justifiant l’investissement dans l’adoption précoce et le temps passé à améliorer les compétences des équipes.

L’adoption de l’IA sera multiple de sprints rapides dans un marathon

Sur la base de chiffres récents, il y a environ 15 000 entreprises d’IA aux États-Unis, soit plus du double du nombre en 2017. Dans le monde, ces chiffres augmentent presque quadruplement. Avec autant de fournisseurs et de nouvelles startups qui promeuvent leurs services, il n’est pas étonnant que les entreprises aient du mal à décider où investir leur temps et leur argent. Mais en évaluant soigneusement leurs besoins et les risques / avantages présentés par l’innovation, les dirigeants trouveront le mélange approprié d’IA pour propulser leurs entreprises vers un avenir de croissance durable.