Les fournisseurs voudraient vous faire croire que nous sommes au milieu d’une révolution de l’IA, une révolution qui change la nature même de notre façon de travailler. Mais la vérité, selon plusieurs études récentes, suggère que c’est beaucoup plus nuancé que cela.
Les entreprises sont extrêmement intéressées IA générative alors que les fournisseurs mettent en avant les avantages potentiels, mais transformer ce désir d’une preuve de concept en un produit fonctionnel s’avère beaucoup plus difficile : ils se heurtent à la complexité technique de la mise en œuvre, que ce soit en raison de la dette technique d’une pile technologique plus ancienne ou simplement manque de personnes possédant les compétences appropriées.
En fait, une étude récente de Gartner ont constaté que les deux principaux obstacles à la mise en œuvre de solutions d’IA étaient la recherche de moyens d’estimer et de démontrer la valeur (49 %) et le manque de talents (42 %). Ces deux éléments pourraient s’avérer être des freins majeurs pour les entreprises.
Considérez que une étude de LucidWorksune société de technologie de recherche d’entreprise, a découvert que seulement 1 personne interrogée sur 4 a déclaré avoir mis en œuvre avec succès un projet d’IA générative.
Aamer Baig, associé principal chez McKinsey and Company, s’exprimant lors de la Symposium des DSI du MIT Sloan en mai, a déclaré que son entreprise avait également découvert dans un récent sondage que seulement 10 % des entreprises mettent en œuvre des projets d’IA générative à grande échelle. Il a également indiqué que seulement 15 % d’entre eux constataient un impact positif sur leurs bénéfices. Cela suggère que le battage médiatique pourrait être bien en avance sur la réalité que connaissent la plupart des entreprises.
Quel est le problème ?
Baig considère la complexité comme le principal facteur de ralentissement des entreprises, même pour un projet simple nécessitant 20 à 30 éléments technologiques, le bon LLM n’étant que le point de départ. Ils ont également besoin d’éléments tels que des contrôles de données et de sécurité appropriés, et les employés devront peut-être acquérir de nouvelles capacités telles que l’ingénierie rapide et la manière de mettre en œuvre des contrôles IP, entre autres.
Les anciennes piles technologiques peuvent également freiner les entreprises, dit-il. « Dans notre enquête, l’un des principaux obstacles cités pour parvenir à une IA générative à grande échelle était en fait le trop grand nombre de plates-formes technologiques », a déclaré Baig. « Ce n’était pas le cas d’utilisation, ce n’était pas la disponibilité des données, ce n’était pas le chemin vers la valeur ; il s’agissait en fait de plateformes technologiques.
Mike Mason, directeur de l’IA dans un cabinet de conseil Œuvres de pensée, affirme que son entreprise consacre beaucoup de temps à préparer les entreprises à l’IA – et leur configuration technologique actuelle en est une grande partie. « La question est donc de savoir quel est le montant de votre dette technique, quel est le montant de votre déficit ? Et la réponse sera toujours : cela dépend de l’organisation, mais je pense que les organisations en ressentent de plus en plus la douleur », a déclaré Mason à TechCrunch.
Cela commence avec de bonnes données
Une grande partie de ce déficit de préparation réside dans les données, puisque 39 % des personnes interrogées dans le cadre de l’enquête Gartner ont exprimé leurs inquiétudes quant au manque de données, qui constitue l’un des principaux obstacles à la mise en œuvre réussie de l’IA. « Les données constituent un défi énorme et redoutable pour de très nombreuses organisations », a déclaré Baig. Il recommande de se concentrer sur un ensemble limité de données en vue de leur réutilisation.
« Une leçon simple que nous avons apprise est de se concentrer sur les données qui vous aident dans de multiples cas d’utilisation, et cela finit généralement par être trois ou quatre domaines dans la plupart des entreprises sur lesquels vous pouvez réellement commencer et les appliquer à votre priorité. relever les défis commerciaux avec les valeurs de l’entreprise et fournir quelque chose qui atteint réellement la production et l’échelle », a-t-il déclaré.
Mason affirme qu’une grande partie de la capacité d’exécuter l’IA avec succès est liée à la préparation des données, mais ce n’est qu’une partie. « Les organisations réalisent rapidement que dans la plupart des cas, elles doivent effectuer un travail de préparation à l’IA, un peu de création de plateforme, de nettoyage des données, tout ce genre de choses », a-t-il déclaré. « Mais vous n’êtes pas obligé d’adopter une approche tout ou rien, vous n’avez pas besoin de passer deux ans avant de pouvoir obtenir une quelconque valeur. »
Lorsqu’il s’agit de données, les entreprises doivent également respecter leur origine et savoir si elles ont l’autorisation de les utiliser. Akira Bell, CIO chez Mathematica, un cabinet de conseil qui travaille avec des entreprises et des gouvernements pour collecter et analyser des données liées à diverses initiatives de recherche, affirme que son entreprise doit agir avec prudence lorsqu’il s’agit de mettre ces données à profit dans l’IA générative.
« Alors que nous examinons l’IA générative, il y aura certainement des possibilités pour nous et pour l’ensemble de l’écosystème de données que nous utilisons, mais nous devons le faire avec prudence », a déclaré Bell à TechCrunch. C’est en partie dû au fait qu’ils disposent de beaucoup de données privées avec des accords stricts d’utilisation des données, et en partie parce qu’ils ont parfois affaire à des populations vulnérables et qu’ils doivent en être conscients.
« Je suis arrivé dans une entreprise qui prend vraiment au sérieux le fait d’être un gestionnaire de données fiable, et dans mon rôle de DSI, je dois être très ancré dans ce domaine, à la fois du point de vue de la cybersécurité, mais aussi de la façon dont nous traitons avec nos clients et leurs clients. données, donc je sais à quel point la gouvernance est importante », a-t-elle déclaré.
Elle dit qu’à l’heure actuelle, il est difficile de ne pas être enthousiasmé par les possibilités qu’apporte l’IA générative ; la technologie pourrait offrir à son organisation et à ses clients des moyens bien meilleurs de comprendre les données qu’ils collectent. Mais c’est aussi son travail d’avancer avec prudence sans entraver les progrès réels, un exercice d’équilibre difficile.
Trouver la valeur
Tout comme lors de l’émergence du cloud il y a quinze ans, les DSI sont naturellement prudents. Ils voient le potentiel qu’apporte l’IA générative, mais ils doivent également veiller à des éléments de base tels que la gouvernance et la sécurité. Ils ont également besoin d’un véritable retour sur investissement, parfois difficile à mesurer avec cette technologie.
En janvier Article TechCrunch sur les modèles de tarification de l’IA, Genévrier Sharon Mandell, DSI, a déclaré qu’il s’avérait difficile de mesurer le retour sur investissement dans l’IA générative.
« En 2024, nous allons tester le battage médiatique de genAI, car si ces outils peuvent produire les types d’avantages qu’ils prétendent, alors le retour sur investissement de ceux-ci est élevé et peut nous aider à éliminer d’autres choses », a-t-elle déclaré. Elle et d’autres DSI mènent donc des projets pilotes, avançant avec prudence et essayant de trouver des moyens de mesurer s’il existe réellement une augmentation de productivité justifiant l’augmentation des coûts.
Baig affirme qu’il est important d’avoir une approche centralisée de l’IA dans l’ensemble de l’entreprise et d’éviter ce qu’il appelle « trop d’initiatives skunkworks », où de petits groupes travaillent de manière indépendante sur un certain nombre de projets.
« Vous avez besoin de l’échafaudage de l’entreprise pour vous assurer que les équipes produit et plateforme sont organisées, concentrées et travaillent à un rythme soutenu. Et bien sûr, cela nécessite la visibilité de la haute direction », a-t-il déclaré.
Rien de tout cela ne garantit qu’une initiative d’IA réussira ou que les entreprises trouveront immédiatement toutes les réponses. Mason et Baig ont tous deux déclaré qu’il était important que les équipes évitent d’essayer d’en faire trop, et tous deux insistent sur la réutilisation de ce qui fonctionne. « La réutilisation se traduit directement par la rapidité de livraison, en assurant la satisfaction de votre entreprise et en produisant un impact », a déclaré Baig.
Quelle que soit la manière dont les entreprises exécutent des projets d’IA générative, elles ne doivent pas se laisser paralyser par les défis liés à la gouvernance, à la sécurité et à la technologie. Mais ils ne doivent pas non plus se laisser aveugler par le battage médiatique : il y aura de nombreux obstacles pour presque toutes les organisations.
La meilleure approche pourrait être de lancer quelque chose qui fonctionne et qui montre de la valeur et de construire à partir de là. Et rappelez-vous que malgré le battage médiatique, de nombreuses autres entreprises sont également en difficulté.