Rejoignez nos newsletters quotidiennes et hebdomadaires pour les dernières mises à jour et du contenu exclusif sur la couverture de l’IA de pointe du secteur. Apprendre encore plus
Le boom de l’IA ne va pas planifierLes organisations ont du mal à se transformer Investissements dans l’IA en sources de revenus fiables. Les entreprises trouvent l’IA générative plus difficile à déployer qu’elles ne l’espéraient. Les startups d’IA sont surévaluées et les consommateurs perdent tout intérêt. Même McKinsey, après avoir prévu 25,6 billions de dollars des avantages économiques de l’IA, admet désormais que les entreprises ont besoin de «chirurgie organisationnelle« pour exploiter pleinement la valeur de la technologie.
Mais avant de se précipiter pour reconstruire leur organisation, les dirigeants devraient revenir à l’essentiel. Avec l’IA, comme pour tout le reste, la création de valeur commence par l’adéquation produit-marché : comprendre la demande à laquelle on tente de répondre et s’assurer d’utiliser les bons outils pour la tâche.
Si vous clouez des choses ensemble, un marteau est parfait ; si vous faites cuire des crêpes, un marteau est inutile, salissant et destructeur. Dans le paysage actuel de l’IA, cependant, tout se fait marteler. À CES 2024Les participants ont été bouche bée devant des brosses à dents IA, des colliers pour chiens IA, des chaussures IA et des produits IA mangeoires à oiseaux. Même la souris de votre ordinateur maintenant a un bouton AIDans le monde des affaires, 97% des cadres déclarent qu’ils s’attendent à ce que l’IA de génération 2 ajoute de la valeur à leurs entreprises, et les trois quarts d’entre eux confient les interactions clients aux chatbots.
La précipitation à appliquer l’IA à tous les problèmes imaginables conduit à de nombreux produits qui ne sont que marginalement utiles, et certains qui sont carrément destructeurs. Un chatbot gouvernemental, par exemple, a déclaré aux propriétaires d’entreprises de New York pour licencier les travailleurs qui se plaignaient de harcèlement. Turbotax et HR Block, quant à eux, ont mis en service des robots qui a donné de mauvais conseils aussi souvent que la moitié du temps.
Le problème n’est pas que nos outils d’IA ne sont pas assez puissants, ni que nos organisations ne sont pas à la hauteur du défi. C’est que nous utilisons des marteaux pour faire cuire des crêpes. Pour tirer une réelle valeur de l’IA, nous devons commencer par recentrer nos énergies sur les problèmes que nous essayons de résoudre.
L’erreur de Furby
Contrairement aux tendances technologiques passées, l’IA a la particularité de court-circuiter les processus existants des entreprises pour établir l’adéquation produit-marché. Lorsque nous utilisons un outil comme ChatGPTil est facile d’être rassuré par son apparence humaine et de supposer qu’il a une compréhension humaine de nos besoins.
C’est analogue à ce que nous pourrions appeler l’erreur Furby. Lorsque les jouets bavards sont arrivés sur le marché au début des années 2000, de nombreuses personnes, y compris certains responsables du renseignement — nous avons supposé que les Furbys apprenaient de leurs utilisateurs. En fait, les jouets ne faisaient qu’exécuter des changements de comportement préprogrammés ; notre instinct d’anthropomorphiser les Furbys nous a conduit à surestimer leur sophistication.
De la même manière, il est facile d’attribuer à tort l’intuition et l’imagination à Modèles d’IA — et quand on a l’impression qu’un outil d’IA nous comprend, il est facile de passer à côté de la tâche difficile qui consiste à articuler clairement nos objectifs et nos besoins. Les informaticiens se débattent depuis des décennies avec ce défi, connu sous le nom de « problème d’alignement » : plus les modèles d’IA sont sophistiqués, plus il est difficile de donner des instructions avec suffisamment de précision — et plus les conséquences potentielles d’un échec sont grandes. (Demandez négligemment à un système d’IA suffisamment puissant de maximiser la production de fraises, et il pourrait transformer le monde en une grande ferme de fraises.)
Outre le risque d’une apocalypse de l’IA, le problème d’alignement rend plus importante l’adéquation produit-marché pour les applications d’IA. Nous devons résister à la tentation de falsifier les détails et de supposer que les modèles trouveront les solutions par eux-mêmes : ce n’est qu’en articulant nos besoins dès le départ et en organisant rigoureusement les processus de conception et d’ingénierie autour de ces besoins que nous pourrons créer des outils d’IA qui offrent une réelle valeur ajoutée.
Retour aux sources
Les systèmes d’IA ne parvenant pas à trouver leur propre voie pour s’adapter au marché, il nous appartient, en tant que dirigeants et technologues, de répondre aux besoins de nos clients. Cela implique de suivre quatre étapes clés, certaines familières des cours Business 101 et d’autres spécifiques aux défis du développement de l’IA.
- Comprendre le problème. C’est là que la plupart des entreprises se trompent, car elles partent du principe que leur principal problème est le manque d’IA. Cela les conduit à la conclusion que « l’ajout d’IA » est une solution à part entière, tout en ignorant les besoins réels de l’utilisateur final. Ce n’est qu’en articulant clairement le problème sans faire référence à l’IA que vous pouvez déterminer si l’IA est une solution utile ou quels types d’IA pourraient être appropriés à votre cas d’utilisation.
- Définir le succès du produit. Il est essentiel de découvrir et de définir ce qui rendra votre solution efficace lorsque vous travaillez avec l’IA, car il y a toujours des compromis. Par exemple, une question pourrait être de savoir s’il faut donner la priorité à fluidité ou précision. Une compagnie d’assurance créant un outil actuariel pourrait ne pas vouloir un chatbot fluide qui des ratés en mathspar exemple, alors qu’une équipe de conception utilisant l’IA de génération pour le brainstorming pourrait préférer un outil plus créatif même s’il produit parfois des absurdités.
- Choisissez votre technologie. Une fois que vous avez défini votre objectif, travaillez avec vos ingénieurs, vos concepteurs et vos autres partenaires pour déterminer comment y parvenir. Vous pouvez envisager différents outils d’IA, des modèles d’IA de génération aux cadres d’apprentissage automatique (ML), et identifier les données que vous utiliserez, les réglementations applicables et les risques de réputation. Il est essentiel de répondre à ces questions dès le début du processus : il est préférable de construire en tenant compte des contraintes plutôt que d’essayer de les résoudre après avoir lancé le produit.
- Testez (et retestez) votre solution. C’est maintenant, et seulement maintenant, que vous pouvez commencer à concevoir votre produit. Trop d’entreprises se précipitent sur cette étape, créant des outils d’IA avant de vraiment comprendre comment ils seront utilisés. Inévitablement, elles finissent par chercher des problèmes à résoudre et par se débattre avec des défis techniques, de conception, juridiques et autres qu’elles auraient dû prendre en compte plus tôt. Donner la priorité à l’adéquation produit-marché dès le départ permet d’éviter de tels faux pas et permet un processus de progrès itératif vers la résolution de problèmes réels et la création de valeur réelle.
Parce que L’IA ressemble à de la magieil est tentant de supposer que le déploiement d’une application d’IA dans n’importe quel environnement créera de la valeur. Cela conduit les organisations à « innover » en tirant des rafales de flèches et en dessinant des cibles autour des endroits où elles atterrissent. Une poignée de ces flèches atterriront vraiment à des endroits utiles, mais la grande majorité n’apportera que peu de valeur aux entreprises ou aux utilisateurs finaux.
Pour exploiter l’énorme potentiel de l’IA, nous devons d’abord viser la cible, puis déployer tous nos efforts pour l’atteindre. Pour certains cas d’utilisation, cela peut signifier développer des solutions qui n’impliquent pas l’IA ; dans d’autres, cela peut signifier utiliser des déploiements d’IA plus simples, plus petits ou moins attrayants.
Quel que soit le type de produit d’IA que vous concevez, une chose reste constante : établir l’adéquation produit-marché et créer des technologies qui répondent aux souhaits et aux besoins réels de vos clients est le seul moyen de créer de la valeur. Les entreprises qui y parviendront sortiront gagnantes de l’ère de l’IA.
Ellie Graeden est partenaire et responsable scientifique des données chez Luminos.Law et professeur de recherche au Massive Data Institute de l’Université de Georgetown.
M. Alejandra Parra-Orlandoni est la fondatrice de Spirare Tech.
Décideurs de données
Bienvenue dans la communauté VentureBeat !
DataDecisionMakers est l’endroit où les experts, y compris les techniciens travaillant sur les données, peuvent partager des informations et des innovations liées aux données.
Si vous souhaitez en savoir plus sur les idées de pointe et les informations actualisées, les meilleures pratiques et l’avenir des données et de la technologie des données, rejoignez-nous chez DataDecisionMakers.
Vous pourriez même envisager contribuer à un article ton propre!