Au cours des dernières années, des milliards de dollars ont été investis dans des centaines de startups spécialisées dans l’IA. En parallèle, de nombreuses entreprises ont lancé leurs propres initiatives en matière d’IA. Il est temps d’examiner ce qui a été réalisé ces dernières années et d’évaluer ce que l’IA signifie pour les entreprises.

La révolution ChatGPT

Une récente étape en matière d’IA a été le lancement de ChatGPT le 30 novembre 2022. Chat GPT est un modèle linguistique d’IA qui communique avec les utilisateurs de manière conversationnelle. L’IA et le grand modèle linguistique (LLM) sous-jacent résument des textes, traduisent des langues et répondent à des questions à l’aide d’une technologie appelée traitement du langage naturel (NLP). Depuis novembre, des millions de personnes ont pu constater de visu la puissance de l’IA générative, la technologie qui a battu tous les records de vitesse d’adoption par les utilisateurs. Deux mois plus tard, Microsoft et Google ont riposté et annoncé leurs propres projets d’IA générative. Microsoft, qui a investi dans OpenAI (la société à l’origine de ChatGPT), intégrera ces fonctionnalités dans ses produits, de son moteur de recherche Bing à Microsoft 365, sa suite d’applications bureautiques.

ChatGPT et d’autres formes d’IA générative sont en train de révolutionner l’interface entre les utilisateurs et la technologie. De la même manière que la barre de recherche Google avait déjà révolutionné la manière dont nous, en tant qu’utilisateurs, accédons à l’information, il faut s’attendre à ce que l’IA passe au niveau supérieur en suggérant des idées, expliquant des concepts complexes, écrivant du code, préparant des discours et même en traduisant des langues.

Pour les entreprises dont l’activité consiste à fournir un produit ou un service à un utilisateur final, il s’agit d’un changement radical. C’est surtout la fonction de service à la clientèle qui sera transformée : les menus vocaux et autres systèmes de réponse vocale interactifs d’aujourd’hui, encore un peu lourds, ainsi que les chatbots et assistants numériques se verront remplacés par des conversations plus réalistes et plus intelligentes, alimentées par l’IA. C’est certainement vrai pour le monde des consommateurs, où plus personne ne lit un manuel d’utilisation depuis des années. Mais il en ira de même pour les clients des entreprises, qui attendront la même qualité d’expérience utilisateur que celle obtenue en plus en tant que consommateurs. L’époque où les utilisateurs devaient apprendre et mémoriser des menus logiciels ou des codes complexes pour utiliser un logiciel d’entreprise touche à sa fin. Les progiciels d’entreprise modernes utilisent déjà le traitement du langage naturel pour comprendre ce que l’utilisateur veut faire et afficher les bonnes informations, voire créer un nouveau rapport à la volée pour afficher exactement les informations demandées par l’utilisateur.

En plus de changer la donne pour l’interface utilisateur des produits, ChatGPT et autres IA génératives modifieront également la manière dont les employés consomment l’information au sein d’une entreprise. Plutôt que de naviguer sur les intranets et autres dossiers partagés, les employés utiliseront les nouveaux outils d’IA pour explorer et consommer les ressources de l’entreprise. Cela devrait permettre d’améliorer l’intégration des nouveaux employés ainsi que la formation et le développement des ressources humaines.

Le pouvoir des données

Mais l’IA ne se résume pas à ChatGPT et à l’IA générative. La grande promesse de l’IA est d’aider à traiter et de tirer des enseignements de très grandes quantités de données. Alors que la quantité de données créées augmentait (pensez aux milliards d’achats quotidiens au détail ou en ligne effectués par les consommateurs ou au nombre de transactions créées dans SAP ou autres systèmes d’entreprise, par exemple), la révolution du cloud a créé la base technologique nécessaire pour traiter ces énormes volumes de données : le stockage à grande échelle pour capturer et organiser ces informations, la puissance de calcul presque infinie pour traiter rapidement ces données à l’aide de l’IA et d’autres algorithmes pour en tirer de nouvelles informations, et enfin l’ubiquité permettant de mélanger des données provenant de sources différentes et de rendre les résultats de cette analyse de données disponibles sur n’importe quel appareil, où que l’on soit.

Au cours des dernières années, de nombreuses entreprises ont lancé des initiatives visant à extraire davantage d’informations à partir de leurs données, dans le but de prendre de meilleures décisions, comme quelles promotions lancer, quels produits offrir à l’acheteur, quelle quantité de stock conserver, où positionner les pièces de rechange, etc.

En particulier, l’IA s’est avérée très efficace pour faire de meilleures prédictions. En effet, de nombreux cas d’utilisation montrent que l’IA combinée avec de larges jeux de données, et souvent aussi plus granulaires, permet d’obtenir de meilleures prévisions. Par exemple :

– La prévision de la demande, où l’utilisation de facteurs de demande externes tels que le sentiment des consommateurs, les indicateurs économiques, les tendances actuelles, les événements locaux, mais aussi des données très granulaires sur les points de vente peuvent contribuer à accroître la précision de la prévision de la demande. Les mêmes avantages peuvent être observés dans le monde des affaires.

– Prévision des défaillances de produits. De nombreuses entreprises industrielles équipent leurs produits coûteux de capteurs, qui transmettent des données pouvant aider à prévoir la probabilité d’une défaillance. L’exemple de cas d’utilisation le plus célèbre de maintenance prédictive est la prédiction des défaillances des moteurs d’avion qui déclenchent des réparations proactives, évitant ainsi les avions cloués au sol.

– Prévoir le comportement des clients, qu’il s’agisse de prévoir ce qu’ils sont le plus susceptibles d’acheter et d’en faire la promotion directement dans l’application ou de prévoir les désabonnements d’utilisateurs.

Tous ces cas d’utilisation ont en commun la combinaison de l’exploitation de données qui n’étaient pas utilisées auparavant avec le pouvoir prédictif des algorithmes d’IA - en particulier les algorithmes de Machine Learning.
Un deuxième domaine dans lequel l’IA s’est avérée efficace dans l’entreprise est la reconnaissance de formes et de motifs dans de très grands jeux de données, généralement des photos et/ou des vidéos. Un certain nombre d’entreprises utilisent ces capacités pour détecter les défauts de produit sur la chaîne de production, détecter les transactions financières frauduleuses ou aider à trouver de nouvelles molécules prometteuses dans l’industrie pharmaceutique ou chimique.

De nouveaux cas d’utilisation sont explorés chaque jour, soit par des startups désireuses de lancer sur le marché une nouvelle innovation rendue possible par le big data et l’IA, soit par des entreprises cherchant à prendre une longueur d’avance sur leur marché. En fait, l’un des moteurs de cette dynamique est l’émergence de nouveaux modèles numériques, par exemple le modèle de vente directe au consommateur de plus en plus adapté par de nombreuses marques de consommation, ou le modèle click and collect désormais proposé par les détaillants. De plus en plus, il ne s’agit pas de savoir "si" mais "quand" ces nouveaux modèles d’exploitation numériques verront le jour. Leur point commun est qu’ils nécessitent tous des données et de nouveaux logiciels pour les traiter.

Développer une stratégie d’IA

Devenir une entreprise qui mise à fond sur les données et développer un parcours d’IA n’est pas réservé aux grandes entreprises ou aux jeunes startups nées avec le numérique. Voici quelques conseils basés sur les retours d’expérience des entreprises qui ont déjà réussi à tirer parti de l’IA pour leurs activités :

1. Initiez dès maintenant votre stratégie données.
De nombreuses entreprises ont mis en place une stratégie pour mieux valoriser leurs données, souvent en commençant par déployer un data warehouse ou un data lake, dans l’intention de créer un référentiel central des données. En général, les premiers cas d’utilisation concernent le regroupement de données précédemment cloisonnées dans différentes applications avec l’objectif de créer de nouveaux rapports ou indicateurs de performance. C’est une très bonne première étape, qui contribue à créer une culture des données dans l’entreprise. L’étape suivante consiste à mettre en place une gouvernance des données appropriée, une architecture des données, etc.

2. Se concentrer sur les sujets à haute valeur ajoutée
Il est mieux pour les entreprises de commencer à petite échelle et d’expérimenter, en se basant sur la taille des enjeux. Parmi les exemples de cas d’utilisation à forte valeur ajoutée, on peut citer l’amélioration de la prévisions de la demande par le Machine Learning, l’optimisation des stocks, les prévisions de délais de livraison, etc.

3. Une approche pluridisciplinaire
Il ne s’agit pas de projets informatiques, mais de projets faisant appel à des parties prenantes de l’entreprise, ainsi qu’à de nouvelles fonctions telles que celles d’ingénieur en données et de data scientists. Cette approche pluridisciplinaire est essentielle pour favoriser la créativité nécessaire. De plus, bien que justifiées par la valeur commerciale, ces initiatives ne devraient pas suivre un dictat rigide de retour sur investissement. Certains de ces projets échoueront, et le système d’incitation de l’entreprise doit en tenir compte pour ne pas pénaliser la prise de risque.

4. Pensez à l’avenir
Dès que les premiers projets sont lancés, les entreprises doivent réfléchir à la manière de les faire évoluer. Tout comme les entreprises ont besoin d’une stratégie pour leurs données, les pilotes réalisés devront passer à l’échelle supérieure avant d’être déployés dans l’entreprise. Pour cela, il faut anticiper l’ensemble des technologies nécessaires au « cerveau numérique », qui permettront aux entreprises de continuer à innover et à étendre l’utilisation de l’IA.

L’IA est un outil incroyable pour aider les entreprises à exploiter l’énorme quantité de données disponibles aujourd’hui. Les pionniers ont montré la voie, il est maintenant temps pour toutes les entreprises de s’y mettre.