Charles Boutens
Les outils d’IA tels que ChatGPT stimulent principalement la productivité des employés au niveau individuel, et non celle de l’entreprise.
Le battage médiatique autour de l’IA ne s’arrête pas, et des outils tels que ChatGPT et Copilot gagnent rapidement du terrain au sein des entreprises. Si ces technologies sont impressionnantes, la question est de savoir s’il convient de les déployer dans un contexte professionnel.
Le principal risque est que les entreprises adoptent l’IA sans vision stratégique de la manière dont l’utiliser pour améliorer réellement les processus d’entreprise. Plutôt que d’avoir un impact durable, ces outils sont souvent mis en œuvre comme des coquilles vides qui ne répondent pas aux attentes.
Les outils tels que ChatGPT et Copilot sont parfaits pour un usage individuel. Ils aident à réaliser des tâches quotidiennes telles que la modification d’un e-mail, la structuration d’une présentation ou la collecte rapide d’informations. Ces types d’applications augmentent principalement la productivité personnelle : elles permettent aux employés de travailler plus rapidement et d’effectuer des tâches plus efficacement. Mais la limite est que leur valeur ajoutée et l’impact des outils dépendent en grande partie de la compétence de l’utilisateur. Un employé qui sait comment bien formuler un « prompt », ou ordre donné à l’IA, obtiendra de meilleurs résultats que ceux qui sont moins versés dans cet art.
Dans un contexte professionnel, cela pose problème. Lorsque ces outils sont appliqués à grande échelle, les résultats restent tributaires du savoir-faire de chaque individu, ce qui entraîne des incohérences et des résultats peu fiables. Au contraire, trop d’entreprises supposent que la valeur ajoutée d’outils tels que ChatGPT et Copilot, lorsqu’ils servent à un usage personnel, est transposée à l’échelle de l’entreprise. Or, ce n’est pas le cas.
Hallucinations
Prenons l’exemple d’un service des ventes. Il sera tenté de poser à ChatGPT des questions telles que : « Que se passe-t-il dans le secteur de notre client X ? » Les réponses générées sont souvent utiles, mais insuffisantes pour fournir les informations approfondies dont a besoin un représentant commercial. Trois problèmes majeurs se posent vite. Premièrement, la formulation de la question est incohérente : le vendeur A formule sa question d’une autre manière que le vendeur B, ce qui conduit à des résultats différents. Ce manque d’uniformité compromet la scalabilité du processus. Deuxièmement, comment savoir si les informations générées sont exactes et à jour ? Les données inexactes ou obsolètes peuvent conduire l’IA à « halluciner », c’est à dire fournir des informations incorrectes ou non pertinentes qui induisent les entreprises en erreur et compromettent la prise de décision. Il faut un accès direct aux données sources pour être sûr de la réponse. Troisièmement, ces interactions sont souvent des requêtes autonomes, qui ne sont absolument pas intégrées dans des processus métier plus larges. C’est seulement en disposant d’informations sur les offres importantes et les produits avec lesquels le client a travaillé par le passé, que l’on peut correctement analyser un dossier.
Des modèles spécialisés pour des processus spécifiques
Les entreprises qui cherchent à relever des défis commerciaux complexes devraient rechercher des solutions d’IA de bout en bout qui vont au-delà des simples interfaces de messagerie. Un outil d’IA efficace dans un contexte professionnel ne devrait pas se contenter de fournir des réponses, mais au contraire contribuer à automatiser des processus entiers. On constate aujourd’hui que les capacités de raisonnement des modèles d’IA modernes sont nettement plus puissantes qu’auparavant. Ces modèles peuvent traiter les données en plusieurs étapes et tirer des conclusions logiques de manière cohérente, réduisant ainsi le risque d’hallucinations, à condition toutefois que les données source soient correctes et complètes.
Des modèles spécialisés pour des processus spécifiques
Les entreprises qui cherchent à relever des défis commerciaux complexes devraient rechercher des solutions d’IA de bout en bout qui vont au-delà des simples interfaces de messagerie. Un outil d’IA efficace dans un contexte professionnel ne devrait pas se contenter de fournir des réponses, mais au contraire contribuer à automatiser des processus entiers. On constate aujourd’hui que les capacités de raisonnement des modèles d’IA modernes sont nettement plus puissantes qu’auparavant. Ces modèles peuvent traiter les données en plusieurs étapes et tirer des conclusions logiques de manière cohérente, réduisant ainsi le risque d’hallucinations, à condition toutefois que les données source soient correctes et complètes.
Qualité des données
C’est ici que réside le cœur du problème pour de nombreuses entreprises : la qualité de leurs données. Il n’est plus vrai que les modèles d’IA doivent être entraînés avec d’énormes quantités de données. Les modèles modernes sont si sophistiqués qu’ils sont efficaces avec des quantités moindres de données « propres ». Un petit jeu de données, par exemple une brève description d’un produit ou d’un service, peut suffire à générer des informations précieuses. Ces données doivent cependant être exactes et à jour, faute de quoi votre outil d’IA restera une coquille vide. Les entreprises doivent donc mettre en place un système solide de gouvernance des données pour s’assurer que les changements, tels que les évolutions des prix, sont transcrits correctement et en temps voulu. Une fois ces bases posées, l’IA pourra cesser d’être un phénomène médiatique et avoir un impact durable pour les entreprises.
Vous avez repéré une erreur ou disposez de plus d’infos? Signalez-le ici