IA générative : Comment réussir son projet et éviter les pièges ?

Passée l’effervescence généralisée autour de l’IA générative, son application au sein des entreprises est assurément une opportunité à ne pas manquer. Mais pour mener à bien un tel projet, une connaissance approfondie de la structure et ses objectifs est indispensable pour calibrer avec précision les cas d’usage de l’IA générative et l’appliquer au mieux à ses process. Les retombées sur le business n’en seront que plus probantes.

Penser l’IA générative pour ses enjeux métiers

 

« Actuellement, beaucoup d’entreprises n’utilisent pas l’IA à son plein potentiel » regrette Nicolas Daveau, expert en Data/IA et consultant Colibee.

L’IA générative : un potentiel encore sous-exploité

L’IA générative appliquée à l’entreprise se résume souvent à une volonté d’automatisation des tâches, ne permettant pas de transformer véritablement les processus opérationnels et d’enrichir le contexte d’une décision bien humaine. Certaines entreprises s’enferment ainsi dans une approche très simple de l’IA générative dont la seule expression se fait au travers d’un moteur de recherche. Autrement dit, les impacts sur le business sont limités car les organisations expriment certaines difficultés à « imbriquer une nouvelle technologie dans un espace de problèmes connus » ajoute-t-il.

 

Dans leur approche de l’IA générative, beaucoup d’entreprises sont enfermées dans une logique de chatbot.

 

Dès lors, comment problématiser intelligemment l’implémentation d’un outil comme l’IA générative ? A l’image de nombreuses évolutions technologiques, la phase d’apprentissage est inévitable ; mais on note tout de même chez les entreprises une volonté croissante d’intégrer l’IA générative pour qu’elle s’adapte plus efficacement aux enjeux métiers. Il s’agit là du principal point d’ancrage de son implémentation. Les cas d’usage business de l’IA générative sont nombreux et variés.

Par exemple, elle peut être mobilisée pour détecter des violations de clauses contractuelles en croisant des données non structurées, comme les termes des contrats de procurement, avec des données structurées, telles que les ordres d’achat effectivement passés aux fournisseurs. Un autre exemple d’application est l’analyse en temps réel des interactions des clients avec le support. Cela permet non seulement d’interroger instantanément les bases de données structurées, mais aussi d’orchestrer des appels à des services via des API pour résoudre efficacement les problématiques clients : replanification logistique NLP (Natural Language Processing), intervention d’un technicien, ouverture d’un ticket, etc… Cette réflexion doit réunir toutes les équipes concernées au sein d’une société, de l’IT à l’opérationnel en passant par le top management.

Gouvernance des données et rôle stratégique de l’IA générative

Il est également important de comprendre comment une entreprise appréhende sa gouvernance des données pour déterminer avec précision le rôle et l’impact de l’IA. « L’IA générative peut être conçue comme une passerelle entre données structurées et non structurées or chaque entreprise dispose d’un champ de données à la fois varié et vaste sémantiquement » témoigne Nicolas Daveau. Il faut donc utiliser l’IA pour naviguer ce dernier et « cesser de la considérer comme une intelligence humaine ». Et même si l’organisation des données en interne ne conditionne pas nécessairement la réussite d’un projet comme celui-ci, il faudra davantage « se structurer à mesure que l’on souhaitera aller plus loin avec l’IA » soutient-il.

 

Projet IA Générative

 

Les étapes essentielles à suivre

Tester l’IA générative avec un MVP : une étape clé

Au-delà de la problématisation de l’IA générative qui est le point de départ de son implémentation, il sera essentiel de rapidement pouvoir tester un cas d’usage avec un MVP (Minimum Viable Project) afin de démontrer qu’il est possible d’extraire de la valeur d’un projet IA (possibilité de régler un souci majeur pour l’entreprise et/ou d’aboutir à une meilleure prise de décision sur un aspect en particulier). Cela permettra de se rendre compte de l’avancée du projet et d’en modifier la trajectoire si les résultats ne sont pas au rendez-vous.

 

Passer à l’échelle : défis techniques, gouvernance et collaboration

L’une des étapes les plus importantes est le passage à l’échelle qui va être plus ou moins réussi selon les entreprises et la nature de leur projet IA. Plusieurs aspects sont à prendre en compte : quel sera le coût d’un passage à l’échelle ? Faut-il changer de modèle d’IA ? Quelle gouvernance de données déployer ? Quels indicateurs de performance ? Celle-ci va-t-elle se dégrader ? Dégage-t-on toujours de la valeur ? Pour nombre d’entreprises, il faudra « porter une attention particulière au pilotage de la performance qui, au moment du passage à l’échelle, pourra s’avérer inefficace selon les cas d’usage choisis en amont » alerte Nicolas Daveau.

Enfin, si la technique est au centre de la réussite d’un tel projet, n’oublions pas que ce dernier est mené par des individus. Aussi, est-il essentiel d’intégrer les bons profils dès le début afin de cibler les équipes à impliquer et la façon dont elles doivent interagir entre elles. « Il y a souvent un fossé entre les équipes opérationnelles qui ont la tête dans le guidon et les équipes IT ayant une vision très technique de ce type de projet.

Tout l’enjeu est de pouvoir mettre en lien ces directions afin qu’elles puissent parler le même langage » conclut notre expert.

 

Publié le 29 novembre 2024
Partagez cet article