La sortie de ChatGPT en 2022 a placé l’IA au sommet des agendas des conseils d’administration et des politiques mondiaux. Les chatbots d’IA conversationnelle générative, tels que ChatGPT et Google Bard, sont des technologies transformatrices qui ont la capacité d’améliorer la productivité en automatisant diverses tâches organisationnelles. Dans un environnement économique à la merci du moindre grain de sable, les modestes prédictions de croissance pour 2024 (entre 2,4 % et 2,7 % selon les sources) peuvent voler en éclat à tout moment.
Il faut dire que l’environnement est des plus incertains, malgré quelques points positifs comme l’emploi et une croissance maintenue, même si elle est faible. Entre les taux d’intérêt élevés, les tensions géopolitiques et les incertitudes environnementales, la moindre étincelle serait fatale. Les ménages ralentiraient leurs dépenses de consommation, ce qui ferait plonger les moteurs de l’économie mondiale, durcir les conditions financières et atrophier la demande externe pour les pays exportateurs. Ce sont ces craintes, entre autres, qui expliquent l’intérêt croissant des entreprises pour les gains de productivité apportés par l’IA.
Une approche composite pour bénéficier des apports de l’IA…
Dans ce contexte, une étude publiée par Dynatrace, The state of AI 2024, prédit que les entreprises adopteront une approche composite pour bénéficier des apports de l’IA. Menée auprès de 1 300 CTO, DSI et des responsables technologiques au sein de grandes organisations dans le monde entier, dont la France, l’étude révèle que « les organisations augmentent leurs investissements en IA dans tous les domaines d’activité de leur entreprise, dans le but d’améliorer la productivité, d’automatiser les tâches, de réduire les coûts, et de rester compétitives ».Les principales améliorations que les leaders technologiques attendent de l’IA sont, outre la détection et l’investigation en cybersécurité (82 %), l’automatisation de tâches complexes (63 %), la vitesse de déploiement et de livraison des logiciels (61 %), l’extension de l’accès à l’analyse des données aux employés non techniques par le biais de requêtes et d’assistants en langage naturel(48 %), la capacité des équipes à prédire et à résoudre de manière proactive les problèmes affectant les services, tels que les pannes d’application et les vulnérabilités de sécurité (43 %), favoriser une automatisation plus intelligente des processus DevOps et de sécurité pour améliorer la productivité (37 %).
… et produire des réponses rapides, précises et fiables
Pour ce faire, les répondants optent pour une approche multi-IA, c’est-à-dire l’intégration de plusieurs types d’IA, aux finalités différentes, même si elles peuvent se compléter. Dans le contexte de l’implémentation de l’IA en entreprise, on connaissait l’approche dite holistique, qui consiste en une vision globale de l’IA dans l’entreprise, intégrant non seulement les aspects techniques, mais aussi les aspects culturels, organisationnels et éthiques liés à l’adoption de l’IA. Cette approche met l’accent sur la transformation de l’ensemble de l’entreprise pour tirer pleinement parti des bénéfices de cette technologie, en intégrant des considérations telles que la formation des équipes, la gestion du changement, la gouvernance des données et la conformité réglementaire.Une approche composite repose sur la combinaison de plusieurs types d’IA, basées sur différents types de données et différents types d’intelligence artificielle, l’IA générative bien entendu, mais aussi l’IA prédictive et l’IA causale, pour produire des réponses rapides, précises et fiables ainsi que pour automatiser des processus. L’IA causale a pour rôle de déterminer les causes et les effets sous-jacents des événements ou des comportements dans les systèmes numériques, sur la base de la topologie ou de la structure du système, y compris les dépendances entre les composants individuels du système. L’IA causale est utile pour identifier la cause première des problèmes et prédire l’impact des changements apportés à un système.
Pour sa part, l’IA prédictive entraîne des modèles d’apprentissage automatique à apprendre à partir de données historiques et à faire des prédictions sur des événements futurs sur la base de modèles tirés de ces données. Ce type d’IA est utile pour prévoir les tendances, identifier les anomalies possibles et faire des recommandations basées sur les données.
