Doit-on absolument adopter une position « pour » ou « contre » l'intelligence artificielle générative (IA) ? Depuis son introduction auprès du grand public il y a un peu plus d'un an, cette technologie disruptive suscite de nombreuses conversations et engage divers secteurs d'activité. En France, l'IA générative bénéficie de financements importants et trouve sa place dans des applications tangibles. Les preuves sont évidentes, et la véritable interrogation n'est donc pas de déterminer si cette technologie est « bonne » ou
« mauvaise », mais plutôt de réfléchir à comment elle peut être évaluée - ou même critiquée - selon ses utilisations clés.
Commencez par les fondamentaux : évaluez votre architecture de données
Selon des prévisions de Statista, le marché mondial de l'intelligence artificielle générative devrait se situer entre 700 milliards et 1,3 trillion de dollars d'ici 2030, avec un taux de croissance annuel de 24 %. Bien que cette perspective financière souligne une tendance significative, elle ne révèle pas tout. En particulier, elle ne détaille pas les démarches que les organisations françaises, indépendamment de leur taille ou de leur secteur, devraient adopter pour intégrer l'IA générative en 2024. Quel est le point de départ ?En essence, l'origine de toute intelligence artificielle générative réside dans les données : sans celles-ci, pas d'IA. La première étape consiste alors à déterminer l'emplacement des données de l'entreprise. Souvent, les organisations pensent initialement que leurs données sont concentrées dans certains domaines spécifiques, mais après une réflexion approfondie, elles réalisent la présence de divers types de données, comme les vidéos, les images, le code, les fichiers Excel, etc. Ce constat introduit un premier défi, tel qu'indiqué par le rapport du MIT sur l'intelligence des données dans l'industrie, qui révèle que 60 % des directeurs des systèmes d'information jugent qu'un modèle de gouvernance unifié pour les données et l'IA est « extrêmement important ». Cela souligne le fait que de nombreuses organisations font face à une architecture de données éparpillée ou segmentée.
La gouvernance des données, qui implique une cartographie dynamique de leurs mouvements et destinations, est essentielle en 2024. Cette pratique est directement liée à l'architecture des données au sein des entreprises, soulignant la nécessité de débuter avec des données bien structurées et organisées. Actuellement, des solutions Open Source sur le marché facilitent cette démocratisation. Ces outils sont cruciaux pour le développement d'applications en IA, en apprentissage automatique (Machine Learning, ML) et en modèles de langage de grande envergure (Large Language Model, LLM), ayant un effet concret sur les organisations. De plus en plus d'entreprises commencent à utiliser les LLM pour travailler avec leurs données, mettant en place des plateformes de data intelligence, indépendamment de leur domaine d'activité. Bien que la tendance soit à l'uniformisation des pratiques, la clarté sur les objectifs finaux reste floue, représentant ainsi un défi majeur pour cette année.
La méthode des entreprises françaises pour organiser leurs données et dynamiser leur activité
En France, Michelin incarne cette réflexion sur l'atteinte d'objectifs stratégiques à travers l'utilisation innovante des données. L'entreprise, connue pour sa production de pneumatiques, organise l'exploitation de ses données pour optimiser sa chaîne d'approvisionnement et surveiller la performance de ses usines en temps réel. Michelin a compris que la qualité de ses produits et services dépend directement de la qualité des données à sa disposition. Michelin a développé une « usine numérique » qui permet à ses collaborateurs et à ses équipes IT d'exploiter des données complètes pour innover et améliorer continuellement les processus de l'entreprise.Un autre cas est celui de Mirakl, une entreprise française « digital native » spécialisée dans le développement de solutions de e-commerce pour le marché B2B. Mirakla réalisé que l'excellence de son service reposait sur l'accès et l'analyse des données par son équipe. Pour y parvenir, elle s'appuie sur une plateforme ouverte intégrant l'ingénierie des données, la data science, l'apprentissage machine et les capacités analytiques. Cet outil est particulièrement efficace pour examiner les interactions entre acheteurs et vendeurs, ayant réussi à diminuer de 90 % le délai de résolution des incidents.
Il existe une opportunité tangible pour d'autres entités françaises « nées numériques » de suivre l'exemple de Mirakl. Selon une étude récente de Sage sur les possibilités offertes par l'IA pour les PME européennes, 33 % des petites et moyennes entreprises françaises ont déjà adopté l'IA, au moins partiellement, suggérant ainsi un large potentiel de croissance. Dans ce contexte, il est conseillé à toutes les organisations de prendre du recul, de reconsidérer leurs actifs de données et de rendre la technologie plus accessible.
Tout cela indique que cette année, les entreprises en France devront être parfaitement équipées pour valoriser leurs données et favoriser l'accès à l'intelligence artificielle générative. Dans une nation où l'ingénierie a vu le jour au 18ème siècle, il existe une abondance de talents prêts à exploiter l'IA générative pour transformer ce secteur en un puissant levier de croissance, d'acquisition de marché et de transformation. Il est essentiel de reconnaître que les entreprises capables de naviguer à travers les défis liés à la fragmentation et à la gouvernance des données grâce à des plateformes performantes seront en première ligne pour bénéficier des avantages de l'IA générative et des opportunités qu'elle présente.
Par Yannis Daubin, Vice-président - Europe du Sud, Israël, Moyen-Orient et Afrique chez Databricks
