Une étude réalisée par le fournisseur de solutions d’automatisation Hyperscience et Harris Poll a révélé que quatre organisations sur cinq utilisent actuellement l’IA, et que presque toutes prévoient d’en accroître l’usage dans des domaines tels que l’analyse des données, la cybersécurité et l’analyse prédictive. Elle a toutefois également mis en évidence d’importants défis liés à l’adoption de l’IA.
Le manque d’utilisation des données propriétaires
Le succès de ChatGPT et d’autres moteurs d’IA générative (GenAI) a conduit beaucoup d’entreprises à négliger l’usage le plus évident de l’IA en entreprise : tirer davantage d’informations des données existantes. L’étude Unlocking GenAI: Navigating the Path from Promise to ROI a révélé que trois organisations sur cinq exploitent mal leurs ressources de données existantes. Cela concerne tout particulièrement les données propriétaires.
Par exemple, la plupart des organisations utilisent des grands modèles de langage (LLM) comme ceux proposés par OpenAI, Google, Microsoft et d’autres. Relativement peu d’entreprises ont développé leurs propres petits modèles de langage (SLM), alors que le rapport a révélé que trois organisations sur quatre utilisant l’IA générative ont constaté que les SLM surpassent les LLM en vitesse, en coût, en retour sur investissement et en précision. Les SLM peuvent être réglés avec précision en fonction des besoins de l’organisation, ce qui leur permet de comprendre le contexte, le jargon et les nuances propres à certains secteurs. Cette spécialisation se traduit par des temps de traitement plus courts et de meilleurs résultats, permettant aux entreprises d’automatiser des tâches répétitives telles que l’extraction, la catégorisation et la synthèse de données.
« Les données sont la sève de toute initiative d’IA, et la réussite de ces projets dépend de la qualité des données qui alimentent les modèles », a déclaré Andrew Joiner, PDG de Hyperscience. « Trois décideurs sur cinq déclarent que leur manque de compréhension de leurs propres données limite leur capacité à exploiter l’IA générative à son plein potentiel. »
De nombreuses organisations stockent un large éventail de documents, notamment des PDF, des blogs, des dossiers clients, des entrées de bases de données, des formulaires web, des formulaires de demande, des commandes, des factures et bien plus encore. Cela semble être un domaine idéal pour l’IA, mais la moitié des organisations n’utilisent pas l’IA générative pour faciliter le traitement des documents ou fluidifier les flux de travail.
Il s’agit de l’une des mises en œuvre de l’IA les plus simples en entreprise, puisque les données sont déjà disponibles et se trouvent généralement derrière le pare-feu. « L’IA générative peut transformer le traitement des documents et améliorer l’efficacité opérationnelle », a déclaré Joiner.
Autres obstacles à l’adoption
Que l’on utilise des LLM ou des SLM, l’essentiel réside dans la manière dont le modèle est entraîné. Cela reste un obstacle majeur à l’adoption de l’IA. Environ 77 % des répondants à l’enquête ont reconnu sous-utiliser les données disponibles pour entraîner l’IA. Résultat : la précision des modèles diminue, les hallucinations deviennent plus fréquentes et la confiance dans l’IA s’érode.
La confidentialité des données peut également freiner l’adoption de l’IA générative. Harris Poll a noté que 83 % des organisations expriment des préoccupations éthiques et relatives à la confidentialité des données concernant l’IA. Fait intéressant, selon l’enquête, les petites entreprises sont plus susceptibles de reconnaître ces préoccupations et d’agir en conséquence que les grandes entreprises.
L’intégration constitue un obstacle majeur à la concrétisation des bénéfices potentiels de l’IA. Demander à un modèle de fournir des réponses est une chose. Intégrer les données de l’entreprise aux modèles et relier les réponses à d’autres applications et flux de travail de l’entreprise en est une tout autre.
Surmonter les défis liés à l’adoption de l’IA
Il n’existe pas de solution simple pour surmonter les nombreux obstacles à l’adoption de l’IA. De nombreux fournisseurs traditionnels et entreprises spécialisées dans l’IA proposent un large éventail de moyens de tirer parti de l’IA. Hyperscience préconise l’hyperautomatisation pour aider les organisations à relever les défis liés à leur parcours d’adoption de l’IA générative, à rationaliser le traitement des documents et à automatiser des flux de travail complexes.
Cisco recommande une approche davantage axée sur l’infrastructure technologique. Son AI Readiness Index a relevé que la plupart des réseaux sont mal équipés pour gérer les charges de travail liées à l’IA, seules 21 % des entreprises disposant des GPU nécessaires pour répondre aux besoins actuels et futurs de l’IA. En outre, à peine 13 % se sentent prêtes à exploiter le potentiel de l’IA, alors que 98 % expriment l’urgence de mettre l’IA en œuvre et que 85 % estiment disposer de moins de 18 mois pour agir.
« L’IA nous amène à repenser les besoins en énergie, les besoins de calcul, la connectivité hautes performances à l’intérieur des centres de données et entre eux, les besoins en données, la sécurité et bien plus encore », a déclaré Jeetu Patel, directeur produit de Cisco. « Où qu’elles en soient dans leur parcours vers l’IA, les organisations doivent préparer leurs centres de données existants et leurs stratégies cloud à l’évolution des exigences, et disposer d’un plan pour adopter l’IA avec agilité et résilience, à mesure que les stratégies évoluent. »