GenAI : bien plus que de simples cas d'utilisation
Traditionnellement, les entreprises ont recours à l'IA pour résoudre des problèmes ponctuels, par exemple pour améliorer les prévisions de la chaîne d'approvisionnement ou renforcer la détection des fraudes.
« Mais la GenAI est différente. Ce n’est pas simplement un outil de plus destiné à optimiser des tâches spécifiques ; elle a le potentiel de transformer le mode de fonctionnement des entreprises. »
Édouard de Mézerac, Artefact
Cette évolution signifie que l'automatisation ou l'optimisation des tâches conceptuelles — telles que la collecte d'informations et la prise de décision — est désormais à notre portée. Son impact va au-delà des gains d'efficacité ; il redéfinit l'ensemble de la chaîne de valeur des secteurs d'activité.
Applications concrètes : comment les grandes entreprises utilisent l'IA générative
Pour illustrer cette transformation, Edouard a présenté des exemples concrets où l'IA générative a déjà un impact significatif :
Télécommunications – Réduction des délais d'installation de 70 à 80 %
–Défi: Une grande entreprise de télécommunications était confrontée à d'importants retards dans l'installation de la fibre optique en raison de conflits d'horaires et d'une infrastructure insuffisante. La résolution de ces problèmes prenait en moyenne deux à trois mois.
–Solution : Collecte automatisée d'informations par l'IA auprès des opérateurs de télécommunications, des services municipaux et des propriétaires immobiliers, tout en gérant la prise de rendez-vous et la coordination des processus.
Industrie manufacturière – Aider les équipes commerciales à maîtriser la connaissance des produits
–Défi : une entreprise internationale spécialisée dans les produits électriques avait besoin que ses équipes commerciales assimilent rapidement des milliers de détails sur ses produits, ce qui rendait difficile la fourniture de conseils précis à ses clients B2B.
–Solution : Un chatbot alimenté par GenAI a fourni aux équipes commerciales des informations fiables et en temps réel sur les produits, grâce à la génération augmentée par la recherche (RAG), afin de garantir la précision et de minimiser les « hallucinations » de l'IA.
Commerce de luxe – Renforcer la formation du personnel de vente sur les nouveaux produits
–Défi : Une marque de mode haut de gamme lance chaque semaine 15 nouveaux produits par magasin, ce qui rend difficile pour les vendeurs de se tenir informés des détails des produits et des recommandations.
–Solution : l'IA a fourni des informations instantanées sur les produits, notamment sur le parcours des créateurs, les principales caractéristiques et les associations possibles, améliorant ainsi les interactions avec les clients.
La dure réalité : la plupart des entreprises ne sont pas prêtes
Malgré le potentiel de cette technologie, la plupart des entreprises ne sont pas prêtes à adopter l'IA générative. Edouard a identifié cinq obstacles majeurs à la généralisation de l'IA générative :
Manque de préparation des dirigeants
De nombreux cadres supérieurs ont fait carrière à une époque où l'IA et la transformation numérique ne faisaient pas encore partie intégrante de la stratégie d'entreprise. Il en résulte un déficit de connaissances important : seuls 50 % des dirigeants ont suivi une formation en IA, et parmi eux, la moitié estime que cette formation est insuffisante.
Capacité opérationnelle limitée
La mise en œuvre réussie de l'IA ne peut pas être uniquement une initiative menée par le service informatique. Les responsables opérationnels de fonctions clés — telles que la chaîne d'approvisionnement, le marketing, les achats et la gestion de la relation client (CRM) — doivent s'approprier l'intégration de l'IA générative.
data insuffisante
Les modèles d'IA ont besoin de data de haute qualité et bien structurées data fonctionner efficacement. De nombreuses entreprises sont confrontées à des problèmes tels qu'data incohérente, des référentiels peu clairs et une documentation insuffisante. Sans une data solide, les entreprises peinent à déployer des solutions d'IA à grande échelle.
Des cadres de gouvernance et d'éthique peu clairs
Le cadre réglementaire en matière d'IA varie considérablement d'un pays à l'autre, ce qui complique la mise en conformité pour les multinationales. De plus, l'IA générative soulève des questions cruciales d'ordre éthique et liées à la main-d'œuvre. Par exemple, si l'IA permet aux services marketing d'obtenir les mêmes résultats avec moins de personnel, les entreprises doivent se pencher sur les implications potentielles pour leurs effectifs.
Des coûts de mise en œuvre élevés et un retour sur investissement incertain
Pour de nombreuses entreprises, la mise au point et le déploiement de solutions d'IA générative évolutives restent trop coûteux. Certains modèles économiques basés sur l'IA peinent encore à dégager un retour sur investissement positif.
Une course à la survie
Nous assistons à l'avènement d'une nouvelle ère technologique qui évolue à un rythme sans précédent et qui marquera la prochaine décennie de transformation économique. Les entreprises qui adopteront l'IA générative et repenseront leurs processus de travail prospéreront. Celles qui ne parviendront pas à s'adapter seront laissées pour compte.
Édouard de Mézerac se réjouit de voir les anciens élèves de HEC jouer un rôle de premier plan dans ces débats et envoie un message clair : les dirigeants doivent se mobiliser, repenser leurs stratégies et se préparer à un avenir qui est déjà là.
