En seulement deux mois, ChatGPT est devenu le produit le plus téléchargé au monde. Ce qui distingue cette solution de ses prédécesseurs, c'est son interface ultra-simple, basée sur des « invites » de type conversationnel. Cette utilisation intuitive, associée à la capacité de l'IA à traiter de vastes quantités de data à fournir des résultats rapides et précis, décuple la vitesse d'exécution et de prise de décision des professionnels. L'IA libère les individus des tâches répétitives et chronophages et leur permet de se concentrer sur des activités à plus forte valeur ajoutée. Les humains ne seront pas remplacés, ils seront « augmentés », grâce à l'IA générative.
Selon des études récentes, 78 % des employés estiment que l’IA générative a eu un impact positif sur leur productivité. Pour les tâches liées à l’acquisition de connaissances, les professionnels gagneraient 37 % en vitesse d’exécution et les développeurs 55 % sur les tâches de codage. Il y a six mois, une véritable course à l’innovation s’est lancée entre les acteurs de l’IA générative. Pour en tirer pleinement parti et rester compétitives, les entreprises doivent agir vite, sans perdre de vue les défis qui restent à relever.

La transparence et la confiance, les grands défis de l'IA générative

Les performances des solutions d'IA générative sont indéniables, mais elles présentent des limites dont il faut tenir compte pour en minimiser l'impact. On en distingue quatre types principaux :

  • Éthique: les biais, les « hallucinations », l'absence de sources ou le manque de transparence dans l'utilisation des data à caractère personnel data se refléter dans le contenu généré. Nous devons donc systématiser les processus d'identification des biais, comme nous le faisons dans tous nos data chez Artefact, conformément à notre charte éthique.

  • Environnement: l'entraînement des derniers modèles d'IA sur des milliards de paramètres génère une empreinte carbone sans précédent. Par exemple, l'entraînement de GPT-3[4] a nécessité l'équivalent de 502 tonnes d'émissions de CO₂, soit près de dix fois plus que ce qu'implique le cycle de vie d'une voiture moyenne. Les applications n'en sont qu'à leurs débuts : les émissions de CO₂ générées par les IA seront-elles compensées par le CO₂ qui ne sera plus produit par les activités humaines qu'elles remplacent ?

  • Emploi: Si la grande majorité des tâches humaines ne seront pas remplacées, mais plutôt facilitées par l'IA, elles subiront indéniablement une transformation. Il est essentiel que les personnes de tous âges et de toutes professions soient formées à ces changements. De plus, ces technologies ouvrent de nouvelles perspectives de carrière pour lesquelles on constate déjà une pénurie de profils. Des formations telles que celles proposées par Artefact of Data un moyen rapide et pratique de se reconvertir vers ces métiers d'avenir.

  • Réglementation: compte tenu des défis évoqués ci-dessus, il apparaît clairement que l'IA générative fera bientôt l'objet d'une réglementation stricte, à l'instar de celle qui régit le traitement des data à caractère personnel. L'Union européenne travaille actuellement à l'élaboration de la loi sur l'IA, qui devrait entrer en vigueur en 2025. En attendant la mise en place d'un cadre réglementaire clair, les entreprises doivent s'appuyer sur les textes existants relatifs data, à la propriété intellectuelle, au droit du travail et à la protection de l'environnement, ainsi que sur les instruments non contraignants.

La méthodologie propre Artefactpour réduire les risques et optimiser la transformation de l'entreprise

Les progrès fulgurants et constants de l'IA générative exigent des entreprises qu'elles agissent rapidement, mais avec discernement. C'est pourquoi nous recommandons à nos clients d'adopter une approche progressive et de mettre en place un cadre solide pour leur projet de transformation.

Pour rallier l'ensemble de l'entreprise à ce projet, les résultats d'un premier POC sont souvent déterminants. Afin de minimiser le risque d'incidents, il est préférable de réaliser ce premier test sur un cas d'utilisation interne, ou par le biais d'une intervention humaine (par exemple : un agent utilise les informations fournies par l'IA pour mieux servir le client). Parallèlement, nous devons identifier les applications potentielles à l'échelle de l'entreprise, en nous appuyant sur les besoins métier et sur l'ensemble des data disposons.

Parallèlement, il convient d'établir une feuille de route pour :

  • Organisation : il convient de définir les rôles et les responsabilités, ainsi que les mécanismes de gouvernance et les processus relatifs à la création et à l'extension des cas d'utilisation. Un plan d'urgence visant à se prémunir contre les risques et les biais doit être mis en place.

  • Pile technologique et data: les entreprises doivent s'assurer qu'elles disposent dedata first-party de haute qualitédata répondre aux cas d'utilisation identifiés, ainsi que d'une architecture technique robuste pour les industrialiser. Il est essentiel de choisir le modèle le plus adapté à chaque usage, que ce soit en termes de coût, d'impact ou de performance.

  • Ressources humaines : il convient de mettre en place dès que possible des programmes d'acculturation et de formation afin d'assurer le succès de la transition.

La confiance n'exclut pas le contrôle

Même si nous sommes convaincus que l'IA générative a et aura un impact positif sur les performances opérationnelles des entreprises et la productivité de leurs employés, il est important de procéder avec prudence. Les progrès doivent être continus et maîtrisés, et les humains doivent garder le contrôle des modèles avant de pouvoir tirer pleinement parti des cas d'utilisation illimités offerts par ces nouvelles technologies ultra-performantes.