IA générative et passage à l'échelle : le guide

Dans le cas de l’IA générative, parmi les cas d’usage, l’entreprise doit rechercher ceux qui sont réplicables, capables d’évoluer et d’offrir un retour sur investissement à l’échelle de toute l’organisation.

Les cas d’usage sont trop nombreux pour être tous déployés ; seuls doivent l’être ceux qui peuvent être appliqués à l’ensemble des processus. Par exemple, si une IA générative est capable de récupération profonde d’informations exploitables à partir de données non structurées, peut-elle apporter de la valeur dans un seul domaine, ou se déployer dans chaque secteur d’activité et chaque fonction ? Dans le second cas, le retour sur investissement peut être spectaculaire.

Se concentrer sur les processus métier de base permet d’accroître le retour sur investissement. Notamment, recourir à des outils d’IA générative pour écrire ou corriger des logiciels, améliorer l’automatisation d’un processus existant ou pour personnaliser une expérience client. La stratégie doit également tenir compte de l’état de préparation des données, des processus et de la maturité des équipes, avec un plan pour combler les lacunes.

La mise en place d’une stratégie d’IA générative efficace doit se faire en temps limité et passe par 4 grands étapes incontournables :

• Confiance 
• Création de Valeur
• Modèle de déploiement
• Adoption

Pensez en termes de semaines, et non de mois, en sachant qu’elle continuera d’évoluer.

Établir les conditions de la confiance dès la conception des applications basées sur la l’IA générative, puis dans leur fonctionnement et leur utilisation est un pré requis, comme pour presque toutes les technologies.

La gouvernance est le premier jalon d’une approche globale d’une intelligence artificielle de confiance, à commencer par la gouvernance des données et les considérations spécifiques en matière de sécurité.

Pour renforcer la sécurité des systèmes d’IA générative, il faudra réfléchir au-delà des systèmes eux-mêmes.

• Évaluer l’architecture réseau, les politiques de sécurité, la gouvernance des données et le cadre de conformité à la lumière des nouveaux risques de l’IA générative. 
• Tenir compte de la gestion des risques liés aux tiers et surveiller en continu la façon dont leur gouvernance et leur gestion des risques interagissent avec celles de l’entreprise.
• Combler les lacunes en mettant en place des stratégies de sécurité ou en sécurisant l’environnement. 

Deux mois peuvent être nécessaires pour évaluer et améliorer la sécurité de l’environnement des systèmes d’intelligence artificielle générative.

Les premiers projets pilotes doivent suivre votre stratégie et prioriser vos processus métiers principaux, la facilité d'adoption et la répétabilité. Les modèles d’IA générative étant pré-entraînés, il est possible de mettre en place des cas d’usage en mode sprint de 90 jours. Idéalement, ils doivent porter sur des données au format standard sur lesquelles les LLM ont été entrainés, afin de garantir le succès du projet, à l’image des données type fiche produit, fournisseur, customer, etc.

Le lancement peut reposer sur une équipe de référents pour l’IA générative, qui comprend non seulement des experts de la technologie, mais aussi des analystes et des décideurs métiers de l’entreprise. Ils sont les mieux à même d’appréhender ce dont l’entreprise a besoin, comprendre ce qui la différencie sur le marché, identifier les données et fournir les informations nécessaires pour personnaliser les modèles d’IA générative.

Avec leur contribution, l'outil peut produire des résultats pertinents et précis, ce qui peut permettre à tous les collaborateurs d’accéder à l’expertise des professionnels les plus expérimentés.

Une fois les premiers cas d’usage opérationnels, l’équipe dédiée à l’IA générative identifie les problèmes (de données, de technologie, de compétences…) et les bonnes pratiques à reproduire, par exemple au moyen d’une GenAI factory. Cette équipe comprend des experts par domaine ou secteur d’activité, avec une expertise à la fois business et technologique. Par exemple, chez PwC, les équipes de spécialistes de la GenAI factory rassemblent des analystes, des data scientists, des data engineers et deux rôles spécifiques à l’IA générative (un ingénieur prompt pour affiner la sortie du modèle et modèle mécanique pour superviser et personnaliser le fonctionnement interne du modèle).

Ces équipes dédiées peuvent passer à l’échelle en mutualisant la supervision, la gouvernance, le design d’UX, le support en data science et les boîtes à outils avec du code et des prompts réutilisables.

Chez PwC, nous disposons de “boîtes à outils” pour l’IA générative, prédéfinies pour prendre en charge le développent d’UX personnalisées, la création de contenu, les résumés, le support, les moteurs de questions-réponses, la génération de rapports, la récupération profonde, etc.

Une fois la GenAI factory en mode production, la priorité est d’intégrer une plus grande partie des données de l’entreprise dans l’outil et de s’en servir pour transformer les processus. L’objectif est que l’IA générative, intégrée aux principaux processus, permette à l’ensemble des collaborateurs de travailler plus rapidement et plus efficacement.

Cette transformation nécessite une expérience utilisateur fluide pour utiliser l’intelligence artificielle générative directement mais aussi au travers des fonctionnalités intégrées aux systèmes de l’entreprise.

Pour protéger vos systèmes et augmenter encore le retour sur investissement, évaluez en permanence les résultats, les coûts, les performances et l’alignement de l’IA générative sur les objectifs de l’entreprise et les risques.

Dès lors, tous les collaborateurs doivent acquérir des compétences solides en matière d’utilisation responsable de l’IA. Un guide de l’IA responsable doit couvrir :

• la stratégie (pour le dirigeant et le conseil d’administration),
• les contrôles (pour les responsables de la gestion des risques et de la conformité, ou toute autre personne responsable de la mise en œuvre des contrôles répondant aux risques identifiés), 
• les pratiques responsables (pour les CIO, CTO, CISO),
• et les pratiques de base (pour la GenAI factory, y compris les data scientists et les analystes commerciaux). 

Ce cadre d’IA responsable comprend des comparaisons avec des ensembles de données historiques pour aider à valider les résultats. Il prévoit également des audits périodiques par des équipes composées de spécialistes du domaine, de data scientists, et de personnes pouvant objectivement déterminer si les objectifs de confiance de l’organisation sont atteints.

Pour protéger vos systèmes et augmenter encore le retour sur investissement, évaluez en permanence l’adoption, les résultats, les coûts, les performances et l’alignement de l’IA générative sur les objectifs de l’entreprise et les risques.

Dans notre expérience du déploiement de l'IA générative, tant en interne qu'avec nos clients, nous observons systématiquement le même phénomène. Le retour sur investissement sera d’autant plus rapide et la transformation d’autant plus profonde que la rigueur, le passage à l’échelle et la confiance auront été des éléments clés de la réflexion.

Cela se traduit par les actions suivantes :

• sécuriser l’environnement,
• élaborer la stratégie,
• commencer par la gouvernance,
• combler les lacunes en matière de technologie, compétences et données,
• construire une GenAI factory pour accélérer le déploiement,
• accompagner les collaborateurs dans leur adoption et adaptation des processus,
• établir une surveillance rigoureuse pour une IA responsable,
• faire le suivi des gains.

En suivant ces étapes, il est possible d’augmenter rapidement la productivité et de construire les bases de nouveaux modèles d’affaires, tels que ceux basés sur l’hyper-personnalisation ou l’accès continu aux données.