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.
L’intelligence artificielle classique nécessite généralement un nouveau modèle pour chaque tâche ainsi que l'intervention d'experts. L’IA générative permet bien souvent de déployer rapidement le même modèle dans de nombreux domaines et les métiers peuvent directement faire eux-mêmes leurs premiers essais.
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 :
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.
C’est généralement un système privé basé sur un grand modèle de langage (LLM) pour lequel l’entreprise a des licences et qu’elle exploite au sein de son réseau avec des garde-fous et une gouvernance guidée par des pratiques d’IA responsables pour contribuer à protéger les données et la propriété intellectuelle.
Une politique de gouvernance, un cadre réglementaire et des conditions d’utilisation spécifiques à l’IA générative contribuent également à gérer les risques pouvant découler des fonctionnalités intégrées dans les progiciels de gestion intégrée (ERP), de gestion de la relation client (CRM) ou autres applications d’entreprise.
Pour renforcer la sécurité des systèmes d’IA générative, il faudra réfléchir au-delà des systèmes eux-mêmes.
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.
Un cas d’usage qui présente un apport modéré, mais qui est rapidement reproductible, peut offrir un meilleur retour sur investissement qu’un cas d’usage unique à forte valeur ajoutée.
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 :
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 :
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.
Pierre Capelle
Associé responsable de l’activité Data Analytics et Intelligence Artificielle, PwC France et Maghreb
Benoît Sureau
Associé, Financial Institutions, Risk Management & Blockchain, PwC France et Maghreb