Table of Contents
L’IA générative : Au-delà du battage médiatique, vers un ROI tangible
L’année dernière, l’IA générative a connu un essor fulgurant, propulsée par un engouement médiatique sans précédent. Séduites, de nombreuses entreprises se sont empressées de lancer une multitude de projets, souvent sans stratégie claire. Résultat ? Un retour sur investissement décevant pour la plupart, loin des attentes des dirigeants et des conseils d’administration.
2024 marque donc un tournant. L’heure est au bilan, à l’analyse des échecs et à la recherche de solutions pour rentabiliser les futurs projets d’IA générative. Les experts s’accordent sur la nécessité de repenser radicalement la manière dont le ROI est mesuré et d’identifier les projets réellement adaptés à cette technologie.
Le paradoxe du ROI de l’IA
“Nous sommes confrontés à un paradoxe”, constate Atefeh “Atti” Riazi, DSI du groupe de médias Hearst, qui a enregistré un chiffre d’affaires de 12 milliards de dollars l’année dernière. “Si nous avons l’habitude de mesurer le ROI des projets informatiques traditionnels, l’IA générative est si disruptive que nous peinons encore à en cerner les impacts à long terme.”
Des mandats précipités et des initiatives incontrôlées
L’arrivée fracassante de ChatGPT début 2023 a déclenché une vague d’enthousiasme, mais aussi d’inquiétude, dans les conseils d’administration. “Beaucoup d’entreprises se sont senties obligées de se lancer dans l’IA sans vraiment savoir de quoi il retournait”, observe Conor Twomey, responsable de la stratégie IA chez KX, spécialiste de la gestion de données.
Cette pression venue d’en haut a conduit à des déploiements précipités, sans analyse approfondie du ROI, ce qui explique en partie les déceptions rencontrées.
Parallèlement, de nombreux services métier, désireux d’exploiter le potentiel de l’IA, ont lancé leurs propres initiatives, contournant souvent les recommandations de la DSI. “Ces projets, souvent axés sur des processus non critiques comme les chatbots, manquent de soutien et d’engagement à long terme de la part de l’organisation”, déplore Kelwin Fernandes, PDG du cabinet de conseil en IA NILG.AI. “Au lieu de se concentrer sur l’amélioration des prises de décisions, les entreprises se sont lancées dans la création d’interfaces conversationnelles, sans réel impact sur leur cœur de métier.”
Attentes démesurées et coûts sous-estimés
Les premiers projets pilotes d’IA générative, souvent limités en envergure, ont donné des résultats spectaculaires, créant des attentes irréalistes pour les déploiements à grande échelle. ”L’un des principaux problèmes est le manque de scalabilité”, souligne Conor Twomey.
Les coûts exorbitants liés à l’infrastructure, à la formation des modèles et à la préparation des données sont souvent sous-estimés. De plus, la dépendance aux fournisseurs d’IA, dont les tarifs risquent d’augmenter à l’avenir, constitue un autre défi financier.
Le défi des hallucinations
L’un des problèmes majeurs de l’IA générative réside dans sa propension à “halluciner”, c’est-à-dire à générer des informations erronées ou inventées. Ce phénomène, s’il peut paraître anecdotique, représente un risque majeur pour les entreprises qui s’appuient sur l’IA pour analyser des données critiques dans des domaines tels que la santé, la finance ou l’aérospatiale.
“Les hallucinations ne me préoccupent pas outre mesure”, tempère Atefeh Riazi. “C’est un problème temporaire qui finira par être résolu.” Pour elle, il est essentiel d’appliquer à l’IA le même niveau de supervision et de contrôle qu’aux employés humains.
Un ROI à repenser
Face à ces défis, il est crucial de redéfinir la notion même de ROI dans le contexte de l’IA générative. “Le véritable enjeu pour les entreprises aujourd’hui est d’expérimenter, de se familiariser avec cette technologie”, estime Patrick Byrnes, consultant en IA chez DataArt.
Plutôt que de rechercher un retour financier immédiat, il est important de se concentrer sur l’apprentissage et l’acquisition de compétences.
Recentrer les projets d’IA générative
Pour maximiser les chances de succès, les entreprises doivent se montrer sélectives dans leurs projets d’IA générative. “Il est essentiel de se concentrer sur les applications qui apportent une réelle valeur ajoutée à l’entreprise”, conseille Brian Levine, directeur associé chez Ernst & Young.
Plutôt que de laisser l’IA déterminer sa propre méthodologie, il est crucial de lui fournir des directives claires et précises. “Il faut entraîner l’IA comme on formerait un nouvel employé”, illustre Brian Levine.
Vers une gouvernance de l’IA
Pour mieux contrôler les initiatives d’IA générative, la mise en place de comités d’experts en IA, chargés d’évaluer et d’approuver les projets, est une solution envisagée par certaines entreprises.
L’IA générative représente une opportunité majeure pour les entreprises, mais sa mise en œuvre réussie nécessite une approche réfléchie et stratégique. En dépassant le simple battage médiatique et en se concentrant sur des projets à forte valeur ajoutée, les entreprises peuvent espérer tirer pleinement parti de cette technologie révolutionnaire.
L’IA générative et le casse-tête du ROI : repenser la rentabilité à l’ère de l’apprentissage automatique
L’engouement pour l’IA générative a explosé en 2023, propulsé par des promesses de révolutionner l’entreprise. Nombreuses sont les entreprises qui se sont lancées tête baissée dans des projets d’IA générative, souvent poussées par une direction fascinée par le potentiel disruptif de ChatGPT et autres outils similaires. Pourtant, force est de constater que la réalité est plus complexe : la majorité de ces projets peinent à générer le retour sur investissement (ROI) escompté.
Alors, comment expliquer ce décalage entre l’enthousiasme initial et la réalité du terrain ? Et surtout, comment les entreprises peuvent-elles s’assurer que leurs futurs projets d’IA générative soient synonymes de succès et non de désillusions ?
Des attentes irréalistes et des coûts sous-estimés
L’un des principaux obstacles au ROI de l’IA générative réside dans l’inadéquation entre les attentes et la réalité des coûts. Les premières applications, souvent déployées à petite échelle, ont donné des résultats impressionnants, nourrissant des espoirs de gains de productivité rapides et massifs. Or, la réalité du passage à l’échelle est bien différente.
Prenons l’exemple d’une startup utilisant une technologie d’IA générative open source pour analyser quelques centaines de documents. Si cette solution peut sembler efficace au départ, son coût et sa complexité augmentent exponentiellement lorsque l’entreprise doit traiter des centaines de milliers de documents.
De plus, les entreprises ont souvent sous-estimé les coûts cachés liés à la préparation des données, à la formation des modèles et à la gestion de l’infrastructure. Comme le souligne un expert en IA, “les entreprises se concentrent sur le développement, la formation et l’infrastructure des modèles, mais ne tiennent pas suffisamment compte du coût de la préparation des données”.
L’analyste IDC estime que les coûts opérationnels mensuels de l’IA générative se situent entre 4 et 5 millions de dollars, auxquels s’ajoutent les coûts d’électricité et de gestion des centres de données.
Le défi des hallucinations et la nécessité d’une supervision humaine
Un autre défi majeur de l’IA générative est sa propension aux “hallucinations”. En d’autres termes, ces systèmes peuvent parfois générer des informations inexactes, voire totalement inventées.
Si ce phénomène peut prêter à sourire lorsqu’il s’agit de générer du contenu créatif, il devient problématique lorsque l’IA est utilisée pour analyser des données critiques dans des domaines tels que la santé, la finance ou l’aérospatiale.
La vérification humaine reste donc indispensable, ce qui limite les gains de productivité promis par l’IA générative.
Repenser le ROI de l’IA générative : l’expérimentation avant la rentabilité
Face à ces défis, il est crucial de repenser la notion même de ROI dans le contexte de l’IA générative. Plutôt que de se focaliser uniquement sur des gains financiers immédiats, les entreprises devraient privilégier une approche d’expérimentation et d’apprentissage.
Comme le souligne Patrick Byrnes, consultant en IA chez DataArt, ”la valeur pour les entreprises aujourd’hui est de pratiquer, d’expérimenter”.
Il est essentiel de commencer par des projets à petite échelle, bien définis et avec des objectifs clairs. Plutôt que de demander à l’IA de “trouver les meilleurs emplacements pour nos 50 prochains magasins”, il est préférable de lui fournir des directives précises et des exemples concrets de ce qui constitue un bon emplacement.
Adopter une approche pragmatique et contrôlée
Pour maximiser les chances de succès de leurs projets d’IA générative, les entreprises doivent adopter une approche pragmatique et contrôlée :
- Créer des comités d’IA chargés d’évaluer la pertinence et la faisabilité des projets.
- Se concentrer sur des objectifs précis et mesurables, en privilégiant les projets à fort potentiel de valeur ajoutée.
- Ne pas considérer l’IA générative comme une solution miracle, mais comme un outil puissant qui nécessite une supervision humaine et une intégration réfléchie aux processus existants.
l’IA générative a le potentiel de transformer l’entreprise, mais il est important de ne pas céder à la hype et d’adopter une approche réaliste et pragmatique. En se concentrant sur l’expérimentation, l’apprentissage et la création de valeur à long terme, les entreprises peuvent exploiter pleinement le potentiel de cette technologie révolutionnaire.
2 thoughts on “IA générative : Comment (vraiment) mesurer le ROI ?”