Une démonstration d’intelligence artificielle peut se préparer en peu de temps et se présenter à n’importe quel comité de direction. Cependant, le résultat n’est pas de montrer que l’IA est capable de faire un investissement contrôlé, mais en conséquence que sa capacité fonctionne de manière stable, sûre et utile dans le fonctionnement réel. C’est précisément en ce qui concerne la distance entre la démonstration et la fiabilité de l’opération que l’on décide si l’IA porte la valeur ou les seules attentes.
Et le potentiel est réel : l’IA génératrice peut résumer des documents, classer des demandes, localiser des informations, rédiger des réponses ou générer un code en secondes. La difficulté apparaît lorsque les capacités sont aujourd’hui en cours de développement en étant présentées comme des listes pour toute organisation.
L’IA est bien plus facile à démontrer qu’à devenir une capacité opérationnelle. Basta avec un cas contrôlé pour obtenir en quelques secondes un résultat qui avant un moment et une connaissance spécialisée.
Cela facilite l’amplification des attentes générées dans le contexte où les fabricants projettent un futur cas milagroso avec leurs modèles, les réseaux se llenan de cas d’expérience, les cours pour « développer IA » en trois jours et les invites présentées comme des solutions universelles, tandis que les fournisseurs de services présentent des projets en curso como producto final.
Oui, cela amène les clients à espérer que leurs fournisseurs disposent de listes de capacités pour améliorer leur productivité et réduire leurs coûts. L’attente est compréhensible, mais elle convient d’une gestion rigoureuse : entre une étude prometteuse et une solution industrielle juste, elle aura une partie pertinente de l’espace, du coût et du risque du projet.
Pour mieux comprendre cette distance, elle permet de séparer les deux dimensions qui, à l’intérieur de l’intelligence artificielle, sont confondues avec la fréquence : la maturité technologique d’un outil et la profondeur avec laquelle elle est intégrée dans notre travail quotidien.
La première dimension est la maturité, celle du milieu de la fiabilité technologique dans des situations très différentes. À un premier niveau, c’est ce qui est techniquement possible : le modèle logra résout une zone, mais seulement en bas de certaines conditions bien déterminées. Ensuite, il apparaît que la démonstration est de forme cohérente : l’outil est testé dans des cas réels, les résultats sont établis et, sur tout, nous sommes clairs sur nos limites. Finalement, c’est ce qui se trouve préparé pour la production : la solution peut fonctionner dans le jour de l’entreprise avec sécurité et contrôle, en sachant gérer les données imparfaites, les exceptions et son impact sur le commerce.
La deuxième dimension est la profondeur, qui définit le degré d’autonomie et la portée de l’IA dans nos tâches. De manière plus fondamentale, le copilote d’utilisation générale apparaît, qui aide à rédiger, résumer ou rechercher des informations, pendant que l’utilisateur apporte le contexte et révise toujours le résultat final. Vous pouvez également appliquer une activité concrète, comme classifier une bande de sollicitudes ou préparer le chercheur d’une réponse. Un niveau d’intégration plus élevé permet de connecter l’IA aux systèmes et aux données, toujours selon les autorisations, pour réduire les tâches manuelles et les étapes opérationnelles. En fin de compte, un agent doté de la capacité d’actionnement ne vous demandera pas ou ne cherchera pas d’informations, si vous coordonnez les différents outils et les actions exécutées par vous-même à l’intérieur d’un flux de travail.
Ces dimensions peuvent être croisées avec des formes très distinctes. Nous pouvons avoir une solution avec une intégration très profonde dans nos systèmes, mais que la technologie reste très inmadura. Par contre, un simple copilote aux fonctions limitées peut être parfaitement adulte pour réaliser une production.
Entre un projet prometteur et une solution industrialisée, il y aura une partie pertinente de l’espace, du coût et du risque du projet.
Tampoco est obsédé par l’utilisation constante de l’intégration maximale. Pour de nombreuses activités, utilisez bien un copilote de base qui apporte une grande valeur de forme immédiate. C’est une voie avec moins de complexité et moins de risques, qui fonctionne comme un support intelligent pour un être humain qui, apparemment, est celui qui porte le critère définitif.
Si vous êtes profondément élégant, une solution de IA sigue siendo software : vous avez besoin de données, de sécurité, d’essais, de fonctionnement et d’entretien. Mais le LLM exige des évaluations supplémentaires.
La première réponse est la véracité : le modèle peut générer une réponse plausible et bien rédigée sans être réellement répondue par les informations disponibles. Ceci est obligatoire pour contrôler les sources utilisées, si elles sont actualisées et si la réponse est réellement répondue à elles.
La deuxième étape consiste à évaluer la qualité lorsqu’il n’existe pas une réponse unique et correcte. Dans ces cas, il n’y a pas de place pour un ensemble de tests : il faut définir les critères d’acceptation, évaluer les cas de représentants et observer le comportement pendant l’opération, afin de changer lorsque le modèle, les sources ou le contexte sont modifiés.
Les exigences dépendent du cas d’utilisation, de votre autonomie et du risque associé. En tant que copilote, le conducteur est principalement chargé de protéger les informations, d’établir des critères d’utilisation et d’assurer la révision de l’utilisateur. Lorsque l’IA est appliquée aux domaines structurés, elle définit avec clarté ce que vous recevez, ce qui doit être transféré et comment être évalué. Si vous êtes intégré à d’autres systèmes, vous ajouterez la gestion des autorisations, la traçabilité et le contrôle des informations utilisées. Et si vous pouvez exécuter des actions, vous devez également décider ce que vous pouvez faire pour vous-même, ce qui nécessite une approbation et comment annuler une action incorrecte.
Par exemple, dans un service de gestion des applications, une base de connaissance désactualisée peut détériorer les réponses par inadvertance. Une recommandation incorrecte peut également vous permettre de trouver la solution ou de générer un autre problème en production.
Tout cela est obligatoire pour passer le potentiel en cas de réalité. Avant une intelligence artificielle en constante évolution, notre papier comme consommateur doit être stratégique. La clé est de choisir le niveau de profondeur adéquat pour chaque nécessité du commerce, entendant qu’une grande intégration et autonomie implique plus d’espace d’implantation, d’exploitation et de contrôle.
L’IA n’est pas une solution universelle. En certains endroits, vous disposez de capacités qui surveillent les personnages ; en d’autres termes, votre travail en tant que copilote et, en grande partie, vous permet simplement de le rendre plus rapide ou plus pratique. Le tout consiste à évaluer le retour sur investissement de chaque cas d’utilisation et à anticiper la dépendance technologique, y compris une éventuelle subvention des coûts des fournisseurs.
Par Arnau Mustieles Arola, directeur exécutif du Centre de compétence de services RUN de Sistemas en Stratesys
