Le problème prend une autre dimension lorsque les modèles traitent des informations qu'une entreprise considère comme stratégiques. Contrats, développements technologiques, données financières, stratégies commerciales, bases de clients ou informations sur des produits encore non lancés peuvent faire partie des consultations réalisées auprès d'un outil externe. Dans ces cas, la discussion ne se limite plus à savoir combien coûte l'utilisation de l'IA, mais implique qui contrôle les données avec lesquelles elle fonctionne.
Quelles informations sont fournies lors de l'utilisation de l'IA
Utiliser un service externe d'intelligence artificielle implique d'envoyer des informations à l'infrastructure qui traite chaque demande. Le niveau d'exposition dépend du type de données incorporées et des conditions de chaque plateforme, mais le risque augmente lorsqu'il s'agit d'informations confidentielles ou qui représentent un avantage concurrentiel.
C'est pourquoi Velasco a suggéré que les entreprises doivent établir une différence entre les contenus qui peuvent être traités par des outils externes et ceux qui devraient rester sous contrôle interne. “Vous pouvez utiliser l'IA générative pour le marketing, mais votre cœur de métier, vos contrats, ne devraient pas être exposés”, a-t-il expliqué.
Une alternative est d'utiliser des modèles qui peuvent être exécutés localement, au sein de l'infrastructure de l'entreprise elle-même. Cela permet de réduire la dépendance aux services externes et de garder les données au sein de l'organisation, bien que cela nécessite des capacités de traitement, des connaissances techniques et des ressources pour mettre en œuvre et gérer les systèmes.
Selon Velasco, développer une infrastructure propre peut nécessiter des investissements supérieurs à 300 000 USD. Le coût constitue une barrière particulièrement importante pour les petites et moyennes entreprises, qui peuvent facilement accéder à des outils commerciaux d'intelligence artificielle mais ne disposent pas nécessairement des ressources pour développer une infrastructure propre.
Le défi des PME : productivité et souveraineté des données
La différence entre les grandes entreprises et les PME se reflète également dans la capacité à contrôler où leurs données sont traitées. Alors que les organisations disposant de plus de ressources peuvent développer leurs propres systèmes ou embaucher des solutions spécifiques, les entreprises plus petites dépendent souvent de plateformes externes pour incorporer l'intelligence artificielle dans leurs processus.
La décision ne consiste pas à choisir entre utiliser l'IA ou ne pas l'utiliser, mais à déterminer quelles tâches peuvent être déléguées et quelles informations doivent rester protégées. Ce n'est pas le même risque d'utiliser un modèle pour générer une pièce de marketing que d'incorporer un contrat, des informations sur un développement technologique ou des données internes d'une entreprise.
Velasco a mentionné comme exemple la stratégie de Palantir, qui offre des solutions visant à ce que de grandes organisations conservent un meilleur contrôle sur leurs données et systèmes d'intelligence artificielle. La tendance vise à réduire la dépendance aux services externes lorsque les informations traitées font partie des actifs les plus sensibles d'une entreprise.
Pour les PME, le défi consiste à trouver un équilibre entre le coût de développer une infrastructure propre et le risque d'utiliser des services externes pour traiter des informations centrales de l'entreprise.
L'IA modifie également le travail des programmeurs
La génération automatique de code a introduit un autre changement dans les entreprises technologiques. Les modèles peuvent produire de grandes quantités de code en peu de temps, mais le résultat nécessite encore une révision humaine pour détecter les erreurs et éviter des problèmes qui peuvent ensuite se transformer en dette technique.
Durant l'interview, Andrei Serbin Pont a souligné que le coût associé à l'utilisation intensive de tokens peut amener les entreprises à reconsidérer l'embauche de programmeurs juniors. Velasco a lié cette situation à la nécessité de superviser le code généré par les modèles.
“De nombreuses entreprises génèrent du code inutile parce que personne n'a audité ce que produit l'IA”, a-t-il averti. L'automatisation permet d'accélérer le développement, mais incorporer du code sans une révision adéquate peut transférer des erreurs à des étapes ultérieures et augmenter le coût de leur correction.
Dans ce scénario, le rôle du programmeur junior peut changer. Au lieu de se concentrer exclusivement sur l'écriture de code à partir de zéro, il peut participer à la révision, à la validation et à la correction du contenu généré par l'intelligence artificielle. “On remet l'humain au centre, avec des juniors supervisant ce que génère l'intelligence artificielle pour éviter la dette technique”, a expliqué Velasco.
L'automatisation, par conséquent, n'élimine pas le besoin de connaissances techniques. Elle modifie la façon dont elles sont utilisées : l'IA peut accélérer la production de code, mais elle a toujours besoin de personnes capables de le comprendre, de l'auditer et de déterminer s'il est correct.
Le risque de dépendre d'une seule plateforme
L'expansion de ces outils génère également un problème de dépendance technologique. Une entreprise qui concentre ses processus, informations et connaissances sur une seule plateforme peut rencontrer des difficultés si ses prix, conditions d'utilisation ou capacités changent.
Velasco a recommandé d'éviter cette dépendance et de maintenir la possibilité de migrer entre différents services. “Le mieux est de se familiariser avec plusieurs, ne pas s'engager avec une seule”, a-t-il soutenu, et a mentionné parmi les alternatives ChatGPT, Gemini et Grok.
La question centrale, alors, n'est pas seulement combien coûte l'utilisation de l'intelligence artificielle. Il importe également quelles informations sont fournies, qui maintient le contrôle sur ces données et quelle capacité une organisation a pour changer de fournisseur ou exécuter ses propres modèles.
A mesure que l'IA s'intègre dans plus de domaines des entreprises, cette décision n'est plus uniquement technologique. Pour les entreprises, et en particulier pour les PME, définir quelles informations peuvent être traitées sur des plateformes externes et lesquelles doivent rester au sein de l'organisation est devenu une question de business.
–