Les capacités en langage naturel de l’IA générative sont si faciles à utiliser que même les PDG , qui ne sont généralement pas des adeptes précoces, les expérimentent. Moins d’un an après l’apparition des outils basés sur l’IA générative fin 2022 , un quart des cadres dirigeants les utilisaient déjà.
L’intérêt généralisé pour l’IA générative a créé une énorme vague de cas d’utilisation et d’expériences. Cependant, ces efforts sont relativement faciles à lancer mais peuvent consommer des ressources sans générer beaucoup de valeur. Pour échapper à ce purgatoire pilote, la priorité doit être de connecter l’IA générative aux résultats commerciaux . Voici quatre façons dont les PDG peuvent y parvenir.
Concentrez-vous sur quelque chose d'important
Lorsque l’IA générative se diffuse dans une série de projets pilotes, elle peut ressembler à une technologie à la recherche d’un problème. Cependant, un changement significatif se produit lorsque l'IA générative cible un domaine suffisamment vaste pour faire la différence , comme un parcours client ou un domaine fonctionnel. Par exemple, McKinsey a travaillé avec le géant des services financiers ING , qui a créé une solution générative basée sur l'IA dont les capacités de langage et de données lui ont permis de répondre aux clients avec des solutions précises, améliorant ainsi le service et permettant aux agents de gérer des problèmes plus complexes.
Élaborer une feuille de route technologique dirigée par l’entreprise.
L'IA générative comporte tellement d'inconnues qu'elle nécessite une équipe de base, composée de toutes les compétences pertinentes, notamment en matière de risque, juridique, de conformité, de finance, de ressources humaines et de stratégie, pour développer des protocoles et des normes. Cet effort devrait commencer lorsque le PDG et la haute direction se mettent d’accord sur ce qui doit être fait. Le PDG doit ensuite travailler en étroite collaboration avec le directeur de l'information ou le directeur de la technologie (CIO ou CTO) pour traduire cet engagement en une feuille de route spécifique qui oriente la manière dont l'entreprise va procéder. Bien entendu, la transformation d’un domaine ne concerne pas seulement les applications d’IA générative ; la numérisation des processus et d’autres formes d’ IA seront également impliquées. Si les applications sont construites autour de modules réutilisables, elles peuvent également être appliquées à de nombreux types de problèmes futurs .
Construire une base de talents
Développer une base de talents n’est pas négociable. Le partenariat avec des fournisseurs tiers , tels que des ingénieurs seniors qui ont déjà développé des produits d'IA générative , peut constituer un élément important d'une stratégie d'IA générative . Mais l’accent devrait être mis autant, voire davantage, sur les talents internes, et pas seulement au sein des équipes technologiques. Les entreprises doivent également avoir une idée de ce que l’IA générative peut et ne peut pas faire.
Les entreprises peuvent par exemple former leurs ingénieurs de données au traitement multimodal et à la gestion de bases de données vectorielles, tandis que les scientifiques des données peuvent développer des compétences rapides en ingénierie et en détection des biais. Et il est essentiel de retenir ces experts. Une récente enquête McKinsey menée auprès de près de 13 000 employés a révélé que 51 % des créateurs et des grands utilisateurs de l'IA générative prévoient de quitter leur poste dans les trois à six prochains mois. La rémunération sera toujours importante, mais les personnes talentueuses sont plus susceptibles de rester si elles peuvent développer leurs compétences, travailler sur des initiatives significatives et avoir des opportunités d'avancement .
Par exemple, McKinsey a travaillé avec DBS , la banque de Singapour, pour mener à bien une transformation numérique et a constaté que le ratio de réussite était de 80 % de talents internes et de 20 % de talents externes. Cette combinaison a permis à l’organisation d’avancer plus rapidement et de prendre des décisions plus rapidement. Le principe est clair : la grandeur ne peut être extériorisée.
Concentrez-vous sur ce qui compte
Les entreprises passent beaucoup de temps à décider quels grands modèles linguistiques (LLM) utiliser. Mais tous les LLM de nouvelle génération peuvent faire des choses étonnantes. Il est plus important de déployer les efforts appropriés aux bons endroits, comme l'ingénierie du contexte, la sécurité, la gouvernance des données et de garantir que les mises à niveau technologiques prennent en charge l'IA générative à grande échelle . Cela peut paraître évident, mais de nombreux pilotes se sont implantés dans des environnements protégés qui ne reflètent pas les réalités du terrain.
L'amélioration des données nécessaires à des solutions spécifiques peut avoir un impact énorme sur la qualité du résultat. Il en sera de même pour l’investissement dans un moteur d’orchestration : l’IA générative nécessite de nombreuses interactions et intégrations entre modèles et applications. Une passerelle API (interface de programmation d'application) est un élément important de cette capacité d'orchestration, car elle assure la médiation de l'accès et assure la conformité . Une bonne API contribuera non seulement à réduire les risques, mais donnera également confiance aux équipes.
Les écarts de performance entre les leaders et les retardataires en matière de technologies numériques et d’IA se creusent, les dirigeants constatant de bien meilleures performances financières. Si cette tendance s’étend à l’IA générative , les retardataires pourraient prendre encore plus de retard.
Il est certainement possible de tirer une réelle valeur de l'IA générative , mais c'est plus difficile qu'il n'y paraît, en partie parce que cela semble si simple. Ce n'est tout simplement pas le cas.
(C) 2024, Fortune