L’intelligence artificielle (IA) générative s’impose comme une révolution majeure, capable de transformer profondément la productivité et l’innovation. Cependant, son intégration dans les entreprises n’est pas sans embûches. Dans ce condensé de l’étude Gen AI study réalisée par SAS et Coleman Parks datant d’avril 2024, vous découvrirez les chiffres clés et des défis que rencontrent les organisations face à cette nouvelle technologie.

54 % des entreprises ont déjà adopté l’IA générative

D’après l’étude réalisée auprès de 1 600 entreprises au niveau mondial, plus de la moitié (54 %) ont déjà entamé le déploiement de l’IA Générative, et 11 % l’ont totalement intégrée à l’échelle de l’entreprise. Les régions les plus avancées en matière d’adoption sont l’Amérique du Nord, l’Asie-Pacifique (63 %), ainsi que l’Europe du Nord (55 %). Les secteurs des télécoms, du retail et de l’assurance mènent cette course à l’innovation, tandis que la santé, la fabrication et le secteur public sont encore en retrait.

En revanche, malgré ces progrès, seulement 10 % des entreprises se disent pleinement préparées à répondre aux régulations émergentes sur cette technologie. Ce manque de préparation en matière de gouvernance et de conformité soulève des inquiétudes quant à la sécurité des données et à l’éthique dans l’usage de l’IA Générative. Notamment, 76 % des entreprises expriment des préoccupations liées à la confidentialité des données.

89 % des entreprises constatent une amélioration de l’expérience des employés

L’impact de l’Intelligence Artificielle Générative se reflète déjà dans des résultats positifs pour les entreprises. Ainsi, 89 % des répondants affirment que l’IA Générative a amélioré l’expérience des employés, tandis que 82 % notent des réductions importantes de leurs coûts opérationnels. Ces chiffres soulignent le potentiel de cette technologie pour réinventer les processus internes et améliorer l’efficacité. Cependant, tout n’est pas si simple : malgré ces succès, 39 % des organisations rencontrent des difficultés à intégrer l’IA Générative dans leurs systèmes existants et 34 % évoquent des coûts prohibitifs.

41 % des entreprises luttent avec les compatibilités technologiques lorsqu’elles essaient d’intégrer cette technologie avec leurs outils actuels, ce qui freine l’adoption à grande échelle.

51 % des entreprises manquent de talents en IA générative

Le manque de compétences internes est un frein majeur à l’adoption réussie de l’IA Générative. 51 % des entreprises estiment qu’elles n’ont pas les compétences nécessaires en interne pour utiliser cette technologie de manière optimale, et 39 % ont déjà rencontré des obstacles liés à cette insuffisance de talents. Ce déficit se fait particulièrement ressentir dans des secteurs comme la santé, la fabrication, et le secteur public, où les compétences requises pour maîtriser les modèles d’IA sont particulièrement rares. À l’inverse, le secteur des télécommunications est moins touché, avec seulement 24 % des entreprises faisant état de cette difficulté.

Seulement 5 % ont mis en place des systèmes pour mesurer les biais des modèles

Alors que l’IA Générative repose sur des modèles d’apprentissage automatique (LLMs), seulement 5 % des organisations ont des systèmes fiables pour mesurer les biais et les risques liés à la confidentialité dans ces modèles. Une telle carence expose les entreprises à des risques éthiques, pouvant affecter la qualité des décisions basées sur l’IA et entraîner des problèmes de conformité. 71 % des entreprises n’ont pas de système de suivi automatisé en place pour surveiller les modèles d’IA Générative en temps réel, soulignant un manque de gouvernance structurelle.

Les clés du succès : Une gouvernance et une stratégie solides

Pour réussir la mise en œuvre de l’IA Générative, l’étude recommande quatre axes principaux :

1. Gouvernance complète : seules 10 % des entreprises se sentent prêtes à répondre aux exigences réglementaires à venir. Une meilleure préparation, notamment en matière de confidentialité des données et de biais, est essentielle.
2. Déploiement stratégique : il est crucial de définir des cas d’usage clairs, générant un retour sur investissement rapide, pour maximiser la valeur de l’IA Générative.
3. Intégration technologique : l’IA Générative doit être intégrée harmonieusement dans les systèmes existants, sans quoi elle risque d’être sous-utilisée. Le choix des bons outils est fondamental.
4. Expertise et accompagnement : l’acquisition ou le développement de compétences en interne est primordial pour exploiter pleinement le potentiel de l’IA Générative.

39 % des entreprises n’ont pas encore de politique d’utilisation de l’IA générative en place, ce qui pourrait devenir un obstacle à long terme. Par ailleurs, 93 % des décideurs technologiques admettent ne pas comprendre pleinement l’impact de l’IA Générative sur leurs processus.

Un chemin semé d’embûches, mais plein de promesses

Bien que l’IA Générative ouvre des opportunités considérables pour améliorer la productivité et l’innovation, sa mise en œuvre comporte des défis complexes, allant des coûts à la gouvernance, en passant par l’intégration technologique. Les entreprises qui réussiront dans cette transition seront celles qui sauront allier une stratégie claire, une gouvernance rigoureuse et une expertise adaptée. L’avenir appartient aux organisations capables d’intégrer ces technologies de manière éthique, transparente et efficace, en accompagnant les collaborateurs dans l’utilisation et la compréhension de ces nouveaux outils.

Cet article IA Générative : un tremplin vers la productivité ou un défi inachevé pour les entreprises ? a été publié sur LEBIGDATA.FR.

L’intelligence artificielle est devenue incontournable pour les établissements financiers :  l’automatisation des processus décisionnels, la détection des fraudes et l’amélioration de l’expérience client sont des champs d’application majeurs. Pourtant, de nombreux projets d’IA peinent à passer à l’échelle.

D’après les analyses de Gartner et Forrester, 53 % des initiatives IA restent en phase pilote, et seulement 15 % atteignent une implémentation généralisée. Pourquoi tant de projets ne parviennent pas à monter en puissance ? Si le calibrage des infrastructures peut-être en cause, d’autres critères – en particulier l’évolutivité et l’ouverture – sont à prendre en compte pour assurer la scalabilité et la pérennité des projets. 

Les infrastructures classiques, freins au passage à l’échelle

Tester l’IA en laboratoire, c’est une chose. La déployer dans toute une organisation en est une autre. Dans un environnement restreint, les projets d’IA révèlent tout leur potentiel. Mais lorsqu’ils passent en production, ils affrontent une réalité plus exigeante. Les volumes massifs de données, le besoin de disponibilité 24/7, la latence minimale exigée mettent sous pression les infrastructures classiques, qui peinent à répondre à ces contraintes.

Ainsi, le problème réside moins dans l’IA elle-même que dans le socle sur lequel elle repose. Pour atteindre son plein potentiel, l’IA nécessite des architectures « cloud native » : des infrastructures flexibles, ouvertes et capables d’évoluer en continu. Des benchmarks récents, comme ceux réalisés avec SAS Viya, montrent que les plateformes optimisées pour le cloud permettent de maintenir des performances élevées dans des environnements de production à grande échelle, même en cas de lourdes charges de travail.

Le « cloud native », un atout face aux évolutions futures de l’IA

Penser ou repenser son infrastructure impose de se projeter sur le devenir de l’IA au service des clients. 

Dans un futur proche, chaque application, chaque appareil – smartphone, montre connectée, ordinateur – sera scruté en permanence par des IA. Ces systèmes analyseront vos comportements et vos préférences pour mieux cerner vos besoins. En parallèle, ces IA pourront dialoguer entre elles au sein de marketplaces virtuelles pour affiner leurs recommandations.

Prenons l’exemple d’un client souhaitant placer de l’argent, obtenir un crédit ou assurer un véhicule. L’IA observatrice pourra analyser ses critères avant de lancer un appel d’offres auprès de différentes IA spécialisées. Chaque agent, expert en placement financier, en crédits ou en assurances, proposera sa meilleure offre. Dans ce marché virtuel, les IA ajusteront leurs conditions pour se démarquer : taux d’intérêt, garanties, durées de remboursement, bonus client – tout sera optimisé pour répondre précisément aux attentes. Les offres en concurrence seront ainsi affinées en temps réel pour proposer la « Next Best Offer » idéale, issue de l’intelligence collective.

Dans ce scénario, les IA ne sont plus des outils passifs, mais des agents commerciaux autonomes, collaborant et se concurrençant pour répondre aux besoins des utilisateurs. Ce modèle met en lumière les exigences liées aux infrastructures : leur puissance doit être adaptable aux volumes d’échanges, aux niveaux de personnalisations et à la complexité des interactions entre IA.

« L’intelligent Decisioning », futur chef d’orchestre de la coordination des IA

Cet exemple des marketplaces d’IA soulève un défi fondamental : si chaque agent IA agit selon ses propres objectifs, mais sans coordination, la cacophonie est assurée. Pour éviter cela, il faut définir une intelligence décisionnelle centrale, capable de coordonner et de réguler chaque agent en temps réel. 

C’est là qu’intervient l’Intelligent Decisioning. Ce mécanisme d’orchestration prend en compte toutes les actions des agents IA pour les aligner avec les objectifs stratégiques de l’organisation. Imaginez, par exemple, un service financier où les IA spécialisées se coordonnent pour détecter les fraudes, évaluer la solvabilité et proposer des recommandations de produits personnalisés. L’Intelligent Decisioning harmonise ces fonctions pour maximiser leur efficacité tout en évitant les conflits d’intérêt.

Anticiper l’obsolescence pour une IA durable 

L’intelligent Decisionning et les marketplaces IA nécessiteront des mises à jour, une maintenance, des ajustements constants. L’IA, comme tous les outils technologiques, vieillit. Une IA performante aujourd’hui peut devenir obsolète si elle n’évolue pas continuellement. Le cycle de vie d’un projet IA impose des réajustements en fonction des évolutions réglementaires, des avancées technologiques et des besoins des clients.

Pour assurer cette pérennité, le socle technique doit être pensé pour le long terme. Une infrastructure cloud native « future proof » garantit cette durabilité en intégrant des technologies ouvertes et évolutives. Dans cette optique, éviter la dépendance vis-à-vis d’un fournisseur de cloud est stratégique pour rester maître de l’évolution de son IA. Les éditeurs indépendants comme SAS jouent un rôle clé en mutualisant les efforts de recherche et développement pour lutter contre l’obsolescence, tout en offrant une véritable indépendance vis-à-vis des fournisseurs cloud.

Assurer la réussite de l’IA : un défi technique… et humain

Mais laisser reposer la réussite de l’IA sur le seul critère du socle technique serait une erreur.  Bien que l’Intelligent Decisioning et les marketplaces IA participent à l’efficacité opérationnelle, ces outils nécessitent une gouvernance robuste pour éviter des biais, des incohérences ou une perte de pertinence. Dès lors, une question cruciale se pose : à qui revient le contrôle de cet ensemble complexe d’agents IA ? 

Pour maîtriser cet écosystème, les établissements financiers devront mettre en place des mécanismes de contrôle, combinant supervision humaine et règles de gouvernance claires. L’avenir de l’IA est riche en opportunités, mais il est aussi exigeant : afin de faire de l’IA un levier de performance au service de l’humain, il est essentiel que la supervision finale reste humaine.  

Cet article L’IA dans les services financiers : défis du passage à l’échelle et coordination intelligente des agents IA a été publié sur LEBIGDATA.FR.