Cette dernière décennie a été marquée par des avancées significatives dans le domaine de l’Intelligence Artificielle (IA) et du Machine Learning (ML) avec l’apparition de nouveaux outils basés sur l’IA et leur rôle dans la transformation de nombreuses industries ainsi que dans certains aspects de la vie quotidienne, comme en témoigne le succès de ChatGPT. 

Avec le développement de ces nouveaux outils d’Intelligence Artificielle, les entreprises font face à de nouveaux enjeux. Alors que le développement et le déploiement de systèmes d’IA générative démarrent, une nouvelle chaîne de valeur émerge, entraînant de nouvelles opportunités sous 3-5 ans.

Lors de notre dernière édition de “The Path” le 26 septembre dernier, nous avons donc choisi d’aborder cette thématique avec nos clients lors d’une matinée dédiée et animée par Hymane Ben Aoun Fleury, Fondateur d’Aravati ; Aurélien Magnan, Co fondateur d’Elevate & Rami Baitièh, ex CEO France de Carrefour. 

Les concepts clés de l’IA et des modèles génératifs 

L’Intelligence Artificielle (IA) est une discipline qui se réfère à la capacité d’une machine ou d’un programme informatique à effectuer des tâches qui nécessitent généralement l’intelligence humaine. L’objectif de l’IA est de créer des systèmes capables de mener des tâches complexes de manière autonome, en utilisant des algorithmes et des modèles qui permettent à la machine d’imiter certaines capacités cognitives humaines.  Elle englobe alors plusieurs sous-domaines : 

Le Machine Learning (ML) est un vaste domaine d’application de l’IA qui englobe de nombreuses techniques d’apprentissage automatique. 

Le Deep Learning est un type de ML qui utilise des réseaux de neurones artificiels profonds (inspiré du cerveau humain), permettant de traiter des modèles plus complexes que le ML classique.

La Generative AI (GenAI)  incluant les Large Language Models (LLM) sont des sous-ensembles du Deep Learning.

La Gen AI est ainsi un type d’intelligence artificielle qui permet de générer de nouvelles données ou du contenu, en se basant sur des modèles statistiques appris à partir de données existantes. Elle est donc plus robuste que l’apprentissage classique et peut prendre en entrée de nombreux types de données, créer des modèles de fondation (formés sur un ensemble étendu de données non étiquetées pouvant être utilisées pour différentes tâches, avec un ajustement minimal) et générer de nouveaux contenus.

Rappel de la timeline 

Au cours des 50 dernières années, l’IA et les modèles génératifs ont évolué de simples systèmes experts rule-based et des premiers réseaux neuronaux à des architectures sophistiquées de deep learning, conduisant aux systèmes d’IA actuels.

Le lancement de ChatGPT fin 2022 a stimulé le développement rapide d’innovations en matière d’IA générative et plus spécifiquement de LLM, ce qui a donné lieu à plusieurs nouvelles versions et itérations chaque mois.

Une adoption décuplée grâce à la Gen AI 

Dans un monde de plus en plus interconnecté, l’IA, incarnée par des outils tels que ChatGPT, transcende les barrières techniques en offrant une interface intuitive, rendant son utilisation accessible à un public diversifié.

• Accessibilité – ChatGPT (ou autres) fournit une interface conviviale et une compréhension du langage naturel pour interagir avec l’IA, la rendant accessible à un public plus large sans connaissances techniques approfondies. 
• Personnalisation – L’utilisation de l’IA générative peut être affinée pour des tâches et des secteurs spécifiques, permettant aux entreprises d’adapter le modèle à leurs besoins,entraînant de nombreuses innovations. A partir de quelques exemples (ce qu’on appelle le few-shot learning), le modèle va pouvoir apprendre avec ses propres données / tâches et secteurs. 
• Industrialisation – Ces modèles permettent de déployer des solutions d’IA sur de vastes ensembles de données. Leur versatilité permet une applicabilité intersectorielle par le biais de use cases communs.
• Cost-Efficiency – L’automatisation de certaines tâches et processus contribuent à des économies de coûts pour les entreprises. Cette rentabilité encourage davantage d’entreprises à adopter des solutions d’IA et permet de recentrer les tâches des collaborateurs sur des sujets plus stratégiques. 

Des limites notables à l’Intelligence Artificielle 

Dans le sillage rapide de l’évolution technologique, l’essor fulgurant de l’intelligence artificielle s’accompagne inévitablement de défis significatifs. 

• Des limites techniques et fonctionnelles : la difficulté des outils pour garantir et rendre accessible des données propres, pertinentes et diversifiées ; la difficulté des outils pour s’adapter aux changements ; le risque du partage de données confidentielles et de cyberattaques ; les effets d’hallucinations ou encore la reproduction de biais humains.
• Des limites sociétales : l’adhésion des clients et des utilisateurs aux outils ; la pénurie de talents en IA et la fidélisation des experts ; la « juste » collaboration entre l’expertise humaine et les capacités de l’IA.
• Des limites éthiques et légales : le développement de modèles d’IA capables d’expliquer leurs décisions, l’utilisation responsable de l’IA, la question de la propriété intellectuelle et du droit d’auteur.

Ces défis, qu’ils soient d’ordre technique, sociétal, ou éthique, représentent autant de frontières à explorer et à surmonter pour garantir un déploiement équilibré et responsable de l’IA.

Des métiers voués à évoluer 

Avec le développement de ces nouveaux outils d’Intelligence Artificielle, les entreprises font face à de nouveaux enjeux. 2/3 des emplois actuels sont exposés à un certain degré d’automatisation de l’IA et l’IA générative pourrait remplacer jusqu’à un quart du travail actuel (Source : étude de Goldman Sachs d’avril 2023). 

Si l’IA transforme nos métiers, sa généralisation permet la création de nouveaux emplois spécifiques. Les Data Scientists, Data Engineers, Data Analysts, Dev Ops, Experts Cybersécurité et Cloud demeurent des métiers toujours impactés par l’IA, mais d’autres voient le jour grâce et pour elle : 

• Head of IA :  chargé de définir la stratégie globale et la gouvernance de l’entreprise en matière d’IA et de superviser la mise en œuvre de cette stratégie. 
• Ingénieur en IA et machine learning : chargé de créer des algorithmes, des modèles et des programmes pour permettre aux machines de résoudre des problèmes complexes, améliorer les produits et les processus, et stimuler l’innovation au sein de l’entreprise. 
• Expert en traitement du langage naturel (NLP)  : professionnel dans le domaine de l’IA et du langage informatique, il se concentre sur le développement et l’application de technologies de traitement du langage naturel.
• Product Owner / Manager IA & Data Science
• Spécialiste en éthique de l’IA
• Prompt engineer : professionnel de l’écriture de prompt pour les intelligences artificielles génératives comme ChatGPT ou MidJourney.
• “Human Machine” teaming manager : chargé de définir les rôles et les responsabilités entre intelligences humaines et artificielles, il conçoit un système de communication et de collaboration entre les hommes et les machines.
• Créateurs de données : chargé de produire du contenu original sur des sujets spécifiques, qui sera ensuite utilisé pour entraîner les modèles d’IA. 

De nouveaux organisations Data 

En parallèle, de nouvelles organisations Data vont voir le jour grâce à l’IA. 

• Un département IA & Data collaboratif : Experts en IA, sciences des données, ingénierie et éthique travaillent ensemble dans une IA Factory.
• Des plateformes de gestion intégrée : De nouvelles plateformes gèrent la collecte de données & l’IA. Il faut créer alors son propre environnement basé sur l’IA. 
• La fédération sécurisée de données : Un collaboration sécurisée pour partager des données sensibles dans des data clean rooms
• Collaboration dans consortiums : Entreprises, universités et instituts collaborent pour avancer dans l’IA et les données.
• Expertise en données pré-entraînées : Des entreprises spécialisées fournissent des données et modèles prêts à l’emploi que les organisations vont adapter en fonction de leurs besoins.

Services-conseils en IA et en données : Des experts externes guident ces nouvelles stratégies d’IA et de gestion des données pour accompagner les entreprises dans cette mutation comme peut le faire Elevate.

Une adoption poussée par différents services en fonction de la maturité 

Les entreprises considèrent dans leur majorité que la GenAI aura un impact positif sur leur activité dans un futur proche. Malgré la disponibilité publique naissante de la génération IA, l’expérimentation de ces outils est déjà relativement courante, cela indépendamment de la région, du secteur d’activité ou niveau d’ancienneté . 

Environ 70% des acteurs de la tech affirment avoir des projets pilotes de déploiement de GenAI en cours, dont 18% ouverts au public (principalement 3D modelling et maintenance prédictive) selon une l’étude: Capgemini Research Institute “Generative AI Executive Survey”, 2023. Côté retail, les projets en production concernent principalement des outils de service client et de personnalisation. 

Les services marketing et sales ont très rapidement compris l’intérêt de l’utilisation de la GenAI pour améliorer l’engagement avec leurs clients via la personnalisation, la génération de contenu, le SAV ou les systèmes de recommandations. En parallèle, les directions IT ont très rapidement mis à contribution la GenAI pour la rationalisation de certaines tâches, notamment pour l’automatisation de tests et QA ou du support à l’analyse de données. 

 Les besoins de déploiement de technologies innovantes impliquent une collaboration étroite entre les métiers et les équipes IT pour maximiser les stratégies marketing et les tactiques de vente, garantissant ainsi une approche cohérente et de faire vivre les projets IA sur le long terme (e.g. MLOps). Cela suggère que les organisations recherchent ces nouveaux outils là où se trouve le plus de valeur.

De nombreux cas d’usage identifiés 

La Gen AI apporte un effet amplificateur à des cas d’usage opérés historiquement avec ou sans IA auprès des directions sales & marketing. On peut par exemple citer les usage suivants :

• Générer des contenus marketing personnalisés :  Content factory // Modèle de recommandation produit ou contenu // Détection de tendances // Gestion contenu multi-langues

• Créer des expériences de shopping plus immersives et engageantes : Optimisation interface web UI / UX // Contenu web dynamique via reco produit ou modèle look-alike // E-commerce conversationnel // Comparateur multi-produits dynamique – Web Scraping // Réalité augmentée 

• Créer des expériences de shopping plus immersives et engageantes : Simulation appétence par rapport à l’impact promo / élasticité prix //  Promotions individualisés // Réduction de la cannibalisation produit / canaux

• Améliorer la visibilité sur les moteurs de recherche : Génération automatisée des spécifications techniques et descriptions produits Marketing  // Génération des vidéos ads & démos produits // Identification mots clés, contenus SEO optimaux

• Optimiser les campagnes publicitaires : Marketing Mix Modeling // Pricing optimization // Génération de contenu visuel / audio optimisé

• Générer des leads qualifiés pour les commerciaux : Lead scoring, sales forecasting et optimisation pipeline sales // Génération d’une feuille de route sales call personnalisé par client 

• Suivre les performances des commerciaux et identifier les domaines d’amélioration : Sales coaching / Feedback loop post call 

• Personnaliser les présentations et les argumentaires commerciaux : Proposition de contre-argumentaire automatisé live pendant les calls //Génération contenu présentations commerciales / Pitch Deck // Génération trame sales loop 

Ainsi les services marketing et sales ont déjà pris en main les outils de GenAI, et ce en collaboration avec les métiers IT, pour améliorer l’engagement avec leurs clients via la personnalisation, la génération de contenu, le SAV ou les systèmes de recommandations. De nombreux cas d’usage sont d’ores et déjà déployés pour faire vivre les projets IA sur le long terme et cela passe notamment par une structuration interne.