Retour à la réalité après l’emballement provoqué par la sortie de ChatGPT

Les défis en matière d’adoption à long terme ou de choix technologiques restent nombreux. Un moment qui rappelle les débuts d’Internet à la fin des années 90. Le passage à l’échelle reste lointain. Wavestone fait le point.

Au départ, les applications de la GenAI ont été observées dans l’amélioration de la productivité individuelle grâce aux assistants, le développement de l’hyperpersonnalisation de l’expérience client et l’amélioration de la recherche de documents et de la gestion des connaissances.

Au départ… et maintenant ? A l’occasion du Sommet mondial de l’IA qui s’est tenu à Paris les 10 et 11 février, Wavestone et French Tech ont tenté de comprendre comment les grands groupes ont digéré la vague de la GenAI, qui a suivi la sortie de ChatGPT voici un peu plus de deux ans. L’exercice est intéressant. Trop souvent, en effet, les discours viennent des Big Tech, rarement du marché. Par ailleurs, l’accent est souvent mis sur les succès, sans réellement aborder les défis sous-jacents, les questions non résolues, les travaux en cours et les perspectives.

Productivité, mais pas accélération de l’innovation

Réalisée auprès d’une quarantaine de très grandes entreprises françaises et internationales, l’étude « AI in 2025 : current initiatives and challenges in larges enterprises » confirme la percée de l’IA comme facteur de productivité sur une grande diversité de projets. En revanche, au regard des témoignages des participants, l’IA n’est pas encore perçue comme le facteur X d’accélération de l’innovation.

Au départ, les applications ont été observées dans l’amélioration de la productivité individuelle grâce aux assistants, le développement de l’hyperpersonnalisation de l’expérience client et l’amélioration de la recherche de documents et de la gestion des connaissances, constate Wavestone. On est loin du passage à l’échelle.

Passage à l’échelle

Les grandes entreprises commencent seulement à identifier des cas d’utilisation véritablement disruptifs pour la GenAI, lesquels nécessitent une compréhension approfondie des processus métier et des capacités technologiques.

L’essor des agents IA marquera une nouvelle étape. On aura des systèmes capables non seulement de rechercher des informations, mais aussi d’entreprendre des actions et même de décider de la séquence d’actions à entreprendre pour obtenir le résultat escompté. Il est désormais clair que l’avenir sera fait de systèmes qui mélangent plusieurs types d’IA -traditionnelle, générative, agentique- pour s’attaquer à des cas d’utilisation complexes. Suivra alors le véritable passage à l’échelle.

Aligner entreprise et technologie

De nombreuses entreprises restent ancrées dans les PoC ou MVP avec peu de déploiements étendus, constate Wavestone. « Une compréhension précoce des critères clés de réussite et une anticipation de l’intégration technique avec l’architecture existante font souvent défaut, ce qui entrave les efforts visant à réaliser le plein potentiel de la GenAI », explique le cabinet de conseil.

Les objectifs divergent également souvent au fil du temps, car les secteurs d’activité cherchent à tirer rapidement parti de la technologie, tandis que les départements techniques visent à résoudre les problèmes commerciaux avec des niveaux appropriés de faisabilité et de standardisation.

« Pour combler cet écart, nous observons la mise en œuvre de stratégies Fail Fast qui se concentrent sur la définition des critères clés de réussite lors des phases de cadrage, même si cela signifie y consacrer plus de temps, en plus de fournir des délais de prise de décision clairs et des informations permettant d’abandonner rapidement les projets qui ne répondent pas aux critères définis », constate Wavestone. Ces stratégies sont établies dans des entreprises matures, avec des cadres stricts de données et d’IA qui accélèrent l’évolutivité en favorisant des alignements plus étroits des objectifs entre l’équipe commerciale et l’équipe technologique

Démontrer la valeur et le retour sur investissement

Se lancer dans des projets d’IA/GenAI sans normes de mesure appropriées empêche de comprendre pleinement les facteurs de réussite et d’évaluer la qualité de la prestation. « Démontrer le retour sur investissement est complexe, en particulier dans le cas de GenAI, qui traite principalement de l’optimisation de la productivité, et il n’est pas toujours simple d’établir un lien entre le temps économisé et la valeur monétaire », révèle Wavestone.

L’absence de normes claires sur « ce à quoi ressemble une bonne chose » nécessite une approche de test et d’apprentissage. Voilà qui rappelle les débuts d’Internet à la fin des années 90. A une nuance près : les organisations disposent déjà de la gouvernance et des compétences nécessaires pour s’attaquer aux transformations numériques. « Les erreurs sont des jalons inévitables ; d’autres avancées technologiques façonneront l’avenir de l’IA, notamment la stabilité, la fiabilité des modèles à grande échelle, la multimodalité et l’interaction avec d’autres domaines tels que la robotique. »

Des tests à l’adoption à long terme

La gestion du changement est un aspect essentiel mais souvent négligé lors de la mise en œuvre de l’IA, observe encore Wavestone. « Les projets échouent rarement en raison de problèmes techniques, mais échouent souvent en raison d’une mauvaise adoption. Il existe plusieurs obstacles : la difficulté d’utiliser les outils avec une expérience utilisateur/interface utilisateur inadéquate, une mauvaise compréhension des limites, une faible fiabilité ou pertinence perçue et souvent un coût élevé. » Cette transition nécessite du temps et des efforts pour intégrer de manière transparente les nouvelles pratiques dans les routines de travail quotidiennes des utilisateurs.

On l’a compris, la ​​compréhension de ce qui constitue de « bons » résultats en matière d’IA se développera au fil du temps à mesure que ces facteurs deviendront plus clairs. L’IA continue de mûrir. Il sera essentiel d’équilibrer l’exploration innovante avec la planification stratégique, en veillant à ce que les avancées technologiques s’alignent sur les besoins organisationnels plus larges.