Course à l’adoption de l’IA : rapidité ou stratégie ?
Compte tenu du potentiel transformationnel de l’IA générative, son adoption dans tous les secteurs devrait contribuer à la réussite à long terme des entreprises. Mais à l’instar de n’importe quel outil, exploiter les capacités de l’IA générative requiert de bien prendre la mesure de ses leviers de création de valeur et de sa complexité. Selon nous, il faudrait que les dirigeants adoptent une approche holistique et intègrent l’IA générative à la stratégie d’entreprise globale. Les équipes de direction devraient chercher à utiliser la technologie pour obtenir une réelle différenciation stratégique, et pas uniquement des gains d’efficacité. Le chemin devrait être plus ardu pour les dirigeants d’entreprises industrielles, historiquement moins versés dans l’innovation technologique. Toutefois, les entreprises peuvent exploiter le potentiel transformationnel de l’IA générative, à condition d’avoir les bonnes bases en place.
Évaluer le pouvoir d’une stratégie d’adoption de l’IA générative
Bien que les approches d’adoption de l’IA générative varient d’une entreprise à l’autre, une réflexion fondamentale peut constituer un bon point de départ pour préserver la compétitivité, créer de la valeur ajoutée et éviter de potentiels revers. Selon nous, les équipes de direction devraient se poser quatre grandes questions.
Comment l’IA générative peut-elle soutenir la proposition de valeur unique que nous offrons à nos clients ?
Bien que l’IA générative puisse grandement améliorer l’expérience client, l’automatisation et même la détection des fraudes, tous les usages de la technologie n’auront pas le même impact. Par exemple, si la valeur client provient essentiellement de produits ou d’interactions physiques, l’IA générative ne pourra sans doute pas recréer les caractéristiques et services clés. Moins efficace, elle ne figurera donc pas en tête de liste des priorités de ces entreprises. Trop se reposer sur l’IA générative pour les interactions clients pourrait se traduire par une déshumanisation du lien avec la clientèle, faire fuir les clients et nuire à l’image de marque. La solution consiste à identifier les synergies entre l’expertise humaine et les capacités de l’IA générative. Les entreprises qui ont du mal à trouver le juste équilibre entre automatisation et expertise humaine pourraient en pâtir.
Comment exploiter l’IA générative pour nous différencier de la concurrence ?
Les technologies novatrices peuvent rapidement devenir partie intégrante de la marche des affaires, tandis que les innovations ultérieures modifient l’environnement concurrentiel sur le long terme. L’essor et l’évolution rapides de l’IA générative laissent suggérer que l’avantage du précurseur se dissipera rapidement. Les entreprises devront atteindre un niveau d’adaptabilité particulièrement élevé si elles entendent rester compétitives. En conséquence, il est essentiel de comprendre comment les modèles de monétisation de l’IA générative et les méthodes de création de valeur pourraient être perturbés et si l’IA générative permet aux nouveaux entrants de reproduire rapidement des propositions de valeur clés. Par exemple, les gains d’efficacité procurés par l’IA générative pourraient être effacés par l’émergence de solutions IA à bas coûts. La réduction des coûts de conversion rendue possible par la simplification des processus d’intégration et de migration pourrait menacer les opérateurs historiques comptant sur l’effet de verrouillage.
Toutes les entreprises n’ont pas besoin du même niveau de capacités d’analyse et de précision pour porter leur proposition de valeur et conserver leur avantage compétitif. Ainsi, les volumes de données nécessaires pour alimenter les modèles d’IA générative et le degré de surveillance des résultats ne sont pas les mêmes. Par exemple, un degré de précision élevé est suffisant pour un argumentaire produit généré par IA. En revanche, d’autres applications, comme l’interprétation d’images médicales ou la fourniture de conseils juridiques, requièrent une tolérance zéro aux erreurs. Plus le niveau de précision requis augmente, plus le volume de données permettant d’entraîner les modèles d’IA générative doit être important. Dans ces cas-là, la précision et la rapidité d’analyse sont plus élevées, mais le contrôle humain reste nécessaire jusqu’à ce qu’un degré de confiance suffisant soit atteint.
Le déploiement efficace de l’IA générative repose sur le niveau de préparation, la qualité, l’intégration, la sécurité et la confidentialité des données. Nous sommes convaincus que la propriété de données exclusives sera la clé pour conserver une longueur d’avance dans la course à l’IA. Des données uniques fourniront des produits et des services uniques, tandis que les entreprises appliquant une technologie similaire à des données similaires devraient obtenir des résultats indifférenciés et manquer de créativité. Toutefois, il existe également le risque que le modèle d’une entreprise aide involontairement ses concurrents (données privées ou exclusives utilisées pour améliorer des modèles qui seront utilisés par les concurrents). Dans le même temps, des programmes sophistiqués de gestion des données visant à garantir la sécurité de données exclusives et potentiellement réglementées pourraient se traduire par une augmentation des frais de maintenance courants.
Quel est le coût global du déploiement de l’IA ? Notre entreprise peut-elle se le permettre ?
Les principaux coûts directs du déploiement de l’IA sont ceux liés à la puissance de calcul et aux données. Le type et le niveau d’IA qu’une entreprise intégrera (et donc les dépenses) dépendront des réponses aux deux premières questions. Par exemple, si la stratégie de l’entreprise requiert le développement et la maintenance de grands modèles de langage (LLM) exclusifs, les coûts peuvent être extrêmement élevés.
La création et l’entraînement d’un modèle d’IA peuvent coûter cher et prendre du temps. Les coûts englobent le matériel, l’ingénierie, l’acquisition de données, les tests et le calcul. Toutefois, à la différence des avancées technologiques précédentes, ces coûts ne devraient pas diminuer significativement une fois les modèles entraînés, dans la mesure où l’exploitation de modèles entraînés continue de requérir une immense puissance de calcul pour exécuter les milliards de calculs nécessaires pour répondre à chaque prompt. Pour cette raison, certaines entreprises optent pour de plus petits modèles (mais qui restent entraînés avec de grandes quantités de données). D’un autre côté, les modèles open-source peuvent être gratuits (mais avec une maintenance et une assistance éventuellement limitées). Certaines sociétés technologiques développent l’écosystème des solutions IA pour proposer plus, mieux et moins cher à leurs clients pour diverses utilisations.
Quelle que soit la taille des modèles, les coûts d’infrastructure de l’IA générative constituent un poste budgétaire clé. Sans infrastructure pour répondre à la demande croissante de capacité de calcul, la transformation IA est impossible. Les centres de données fournissent l’infrastructure nécessaire pour entraîner et déployer des algorithmes complexes. Or, l’apprentissage automatique et les LLM sollicitent déjà beaucoup la capacité des centres de données, sachant que les activités en lien avec l’IA devraient représenter près de 20 % de la demande de capacité des centres de données d’ici la fin de la décennie.1 Par ailleurs, l’énergie nécessaire au fonctionnement des centres de données augmentera significativement avec l’essor de l’IA. Par exemple, une seule recherche ChatGPT consomme 6 à 10 fois plus qu’une recherche traditionnelle sur Google2 Selon des études récentes, la demande d’énergie des centres de données devrait afficher un taux de croissance annuel composé (TCAC) de 15 % sur la période 2023-2030. En conséquence, les centres de données pourraient représenter 8 % de la demande d’énergie totale aux États-Unis d’ici 2030, contre environ 3 % actuellement3 Dans de nombreux cas, l’augmentation sensible de consommation d’énergie nécessitera l’amélioration du réseau existant et le déploiement de nouvelles capacités de production d’énergie.
Compte tenu de la nécessité d’un accès adéquat et des longues files d’attentes pour atteindre le réseau, la concurrence et les contraintes physiques de l’infrastructure devraient tirer les coûts vers le haut. La construction de centres de données et d’installations de production d’énergie peut prendre du temps, alors que les sites stratégiques pour les centres de données sont limités. Actuellement, les acteurs de l’IA éprouvent des difficultés à trouver des capacités pour déployer les charges de travail actuelles de l’IA, ce qui place les propriétaires et exploitants des centres de données en position de force sur une composante de coût essentielle. Bien que ce phénomène soit pour l’instant cantonné aux États-Unis, il devrait s’étendre à l’échelle planétaire à moyen et long terme.
Les coûts d’acquisition de talents augmentent également alors que la demande élevée d’experts en IA se heurte à une pénurie de main d’œuvre formée aux domaines relativement nouveaux du traitement et de l’automatisation robotisée des processus (RPA), de l’apprentissage profond et automatique ou du traitement du langage naturel (NLP). Les coûts secondaires incluent la formation recyclage, la gestion des changements organisationnels et les questions juridiques, autant d’éléments susceptibles d’avoir un impact significatif sur les business plans qui ne gèrent pas correctement le déploiement de l’IA générative.
Tenons-nous correctement compte des problèmes sociétaux et de leur impact potentiel sur l’adoption de l’IA ?
La réponse à cette question peut sembler hors de portée des entreprises prises individuellement. Néanmoins, les trois enjeux décrits ci-dessous influenceront l’utilisation future de l’IA et devraient donc être pris en compte avant tout investissement dans ce domaine.
Les risques de sécurité constituent un enjeu majeur sachant que des cyberattaques pourraient manipuler les données sous-jacentes des modèles, modifier les résultats et compromettre l’intégrité des modèles de façon quasiment indétectable.
Cette problématique découle à la fois de la consommation d’énergie nécessaire pour alimenter les modèles et de la forte demande pour les matières premières servant à fabriquer et remplacer le hardware qui y est associé (cycles de remplacement courts compte tenu de la rapidité des avancées technologiques).
Les préoccupations d’ordre sociétal proviennent du manque de transparence et de l’interprétabilité des résultats générés par l’IA, soulevant des questions sur la responsabilité et les biais potentiels des données, notamment dans des applications essentielles où des vies et droits humains peuvent être en jeu. La désinformation, les deepfakes et diverses tentatives d’influencer le comportement peuvent saper la confiance dans les institutions, exacerber les dissensions sociales, voire perturber les processus démocratiques.
Ces enjeux sont susceptibles d’avoir des implications commerciales et d’influencer l’adoption généralisée de la technologie. Et si ces enjeux rendaient le grand public plus réticent à accepter l’IA générative comme principal mode d’interaction avec certaines entreprises et expériences ? Les propriétaires des données sous-jacentes peuvent-ils poursuivre en justice les propriétaires de modèles pour violation des droits d’auteur ? Est-ce que de grands événements du monde réel (accidents industriels provoqués par l’IA) ou des événements en ligne (désinformation ciblée, augmentation des deepfakes) combinés à des préoccupations sociales et environnementales pourraient conduire à un point de rupture ?
Le contrôle humain ainsi que l’utilisation hybride de la technologie et du jugement humain joueront un rôle capital dans la gestion des enjeux sociétaux et de leurs impacts commerciaux. Nous estimons que les structures de gouvernance peuvent devenir un élément de différenciation clé pour les entreprises. Alors que la responsabilité sera essentielle pour gagner et maintenir la confiance de la clientèle, les entreprises qui créent des systèmes d’IA générative transparents et explicables, fixent des directives claires et instaurent un climat de confiance autour des questions de sécurité et de confidentialité devraient prendre l’avantage sur le long terme.
Au niveau des entreprises, la façon dont ces enjeux sont gérés peut en soi constituer un outil de différenciation stratégique. Les entreprises peuvent déployer l’IA générative en tenant compte des préoccupations de leurs clients, dans la perspective de leur proposition de valeur unique et de leurs risques tout en donnant la priorité aux principaux centres d’intérêt de leurs clients. Compte tenu de la complexité et de la rapidité de l’adoption de cette technologie, les efforts déployés par les entreprises pour gagner et maintenir la confiance de leur clientèle via une communication claire et transparente pourraient devenir un élément de différenciation clé.
Perspectives
Concernant le déploiement de l’IA générative, il est important de jeter dès aujourd’hui les bases en matière de sophistication et de préparation des données, d’infrastructure technique, de talents, d’organisation et de gouvernance afin de récolter demain les fruits de cette technologie en rapide évolution.
Il est également essentiel de comprendre en quoi l’IA générative se distingue de l’IA traditionnelle et de l’apprentissage automatique. L’IA/apprentissage automatique n’a pas accompli grand-chose en termes de raisonnement et de génération de contenus, pêchant par manque de créativité. Mais l’IA générative devient forte dans les deux domaines, autorisant une créativité jusqu’alors inimaginable. Il est possible qu’au fil du temps, l’IA générative ne réponde pas seulement à nos questions, mais qu’elle nous dise aussi quelle aurait dû être la question. Cette évolution pourrait aboutir à un profond changement de paradigme dans tous les secteurs.
Garder une longueur d’avance sera essentiel — même le meilleur produit ou la meilleure entreprise ne peuvent pas se permettre de se reposer sur leurs lauriers dans cet environnement en évolution rapide. Comme nous l’avons précédemment souligné, la technologie ne peut, à elle seule, suffire à générer des performances élevées. Plus encore que la rapidité, les gagnants et les perdants à long terme de cette course se définiront par leur stratégie d’adoption. En répondant aux questions ci-dessus, les équipes de direction peuvent se faire leur propre idée de ce qu’il faut à leur entreprise pour intégrer efficacement l’IA générative et dégager une valeur transformationnelle concrète.
1. Goldman Sachs Global Investment Research. « La croissance générationnelle, l’IA, les centres de données et la demande d’énergie aux États-Unis explosent. » Avril 2024
2. Goldman Sachs Global Investment Research. « La croissance générationnelle, l’IA, les centres de données et la demande d’énergie aux États-Unis explosent. » Avril 2024
3. Goldman Sachs Global Investment Research. « La croissance générationnelle, l’IA, les centres de données et la demande d’énergie aux États-Unis explosent. » Avril 2024
