Pourquoi tant d'initiatives en matière d'IA échouent-elles ?

L'IA est un sujet brûlant sur lequel de nombreuses personnes se sentent perdues. Ce n'est pas une surprise : nous avons affaire à une technologie nouvelle, fondamentalement différente.

La donne a changé. Les stratégies et outils existants à notre disposition ne s'appliquent tout simplement plus. C'est, à mon avis, la principale raison pour laquelle environ la moitié des initiatives en matière d'IA échouent ^1. Je m'explique...

Commençons par ce que j'appellerai la "transformation numérique traditionnelle". Bien que cela n'ait jamais été le but recherché, de nombreuses initiatives de transformation numérique (mais pas toutes) finissent par se concentrer sur la manière d'introduire de nouveaux outils numériques pour améliorer l'efficacité et identifient ensuite à tort l'efficacité à la productivité. Vous pouvez ne pas être d'accord avec ce point de vue, et c'est normal, mais voici ce que j'ai observé jusqu'à présent au cours de centaines de conversations avec des clients et des concurrents. Si vous donnez Microsoft Word à quelqu'un, il sera probablement plus efficace pour rédiger un texte, mais il n'y a absolument aucune garantie que le texte qu'il produira aura plus de valeur s'il ne disposait pas de ce nouvel outil numérique. La productivité reste toujours du seul côté de l'humain. 

Considérer l'IA sous l'angle de la transformation numérique traditionnelle est, au mieux, une occasion manquée. L'IA n'est pas un simple outil numérique, c'est un assistant. Nous ne l'utiliserons pas, nous travaillerons avec elle. En outre, les outils numériques exigent toujours que les humains s'y adaptent. Avec l'IA, nous avons l'occasion de voir la technologie s'adapter véritablement à nous et non l'inverse. Il serait insensé de laisser passer cette chance. 

Certains tentent d'envisager l'IA sous l'angle de l'automatisation des flux de travail et des processus. Il y a de bonnes raisons pour que les processus soient si populaires : ils permettent d'opérationnaliser l'efficacité et d'assurer la cohérence dans l'ensemble de l'organisation. McDonalds, par exemple, est une entreprise très axée sur les processus et ce sont ses processus qui garantissent que vous pouvez manger le même Big Mac au Japon et en Belgique. De même, Toyota a mis au point un ensemble de processus légendaires de production allégée qui lui ont permis de devenir la puissance automobile qu'elle est aujourd'hui. 

L'IA intervient généralement dans les processus pour en rendre les différentes étapes plus efficaces. Cela semble raisonnable, sauf qu'il existe un problème pratique commun : les technologies numériques passées ont déjà automatisé la plupart des processus d'entreprise autant qu'il était possible de le faire. L'ajout de l'IA dans le mélange peut se traduire par des améliorations marginales.

L'autre raison pour laquelle l'IA pour l'automatisation des processus échoue souvent est qu'elle n'atténue pas les problèmes fondamentaux du processus. Par exemple, pensez à la manière dont les grandes compagnies d'assurance traitent les demandes de renseignements et les réclamations. Si vous voulez un processus qui vous garantisse de pouvoir traiter tous les types de demandes ou de réclamations, vous n'y parviendrez pas. La complexité des entrées et des sorties à gérer est telle qu'elle conduirait inévitablement à une machinerie de processus trop compliquée, difficile à maintenir, difficile à intégrer et qui, en fin de compte, n'atteindrait peut-être pas les objectifs d'efficacité que vous souhaitez. Il est impossible de saupoudrer de l'IA sur le processus pour le faire fonctionner, car l'IA ne s'attaque pas aux problèmes fondamentaux : la rigidité et le manque de flexibilité de la méthodologie axée sur le processus. 

Une meilleure façon de gérer les objectifs avec des entrées/sorties complexes est de se tourner vers des configurations axées sur les objectifs, où l'on ne se concentre pas sur les procédures, les tâches et les processus, mais sur les compétences nécessaires pour atteindre un objectif. En d'autres termes, des personnes possédant des compétences particulières collaborent pour atteindre un objectif commun. Cette approche présente l'avantage d'être flexible, de pouvoir gérer la complexité et d'être plus résistante que le processus typique (dans le contexte du travail intellectuel). Cependant, elle souffre du fait qu'il est plus difficile de maintenir la cohérence et de prédire les résultats (après tout, nous ne sommes que des êtres humains). 

La technologie numérique d'hier n'était pas assez sophistiquée pour être utile au sein d'une équipe - il n'y avait pas de véritable complément à l'intelligence humaine. Mais les choses ont changé ces dernières années, et nous sommes sur le point d'ouvrir des perspectives sans précédent en matière de productivité et d'efficacité grâce à l'IA. Pour la première fois, nous avons la possibilité d'étendre le champ d'application de la technologie à des concepts tels que les équipes et les rôles des individus au sein d'une organisation. 

‍

Pour ce faire, nous devons abandonner les anciennes façons de penser les technologies numériques et appliquer un nouvel ensemble de stratégies pour intégrer l'IA dans nos organisations. Ces stratégies doivent élever la technologie au niveau de l'humain et répondre à une multitude de nouvelles questions, allant des questions d'organisation et de gouvernance à l'équité et à la durabilité. C'est ce que nous appelons la transformation de l'IA.

Le pari de l'IA monolithique

Ces dernières années ont été marquées par une forte poussée et d'énormes investissements dans le développement de modèles d'IA toujours plus grands, dans le but ultime de mettre au point une intelligence générale artificielle. En d'autres termes, des modèles d'IA qui peuvent presque tout faire. C'est ce que tentent de réaliser les grandes entreprises technologiques telles que OpenAI, Anthropic, etc. Pour vous donner une idée de la force de leur engagement : OpenAI, Oracle et Softbank ont annoncé un investissement de 500 milliards de dollars dans l'infrastructure de l'IA. Cela témoigne des ressources que les entreprises et les particuliers sont prêts à investir dans le développement de l'IA monolithique. 

"Un modèle unique pour tout" est une idée séduisante. Elle est pratique et facilement banalisable, mais elle s'accompagne également d'un grand nombre de problèmes : 

• L'IA monolithique est gourmande en énergie. Il faut une quantité énorme de ressources, de l'électricité aux matières premières, pour la développer et l'alimenter, ce qui soulève de sérieuses questions quant à la durabilité de cette approche, même à court terme. 
• Les modèles sont tellement volumineux (en termes de mémoire et de besoins informatiques) qu'ils ne peuvent être hébergés que dans de grands centres de données. Cela signifie qu'en tant qu'utilisateur, vous devez accepter le fait que vos données devront, à un moment ou à un autre, être transférées dans le nuage.
• L'IA monolithique est développée et contrôlée par une poignée de grandes entreprises technologiques. Cela signifie que vous devez être prêt à confier non seulement vos données, mais aussi votre intelligence à un tiers.
• Personne ne sait ou ne comprend vraiment comment ces modèles fonctionnent ou pourquoi. Ils sont étroitement liés à des sources et vous n'avez rien d'autre à faire que de faire confiance aux grandes entreprises technologiques pour ce qui est de l'explicabilité et de la responsabilité des prédictions du modèle.
• Si un seul modèle fait tout, que se passe-t-il en cas d'échec ? La résilience est un véritable problème sur lequel vous n'avez aucun contrôle avec les modèles d'IA monolithiques. 

DeepSeek, un modèle d'IA développé avec seulement 5 millions de dollars de ressources et des capacités comparables aux modèles GPT de pointe d'OpenAI, dont le développement a nécessité des centaines de millions de dollars, a provoqué un choc sur les marchés hier. Un trillion de dollars de valeur marchande est parti en fumée en une journée. NVIDIA a subi la plus forte baisse du cours de l'action dans l'histoire de la bourse. Pourquoi cela s'est-il produit ? Les gens se sont rendu compte que ce n'est pas forcément mieux d'être plus gros, surtout si des modèles plus petits peuvent vous aider à résoudre certains des problèmes susmentionnés. L'histoire selon laquelle des investissements comparables à l'alunissage sont le seul moyen d'améliorer l'IA s'est avérée fausse.

‍Labonne façon de conduire la transformation de l'IA

Si les anciennes méthodes ne fonctionnent pas pour la transformation de l'IA, qu'en sera-t-il ? L'IA n'est pas un simple outil numérique, c'est un assistant. Nous devons envisager l'IA non pas sous l'angle de "comment les humains utiliseront-ils l'IA", mais sous celui de "comment les humains travailleront-ils avec l'IA ?" En outre, l'IA est une technologie transversale, capable d'affecter tous les aspects d'une entreprise, des opérations de base à la stratégie commerciale. Tout cela ouvre une foule de nouvelles questions auxquelles nous devons répondre :

• Où l'IA devrait-elle jouer un rôle dans mon organisation ? 
• Comment l'IA affectera-t-elle le rôle des humains dans une organisation ? 
• L'IA doit-elle automatiser tout ce qu'elle peut ? 
• Quel modèle d'IA dois-je utiliser, et pour quoi faire ? 
• Quel est l'impact de l'introduction de l'IA sur la durabilité et la résilience de mon organisation ?
  
  

Pour répondre à ces questions et à d'autres, nous avons élaboré une nouvelle proposition de valeur pour la transformation de l'IA.

1. Une perspective holistique plutôt que des objectifs étroits: Une stratégie d'IA correcte met l'accent sur la gestion du changement, la planification stratégique et l'alignement culturel afin de garantir que l'IA devienne un élément transformateur des activités de l'entreprise. En impliquant les parties prenantes à tous les niveaux, elle favorise la collaboration, relève des défis uniques et libère tout le potentiel de l'IA pour un changement significatif.

2. L'autonomisation de l'homme plutôt que l'autonomie de la machine: De nombreux projets d'IA échouent parce qu'ils visent à tort à remplacer entièrement les humains, ce qui entraîne des attentes non satisfaites et de la frustration. Nous nous concentrons sur la création de systèmes d'IA qui renforcent et élèvent les humains, agissant comme des partenaires collaboratifs avec des imperfections et des possibilités d'amélioration. En donnant la priorité à une conception réfléchie de l'expérience humaine, nous nous assurons que ces systèmes améliorent les capacités humaines tout en maintenant un sentiment de contrôle et de confiance.

3. L 'intelligence collaborative plutôt que l'intelligence monolithique: Les progrès récents de l'IA peuvent laisser penser que des systèmes monolithiques et omniscients sont réalisables avec une grande puissance de calcul et de vastes ensembles de données, mais cette vision est trompeuse. La véritable intelligence naît de la collaboration entre plusieurs agents et de leur capacité à s'engager de manière transparente avec les humains, et pas seulement de la taille d'un modèle unique. En adoptant les "systèmes multi-agents", nous nous concentrons sur la création de systèmes d'IA durables qui tirent parti de l'intelligence collaborative pour surmonter les limites traditionnelles.

4. La souveraineté plutôt que la commodité: L'informatique en nuage a transformé les technologies de l'information en décentralisant les ressources et en permettant des modèles d'IA évolutifs proposés "en tant que service", mais cela implique souvent de partager des données sensibles et de faire face à des coûts et des mises à jour imprévisibles. Nous préconisons une évaluation critique des services cloud d'IA propriétaires, en particulier au-delà des premières étapes de la transformation de l'IA. Donner la priorité aux infrastructures qui offrent un meilleur contrôle sur la confidentialité des données et sur l'IA elle-même garantit l'efficacité financière et la souveraineté à long terme. Tout comme vos données devraient vous appartenir, votre intelligence devrait également vous appartenir.

5. La durabilité et la résilience plutôt que la performance à court terme: Nous envisageons la transformation de l'IA comme durable et résiliente, donnant la priorité à la croissance à long terme et à l'impact positif plutôt qu'aux gains à court terme. En intégrant des techniques informatiques écologiques et en adhérant à des normes éthiques élevées, nous créons des solutions d'IA qui s'harmonisent avec les environnements écologiques et sociaux. Des conceptions robustes et adaptables devraient garantir que la transformation de l'IA est à la fois durable et résiliente. C'est pourquoi nous préconisons de se concentrer sur des architectures ouvertes, garantissant la sécurité et la flexibilité pour naviguer dans des technologies, des réglementations et des dynamiques de marché en constante évolution.

Vous êtes convaincu ? C'est très bien ! La seule question qui reste est la suivante : comment transformer ces idées en réalité ? La réponse est : les systèmes multi-agents. 

Les systèmes multi-agents sont l'avenir de l'IA

Vous avez probablement beaucoup entendu parler de l'IA agentique ces derniers temps, et si vous avez déjà utilisé ChatGPT ou Microsoft Copilot, vous avez interagi avec un agent d'IA. Pour simplifier, une définition courante d'un agent d'IA est un modèle d'IA qui peut utiliser des "outils" (par exemple un moteur de recherche, l'accès à une base de données, des documents, des calculatrices, etc.) Je trouve cette définition un peu trop restrictive. Pour moi, un agent est tout ce qui peut effectuer des opérations intellectuelles, utiliser des outils et échanger des informations.

Jusqu'à présent, beaucoup d'efforts ont été consacrés à la construction d'agents simples destinés à interagir avec les humains de manière individuelle. Il s'agit d'une avancée naturelle par rapport aux grands modèles de langage. Mais est-ce la seule façon d'interagir avec l'IA ?

La prochaine étape de cette évolution consiste à envisager que de nombreux agents humains et d'IA travaillent ensemble en tant qu'équipe. Il s'agit d'un défi de taille, car nous devons répondre à des questions telles que : qui doit parler à qui et quand, comment répartir le travail au sein de l'équipe et qui doit être responsable de tel ou tel résultat. Soit dit en passant, c'est exactement ce que nous faisons avec les organisations exclusivement humaines. 

Les agents multiples ouvrent également de nombreuses nouvelles possibilités d'utilisation de l'IA. Prenons l'exemple d'une configuration typique de Microsoft Copilot. Il fonctionne comme un assistant pour un seul humain, qui peut l'utiliser pour accéder à des données, les analyser, etc. Cette configuration présente plusieurs caractéristiques importantes : 

• Le traitement des données est effectué par un modèle d'IA monolithique (par exemple GPT-4) dans le nuage.
• L'installation est conçue pour être généraliste. Le seul moyen d'affiner les performances du modèle est de procéder à une ingénierie rapide
• Vous pouvez imposer une gouvernance des données, par exemple par le biais d'un accès basé sur les rôles, mais à un moment donné, vos données doivent quitter votre stockage physique pour être analysées par le modèle dans le nuage. 
• Deux copilotes ne peuvent pas se parler (la configuration est prévue pour une interaction de 1 à 1).

C'est à peine suffisant dans de nombreux contextes professionnels. Aujourd'hui, nous pouvons concevoir des systèmes dans lesquels de nombreux agents et humains travaillent en équipe, ensemble. Les agents peuvent échanger des informations entre eux et "vivre" physiquement dans des espaces de données protégés, de sorte que vos données ne doivent jamais quitter votre infrastructure. Chaque agent peut être alimenté par un modèle d'IA différent ou par un code déterministe. Ils peuvent interagir avec les humains de la même manière que Copilot et ChatGPT, mais ils ont aussi des personnalités, des rôles et des compétences uniques qu'il nous appartient de définir. Ils peuvent poser des questions et demander des vérifications aux humains lorsque cela est nécessaire, afin de garantir que vous êtes responsable des résultats. Les systèmes multi-agents vous permettent d'identifier les domaines dans lesquels les humains peuvent exceller, et même d'élever leur rôle au rang, par exemple, de "gestionnaires d'agents d'IA". Ces systèmes pourraient constituer la prochaine révolution de l'IA ! 

‍Lessystèmes multi-agentsne doivent pas être confondus avec les étapes d'un flux de travail ou d'un processus, mais doivent être considérés comme une équipe hybride humain-AI. En tant que tels, ils prennent en charge des concepts tels que la structure, le processus, le flux de travail, etc. Cette flexibilité du paradigme multi-agents est l'un des plus grands générateurs d'opportunités !

Conclusions

Le potentiel de transformation de l'IA réside dans sa capacité à travailler avec les humains plutôt que d'être un simple outil de plus à leur disposition. L'ère des processus et des flux de travail rigides cède la place à une collaboration flexible, basée sur le travail d'équipe, entre des agents humains et des agents d'IA, un changement qui exige de repenser fondamentalement la manière dont nous abordons la transformation numérique. Les systèmes multi-agents incarnent cette évolution, permettant un travail d'équipe transparent et adaptable tout en relevant les défis de l'évolutivité, de la gouvernance et de la durabilité. En adoptant une approche holistique et centrée sur l'humain de la transformation de l'IA, nous pouvons débloquer des niveaux de productivité et d'innovation sans précédent. La clé du succès réside dans l'adoption de stratégies qui élèvent la technologie au niveau de l'humain, favorisent la collaboration et créent des systèmes non seulement intelligents, mais aussi résilients, durables et autonomes. L'avenir de l'IA n'est pas une question d'outils, mais d'équipes.

‍

Références

1. Rapport Gartner (2024-05-07) : https://www.gartner.com/en/newsroom/press-releases/2024-05-07-gartner-survey-finds-generative-ai-is-now-the-most-frequently-deployed-ai-solution-in-organizations

‍

A propos de l'auteur

‍MihailoBacković a commencé en tant que physicien théorique devenu expert en IA qui se spécialise dans l'accompagnement des organisations à travers des transformations réussies de l'IA. En tant qu'associé directeur chez B12 Consulting | part of Yuma, il aide de nombreuses entreprises - des biotechnologies et de la santé à la mobilité et à la finance - à exploiter l'IA pour réaliser leurs plus grandes ambitions. Connu pour son approche analytique approfondie et sa passion pour les problèmes complexes, Mihailo se consacre à façonner un avenir où l'IA et l'humanité prospèrent ensemble. Il explore activement l'impact transformateur de l'IA sur des sujets tels que le marché du travail, la démocratie, la désinformation, et s'engage à construire des solutions d'IA qui permettent aux personnes et aux entreprises de prospérer dans un monde de plus en plus automatisé.

‍