L’essor de l’IA Générative et le dilemme stratégique du « Make or Buy »25 avril 2024

L’intelligence artificielle générative transforme radicalement le paysage des affaires en repoussant les frontières du possible. Des premières implémentations comme les GAN aux dernières avancées sur le langage, les images et les vidéos, notamment via les LLM et GPT, la valeur est réelle pour les entreprises, à condition de bien réfléchir aux cas d’usage et d’investir dans une intégration aux données et systèmes internes. C’est là que se pose le choix stratégique entre l’adoption de solutions prêtes à l’emploi et le développement de capacités internes. Cette réflexion est essentielle pour les entreprises qui doivent naviguer entre innovation rapide et la nécessité de conserver savoir et savoir-faire en interne

L’Essor de l’IA Générative, du GAN à l’application métier créatrice de valeur

 L’évolution rapide de l’IA générative pose de nouveaux défis et ouvre des opportunités inédites pour les entreprises. L’intelligence artificielle générative est au cœur des débats actuels, repoussant sans cesse les frontières du possible et posant de nouvelles questions quant à son intégration dans le milieu professionnel.

Vous connaissiez la loi de Moore ?

Pour comprendre l’ampleur de l’évolution de l’IA générative, il est utile de se référer à la loi de Moore, une prédiction historique sur la croissance de la puissance de calcul informatique. Cette loi, qui tablait sur un doublement de la puissance tous les 2 ans, semble presque dérisoire aujourd’hui. En effet, dans le domaine de l’IA, l’accroissement des capacités de calcul est bien plus rapide. Selon une analyse d’OpenAI en 2018, la quantité de calcul utilisée dans les plus grands entraînements d’IA a augmenté de manière exponentielle, avec un temps de doublement de seulement 3,4 mois depuis 2012, ce qui représente une augmentation de plus de 300 000 fois. Cette métrique illustre clairement la vitesse vertigineuse de l’innovation en IA générative, où le besoin de calcul augmente bien au-delà des prédictions traditionnelles.

De la genèse à l’ère GPT : L’évolution de l’IA Générative

L’évolution de l’IA générative a commencé avec des technologies telles que les GAN (réseaux antagonistes génératifs) et les autoencodeurs. Ces outils permettaient de générer de nouvelles données spécifiques, comme des molécules, des plans architecturaux ou des solutions à des problèmes d’optimisation. Ces technologies restent d’usage courant et continuent de soutenir une variété d’applications scientifiques et techniques.

Depuis l’avènement de ChatGPT, il y a un peu plus d’un an, l’IA générative semble s’être recentrée sur la production de textes et d’images. Cette perception plus étroite risque d’occulter le large éventail d’applications possibles de ces technologies. Notre objectif est d’embrasser une définition plus large de l’IA générative, reconnaissant son potentiel disruptif à travers un spectre étendu d’applications.

Si l’on regarde d’un point de vue technologiques, les sous-jacents n’ont pas tellement évolué, ce sont toujours notamment des autoencodeurs, de modèles de diffusion et des transformeurs (transformeurs génératifs pré-entraînés – Generative Pretrained Transformers, ou GPT en anglais).

Globalement, il s’agit de vectoriser une grande masse de données, de trouver des liens, souvent en masquant de la donnée et en faisant apprendre au modèle à la reconstituer. Lorsque suffisamment alimentés, ces modèles peuvent générer le mot, le pixel, l’image, ou le son suivant. Et la magie opère lorsqu’il y a suffisamment de contenu et de paramètres…

Applications actuelles et impact sur le monde des affaires

L’IA générative trouve ses applications dans l’analyse, la synthèse, la transformation et la création de texte, de code, d’images, de molécules, de musique et même de vidéos, ouvrant la voie à des créations multimodales inédites. Ces avancées ne sont pas seulement fascinantes du point de vue technologique, mais elles soulèvent également des questions sur leur intégration et leur utilité au sein des entreprises.

Le choc initial de GPT a mis en évidence ses limites et ses risques potentiels, tels que les hallucinations et les fuites de données, incitant à une réflexion sur l’utilisation réelle de l’IA en entreprise. Au-delà des résumés de textes ou de réunions, de synthèses d’analyses, de la rédaction de courriels et de documents, ou encore la génération de fiches produits améliorées, de véritables applications métier se développent depuis un an, capables de tirer parti de l’information pertinente pour des usages concrets. En effet, les innovations récentes permettent l’automatisation de processus complexes, en s’appuyant sur des chaînes d’action mêlant déterminisme, agents autonomes et recherche d’information dans des bases internes (RAG – Retriever-Augmented Generation).

Maximisez l’impact de l’IA Générative dans votre secteur 

 

Les enjeux son concrets pour les entreprises

Les LLM offrent de nombreux avantages pour les entreprises, notamment en termes de productivité. Selon une étude du US National Bureau of Economic Research1, les LLM peuvent augmenter la productivité jusqu’à 34 % pour la rédaction de texte, la réalisation de tâches récurrentes et créatives. Par exemple, un LLM peut vous aider à rédiger des emails, à effectuer des analyses de données simples, ou à trouver de nouvelles idées lors de sessions d’idéation.
De plus, les LLM sont un levier stratégique et un atout tactique pour les entreprises en tant qu’enablers technologiques : ils permettent d’exécuter des tâches chronophages ou différemment faisables, et donc de dégager du temps pour d’autres actions.

Le choix stratégique entre développement interne et solutions clés en main

Néanmoins, à chaque nouvelle innovation technologique se pose la question d’acheter « sur étagère » une solution ou de la développer en propre. ERP, site web, cloud, automatisation, IoT, Data Science, IA, etc. la question du « make or buy » est un fondamental de la stratégie.

Pour naviguer efficacement dans cet environnement complexe, les entreprises doivent évaluer les avantages et les inconvénients des deux approches. Dans un monde idéal, choisir entre une solution préfabriquée et le développement personnalisé se résumerait à comparer les coûts initiaux et les bénéfices à long terme. Cependant, la réalité est bien plus complexe, notamment dans les domaines de pointe comme l’IA générative. Cette décision impacte non seulement la stratégie technologique mais aussi l’alignement avec les objectifs d’affaires, la culture de l’innovation, et la gestion du risque.

Exemples concrets dans le Cloud et l’IA

Pour illustrer ces choix stratégiques, examinons le domaine du cloud computing et de l’IA générative. Considérons, par exemple, le cloud computing. Pour beaucoup d’entreprises, recourir à des services tels qu’Amazon Web Services (AWS), Google Cloud Platform (GCP), ou Microsoft Azure est une évidence, du fait de leur commodité, échelle, et coûts réduits par rapport à la maintenance de data centers internes. Toutefois, pour des opérations critiques ou des données hautement sensibles, certaines organisations pourraient opter pour des solutions sur mesure, afin de maximiser le contrôle et la sécurité.
L’IA Générative n’échappe pas à cette question. Comme dans les autres cas, elle n’appelle pas une réponse unique mais plutôt un ensemble de réponses dépendant de la criticité de la solution par rapport au métier de l’entreprise.

Dans le domaine de l’IA générative, la question se complexifie. Des outils comme Perplexity pour la recherche et Microsoft Copilot pour l’assistance administrative offrent des fonctionnalités impressionnantes « de série ». Néanmoins, pour des applications hautement spécialisées – résumés techniques avancés, analyses de données complexes, ou créations graphiques originales – le développement interne ou l’adaptation personnalisée de modèles d’IA devient un atout stratégique. Par exemple, une entreprise spécialisée dans la biotechnologie pourrait développer un modèle personnalisé pour générer des structures moléculaires innovantes, offrant un avantage compétitif inestimable.

L’évidence du standard

 

Ainsi, pour des applications bénéficiant de l’accès à des données externes, la solution évidente est l’utilisation d’un service public. Par exemple pour la recherche, des outils tels que Perplexity ou Consensus sont très performants, et (quasiment) personne n’a intérêt à développer sa propre solution. Vous vous contenterez d’encadrer la pratique par des suivis d’accès, des formations et de la sensibilisation aux risques.

La sécurité des données : Un facteur décisif 

La question de la sécurité est primordiale lorsqu’il s’agit de choisir entre des solutions achetées et des solutions développées en interne. Bien que des services comme Microsoft Copilot offrent des garanties de sécurité pour les données sensibles, les entreprises opérant dans des secteurs régulés (finance, santé, défense) peuvent nécessiter des solutions hautement personnalisées pour répondre aux exigences légales et aux standards de sécurité.

Pour un service tel que le résumé de réunion, de document ou l’aide à la formulation, les modèles publics sont généralement suffisants, mais vous vous tournerez vers des implémentations sécurisées afin d’éviter toute fuite de donnée. Des solutions « privatisées » comme Microsoft Copilot répondront généralement à vos besoins.

L’avantage de la personnalisation

Pour certaines applications (résumés techniques par exemples, ou formulations sophistiquées), vous pourrez être amenés à réentraîner un modèle, ou à lui donner accès à des bases d’exemples, ce qui est nettement plus compliqué. Des solutions verticales comme Nabla peuvent offrir un entre deux.
La capacité à personnaliser les solutions technologiques peut être déterminante, surtout pour les systèmes s’appuyant sur des données internes. Pour les applications s’appuyant sur des données internes, l’argument en faveur du développement sur mesure se renforce. Ces systèmes, en intégrant des chaînes de décision spécifiques, des API vers vos systèmes et une UX dédiée. Le modèle de langage en lui-même sera généralement standard (propriétaire ou open source, encore un autre choix à faire…).

La question clé du savoir-faire interne

Enfin, pour des applications cœur de métier, où vous avez un avantage compétitif fort, ou bien évidemment pour des applications que vous souhaitez vendre, le développement sera particulièrement soigné et sécurisé, pouvant aller jusqu’à un développement en propre de grands modèles.

Les réponses peuvent être très différentes d’une entreprise à une autre. Ainsi une entreprise faisant occasionnellement de la création graphique se contentera d’une version publique de Dall-E. Une agence dont c’est le métier cœur pourra aller jusqu’à redévelopper son propre modèle.

Eleven propose une approche structurée pour naviguer dans cette ère de l’IA générative, basée sur l’évaluation de l’adéquation entre les capacités des IA disponibles et les spécificités de chaque métier. Cette méthodologie aide les entreprises à identifier les moments où investir dans des modèles d’IA personnalisés devient stratégiquement avantageux. À travers une exploration des avancées technologiques, de l’évolution des GAN aux systèmes complexes comme les GPT, l’article a illustré comment l’IA générative transforme la création de contenu et ouvre des avenues pour des applications business innovantes et diversifiées.

Confrontées à cette transformation rapide, les entreprises doivent considérer le dilemme du « make or buy ». Ce choix est crucial dans un contexte où l’obsolescence technologique rapide doit être contrebalancée par la nécessité de retenir les compétences en interne. Notre cabinet s’emploie à fournir un cadre de réflexion stratégique pour l’adoption de ces technologies, développant des solutions qui non seulement répondent aux besoins actuels mais créent également de la valeur durable.

En consolidant les technologies disruptives et en adaptant les stratégies à un environnement commercial en mutation, les dirigeants peuvent ainsi assurer que leurs entreprises restent compétitives et innovantes. La maîtrise de l’IA générative devient alors un pilier central pour favoriser l’innovation continue et maintenir un avantage compétitif significatif.