Les 5 plus grands défis liés à l’adoption de l’IA en 2025

Il y a 5 ans, Rob Thomas et Paul Zikopoulos (IBM) ont élaboré un cadre pour l’adoption réussie de l’intelligence artificielle (IA) : l'AI Ladder, une « approche unifiée et prescriptive visant à aider [les dirigeants] à comprendre et à accélérer leur transition vers l’IA ». Ce cadre est devenu un livre, dont la sortie a été annoncée avec une accroche qui semble aujourd’hui plutôt étrange :

« Tout le monde parle d’IA. Mais, pourquoi ? Eh bien, nous sommes convaincus que l’IA représente une formidable opportunité pour les entreprises de toutes tailles et de tous secteurs. »

Si l’on considère le paysage actuel de l’IA, c’est assez amusant de s’imaginer un monde dans lequel Rob et Paul ont ressenti le besoin de convaincre les lecteurs que l’IA allait tout changer. Nous voudrions également attirer votre attention sur les « barreaux » de l’échelle : moderniser, collecter, organiser, analyser et intégrer.

En 2020, de nombreuses organisations n’avaient même pas ne serait-ce que posé le pied sur ce premier barreau. À peine 5 ans plus tard, vous n’avez pas besoin d’un rapport McKinsey pour vous dire que l’IA, c’est l’avenir.

La quasi-totalité des organisations peuvent adopter l’IA à un degré ou à un autre. Les nouvelles avancées technologiques ont facilité la mise en œuvre d’intégrations d’IA qui génèrent un retour sur investissement (ROI) immédiat.

Le manque d’enthousiasme pour l’IA n’est jamais une question d’incertitude quant à son potentiel, mais quant à la bonne démarche à suivre.

L’IBM Institute of Business Value a publié un rapport qui a révélé des données intéressantes sur l’adoption de l’IA, à savoir les obstacles qui empêchent encore les organisations de faire des progrès dans le domaine de l’intelligence artificielle générative (IA générative). 

Près de la moitié des personnes interrogées ont fait part de leur inquiétude quant à l’exactitude ou à l’impartialité des données. Les dirigeants d’entreprise peuvent surmonter ces préoccupations en donnant la priorité à la gouvernance, à la transparence et à l’éthique de l’IA.

La gouvernance de l’IA est essentielle pour atteindre un état de conformité, de confiance et d’efficacité dans le développement et l’application des technologies d’IA. Une gouvernance efficace de l’IA englobe des mécanismes de surveillance qui traitent des risques tels que les biais, la violation de la vie privée et l’utilisation abusive tout en favorisant l’innovation et la confiance. 

Des structures de gouvernance solides, telles que des comités d’éthique de l’IA et le respect des cadres d’exigences réglementaires, contribuent à maintenir des principes de redevabilité et un déploiement responsable de l’IA.

L’éthique de l’IA est un domaine pluridisciplinaire qui étudie comment optimiser l’impact bénéfique de l’IA tout en réduisant ses risques et ses effets indésirables. L’éthique de l’IA englobe la responsabilité et la confidentialité des données, l’équité, l’explicabilité, la robustesse, la transparence et d’autres considérations éthiques.

Les contrôles d’équité et autres mesures correctives relèvent de l’éthique de l’IA et contribuent à garantir que les sorties de l’IA sont fiables et équitables.

La transparence de l’IA permet aux individus de mieux comprendre comment sont créés les systèmes d’IA et comment ils prennent leurs décisions. Les chercheurs décrivent parfois l’IA comme une « boîte noire », car il est encore parfois difficile d’expliquer, de gérer et de réguler les résultats de l’IA en raison de la complexité croissante de la technologie. La transparence de l’IA permet d’ouvrir cette boîte noire et de mieux comprendre les résultats de l’IA.

Environ 42 % des personnes interrogées estiment que leur organisation n’a pas accès à des données propriétaires suffisantes. Les entreprises peuvent surmonter le manque de données de haute qualité suffisantes pour personnaliser les modèles d’IA générative grâce à l’augmentation des données, la génération de données synthétiques et l’établissement de partenariats stratégiques en matière de données.

Une approche efficace consiste à améliorer les jeux de données existants grâce à des techniques d’augmentation telles que la paraphrase, la traduction ou le bruitage afin de diversifier les données sans avoir à en collecter des nouvelles.

Les données synthétiques, créées artificiellement par simulation informatique ou générées par des algorithmes d’IA, peuvent remplacer les données réelles. Ces données peuvent être utilisées comme alternative ou complément aux données réelles lorsqu’elles ne sont pas facilement accessibles.

Une autre stratégie consiste à former des partenariats stratégiques et à participer à des initiatives de partage de données à l’échelle du secteur. La collaboration avec des entreprises, des instituts de recherche ou des consortiums non concurrents permet aux entreprises d’accéder à des jeux de données plus vastes et plus diversifiés tout en évitant les problèmes éthiques et en respectant les normes juridiques.

L’apprentissage fédéré, qui entraîne les modèles sur des sources de données décentralisées sans partager de données brutes, est un autre moyen d’exploiter des données externes en toute sécurité et dans le respect des exigences de conformité.

L’IA générative est une discipline encore jeune, mais les entreprises peuvent surmonter les problèmes liés à une expertise insuffisante en la matière en investissant dans le développement des talents, dans des partenariats stratégiques et dans des outils d’IA accessibles.

L’une des approches les plus efficaces consiste à améliorer les compétences des employés existants grâce à des programmes de formation spécialisés, des ateliers, et des certifications en IA et en machine learning (ML). En offrant une expérience pratique des outils d’IA et en favorisant une culture de l’apprentissage continu, les organisations pourront combler le déficit de compétences en interne.

Outre le développement d’une expertise interne, les entreprises peuvent collaborer avec des fournisseurs, des instituts de recherche et des sociétés de conseil en IA pour accéder à des connaissances spécialisées.

En collaborant avec des startups ou des fournisseurs de technologies d’IA, les entreprises peuvent faire appel à une expertise externe sans avoir à tout créer à partir de zéro. L’écosystème open source peut également fournir des informations précieuses et des modèles prédéfinis simplifiant la mise en œuvre des stratégies d’IA.

Une autre solution consiste à adopter des plateformes d’IA low code ou no-code qui permettent aux employés ayant une connaissance technique limitée de travailler avec l’IA générative. Ces outils simplifient le déploiement et la personnalisation de l’IA, permettant aux entreprises d’intégrer plus facilement l’IA dans leurs workflows sans nécessiter de compétences approfondies.

Les entreprises devraient aborder la justification financière de leurs initiatives en matière d’IA en se concentrant sur les économies de coûts, la croissance du chiffre d’affaires, l’avantage concurrentiel et l’atténuation des risques.

Il s’agit d’identifier les cas d’utilisation spécifiques dont l’efficacité pourrait être améliorée par les capacités de l’IA générative, comme l’automatisation des processus métier, la génération de contenu marketing ou l’accélération de la transformation numérique.

Les entreprises peuvent estimer leur ROI en quantifiant les avantages de l’IA, tels que la réduction des coûts de main-d’œuvre grâce à l’automatisation de la chaîne d’approvisionnement, l’accélération des délais de mise sur le marché ou l’amélioration de l’engagement client.

Les organisations devraient également tenir compte des opportunités de création de nouvelles sources de revenus : offres de produits alimentés par l’IA, expériences client personnalisées ou prise de décision en temps réel. En commençant par de petits projets pilotes à faible risque, vous obtiendrez des résultats tangibles qui justifieront d’autres investissements.

L’évaluation des risques a également son rôle à jouer dans la justification financière. Les organisations doivent évaluer le coût de l’inaction, notamment la perte de parts de marché au profit de concurrents utilisant des solutions pilotées par l’IA, ou les inefficacités que les projets d’IA pourraient résoudre.

Les préoccupations en matière de confidentialité restent un obstacle majeur à la mise en œuvre de l’IA générative. Là encore, les principes de gouvernance des données et d’IA responsable ont leur rôle à jouer. Une première étape essentielle consiste à limiter l’exposition des données sensibles en utilisant des techniques de gestion des données telles que l’anonymisation, le chiffrement et la confidentialité différentielle avant de faire ingérer toute information aux modèles d’IA.

Cela réduit le risque d’exposition des données personnelles (PII) ou des données d’entreprise propriétaires. Les entreprises doivent également veiller à ce que les systèmes d’IA fassent l’objet de contrôles d’accès et de mécanismes d’audit stricts pour savoir qui interagit avec les données et comment elles sont utilisées.

L’apprentissage fédéré peut constituer une approche efficace, permettant d’entraîner des modèles d’IA à partir de plusieurs jeux de données décentralisés sans déplacer les données elles-mêmes, préservant ainsi leur confidentialité.

La conformité réglementaire est un autre facteur clé. Les entreprises doivent aligner leur utilisation de l’IA sur les lois mondiales en matière de confidentialité des données telles que le RGPD, la CCPA et les réglementations propres au secteur d’activité. En réalisant régulièrement des évaluations d’impact sur la confidentialité et en maintenant une documentation claire sur la façon dont les applications d’IA traitent les données, les entreprises peuvent garantir leur conformité et gagner la confiance de leurs clients. 

Le bon côté des choses, c’est que de nombreuses organisations sont déjà en bonne voie pour relever ces défis :

• 80 % des personnes interrogées dédient une partie distincte de leur fonction de risque à l’IA ou à l’IA générative.

• 81 % procèdent à une évaluation régulière des risques afin d’identifier les menaces de sécurité potentielles introduites par l’IA générative.

• 78 % maintiennent une documentation solide pour améliorer l’explicabilité du fonctionnement et de l’entraînement des modèles d’IA.

• 76 % établissent des structures organisationnelles, des politiques et des processus clairs pour la gouvernance de l’IA générative.

• 72 % élaborent des politiques et des procédures destinées à la gestion des données et des risques potentiels.

Pour surmonter les obstacles courants à l’adoption de l’IA, il faut adopter une approche holistique qui inclut non seulement les équipes chargées du développement de l’IA, mais aussi les parties prenantes des services technologiques, financiers, juridiques et de sécurité. Cependant, compte tenu de la rapidité des évolutions technologiques, le meilleur moment pour les retardataires de se lancer, c’est maintenant.