Trouver les coûts cachés dans les dépenses d’IA
Alors que les organisations s’empressent de capitaliser sur le potentiel de l’IA, nombre d’entre elles constatent que les dépenses élevées ne produisent que des résultats limités. Selon les estimations, environ 90 % des investissements dans l’IA ne produisent pas les résultats escomptés, un chiffre stupéfiant si l’on considère le volume des ressources allouées.
Cette situation est souvent due au fait que les entreprises n’ont pas une compréhension précise de la manière d’évaluer et d’optimiser les applications d’IA. Au lieu d’avoir une visibilité claire sur les projets d’IA qui génèrent une valeur réelle, les entreprises finissent souvent par financer des initiatives qui absorbent les budgets sans avoir d’impact significatif.
Pour la plupart des entreprises, l’adoption de l’IA implique un mélange d’apprentissage automatique, d’analyse prédictive et, de plus en plus, de grands modèles de langage (LLM).
Distinguer les actifs précieux de l’IA de ceux qui épuisent les ressources est toutefois devenu un défi majeur. En l’absence de mécanismes de gouvernance permettant d’évaluer les performances de l’IA, le respect de l’éthique et l’impact opérationnel, les dirigeants sont laissés dans l’ignorance quant au retour sur investissement de l’IA.
Les organisations commencent à s’attaquer à ce problème en investissant dans des outils et des processus de gouvernance de l’IA qui fournissent des informations claires sur les performances et l’efficacité de l’IA. Lorsqu’elles sont correctement gérées, les applications d’IA peuvent considérablement améliorer la prise de décision et le positionnement concurrentiel.
Cependant, sans gouvernance stratégique, les investissements dans l’IA risquent de devenir des expériences coûteuses avec une valeur commerciale minimale.
Comprendre le problème des 90 % de déchets dans l’IA
De nombreuses entreprises déploient l’IA sans approche structurée, ce qui se traduit par des efforts fragmentés qui ne sont pas alignés sur les objectifs fondamentaux de l’entreprise. L’inefficacité persiste en partie parce qu’il est difficile d’identifier les applications d’IA à fort impact.
Les modèles d’IA fonctionnent généralement comme des systèmes complexes et opaques, ce qui rend difficile l’identification des résultats directs d’applications spécifiques.
Outre le manque de clarté du retour sur investissement, les entreprises sont confrontées à des problèmes tels que la partialité des modèles et les risques de non-conformité, qui ajoutent des complications supplémentaires. Les résultats de l’IA n’étant pas toujours explicables, les entreprises peuvent, à leur insu, déployer des modèles biaisés ou inefficaces, contribuant ainsi à ce gaspillage.
En fin de compte, ces inefficacités soulignent le besoin urgent de systèmes capables de surveiller les performances de l’IA et de fournir une transparence sur la manière dont l’IA influe sur les activités de l’entreprise.
Des milliards d’euros investis dans l’IA – Quelle est la valeur ajoutée ?
L’augmentation des dépenses en matière d’IA est importante, des entreprises comme Accenture consacrant 2 milliards de dollars par an pour aider les entreprises à faire face aux complexités de l’adoption de l’IA. Parallèlement, des entreprises telles que Nvidia génèrent des milliards en fournissant le matériel et l’infrastructure qui alimentent ces initiatives d’IA.
Malgré des investissements substantiels, de nombreuses organisations peinent encore à en percevoir la valeur.
Si les grandes entreprises aux poches bien garnies continuent d’injecter de l’argent dans l’IA, elles recherchent également des solutions qui maximisent leur retour sur investissement et apportent de la clarté à leurs investissements.
Par exemple, sans une vision claire des modèles d’IA qui apportent des avantages commerciaux et de ceux qui n’en apportent pas, les entreprises risquent de gaspiller des fonds pour une technologie qui ne fait qu’augmenter leurs dépenses opérationnelles.
Pourquoi l’IA exige une nouvelle approche de la gouvernance
Alors que la gouvernance traditionnelle se concentre sur la gestion des actifs, tels que les données et les logiciels, la gouvernance de l’IA aborde des questions uniques telles que la partialité, la transparence des modèles et l’efficacité. Ces facteurs créent de nouveaux défis de gouvernance que les cadres informatiques ou cloud standard sont mal équipés pour gérer.
La partialité est l’un des problèmes les plus urgents de la gouvernance de l’IA. Par exemple, les modèles d’IA peuvent, par inadvertance, favoriser ou défavoriser certains groupes, ce qui peut nuire à la réputation ou entraîner des mesures réglementaires.
Contrairement à la gouvernance informatique, qui concerne principalement la sécurité des données et la conformité, la gouvernance de l’IA nécessite un suivi et une évaluation continus du comportement et des résultats du modèle pour s’assurer qu’ils s’alignent à la fois sur les normes réglementaires et sur les valeurs de l’organisation.
Ce qui distingue la gouvernance de l’IA
La gouvernance de l’IA diffère de la gouvernance des données et du cloud en ce qu’elle implique une surveillance du comportement, de la précision et de l’équité des modèles.
Alors que la gouvernance du cloud se concentre sur la gestion des ressources et de l’infrastructure, la gouvernance de l’IA se penche sur les algorithmes et les modèles qui déterminent les résultats de l’entreprise. Il s’agit d’une distinction essentielle car l’IA peut influencer la prise de décision dans les domaines de la finance, des soins de santé et des ressources humaines, domaines dans lesquels des prédictions biaisées ou incorrectes peuvent avoir de graves conséquences.
Une gouvernance efficace de l’IA met également l’accent sur la conformité réglementaire, car les industries sont confrontées à une surveillance accrue des décisions algorithmiques.
Par exemple, les services financiers doivent s’assurer que les modèles d’IA n’ont pas d’impact injuste sur certains groupes démographiques, et les organismes de santé doivent vérifier que les outils d’IA soutiennent des diagnostics précis et des recommandations de traitement.
Comment l’IA holistique permet une surveillance sur mesure
En s’intégrant aux systèmes de données existants, Holistic AI offre une vue interconnectée des projets d’IA dans l’entreprise, permettant aux organisations de surveiller et de contrôler efficacement leurs actifs d’IA.
Parmi les principales fonctionnalités, citons la découverte de projets d’IA, qui identifie toutes les initiatives d’IA au sein d’une entreprise, et la gestion de l’inventaire, qui classe ces projets par catégories afin de rationaliser la supervision.
L’un des avantages uniques de la plateforme d’Holistic AI réside dans ses alertes de risque automatisées, qui informent de manière proactive les entreprises des risques techniques ou de conformité potentiels.
Par exemple, si un modèle d’IA dans le département des ressources humaines présente des schémas décisionnels biaisés, la plateforme d’Holistic AI peut détecter et signaler ce risque avant qu’il n’entraîne des retombées réglementaires ou de réputation.
Faire de l’IA un investissement à haut rendement
Les organisations considèrent l’IA comme une opportunité d’acquérir des avantages concurrentiels, d’optimiser les opérations et de créer de nouvelles sources de revenus. Toutefois, en raison des enjeux élevés de l’IA, sans une stratégie de gouvernance solide, les investissements pourraient comporter plus de risques que de bénéfices.
Pour les entreprises du classement Fortune 500, l’investissement dans l’IA peut atteindre des millions par an et par application.
Dans les environnements à forts enjeux, les applications d’IA performantes peuvent générer une grande valeur, tandis que les modèles sous-performants ou mal alignés peuvent créer des risques financiers ou de réputation. En faisant de la gouvernance de l’IA une priorité, les entreprises peuvent augmenter leurs chances d’identifier et de développer des applications d’IA productives.
Comment la maturité de l’IA se traduit-elle en valeur pour l’entreprise ?
Au-delà de l’IA générative, les applications d’apprentissage automatique dans des domaines tels que l’analyse prédictive, la segmentation de la clientèle et l’optimisation opérationnelle génèrent déjà des rendements mesurables pour de nombreuses entreprises.
La maturation de l’IA en tant que technologie permet désormais aux entreprises de l’intégrer plus profondément dans leurs modèles d’affaires, à condition qu’elles disposent de structures de gouvernance adéquates pour gérer les risques. Lorsqu’elles le font de manière efficace, les entreprises peuvent tirer parti des capacités avancées de l’IA tout en minimisant les risques associés à des modèles biaisés ou inexacts.
Renforcer la visibilité pour responsabiliser les acteurs de l’IA
Les entreprises déploient souvent des modèles d’IA complexes, mais manquent de visibilité sur leur fonctionnement interne, ce qui entraîne des défis en matière de responsabilité – affectant l’efficacité opérationnelle et introduisant des risques – car les modèles peuvent prendre des décisions qui reflètent des biais involontaires ou des problèmes de conformité.
Les déploiements d’IA transparents permettent aux organisations de suivre les décisions des modèles, d’évaluer leur impact et de prendre des mesures correctives si nécessaire.
Par exemple, un modèle de recrutement opaque qui désavantage involontairement certains groupes démographiques pourrait entraîner des amendes réglementaires et des atteintes à la réputation.
Le rythme rapide de l’innovation en matière de modèles d’IA
Avec des sociétés comme Meta, OpenAI et Google qui publient constamment de nouvelles versions de grands modèles de langage, les entreprises doivent décider quels modèles répondent le mieux à leurs besoins.
Les mises à jour fréquentes permettent d’améliorer les performances et la rentabilité, mais nécessitent également une approche stratégique de la sélection et du déploiement des modèles.
Cet espace concurrentiel profite aux entreprises en réduisant le coût de l’IA de haute performance, mais il est également source de complexité. Les entreprises ont besoin de cadres de gouvernance pour gérer cette complexité, afin de rester agiles tout en atténuant les risques associés aux modèles non testés.
Dernières réflexions
Dirigez-vous vos initiatives d’IA avec la supervision nécessaire pour minimiser le gaspillage, réduire les risques et véritablement amplifier la valeur ? Dans un marché où l’innovation et la responsabilité vont de pair, il est temps de se poser la question suivante : votre stratégie d’IA est-elle conçue pour générer des succès mesurables – ou ne fait-elle que suivre le cycle de l’engouement ?