Les quatre cas d'utilisation essentiels de l'IA

Si le battage médiatique autour de ChatGPT est relativement récent, les conversations sur la puissance des réseaux de neurones et le machine learning ne le sont certainement pas : en 2016, le New York Times publiait déjà un article intitulé The Great AI Awakening dans lequel le magazine décrivait comment, alors même qu'ils existaient depuis des décennies, les réseaux de neurones n'avaient jamais vraiment trouvé d'utilisation commerciale généralisée — jusqu'à aujourd'hui. En 2017, Google publiait le désormais célèbre article Attention is All You Need, qui présentait l'architecture révolutionnaire des Transformers.

Mais malgré ces publications, les personnes que nous étions en 2017 seraient sidérées devant les progrès réalisés dans le domaine de l'IA jusqu'à 2024 (le marché mondial de l'IA vaut déjà plus de 150,2 milliards de dollars). Et si les six prochaines années suivent la même tendance que les six dernières, nous vivrons dans un monde radicalement différent en 2030.

Alors, qu'est-ce qui a changé ?

Les progrès ont été considérables : améliorations du matériel GPU, introduction de puissants modèles de Transformers pré-entraînés comme BERT, explosion de la communauté open source autour de l'IA sur Hugging Face et nouvelles percées en biologie comme AlphaFold. Mais l'avancée majeure, qui explique pourquoi vous lisez quotidiennement des articles sur l'IA dans la presse, est l'avènement de l'IA générative et, en particulier, des grands modèles de langage (LLM) comme ChatGPT.

L'« IA générative » désigne simplement des modèles d'intelligence artificielle capables de générer des éléments, comme du texte ou des images. Rien de nouveau en soi : les réseaux antagonistes génératifs, prédécesseurs des modèles de génération d'images tels que Midjourney et Stable Diffusion, ont été inventés par Ian Goodfellow en 2014. Quant aux modèles de langage autorégressifs tels que GPT-1 et GPT-2, ils existent depuis encore plus longtemps.

La nouveauté réside dans l'échelle de ces modèles et dans leur procédure d'entraînement : l'augmentation de la taille de ces modèles les a rendus bien plus intelligents et polyvalents, mais surtout, leur entraînement ne dépend pas de grands ensembles de données.

Par exemple, en 2017, si vous vouliez créer un modèle pour déterminer l'intention d'un utilisateur lorsqu'il s'adressait à un chatbot, vous auriez dû entraîner ce modèle sur des dizaines de milliers d'exemples de messages et étiqueter des dizaines de milliers de messages, ce qui exigeait du temps et de l'argent. Mais en 2024, il vous suffit de « demander » à ChatGPT d'accomplir une tâche, en la décrivant comme vous le feriez à un autre être humain, et ChatGPT exécute la tâche selon vos instructions.

La possibilité de demander plutôt que d'entraîner, ainsi que les améliorations considérables en matière d'intelligence et de cohérence, font des LLM un outil révolutionnaire pour les entreprises et les consommateurs. Ces modèles rendent possibles des choses qui relevaient de la science-fiction il y a encore quelques années. S'ils sont correctement utilisés, ils peuvent créer énormément de valeur économique et, surtout, améliorer réellement la vie des gens. Mais pour cela, il nous faut comprendre l'IA : ses points forts et ses limites, et comment l'utiliser de manière responsable et efficace.

Dans ce guide, nous allons présenter aux chefs d'entreprise des cas d'utilisation essentiels de l'IA et la manière dont l'IA affectera leur organisation.

Quatre cas d'utilisation essentiels

Parler des cas d'utilisation de l'IA en 2024, c'est un peu comme parler des cas d'utilisation de l'ordinateur en 1970. Si vous aviez essayé d'expliquer les cas d'utilisation potentiels d'un ordinateur en 1970, vous auriez pu évoquer la réalisation de calculs mathématiques à travers de grands ensembles de données ou la création d'une base de données pour l'inventaire d'une entreprise.

Mais évidemment, de tels arguments n'auraient pas vraiment porté leurs fruits, car l'utilisation des ordinateurs va bien au-delà de simples calculs ou du suivi des stocks. Les ordinateurs impactent chaque aspect de notre vie, et aujourd'hui, nous les utilisons pour un éventail de choses qui auraient été totalement inimaginables en 1970. L'IA semble incarner une transition aussi manifeste que celle que nous avons connue avec l'informatique personnelle, l'informatique mobile et Internet, dans le sens où, à l'instar de ces technologies, elle va impacter chaque aspect de nos activités et de nos vies.

Par conséquent, si l'identification de cas d'utilisation concrets peut sembler inutile ou restrictive, elle constitue bien un point de départ non négligeable. En particulier quand on sait que bon nombre de grandes entreprises ont du mal à saisir le champ d'application de cette technologie et son utilité. En outre, le fait de segmenter plusieurs cas d'utilisation nous permet de prendre de meilleures décisions en termes de risques, car ces derniers varient selon les cas d'utilisation.

Pour chaque cas, nous décrirons des exemples d'utilisation, les technologies spécifiques et les algorithmes sur lesquels elles reposent, la manière dont l'intervention humaine fonctionne et ce que l'IA générative a changé.

L'IA comme assistant de création

Le premier cas d'utilisation consiste à utiliser l'IA comme assistant de création. L'IA accompagne ici le travail du créatif en lui faisant des suggestions, en récupérant des informations et en contribuant aux résultats. À cet égard, certains d'entre nous font déjà appel à GitHub Copilot ou ChatGPT.

Par exemple, un chef de produit peut utiliser Copilot pour compléter ou écrire automatiquement du code en suivant des instructions demandées. ChatGPT peut se substituer à Stack Overflow pour résoudre des bugs et aborder de nouveaux problèmes (beaucoup plus rapidement qu'en lisant la documentation). Ces deux produits permettent déjà d'augmenter la productivité dans ces domaines, et bien plus encore.

Copilot est un assistant de création conçu pour les développeurs. Mais à l'avenir, chaque secteur et application intégrera probablement une forme d'assistant de création. Plusieurs produits d'assistants IA existent déjà pour d'autres secteurs comme Jasper et Copy AI pour la rédaction, ou UIZard et Galileo pour la création d'interfaces utilisateur. Par ailleurs, de nombreux logiciels comme Notion et Microsoft Office commencent à intégrer des assistants IA directement dans leurs produits.

Cette année verra probablement apparaître d'autres assistants de création propres à des secteurs tels que le droit, la médecine, le divertissement, la publicité, l'enseignement et la finance. Voici quelques exemples spécifiques :

• Les assistants de création dans le domaine juridique peuvent aider les avocats à rédiger des dossiers et des contrats en leur présentant et résumant rapidement les dossiers pertinents. Souvent, l'assistant rédige un premier jet, et les avocats apportent les modifications nécessaires.
• Dans le secteur médical, les assistants de création peuvent aider les médecins à poser un diagnostic en fonction d'un ensemble écrit de symptômes ou à rédiger les courriers qui seront envoyés aux compagnies d'assurance comme le fait déjà ce médecin.
• Dans le domaine du divertissement, les assistants de création peuvent aider les scénaristes à générer de nouvelles idées pour les épisodes télévisés et même à rédiger des ébauches de dialogues.
• Les assistants de création publicitaire peuvent contribuer à la rédaction d'ébauches de publicités ou d'autres textes publicitaires en fonction d'une invite. Ils pourront aussi créer des visuels, voire des vidéos entières.
• Côté enseignement, les assistants de création peuvent aider les professeurs à rédiger des articles en leur présentant et résumant la documentation pertinente.
• Pour la finance, les assistants de création peuvent aider les banquiers à remplir des formules Excel compliquées dans leurs modèles et à résumer des données de marché pertinentes.

Si ces utilisations sont possibles, c'est grâce à l'IA générative et aux LLM. À l'exception de Clippy, cette catégorie de produits n'existait pratiquement pas avant 2022, mais depuis, on constate une explosion du nombre de nouvelles start-ups. Avant les LLM, les modèles d'IA n'étaient tout simplement pas assez intelligents ou polyvalents pour apporter leur aide aux domaines créatifs complexes.

Lorsque vous utilisez l'IA comme assistant de création, l'humain reste largement aux commandes. En effet, si l'IA fait des suggestions, présente ou résume les informations pertinentes ou rédige un premier jet, c'est l'être humain, généralement un travailleur du savoir hautement compétent, qui a le dernier mot. L'humain peut accepter, rejeter ou modifier les suggestions de l'IA.

Globalement, ce cas d'utilisation permet d'améliorer l'efficacité des travailleurs du savoir. Il se traduit par une augmentation du nombre de travailleurs, sans les remplacer, avec un risque minimal.

L'IA pour externaliser des processus métier

Le deuxième cas d'utilisation consiste à utiliser l'IA pour automatiser des processus métier. Cette approche s'apparente à la manière dont de nombreuses entreprises automatisent des processus courants et répétitifs pour les confier à d'autres entreprises ou à d'autres pays (d'où l'expression « externalisation des processus métier »).

Dans les années à venir, un grand nombre de processus métier seront automatisés. Nombre d'entre eux constituent des tâches ésotériques, propres à chaque entreprise ; il est donc difficile de faire des prédictions précises.

Citons quelques exemples :

• Utiliser l'IA pour identifier et combler les lacunes en matière de performance dans le service client
• Le codage médical, qui consiste à traduire des diagnostics et des procédures en codes médicaux standardisés, coûte plus de 400 milliards de dollars par an à l'économie américaine, selon une étude de 2016
• AML (Anti-Money Laundering, lutte contre le blanchiment d'argent) et KYC (Know-Your-Customer, connaissance du client) désignent des processus par lesquels les institutions financières exercent une diligence raisonnable à l'égard des clients nouveaux et existants

Évidemment, il est possible d'automatiser des tâches à l'aide de l'IA et du machine learning (ML) depuis de nombreuses années, et les anciens modèles de ML s'avèrent souvent très efficaces. Toutefois, les LLM mettent la barre plus haut, tout en réduisant les obstacles techniques. En effet, ils sont non seulement capables d'écrire, mais aussi de raisonner, prédire et classer. Ils permettent donc d'automatiser un plus large éventail de processus, au-delà des tâches rédactionnelles.

Lorsque l'externalisation de tout un processus est confiée à l'IA, la difficulté réside dans le fait que l'humain disparaît complètement de l'équation. Par conséquent, les exigences en termes de précision augmentent et des mesures de protection supplémentaires sont nécessaires pour surveiller et entraîner le modèle au fil du temps. Pour atténuer les risques, il convient d'optimiser ou de superviser le modèle, ce qui implique de l'entraîner à partir de milliers, voire de millions d'exemples de la tâche (s'opposant ainsi au zero-shot learning, où l'IA reçoit des instructions écrites). Plus vous possédez d'exemples, plus le modèle devient précis, minimisant ainsi le risque d'erreurs de prédiction.

Cependant, le risque zéro n'existe pas. Aussi, lors de l'évaluation des risques, il est important de toujours s'interroger sur l'alternative possible. Et cette dernière est généralement de confier la tâche à des humains. Certes, les humains présentent l'inconvénient d'être chers et lents, mais s'ils représentent une option plus sûre ou précise, alors ce coût est justifié. Ceci dit, les humains ne sont pas toujours l'option la plus sûre ou précise.

Par conséquent, la question n'est pas « L'IA peut-elle parfaitement le faire ? », mais plutôt « L'IA améliore-t-elle le statu quo ? ». Dans de nombreux cas, la réponse sera « oui ».

Le cas d'utilisation qui se prête le mieux au jeu est le travail administratif hautement répétitif dans l'économie de l'information. Notons que l'IA reste relativement inadaptée aux applications dans le monde physique, comme en témoigne le faible engouement pour les voitures autonomes ces dix dernières années. Il s'avère qu'il est extrêmement difficile de faire interagir l'IA avec le monde physique de manière sûre et prévisible.

Il faudra beaucoup de temps avant que l'intelligence artificielle ne remplace les plombiers, les chefs ou les agriculteurs. Mais qu'en est-il des codeurs médicaux intelligents ? Des analystes KYC ? Ou des assistants juridiques ? Autant de métiers qui vont basculer dans l'IA, et les entreprises auront tout intérêt à automatiser ce type de tâches manuelles et routinières. Non seulement elles réaliseront des économies significatives, mais elles libèreront aussi leurs employés des tâches les plus ingrates et les moins gratifiantes. Ne nous voilons pas la face : cette forme d'IA est susceptible de remplacer de nombreux emplois, mais en définitive, ce sont des emplois que nous ne regretterons pas.

L'IA comme expérience digitale

Un troisième cas d'utilisation consiste à utiliser l'IA pour créer ou enrichir des expériences digitales. (Le terme « expérience digitale » est utilisé ici au sens large pour désigner tout point de contact entre une entreprise et ses utilisateurs finaux.) En substance, l'IA est un moyen pour l'utilisateur d'interagir avec une entreprise ou d'utiliser ses services.

Ce cas d'utilisation est déjà bien établi : de nombreuses personnes interagissent depuis des années avec des expériences digitales alimentées par l'IA.

Nombre d'outils digitaux sont effectivement alimentés par l'IA : quand nous utilisons le moteur de recherche Google, quand nous bénéficions de recommandations dans le cadre d'une recherche de films, chansons et produits sur Netflix, Spotify et Amazon, ou quand nous recherchons des informations et effectuons des tâches via des agents conversationnels comme Siri et Alexa. L'IA s'impose de plus en plus comme le moyen par lequel nous interagissons avec des entreprises digitales.

Dans le cadre d'expériences digitales alimentées par l'IA, il n'est généralement pas question de remplacer des humains, mais plutôt d'offrir une expérience qui, par nature, ne peut être fournie que par des logiciels et l'IA. Le rôle de l'humain (s'il existe) consiste davantage à surveiller le comportement de l'IA et à sélectionner le contenu auquel elle a accès.

Les expériences digitales alimentées par l'IA existent depuis près de dix ans maintenant, mais l'IA générative a le potentiel de les améliorer considérablement. À l'origine, seules les entreprises technologiques les plus grandes et les plus avancées pouvaient créer des expériences digitales basées sur l'IA. Mais les progrès réalisés dans l'IA offrent désormais à davantage d'entreprises la possibilité (ou la nécessité) de fournir ce type d'expériences.

Quelques exemples :

• Une entreprise de haute technologie proposant à ses utilisateurs un assistant virtuel, capable de répondre à des questions complexes et d'aider les utilisateurs à parcourir la documentation
• Un détaillant fournissant des recommandations personnalisées de produits complémentaires, ainsi qu'une sémantique rapide pour aider les utilisateurs à trouver le produit qu'ils recherchent
• Un système de santé doté d'un assistant virtuel pour aider les patients à trouver un médecin selon leurs symptômes et à prendre rendez-vous

À mesure que l'IA se généralisera et s'améliorera, les attentes des consommateurs augmenteront et ils ne toléreront plus les sites web et les chatbots inefficaces et obsolètes. Ils s'attendront à recevoir un contenu pertinent et dynamique, et des réponses instantanées à leurs questions. Si ce n'est pas le cas, ils iront voir ailleurs.

L'IA pour prédire et prévoir

Le dernier cas d'utilisation fait moins parler de lui, mais il est extrêmement intéressant : l'IA peut servir à prédire l'avenir. Les lecteurs avisés souligneront que toutes les IA sont prédictives : les LLM prédisent le mot suivant d'une séquence, les modèles de diffusion prédisent l'assemblage idéal de pixels pour générer une image et les moteurs de recommandation prédisent si un utilisateur appréciera un produit.

Mais ici, je fais spécifiquement référence à la prédiction des résultats d'entreprises dans le monde réel. Par exemple :

• Prédire la demande des consommateurs pour un produit spécifique en fonction de l'historique des tendances
• Prédire le marché boursier de demain en fonction de divers facteurs
• Prédire la probabilité qu'une personne rembourse un prêt en fonction de ses antécédents financiers
• Prédire la météo de demain en fonction des données de l'IoT

Peut-être considérez-vous que ces exemples relèvent davantage de « statistiques » que du « machine learning » ou de l'« intelligence artificielle ». Mais au bout du compte, c'est la même chose. L'**IA et le machine learning sont des statistiques, appliquées à une échelle monumentale et à des problèmes que nous n'associons traditionnellement pas à des chiffres. **

Ce cas d'utilisation est le plus ancien des quatre. Nous utilisons désormais les mathématiques et les statistiques pour prédire l'avenir depuis des dizaines d'années. La différence aujourd'hui, c'est que les algorithmes peuvent traiter beaucoup plus de données qu'auparavant.

Avant, nous alimentions les modèles prédictifs uniquement à l'aide d'un ensemble précis de signaux ou « caractéristiques », dont la pertinence statistique était élevée. (Par exemple, pour prédire le prix d'une maison, on utilisait le nombre de mètres carrés comme caractéristique.) Dix ou vingt de ces points de données peuvent être utilisés pour former un modèle prédictif simple.

Mais au cours des dix dernières années, le deep learning et les grands réseaux de neurones, combinés à d'autres innovations en matière de traitement des données, nous ont permis d'entraîner des modèles beaucoup plus conséquents, intégrant de nombreuses autres fonctionnalités dans de gigantesques ensembles de données. Ces modèles sont capables d'assimiler des relations et des représentations complexes, quand des méthodes statistiques plus rudimentaires auraient échoué.

Là encore, l'objectif global du modèle est de surpasser l'être humain, ce qu'il parvient généralement à faire très facilement. En effet, ces modèles excellent particulièrement là où l'intuition humaine échoue. Si vous demandez à un individu moyen de prédire le cours de la bourse en fonction de données historiques et chronologiques, il en serait probablement incapable. C'est le travail d'un algorithme. Un algorithme est capable de traiter bien plus de données et d'observer bien plus de modèles statistiques qu'un être humain ne le pourra jamais.

Ce cas d'utilisation est probablement le moins affecté par l'IA générative. En général, le rôle de l'IA générative est limité en matière de prévisions statistiques. Dans l'ensemble, les anciennes méthodes de ML, comme les réseaux de neurones récurrents et même les Transformers, s'avèrent plus efficaces à cet égard. Mais il y a des exceptions : par exemple, Deepmind a récemment lancé Graphcast, un algorithme qui prédit la météo de manière ultra précise grâce à l'IA générative. Il n'est donc pas exclu que l'IA générative bouleverse également ce domaine.

Conclusion

Les cas d'utilisation que nous avons présentés ne sont aucunement exhaustifs, et nombre d'applications ne relèvent pas d'une seule catégorie. (Par exemple, le logiciel de reconnaissance faciale de votre iPhone.) Mais ce cadre nous permet de délimiter les applications de l'IA pour votre entreprise, par exemple :

• L'IA peut servir d'assistant aux travailleurs du savoir créatif comme les programmeurs, avocats, médecins, enseignants ou scénaristes. Mieux vaut vous pencher sur cette question au plus tôt, car les risques sont faibles et l'IA peut s'avérer extrêmement utile.
• L'IA peut permettre d'automatiser des processus métier entiers. Mais cette démarche est plus risquée et nécessite davantage de précision, ainsi que des contrôles et garanties supplémentaires. Cependant, le jeu en vaut parfois la chandelle, l'essentiel étant de comparer l'IA au statu quo, et non d'affirmer que l'IA est parfaite.
• L'IA peut servir à créer des expériences digitales immersives et utiles. Le travail de l'humain consiste ici à sélectionner le contenu et à affiner le comportement de l'algorithme. Le risque est relativement faible et les consommateurs exigeront de plus en plus des expériences alimentées par l'IA de la part de toutes les entreprises, et pas seulement de Google et Netflix.
• L'IA peut être utilisée pour prédire l'avenir d'après l'historique des tendances et d'autres données. Il s'agit d'une application précieuse, mais peu de choses ont changé dans ce domaine.

En utilisant l'IA pour collecter et organiser des connaissances au sein de votre entreprise, vous pouvez offrir des expériences digitales évolutives et fluides.