Passer au contenu principal Skip to footer

Acquérir l'état d'esprit et la méthode d'une entreprise AI native

Les entreprises existantes ne peuvent devenir AI natives. Elles doivent néanmoins rester vigilantes face à ces start-up basées sur l'IA qui s'accaparent de nouvelles opportunités de marché. En étudiant attentivement la manière dont les entreprises AI natives placent l'IA au cœur de leurs opérations et de leur technologie, les entreprises établies peuvent récolter les fruits de la réflexion et des méthodes de leurs plus récents concurrents.

Section one image desktop

Vous vous rappelez de Monster.com ? À la fin des années 1990, l'émergence de ce site d'offres d'emploi en ligne a été une bénédiction pour les demandeurs d'emploi qui ont rapidement abandonné leurs abonnements aux petites annonces dans les journaux au profit de cette nouvelle plateforme web dématérialisée.

Cependant, au bout de quelques années, une nouvelle série de disrupteurs (Indeed, LinkedIn ou encore Glassdoor) apporta peu à peu son lot de fonctionnalités innovantes.

Bientôt, nous nous poserons peut-être une autre question : vous rappelez-vous des sites d'offre d'emploi en ligne ?

Avec l'émergence de l'IA générative, la recherche d'emploi va probablement prendre un nouveau virage à 180 degrés. Il en ira de même pour les rendez-vous galants, les itinéraires ou les réservations d'hôtel. Alors que ces activités semblent s'être réinventées hier, elles sont sur le point de se transformer à nouveau.


Imaginez, par exemple, un coach de carrière optimisé par l'IA. Plutôt que de chercher un emploi, les candidats lui indiqueraient leurs compétences et objectifs, voire leur culture d'entreprise idéale. En retour, en plus de proposer des résultats, l'IA analyserait les schémas sous-jacents des annonces d'emploi, des articles de presse et des données sociales pour identifier en amont des opportunités dans des entreprises qui n'ont pas encore publié d'offre. Mieux encore, ce coach IA pourrait rédiger des lettres de motivation sur mesure, proposer des simulations d'entretien et même suggérer des techniques de négociation selon l'employeur potentiel.

Et qui serait à l'origine d'une telle innovation ? Très probablement une entreprise AI native.

Même si les entreprises AI natives telles que nous les avons définies n'existent pas encore, ce n'est qu'une question de temps. Ces start-up pionnières intégreront l'IA (puis, progressivement, l'IA générative) dans la trame de toutes leurs productions. Puisque leur état d'esprit est intégralement tourné vers les capacités basées sur l'IA, cette technologie sera également au cœur de leur réflexion et de leurs opérations.

Libérées des contraintes des systèmes existants et des approches rigides, les entreprises AI natives considéreront l'IA non comme un module à greffer, mais comme la pierre angulaire de leurs opérations.

Cet état d'esprit 100 % IA leur permettra de capitaliser sur les points forts de l'IA générative. Citons par exemple les expériences sur mesure réclamées par les clients, des processus internes ultrarapides, des modèles économiques qui, d'un point de vue traditionnel, semblent aller à l'encontre de tous les acquis. 

Tout comme les digital natives avant elles (Uber, Netflix, Venmo), les entreprises AI natives changeront également le comportement des consommateurs. Ceux-ci vont se mettre à choisir des produits, chercher des informations et évaluer leurs options de manière différente pour, à terme, transformer leurs interactions avec le monde digital.

C'est pourquoi les entreprises traditionnelles doivent rester attentives. Pendant que les consommateurs changeront de comportement, les entreprises devront s'adapter à ces nouvelles méthodes de sélection, d'engagement et de transaction. Ces changements donneront également aux entreprises AI natives des opportunités d'infiltrer des fonctions d'entreprise, aussi bien en tant que partenaires que de concurrentes.

  • Les entreprises existantes pourraient s'associer aux entreprises AI natives pour proposer des solutions spécialisées, ce qui comblerait certaines lacunes en matière de capacités qu'elles ne peuvent concevoir en interne.


  • Elles pourraient également faire face à des entreprises AI natives offrant des produits et des services qui bouleversent totalement les processus établis. Pensez par exemple à l'assistant d'écriture optimisé par l'IA qui défie les agences de publicité traditionnelles, ou à la plateforme logistique prédictive qui surpasse les outils de gestion hérités de chaîne d'approvisionnement.

Pour mettre en œuvre des modèles économiques émergents, de nouvelles politiques de gouvernance, de nouvelles structures organisationnelles et de nouveaux processus opérationnels seront nécessaires aux entreprises pour s'adapter à des opérations beaucoup plus rapides, dynamiques et autonomes. Point essentiel, elles devront aussi repenser leur infrastructure technologique pour alimenter les nouvelles capacités optimisées par l'IA qu'elles proposent.

C'est là qu'intervient la pensée typique d'une entreprise AI native. Les entreprises existantes ne peuvent devenir des entreprises AI natives, c'est logiquement impossible.  Elles peuvent (et devraient) néanmoins apprendre du fonctionnement des entreprises AI natives. En étudiant activement les approches innovantes de ces nouvelles venues, par la compréhension de leur pile technologique et l'adaptation de leurs propres stratégies d'IA, les entreprises existantes peuvent commencer à penser (et même agir) comme les entreprises disruptives qui placent l'IA au cœur de toutes leurs opérations.

Image2

Des bouleversements à grande échelle d'ici deux ans

Nos recherches révèlent quand surviendront les véritables changements

Nous n'y sommes pas encore, mais le grand bouleversement de l'IA générative finira par imprimer sa marque. Pour mieux comprendre comment l'IA générative va changer le travail, nous nous sommes associés avec Oxford Economics pour créer un modèle économique qui analyse l'impact de la technologie sur la productivité et le personnel lui-même. (Pour obtenir l'étude complète, consultez notre récent rapport intitulé New work, new world.)

Selon nos résultats sur la vitesse d'adoption de l'IA générative par les entreprises et notre analyse des avancées technologiques passées, nous avons déterminé que l'adoption de l'IA générative suivra une trajectoire sinueuse : une augmentation graduelle jusqu'à un pic assez marqué, puis un plateau au cours duquel la technologie s'affinera et se diffusera. Ce pic marqué se produira au cours de la prochaine décennie et se déroulera en trois étapes principales (voir Figure 1).

Une adoption rapide

L'adoption de l'IA générative pourrait progresser rapidement au cours de la prochaine décennie.

Graphique 1
Chart1 mobile

Figure 1

Les données du graphique reflètent les taux d'adoption les plus élevés possibles, comme le montre notre scénario d'adoption élevée.
*Pour nous assurer que le taux d'adoption soit exact jusqu'en 2032, nous avons inclus l'année 2033 dans le calcul de ce chiffre.



Source : Oxford Economics et Cognizant

Nous pensons que c'est au cours de la période d'« adoption confiante », dans la période 2026–2030, que le véritable changement se produira lorsque 31 % des entreprises adopteront l'IA générative selon nos prévisions les plus optimistes. Même si cela doit se produire dans deux ans seulement, l'intervalle est suffisant pour que les entreprises puissent se préparer, à condition qu'elles s'y mettent dès maintenant.  

À ce stade, la réglementation concernant l'IA (actuellement embryonnaire) deviendra un vrai sujet et la technologie dépassera la simple automatisation des tâches pour devenir une composante essentielle des stratégies de transformation des entreprises.

Par exemple, imaginez un monde dans lequel les requêtes habituelles des clients sont intégralement traitées par des agents d'IA, à savoir des systèmes autonomes qui accomplissent des tâches précises de manière synchronisée afin d'atteindre un objectif plus large.  Ces agents d'IA assureraient une prise en charge personnalisée 24 heures sur 24. Au lieu de s'appuyer sur des argumentaires convenus, les équipes commerciales utiliseraient des outils de génération de prospects et de profilage client, ce qui facilite les approches très finement ciblées. Même les fonctions back-office telles que la planification, les remontées et la saisie de données vont progressivement s'automatiser.

Cependant, au-delà de dépeindre ce monde à venir, notre étude met en lumière les changements annoncés. Dans notre analyse, nous avons attribué des « scores d'exposition » à 1 000 métiers actuellement exercés par la main-d'œuvre américaine. 

Ce score ne reflète pas le pourcentage de travailleurs qui seront sans emploi ou perdront leur emploi. Il indique plutôt le pourcentage maximal des tâches métiers susceptibles d'être automatisées ou assistées par l'IA générative d'ici 2032, pondéré par l'importance relative de ces tâches.

Nos scores d'exposition identifient les groupes professionnels en passe de subir les plus grands bouleversements lors de l'émergence de l'IA générative. Ils indiquent également aux AI natives les secteurs de prédilection à viser pour pénétrer de nouveaux marchés et se transformer en entreprises lean. Si l'on regarde les secteurs ci-dessus, par exemple, les représentants en service client affichent un score d'exposition de 63,7 %, les commerciaux 65,6 % et les employés de bureau et d'administration 85,9 %, le tout d'ici 2032.

C'est pourquoi, à compter des deux prochaines années, au début de l'adoption confiante de l'IA générative, les entreprises capables d'anticiper auront besoin d'une infrastructure technologique robuste, d'une stratégie pour redéfinir le modèle économique et d'une culture qui encourage l'innovation permanente. Pour cela, elles peuvent se tourner vers les entreprises AI natives qui nous enseignent comment et à quel moment procéder à ces transformations capitales.

Image3

D'experts de niche à chefs de file

Trois profils d'entreprises AI natives

Experts de niche

Des solutionneurs de précision

Concepteurs de plateformes

Des architectes de fondations

Chefs de file

Des disrupteurs sectoriels

Selon nous, les entreprises AI natives prendront trois formes principales avec chacune le potentiel de remodeler des secteurs bien établis. Les experts de niche, tout comme le coach de carrière évoqué plus tôt dans ce rapport, se concentreront sur la résolution de problématiques majeures avec une précision d'horloger. Un outil d'IA pourrait accompagner un médecin de talent, en l'assistant par exemple lors du diagnostic de maladies rares avec une précision qui surpasse les efforts d'équipes médicales entières. Autre exemple, un outil de fabrication pourrait se synchroniser avec une chaîne de montage de manière assez précise pour prédire les pannes imminentes, évitant ainsi des temps d'arrêt coûteux et maximisant l'efficacité.

Ces agents dédiés constitueront probablement le premier secteur d'émergence des AI natives. Toutefois, il ne s'agit là que du devant de la scène. Dans le cas des trois types d'AI natives, les agents d'IA s'occuperont également de tout ce qui se passe en coulisses en intervenant au niveau de l'orchestration des tâches pour accomplir le travail. Ces régiments d'agents d'IA deviendront des membres d'équipe à part entière, réduisant ainsi les besoins en main-d'œuvre pour une prise de décision très rapide. (Pour plus d'informations à ce sujet, consultez le récent article du CTO of AI de Cognizant, Babak Hodjat : « AI and agents. »)

Pendant ce temps, les concepteurs de plateformes feront office d'architectes des technologies fondamentales qui permettent aux autres entreprises d'exploiter tout le potentiel de l'IA. Ces innovateurs bâtiront des écosystèmes conçus pour améliorer l'expérience utilisateur et client. Certaines plateformes se focaliseront sur l'anticipation des besoins des clients en proposant des recommandations et des solutions personnalisées avant même qu'ils ne les réclament. D'autres se concentreront sur la prise de décision ; elles transformeront des nombres bruts en informations exploitables, bien au-delà de simples tableaux de bord.

Toutefois, les plus influents sont sans conteste les chefs de file. Ces visionnaires n'y verront pas de limites, seulement du potentiel. Ils se serviront de l'IA pour bouleverser des secteurs entiers par la remise en question des limites traditionnelles : par des services de santé accessibles aux communautés isolées, la redéfinition des investissements financiers via des algorithmes optimisés par l'IA ou l'utilisation de la puissance de l'IA générative pour mettre le plein potentiel de l'éducation personnalisée à portée de tous.

Analysons trois exemples hypothétiques de la manière dont chaque type d'entreprise AI native pourrait remodeler les expériences quotidiennes et bouleverser les méthodes de travail :

Experts de niche

Un oracle prescriptif de chaîne d'approvisionnement

Cette entreprise AI native renverserait la planification traditionnelle de la chaîne d'approvisionnement. Au lieu de résoudre le problème de manière réactive, elle anticiperait les ralentissements et les risques autant qu'elle suggérerait des méthodes d'évitement.


La plateforme absorberait un flux abondant et apparemment chaotique de données : modèles météorologiques, prix des matières premières, événements locaux, instabilité politique et même opinion des réseaux sociaux. Elle établirait ensuite des corrélations invisibles pour les analystes humains, comme un pic de discussions en ligne à propos d'un ingrédient spécifique, anticipant alors suffisamment tôt une pénurie à venir pour que les entreprises se procurent des alternatives.

De même, elle suggérerait des opportunités de manière proactive en identifiant l'excédent de stock ou des voies de transport récemment ouvertes en raison de l'évolution du contexte géopolitique. Les différentes parties prenantes obtiendraient des rapports sur mesure : risques clés pour les cadres, option de sourcing pour les équipes d'approvisionnement et ajustements d'itinéraire logistique pour les gestionnaires de terrain.

Avec de telles plateformes, les postes de gestionnaire dans les secteurs des transports, du stockage et de la distribution (tous détenteurs d'un score d'exposition de 38,1 % d'ici 2032) pourraient connaître des changements significatifs. L'intuition humaine restera indispensable, mais l'IA pourrait rationaliser l'analyse des données et la planification de scenario. Même les postes les plus physiques, qui se trouvent généralement peu impactés par l'IA générative, tels que les stockeurs et préparateurs de commandes (score d'exposition de 26,4 %), pourraient voir leur métier augmenté par la gestion des stocks et la navigation en entrepôt optimisées par l'IA.


La force de l'oracle prescriptif de chaîne d'approvisionnement réside dans son apprentissage continu et son adaptabilité permanente. Ainsi, la plateforme évolue avec le contexte mondial.

Concepteur de plateformes

Un moteur d'apprentissage adaptatif

La start-up AI native saisirait l'opportunité créée par la capacité de l'IA générative à effectuer au moins un tiers des tâches d'un établissement scolaire ou d'un poste d'enseignant, remettant ainsi en question le modèle standard d'éducation. Notre étude attribue un score d'exposition de 36,3 % au personnel administratif de l'enseignement et de 30,8 % aux enseignants d'ici 2032.

Oubliez les évaluations standardisées et les plans de cours inflexibles, ces outils deviendraient obsolètes. La plateforme commencerait plutôt par une évaluation interactive afin de déterminer les lacunes, le style d'apprentissage et les centres d'intérêt de l'apprenant. À partir de là, l'IA concevrait un parcours d'apprentissage personnalisé, avec des concepts présentés sous diverses formes (vidéos, texte, simulations interactives), et s'adapterait en temps réel aux réactions de l'apprenant.

Un problème mathématique vous résiste ? L'IA peut vous proposer une explication visuelle ou décomposer le processus en plusieurs étapes. Vous excellez dans un domaine ? Elle peut vous présenter des éléments avancés pour que les étudiants restent motivés.



Cela ne concerne toutefois pas que le contenu ; l'IA analyse l'implication de l'apprenant, ajuste le rythme et même le style des cours afin d'optimiser l'apprentissage. L'objectif consiste à véritablement centrer l'éducation sur l'apprenant et à lui transmettre un désir d'apprendre tout au long de la vie. Ce type d'outil trouverait également sa place dans le monde professionnel sous forme d'accompagnateur personnel pour les employés. C'est pourquoi la formation continue devient une compétence indispensable pour la main-d'œuvre de l'ère IA.

Chef de file

Une maison de couture durable et à la demande

Ces entreprises AI natives bouleverseraient le modèle de la fast fashion générateur de déchets en associant l'IA générative avec une production sur commande plus durable. Les assistants de conception alimentés par l'IA aideraient les clients à coordonner leurs préférences de style et leurs mensurations pour suggérer des variantes de la conception initiale. Ainsi, ils l'ajusteraient en temps réel selon les retours clients. Des prévisualisations photoréalistes permettraient aux clients de procéder à un « essayage » virtuel du vêtement et de le voir sur eux sous différentes conditions d'éclairage.



Une fois la conception finalisée, la plateforme optimiserait les motifs d'habillement pour minimiser les déchets et se connecterait directement à un site de fabrication à la demande. La confection de vêtements sur mesure éliminerait la surproduction qui empoisonne le secteur. Elle mettrait plutôt l'accent sur des textiles durables, la transparence de la chaîne d'approvisionnement et des éléments de conception qui privilégient la longévité.



Au vu de l'évolution de l'IA, il est possible que des tâches traditionnellement effectuées par les designers de mode (score d'exposition de 43,5 % d'ici 2032) et les modèles (score d'exposition de 41,6 %) soient rationalisées par ce genre de plateforme. Au-delà de la simple vente de vêtements, cette plateforme offrirait une expérience de mode radicalement éthique et personnalisée.

Image4

Leçons de technologie des entreprises AI natives

Préparez-vous pour la nouvelle pile technologique d'IA

Pour proposer ces nouvelles capacités, les entreprises AI natives bâtiront une pile technologique qui, par bien des aspects, paraîtra totalement étrangère aux entreprises d'aujourd'hui. Plusieurs raisons à cela : contrairement aux entreprises traditionnelles qui considèrent les nouvelles technologies comme des moyens de mieux faire ce qu'elles font déjà, les entreprises AI natives voient la technologie, en particulier l'IA générative, comme un moyen d'accomplir des choses inédites.

Du point de vue d'une entreprise AI native, la pile technologique n'est pas un objet statique que l'on ajuste ou met à jour de temps en temps. Il s'agit d'une entité vivante en constante évolution, conçue pour un monde où l'agilité et l'innovation continue sont essentielles à la pérennité d'une entreprise.

En levant le voile sur l'aspect potentiel d'une pile technologique AI native, les entreprises traditionnelles peuvent commencer à réfléchir aux changements à mettre en œuvre pour intégrer des capacités d'IA générative sur leur propre site et, à terme, à leurs modèles économique et d'exploitation.

 

1. La couche applicative

Une nouvelle vision de l'interface utilisateur

Des prompts bien formulés déclencheront des actions complexes sur plusieurs systèmes et généreront des résultats aussi riches que variés.

Pour les entreprises AI natives, l'interface utilisateur (UI) résulte d'une rénovation fondamentale de l'interaction entre les utilisateurs (clients comme employés) et les services fournis par une entreprise AI native. Au-delà du placement des boutons et de la conception de l'écran, une UI AI native s'appuiera sur des prompts bien formulés, déclencheurs d'actions complexes sur plusieurs systèmes ou générateurs de résultats aussi riches que variés. La conception de l'UI amènera un nouveau style d'interaction humain-IA. Cela garantira la capacité des utilisateurs à guider les agents d'IA ainsi qu'à maintenir la visibilité des résultats et leur contrôle.

Les entreprises établies devraient commencer à ressentir les effets de ce changement de paradigme en matière de conception d'UI. Il s'agit moins de cliquer sur une succession de menus que d'une interaction conversationnelle en vue d'atteindre des objectifs. Pour parvenir à ce changement d'état d'esprit, les entreprises peuvent commencer par se poser les questions suivantes :

  • À quel niveau de nos workflows existants une UI basée sur des prompts pourrait-elle fluidifier l'expérience des clients et des employés ?


  • Comment concevoir une interaction basée sur les prompts suffisamment engageante et portée sur l'humain ?


  • Comment concevoir une UI capable d'équilibrer la puissance de l'IA générative avec un contrôle efficace des utilisateurs et un retour clair sur les résultats ?


  • Dans quelle mesure une interface d'IA conversationnelle, directement reliée à des actions, change-t-elle radicalement l'interaction des utilisateurs avec notre entreprise et les services que nous proposons ?

 

2. La couche de modèle d'IA

Un écosystème de modèles et d'outils d'IA

Les entreprises AI natives ne pensent pas selon un modèle d'IA unique et monolithique. Elles préfèrent employer de manière stratégique une suite de modèles, chacun spécialisé dans une gamme de tâches précises. Parmi ces tâches, citons notamment la génération de texte, d'images et de processus ainsi que la modélisation de données structurées, l'optimisation des prédictions et des décisions, la modélisation des incertitudes, l'explicabilité et l'optimisation de code.

Par exemple, un modèle de diffusion pourrait créer de superbes visuels produits, tandis qu'un modèle de langue à grande échelle (LLM) générerait des messages marketing sur mesure. En outre, les modèles traditionnels de machine learning (ML) bénéficieront d'une intégration intelligente pour résoudre des problèmes spécifiques et tirer parti des avantages uniques des différentes approches de l'IA.

De la même manière, les entreprises établies devraient éviter de considérer un modèle IA comme une solution universelle. Il deviendra capital de discerner les points forts de chaque type de modèle et de choisir l'outil idéal pour une tâche donnée. Les entreprises devraient investir dans l'expertise nécessaire pour déterminer à quoi servent concrètement ces modèles et comment les déployer dans les meilleures conditions.

Pour entrer dans un monde multimodèle, les entreprises doivent se poser les questions suivantes :

  • Le fait de se focaliser uniquement sur le dernier modèle d'IA générative à la mode est-il un facteur limitant ? Quels problèmes spécifiques internes à notre entreprise trouvent leur meilleure solution dans une gamme diversifiée de techniques d'IA ?


  • Disposons-nous de l'expertise interne et/ou des partenariats nécessaires à la compréhension des points forts et des points faibles des différents modèles, notamment le machine learning traditionnel ?


  • Comment pouvons-nous intégrer divers types de modèles de manière stratégique ? Comment allons-nous combiner les informations issues de modèles génératifs avec des résultats d'autres IA et outils analytiques ?

 

Évitez de considérer les modèles d'IA générative comme une solution universelle.

3. La couche de données

Accès, connexions et créativité

Exploitez de vastes quantités d'informations tout en garantissant la transparence en matière d'acquisition de données.

Les entreprises AI natives prospéreront sur les informations : plus elles élargiront leur champ d'action, plus elles gagneront en puissance. C'est pourquoi les entreprises AI natives donneront la priorité à l'accès aux données structurées comme non structurées par rapport au souci de la « propreté » des données. Une fois les règles de consentement et de transparence des données clairement établies quant à l'utilisation des données, elles seront en mesure de puiser dans de vastes banques de données publiques, des ressources tierces et des données clients.

En outre, elles utiliseront des graphiques de connaissances (une manière de représenter les données, les entités et les liens entre elles) et des bases de données vectorielles (optimisées pour travailler avec les LLM en quête de recherches et de récupération de données rapides et faciles) afin de saisir les relations complexes entre les points de données.


Les entreprises existantes devront absolument exploiter de vastes quantités d'informations, structurées ou non. Quelle que soit la méthode employée, elles devront également assurer la transparence en matière d'acquisition de données.

Toutefois, il peut s'avérer difficile d'acquérir des jeux de données volumineux. C'est l'occasion pour les entreprises de se montrer créatives. Elles peuvent recourir à des techniques comme la génération de données synthétiques, qui implique la création de jeux de données réalistes mais artificiels, souvent à l'aide de l'IA générative elle-même. Elles peuvent également s'appuyer sur l'apprentissage semi-supervisé qui suppose que les modèles apprennent d'une combinaison de données labélisées et non labélisées. En favorisant l'accès à des informations diversifiées et en employant ces techniques, les entreprises garantiront un fonctionnement optimal de leurs modèles génératifs.

Pour améliorer leurs performances en matière d'IA, les entreprises établies doivent se poser les questions suivantes :

  • Au-delà des données, utilisons-nous au maximum les informations et les connaissances dont notre entreprise dispose ? Comment pouvons-nous améliorer le partage des connaissances et le flux d'informations entre les départements ?


  • Quelles données internes possédons-nous qu'aucun concurrent ne pourrait reproduire, et comment les mettre à contribution au niveau de nos modèles d'IA ?


  • À quel niveau faisons-nous face à des limitations de données ? La génération de données synthétiques ou les techniques d'apprentissage semi-supervisé pourraient-elles se révéler viables ?

 

4. La couche d'infrastructure

Conçue pour la vitesse et l'évolutivité

Les modèles d'IA générative peuvent s'avérer extrêmement exigeants en matière de puissance de calcul, en particulier au cours de l'apprentissage et de l'ajustement. Les entreprises AI natives comprendront que leur infrastructure doit être évolutive et rentable. Elles opteront donc souvent pour une approche de cloud hybride. Cela leur permettra d'augmenter les ressources pour les tâches intensives et de les réduire lorsque l'utilisation diminue afin d'atteindre un équilibre optimal entre contrôle des coûts et performances. L'accélération matérielle, qui s'appuie sur des unités de traitement graphique (GPU) ou des unités de traitement tensoriel (TPU) spécialisées, revêtira une importance capitale.

Les entreprises existantes devront établir des stratégies de manière proactive pour atteindre ce niveau de flexibilité et d'agilité. En prenant en compte les implications infrastructurelles bien avant de dimensionner les projets d'IA, elles peuvent prévenir des dépassements de coûts et assurer la fluidité des opérations.

Pour procéder à ce changement d'infrastructure, les entreprises doivent se poser les questions suivantes :

  • Avons-nous impliqué les équipes IT dans l'anticipation proactive des besoins de calcul des futurs projets d'IA afin d'éviter les surprises au niveau des coûts et les problèmes de performance ?


  • Pourrions-nous tirer parti d'une approche cloud hybride pour nos cas d'utilisation d'IA spécifiques ? Quand devrions-nous privilégier les ressources à la demande par rapport aux instances réservées ?


  • Notre stratégie d'accélération matérielle (GPU/TPU) correspond-elle aux types de modèles d'IA dont nous dépendrons (génération d'images, traitement du langage naturel, etc.) ?

 

Tenez compte des performances et des coûts de l'infrastructure bien avant de dimensionner les projets d'IA.

5. La couche MLOps

L'évolution plutôt que la stagnation

Investissez dans les MLOps afin d'assurer l'évolution continue de vos systèmes d'IA.

Dans les entreprises AI natives, les opérations de machine learning (MLOps) sont essentielles au maintien de l'avantage concurrentiel. Il ne s'agit pas d'un luxe, mais du framework qui permet à ces entreprises d'entretenir leur agilité et leur réactivité. Des pipelines MLOps robustes facilitent l'expérimentation, le déploiement rapide de modèles inédits et améliorés ainsi qu'une surveillance complète de la production. Ces pipelines garantiront à votre main-d'œuvre optimisée par l'IA un apprentissage permanent et des formations automatiques à mesure que de nouvelles données deviennent disponibles. Ils assureront également des mises à jour sans interruption pour optimiser les performances.

Les entreprises existantes doivent considérer l'IA comme un système dynamique plutôt qu'un projet ponctuel. En investissant dans les MLOps, elles pourront automatiser des processus et raccourcir la boucle de retour d'expérience critique entre les résultats concrets et les améliorations du modèle. Ainsi, elles assureront l'évolution continue de leurs systèmes d'IA afin de s'adapter au paysage dynamique du marché.

Pour adopter les MLOps, les entreprises doivent se poser les questions suivantes :

  • Comment raccourcir le délai entre l'idée d'une amélioration pour le modèle et son déploiement au niveau de la production ?


  • Quels sont les indicateurs clés à surveiller en production, non seulement au niveau de la précision du modèle, mais aussi en matière d'impact commercial concret ?


  • La culture de notre entreprise encourage-t-elle les experts en mégadonnée et les ingénieurs à expérimenter rapidement malgré les échecs occasionnels qui jalonneraient le parcours ?

 

Un changement d'état d'esprit

En fin de compte, les entreprises AI natives s'approprieront instinctivement une méthode inédite de développement, d'évaluation, de compréhension et de déploiement des systèmes d'IA. Il n'est pas question pour elles d'approcher les solutions d'IA avec l'intention de concevoir des machines rigides et déterministes pensées pour produire des résultats parfaitement reproductibles. Elles préféreront considérer leurs agents d'IA comme des collaborateurs évolutifs dotés d'un potentiel qui dépasse le statut de simple outil. (Pour plus d'informations à ce sujet, consultez le récent article du VP of AI Research de Cognizant, Risto Miikkulainen : « Generative AI: an AI paradigm shift in the making? »)

Cette approche conditionnera leurs stratégies de manière fondamentale. Conscientes que la « formation » ne se termine jamais vraiment, les entreprises AI natives donneront la priorité à la construction de systèmes capables d'apprendre en permanence. Elles concevront également des interactions qui s'appuieront sur la puissance des prompts et des retours itératifs, tout en guidant leurs agents d'IA avec l'acuité dont on fait preuve lorsque l'on travaille avec un collaborateur hautement qualifié.

De la même manière, les entreprises établies doivent s'efforcer de maîtriser la puissance de l'IA générative plutôt que de l'intégrer de force dans des processus existants ou de l'évaluer selon les anciennes valeurs de référence. Pour ce faire, les équipes technologiques vont devoir penser complètement différemment, avec une volonté irrépressible d'expérimenter, de s'affranchir du besoin d'explicabilité totale et d'accepter d'établir la confiance envers les agents d'IA par l'observation rigoureuse et non par la programmation en amont.

Image5

Construire, s'associer, utiliser

Les considérations stratégiques pour les entreprises dans un monde AI native

En plus de penser et, à terme, d'agir comme une entreprise AI native, les entreprises existantes feront bien de s'associer avec des entreprises AI natives. Si une part relativement faible des entreprises traditionnelles choisiront la voie de la disruption en développant elles-mêmes leurs capacités d'IA (ou en créant une division AI native de leur propre entité), la plupart d'entre elles envisageront des partenariats pour profiter de la perspective rafraîchissante des AI natives en interne.

La grande majorité choisira une approche hybride : un partenariat avec des entreprises AI natives via des API destinées à importer de nouveaux services d'IA dans leur propre environnement et le repérage des divisions pour lesquelles des capacités IA propres vont devenir indispensables.

Dans tous les cas, les entreprises existantes peuvent exploiter l'IA pour transformer les processus établis et créer de nouvelles offres. De même, elles trouveront des moyens d'intégrer les points forts des modèles traditionnels et AI natives afin de pérenniser leur succès.

1 : construire : vers le contrôle ultime

L'approche « maison » aboutit à une solution d'IA sur mesure et parfaitement adaptée aux besoins. 


Cela suppose également des dépenses élevées : attirer les meilleurs talents, bâtir une infrastructure robuste et tolérer un délai de réalisation plus long. 



Cette approche est pertinente lorsque l'IA confère un avantage concurrentiel stratégique ou lorsque des données hypersensibles exigent des protections internes.

2 : s'associer : bénéficier de l'expertise et de la vitesse d'exécution

Un partenariat avec des entreprises AI natives constitue un raccourci vers des algorithmes de pointe, des jeux de données robustes et une assistance experte. 



S'il importe de tenir compte de l'intégration et du verrouillage des fournisseurs, cette stratégie prend tout son sens lorsqu'il faut aller vite malgré une expertise lacunaire 
en matière d'IA. 



Les entreprises AI natives s'appuient elles-mêmes sur des partenariats
en quête de fonctions spécialisées pour pouvoir se concentrer sur leurs innovations principales.

3 : utiliser : prototypage rapide et agilité

L'utilisation de solutions IA préconstruites via des API et services est idéale pour les entreprises qui cherchent à stimuler le développement, prototyper rapidement et ajouter des capacités d'IA sans réinventer 
la roue. 



La vitesse et la rentabilité compensent souvent le compromis de la personnalisation limitée, notamment lors de l'évaluation de nouveaux marchés ou de l'enrichissement des produits.

4 : l'approche hybride : une combinaison gagnante

La plupart des entreprises existantes réussiront en combinant des éléments des trois approches de manière stratégique. 



Cela reviendrait à concevoir des modèles sur mesure pour les principaux facteurs de différenciation et à s'appuyer sur des solutions préconstruites pour 
les tâches courantes. 



La capacité d'adaptation à l'évolution des besoins est caractéristique de l'état d'esprit des entreprises AI natives.

Image6

L'avènement d'un monde AI native

Les entreprises AI natives n'existent pas encore. Toutefois, nul ne peut nier qu'elles sont actuellement en gestation. Lorsqu'elles émergeront, elles bouleverseront rapidement notre quotidien, de nos requêtes d'informations et d'action aux résultats produits par ces dernières. En coulisses, des régiments entiers d'agents d'IA collaboreront pour orchestrer le travail de manière plus efficace, productive et inattendue que tout ce que nous connaissons aujourd'hui.  

L'essence même des AI natives réside dans le fait qu'elles sont créées ainsi : sans technologie héritée, sans main-d'œuvre stagnante ni modes de pensée rigides au service de la modernisation, de la reconversion ou de l'évolution. Cependant, les entreprises établies peuvent apprendre de ces entreprises émergentes afin d'intégrer l'IA générative à leurs propres opérations et, à terme, de transformer radicalement leur activité.

Ainsi, les entreprises établies ne se contenteront pas d'évoquer avec nostalgie les méthodes du passé. Elles seront pleinement actrices de l'avenir proche, imaginant et établissant le prochain paradigme normatif, main dans la main avec les entreprises AI natives.

À propos de l'auteur

Duncan Roberts

Associate Director, Cognizant Research

Duncan Roberts est Associate Director chez Cognizant Research. Il a rejoint Cognizant en 2019 en tant que consultant en stratégie et transformation digitale cross-sectorielle. Depuis, il aide nos clients à comprendre comment utiliser la technologie pour atteindre leurs objectifs stratégiques et développer leurs capacités via l'innovation.

Auparavant, Duncan a travaillé pour l'une des plus grandes maisons d'édition d'Europe, où il a joué un rôle clé dans la révolution de l'édition numérique en contribuant à la transformation des opérations de bout en bout et au lancement de nouveaux produits innovants. Il est titulaire d'un Master en philosophie et lettres classiques de l'université de St Andrews.

Remerciements

L'auteur tient à remercier les personnes suivantes pour leur contribution à ce rapport :

Chez Cognizant

  • Catrinel Bartolomeu, Director of Storytelling and Content
  • Mary Brandel, Editor
  • Babak Hodjat, Chief Technology Officer for Artificial Intelligence
  • Lynne LaCascia, Head of Brand and Creative Strategy, Content, Thought Leadership & Research
  • Risto Miikkulainen, VP, AI Research
  • Ollie O’Donoghue, Senior Director, Cognizant Research
  • Naveen Sharma, Global Practice Head, AIA Practice
  • Mike Turner, VP, Software and Platform Engineering

Plus d'informations

Découvrir les dernières actualités de l'IA générative

Consultez les dernières actualités de l'IA générative pour découvrir son potentiel de transformation.

resource1
Réinventer l'avenir

Réinventez votre entreprise et prenez conscience des avantages de l'IA générative.

resource2
Accélérer l'adoption de l'IA avec l'IA Neuro

Accélérez l'adoption et l'orchestration de l'IA avec Cognizant Neuro.

resource3