Selon une étude TCS 86% des dirigrants d’entreprise avaient déjà déployé l’intelligence artificielle (IA) pour améliorer leurs sources de revenus existantes ou en créer de nouvelles en 2024, démontrant ainsi la grande tendance que représente l’intelligence artificielle.
Si les démonstrations et les projets pilotes se multiplient, le véritable défi réside dans la capacité des entreprises à passer de l’expérimentation à une utilisation à grande échelle. C’est ce qui ressort de l’échange entre Béatrice Kosowski, présidente d’IBM France, et Christophe Lesur, directeur général de Cloud Temple.
Pour visionner l’échange au complet suivez ce lien vers la vidéo de l’émission
Au-delà du GPU : repenser les infrastructures de l’IA
“La question des GPU est souvent surestimée”, affirme Christophe Lesur. “Certains modèles performants peuvent fonctionner sur des infrastructures modestes.” Cette approche pragmatique remet en question les infrastructures massives et coûteuses. Des CPU peuvent suffire si le temps de traitement n’est pas critique.
Contrairement aux idées reçues, la course à la puissance brute des GPU n’est pas la seule voie possible. IBM privilégie désormais des “foundation models” plus ciblés, comme Granite 3.0, comprenant entre 2 et 8 milliards de paramètres, bien loin des géants de 500 milliards de paramètres. Ces modèles plus légers permettent de réduire de 3 à 23 fois la consommation de ressources tout en maintenant des performances élevées.
Le défi du passage à l’échelle
Les chiffres sont sans appel : selon Béatrice Kosowski, 54% des POC (Proof of Concept) n’atteignent jamais la phase de production. Ce chiffre peut même atteindre 70% selon certaines analyses.
Pour réussir l’industrialisation, une méthodologie en trois étapes est proposée :
- Partir des besoins métiers
Il est indispensable d’identifier précisément les cas d’usage pertinents et d’évaluer leur ROI potentiel. Cette première étape permet d’éliminer les processus superflus et de se concentrer sur la création de valeur réelle. Comme le souligne Béatrice Kosowski, “Il faut mettre en marche l’automatisation et l’IA au service d’un processus vraiment proche du métier de l’entreprise.”
- Maîtriser les données
La qualité des données apparait comme le frein principal aux projets d’IA des organisations. Les données sont souvent dispersées, cloisonnées et dans des états hétérogènes. La mise en place d’une gouvernance efficace et l’utilisation d’outils adaptés comme watsonx.data deviennent essentielles pour organiser et valoriser la donnée.
- Piloter les risques
La gestion des risques est primordiale : risques de dérives, d’hallucinations, de biais, de non-conformité réglementaire. La mise en place d’une gouvernance stricte et d’outils de pilotage permet aux entreprises de contrôler ces risques tout en assurant leur conformité avec les réglementations en vigueur.
IBM et Cloud Temple ont annoncé un partenariat stratégique pour proposer la solution d’intelligence artificielle watsonx.ai d’IBM sur l’infrastructure cloud sécurisée et souveraine de Cloud Temple. Cette collaboration permet de déployer des applications d’IA à grande échelle tout en garantissant la sécurité et la souveraineté des données, conformément aux normes SecNumCloud.
watsonx.ai offre un large choix de modèles d’IA, des capacités de déploiement multicloud, et des outils avancés pour le développement et la gestion des modèles d’IA.
Cette solution combinée répond aux attentes des clients souhaitant exploiter les technologies d’IA d’IBM dans un environnement cloud de confiance, qualifié SecNumCloud.
Si vous souhaitez être accompagné par nos équipe sur un projet d’intelligence artificiel, contactez nos équipes.
Les facteurs clés de succès
L’implication de la direction générale apparaît comme un prérequis indispensable. “Les premiers qui doivent être formés sont les directions générales”, insiste Christophe Lesur. Cette formation doit s’accompagner de la constitution d’équipes dédiées, capables de comprendre les enjeux techniques et métiers.
IBM rapporte des résultats concrets : 3 milliards de gains en productivité depuis 2023, avec une amélioration simultanée de l’expérience client et collaborateur. Par exemple, l’automatisation de 70% du support client a permis de réduire de 26% le temps de résolution des questions tout en augmentant la satisfaction client de 25 points.
L’approche recommandée consiste à tester d’abord les cas d’usage avec les modèles les plus performants sur des données anonymisées, avant d’envisager des modèles plus spécialisés ou plus légers. Cette démarche progressive permet de valider rapidement la pertinence des projets tout en maîtrisant les risques.
Pour déployer l’IA générative à grande échelle, il faut une approche claire et structurée qui combine une vision stratégique, des compétences techniques solides et une mise en œuvre pragmatique. Le succès dépend de la capacité à faire correspondre la technologie aux besoins réels de l’entreprise, à instaurer une gouvernance efficace et à innover tout en maîtrisant les risques associés.