IA en entreprise : ce n’est pas l’outil qui manque, c’est le bon outil
80 % des projets d’intelligence artificielle (IA) échouent à passer à l’échelle, un chiffre souvent cité dans les discussions sur l’IA. Ce constat est généralement attribué à des facteurs tels que la résistance au changement, la qualité des données ou le manque de compétences. Cependant, une cause moins souvent évoquée pourrait être le choix inapproprié des outils utilisés.
Dans le secteur assurantiel, un scénario récurrent se dessine : un projet de preuve de concept (POC) est lancé avec un grand modèle de langage (LLM) comme ChatGPT, Mistral ou Gemini. Après plusieurs mois de travail et l’engagement d’équipes, le projet échoue en production en raison d’erreurs excessives, de coûts imprévus et de problèmes de sécurité des données.
Les LLM sont efficaces pour des tâches telles que la production de contenu ou la synthèse de documents, mais leur conception universelle les rend moins adaptés aux besoins spécifiques d’une organisation. En revanche, les Small Language Models (SLM), qui sont entraînés sur des données et des processus spécifiques à l’entreprise, peuvent atteindre une précision allant jusqu’à 99 %, ce qui est crucial pour des applications comme la gestion des sinistres ou le traitement de factures.
Par exemple, dans le cas d’une déclaration de sinistre, un SLM peut traiter la demande en temps réel, tandis qu’un LLM généraliste pourrait être limité par son entraînement. Cette précision est essentielle pour garantir la conformité et l’efficacité dans des secteurs hautement régulés.
De plus, les préoccupations liées à la souveraineté des données sont primordiales. Dans les secteurs régulés, les directeurs des systèmes d’information (DSI) s’interrogent davantage sur la sécurité des données que sur l’efficacité des outils. Un SLM déployé sur site peut garantir que les données ne quittent pas l’infrastructure de l’entreprise, contrairement à un LLM basé sur le cloud.
Enfin, un autre aspect souvent négligé est la prévisibilité budgétaire. Les LLM, facturés à l’usage via des API, peuvent entraîner des coûts imprévus, alors qu’un SLM permet une meilleure maîtrise des dépenses, ce qui est crucial dans un secteur où la gestion budgétaire est rigoureuse.
Ainsi, de nombreux projets d’IA échouent non pas parce qu’ils sont mal orientés, mais parce qu’ils utilisent des outils inadaptés. Les entreprises qui réussissent à passer à l’échelle sont celles qui choisissent des modèles adaptés à leurs besoins spécifiques plutôt que les plus puissants.
Source : Journal du Net
