L’ascension rapide de l’intelligence artificielle a entraîné une vague d’expérimentations dans divers secteurs. Cependant, de nombreuses entreprises connaissent une «fatigue de la preuve de concept», où les essais initiaux ne se traduisent pas par une valeur commerciale tangible. Ivan Zhang, cofondateur de Cohere, une entreprise de premier plan spécialisée dans les grands modèles de langage (LLM), a abordé cette frustration croissante lors d’un récent Web Summit, exhortant les clients potentiels à maintenir leur foi en l’IA tout en soulignant la nécessité essentielle de se concentrer sur le retour sur investissement (ROI).
Le piège de la preuve de concept
Zhang a souligné la désillusion des entreprises qui ont investi massivement dans des projets pilotes d’IA sans en voir les retombées correspondantes. Il a reconnu que de nombreux clients de Cohere, bien qu’ayant créé des applications initiales, ont eu du mal à les mettre en production en raison de problèmes allant du coût et de la gouvernance à la sécurité et à la confidentialité des données. Ce sentiment reflète une tendance plus large où la promesse de l’IA se heurte souvent aux réalités pratiques de la mise en œuvre.
Il a souligné les problèmes de dépenses, de conformité réglementaire, de protection des données et de protocoles de confidentialité, que Cohere espère résoudre avec sa nouvelle plateforme d’espace de travail, North.
L’impératif du ROI
Dans une interview, Zhang a souligné que la prochaine phase d’adoption de l’IA doit être motivée par un ROI démontrable. Les entreprises doivent voir une justification financière claire pour leurs investissements dans l’IA, en s’assurant que les avantages l’emportent sur les coûts. Il a averti que certains systèmes d’IA sont si coûteux à exploiter qu’ils annulent toute réduction potentielle des coûts liée à l’automatisation des tâches.
"Parfois, les systèmes qu’ils finissent par construire, le coût du modèle lui-même est plus cher que les humains qui l’exécutent réellement", a-t-il déclaré.
La question essentielle de savoir s’il existe une amélioration réelle avec les implantations d’IA doit être traitée pour surmonter les ponts brûlés des sociétés d’IA qui entreprennent des projets qui ne se concrétisent jamais.
L’augmentation de l’IA par rapport à la productivité
Zhang a également noté des cas où des entreprises ont tenté d’augmenter le nombre de leurs employés existants avec l’IA, mais n’ont constaté aucune amélioration de la productivité. Dans certains cas, les employés ont simplement réduit leur charge de travail sans augmenter leur rendement, annulant ainsi les avantages de l’IA. Cela souligne l’importance d’examiner attentivement la manière dont l’IA est intégrée aux flux de travail existants et de veiller à ce qu’elle entraîne de réels gains d’efficacité.
Surmonter les revers initiaux
Zhang prévoit que les jeunes pousses d’IA seront maintenant chargées de regagner les entreprises «brûlées» par des projets qui n’ont pas abouti. «La prochaine phase de commercialisation de cette technologie est la suivante : ‘Où se trouve le retour sur investissement ?’» Il estime que les entreprises d’IA devront rétablir la confiance en démontrant la valeur tangible de leurs solutions et en se concentrant sur la fourniture de résultats mesurables.
Échos de la communauté de recherche
Les observations de Zhang sont étayées par des recherches d’organisations comme le National Bureau of Economic Research, qui n’a trouvé «aucun impact significatif sur les revenus ou les heures enregistrées dans aucune profession» après avoir interrogé 7 000 lieux de travail utilisant des robots conversationnels d’IA. De même, une étude du Boston Consulting Group a révélé que seulement un quart des dirigeants interrogés ont constaté une valeur significative grâce à l’IA, ce qui suggère que les entreprises répartissent souvent leurs investissements de manière trop mince entre plusieurs projets pilotes.
Prioriser les problèmes d’affaires plutôt que les solutions tape-à-l’œil
Le conseil de Zhang aux entreprises qui envisagent d’utiliser des LLM est de se concentrer sur la résolution de problèmes commerciaux précis plutôt que sur la construction de solutions élaborées sans cas d’utilisation clairs. Il a mis en garde contre le fait de se faire "perdre dans la construction de quelque chose et de chercher un problème", soulignant l’importance d’aligner les investissements en IA sur les objectifs stratégiques de l’entreprise.
L’IA comme outil dans la boîte à outils
Zhang a soutenu que l’IA devrait être considérée comme un simple outil dans la boîte à outils pour résoudre les problèmes commerciaux et créer de la valeur pour les clients. Il a mis en garde contre le fait de trop idéaliser le potentiel de la technologie pour résoudre tous les problèmes du monde, soulignant qu’elle est plus efficace lorsqu’elle est utilisée de manière stratégique et en conjonction avec d’autres solutions.
Le défi des hallucinations
Bien que l’IA ait fait des progrès significatifs, des défis subsistent, en particulier dans le domaine des «hallucinations», où les LLM génèrent des informations fausses ou fabriquées. Malgré les progrès dans ce domaine, les taux d’hallucinations des LLM sont restés obstinément élevés, même les derniers modèles des grandes entreprises produisant des erreurs. Ce problème souligne l’importance de la transparence et de la nécessité de fournir aux utilisateurs des informations sur la manière dont les modèles d’IA arrivent à leurs conclusions.
Le cofondateur a reconnu à de nombreux professionnels que l’hallucination reste un problème dans l’IA générative. Il a déclaré que l’entreprise avait essayé d’aider en étant transparente, notamment en montrant aux utilisateurs «la pensée brute» de ses LLM, et quels outils ses systèmes utilisent, ainsi que comment et les citations aux réponses dérivées.
Le paysage concurrentiel
Cohere fait face à une forte concurrence de rivaux mieux financés dans le domaine de l’IA. Cependant, Zhang estime que plus gros n’est pas toujours mieux lorsqu’il s’agit de construire des modèles d’IA rentables et écoénergétiques. Il a soutenu qu’un modèle n’est «aussi bon que les données et les systèmes auxquels il peut accéder», soulignant l’importance de construire des solutions qui peuvent être exécutées entièrement dans les environnements des clients. Zhang a vanté la «croissance intense» de Cohere et a déclaré que la nature «relativement naissante» de l’espace laissait amplement de place à l’entreprise pour se développer.
Croissance des revenus et défis
La croissance de Cohere a été un sujet d’intérêt récent pour les médias technologiques. Cohere a atteint 100 millions de dollars américains (138 millions de dollars canadiens) de revenus annualisés ce mois-ci après avoir plus que doublé ses ventes depuis le début de 2025, et le PDG Aidan Gomez a récemment déclaré à Bloomberg que l’entreprise était «pas loin» de la rentabilité. Mais The Information a rapporté que cela représente encore 350 millions de dollars américains de moins que ce que Cohere avait dit aux investisseurs en 2023 qu’elle prévoyait de gagner annuellement d’ici maintenant. Les objectifs de revenus et la forte concurrence ne sont pas les seuls défis auxquels Cohere doit faire face.
Poursuite pour violation du droit d’auteur
La jeune pousse d’IA a également ce qu’un expert a appelé une poursuite pour violation du droit d’auteur potentiellement «créatrice de précédents» de grandes entreprises de médias sur sa plaque. Un groupe d’organisations de médias, dont le Toronto Star, Condé Nast et Vox, ont allégué que Cohere avait gratté du contenu médiatique sans consentement et l’avait utilisé pour former des modèles d’IA, accédé au contenu en temps réel sans autorisation et généré des résultats contrefaisants. Cohere n’est qu’une des nombreuses jeunes pousses d’IA confrontées à des poursuites similaires. Cohere a nié ces allégations, arguant que les éditeurs qui poursuivaient s’étaient mis en quatre pour «fabriquer» une affaire et ont contesté l’idée qu’une violation pratique du droit d’auteur avait eu lieu.
Zhang a refusé de commenter davantage la question, renvoyant BetaKit à un article de blog détaillant la pensée de Cohere. «Nous sommes confiants en cela», a-t-il déclaré.
Un examen plus approfondi des défis de la mise en œuvre de l’IA
De nombreuses entreprises se lancent initialement dans des initiatives d’IA avec un enthousiasme considérable, convaincues que l’IA révolutionnera rapidement leurs opérations et créera des gains d’efficacité sans précédent. Mais beaucoup se retrouvent confrontés à des défis importants qu’ils n’avaient pas anticipés. Ces difficultés peuvent prendre diverses formes, allant de la complexité technique à la résistance organisationnelle. Comprendre ces défis est essentiel pour les entreprises qui espèrent mettre en œuvre avec succès l’IA et obtenir un retour positif sur leurs investissements.
Complexité technique et exigences en matière de données
L’un des premiers obstacles que les entreprises rencontrent fréquemment est la complexité technique des systèmes d’IA. Les modèles d’IA, en particulier ceux basés sur l’apprentissage profond, sont exigeants en termes de calcul et nécessitent des connaissances spécialisées pour être créés, formés et déployés. Des données sont également nécessaires. La qualité et la quantité des données de formation ont un impact substantiel sur les performances des modèles d’IA. La collecte et la préparation d’énormes ensembles de données peuvent être un processus long et gourmand en ressources. Les projets d’IA peuvent être entravés par un manque de données de haute qualité et étiquetées, ce qui entraîne des modèles inexacts ou préjugés.
De plus, garantir l’interopérabilité des systèmes d’IA avec l’infrastructure informatique existante introduit une complexité supplémentaire. Différentes plateformes et cadres d’IA peuvent ne pas être compatibles avec les systèmes existants, ce qui nécessite des changements importants aux flux de travail et aux architectures existants. L’intégration de l’IA dans des environnements organisationnels complexes nécessite souvent une expérience considérable et une forte compréhension à la fois des technologies de l’IA et des opérations commerciales sous-jacentes.
Obstacles organisationnels et culturels
Outre les obstacles techniques, les organisations peuvent rencontrer des obstacles organisationnels et culturels importants à l’adoption de l’IA. Un problème courant est la réticence des travailleurs à adopter les changements induits par l’IA. Les employés peuvent être préoccupés par le déplacement d’emplois ainsi que par la nécessité d’acquérir de nouveaux talents et de s’adapter à de nouvelles méthodes de travail. La résistance des travailleurs peut entraver les initiatives d’IA et empêcher la réalisation des avantages anticipés.
De plus, le déploiement de l’IA nécessite une collaboration considérable entre les départements et les équipes. Les scientifiques des données, les professionnels de l’informatique, les analystes commerciaux et les experts en la matière doivent collaborer pour définir les problèmes, créer des solutions d’IA et les déployer en production. Les silos et le manque de communication peuvent étouffer la coopération et empêcher l’intégration efficace de l’IA dans les opérations commerciales. Surmonter ces obstacles organisationnels et culturels nécessite un leadership fort, une communication efficace et un dévouement à la gestion du changement.
Préoccupations éthiques et de gouvernance
À mesure que l’IA se répand, les questions éthiques et de gouvernance deviennent de plus en plus importantes. Les systèmes d’IA ont la capacité de perpétuer les préjugés, de rendre des jugements injustes et de violer la vie privée des gens. Les organisations doivent répondre à ces préoccupations en élaborant des directives éthiques et des procédures de gouvernance solides pour la conception, le développement et le déploiement de l’IA. La transparence, la responsabilité et l’équité sont des principes clés pour une IA responsable.
La confidentialité des données est une question importante à prendre en compte. Les règles de confidentialité des données doivent être suivies lors de la construction de systèmes d’IA, ainsi que des sauvegardes pour protéger les informations sensibles contre les accès indésirables ou les abus. Les organisations doivent obtenir le consentement de l’utilisateur pour la collecte et l’utilisation des données, ainsi que fournir une transparence sur la manière dont les modèles d’IA prennent des décisions. De plus, les organisations devraient avoir des mécanismes en place pour surveiller et auditer les systèmes d’IA afin de découvrir et d’atténuer tout risque éthique ou conséquence indésirable.
Mesurer et démontrer le ROI
En fin de compte, le succès de tout projet d’IA dépend de sa capacité à produire un retour sur investissement (ROI) quantifiable. Cependant, déterminer le ROI des projets d’IA peut être difficile, en particulier lorsque les avantages sont intangibles ou à long terme. Les organisations doivent établir des objectifs et desindicateurs clairs pour leurs initiatives d’IA, ainsi que suivre les progrès et mesurer les résultats régulièrement. Cela nécessite une compréhension approfondie de la valeur commerciale que l’IA devrait fournir ainsi que des ressources nécessaires pour atteindre cette valeur.
De plus, communiquer les avantages de l’IA aux parties prenantes est essentiel pour obtenir leur soutien et établir la confiance dans les investissements en IA. Cela peut impliquer de présenter des cas d’utilisation, de présenter les premiers triomphes et de quantifier l’impact de l’IA sur les indicateurs commerciaux essentiels. Pour quantifier et montrer avec succès le ROI de l’IA, les entreprises doivent créer un cadre défini pour mesurer la performance et exprimer clairement la proposition de valeur aux parties prenantes.
L’avenir de l’adoption de l’IA : une perspective équilibrée
Les idées d’Ivan Zhang soulignent l’importance d’une approche équilibrée de l’adoption de l’IA, une approche qui reconnaît le potentiel de la technologie tout en restant ancrée dans les réalités pratiques. Alors que l’IA continue d’évoluer, les entreprises devront se concentrer sur la construction de solutions qui offrent un ROI tangible, répondent aux préoccupations éthiques et s’intègrent de manière transparente aux flux de travail existants. En donnant la priorité aux problèmes commerciaux plutôt qu’aux solutions tape-à-l’œil et en considérant l’IA comme un outil dans la boîte à outils, les organisations peuvent libérer le véritable potentiel de l’IA et générer des résultats commerciaux significatifs.