L’IA est allée au-delà de l’expérimentation pour devenir un élément essentiel des opérations commerciales, mais les défis de déploiement persistent.
La recherche de Zogby Analytics, au nom de Prove IA, montre que la plupart des organisations sont diplômées des tests des eaux de l’IA à la plongée en tête avec les systèmes prêts pour la production. Malgré ces progrès, les entreprises sont toujours aux prises avec des défis de base concernant la qualité des données, la sécurité et la formation efficace de leurs modèles.
En regardant les chiffres, c’est assez révélateur. 68% des organisations ont désormais des solutions d’IA personnalisées opérationnelles en production. Les entreprises mettent leur argent là où se trouve leur bouche, 81% dépensant au moins un million par an sur des initiatives d’IA. Environ un trimestre investit plus de 10 millions chaque année, montrant que nous sommes allés bien au-delà de la phase «Experiment» en engagement sérieux et à long terme de l’IA à long terme.
Ce changement est également de remodelage des structures de leadership. 86% des organisations ont nommé quelqu’un pour diriger ses efforts d’IA, généralement avec un titre «chef d’IA» ou similaire. Ces dirigeants de l’IA ont désormais presque aussi influences que les PDG lorsqu’il s’agit de définir une stratégie avec 43,3% des entreprises affirmant que le PDG appelle les tirs de l’IA, tandis que 42% donnent cette responsabilité à leur chef d’IA.
Mais le voyage de déploiement de l’IA n’est pas toutes des voiles en douceur. Plus de la moitié des chefs d’entreprise admettent que la formation et les modèles d’IA affinés ont été plus difficiles que prévu. Les problèmes de données continuent de surgir, provoquant des maux de tête avec la qualité, la disponibilité, le droit d’auteur et la validation du modèle – sous l’efficacité de l’efficacité de ces systèmes d’IA. Près de 70% des organisations déclarent avoir au moins un projet d’IA en retard, les problèmes de données étant le principal coupable.
À mesure que les entreprises deviennent plus à l’aise avec l’IA, ils trouvent de nouvelles façons de l’utiliser. Bien que les chatbots et les assistants virtuels restent populaires (adoption à 55%), des applications plus techniques gagnent du terrain.
Le développement de logiciels est désormais en tête de liste à 54%, ainsi que des analyses prédictives pour les prévisions et la détection de fraude à 52%. Cela suggère que les entreprises vont au-delà des applications flashy orientées avec les clients vers l’utilisation de l’IA pour améliorer les opérations de base. Les applications de marketing, une fois que la passerelle de nombreuses initiatives de déploiement de l’IA, reçoit moins d’attention ces jours-ci.
En ce qui concerne les modèles d’IA eux-mêmes, l’accent est mis sur l’IA générative, avec 57% des organisations en faisant une priorité. Cependant, beaucoup adoptent une approche équilibrée, combinant ces nouveaux modèles avec des techniques traditionnelles d’apprentissage automatique.
Les Gémeaux de Google et le GPT-4 de Google sont les modèles de langues les plus utilisés, bien que Deepseek, Claude et Llama fassent également de solides projections. La plupart des entreprises utilisent deux ou trois LLM différentes, ce qui suggère qu’une approche multimodèle devient une pratique standard.
Le plus intéressant est peut-être le changement dans l’endroit où les entreprises gèrent leur déploiement d’IA. Alors que près de neuf organisations sur dix utilisent des services cloud pour au moins une partie de leur infrastructure d’IA, il y a une tendance croissante à ramener les choses en interne.
Les deux tiers des chefs d’entreprise croient désormais que les déploiements sans cloud offrent une meilleure sécurité et efficacité. En conséquence, 67% prévoient de déplacer leurs données de formation sur l’IA vers des environnements sur site ou hybrides, recherchant un plus grand contrôle sur leurs actifs numériques. La souveraineté des données est la priorité absolue pour 83% des répondants lors du déploiement des systèmes d’IA.
Les chefs d’entreprise semblent confiants quant à leurs capacités de gouvernance de l’IA avec environ 90% de prétendre qu’ils géraient efficacement la politique d’IA, peuvent mettre en place les garde-corps nécessaires et peuvent suivre leur lignée de données. Cependant, cette confiance contraste avec les défis pratiques provoquant des retards de projet.
Les problèmes avec l’étiquetage des données, la formation des modèles et la validation continuent d’être des pierres d’achoppement. Cela suggère un écart potentiel entre la confiance des cadres dans leurs cadres de gouvernance et la réalité quotidienne de la gestion des données. Les pénuries de talents et les difficultés d’intégration avec les systèmes existants sont également fréquemment cités les raisons des retards.
Les jours de l’expérimentation de l’IA sont derrière nous et c’est maintenant une partie fondamentale de la façon dont les entreprises fonctionnent. Les organisations investissent massivement, remodèlent leurs structures de leadership et trouvent de nouvelles façons pour le déploiement de l’IA dans leurs opérations.
Pourtant, à mesure que les ambitions grandissent, les défis de mettre ces plans en action. Le parcours du pilote à la production a exposé des problèmes fondamentaux dans la préparation aux données et les infrastructures. Le changement qui en résulte vers les solutions sur site et hybride montre un nouveau niveau de maturité, les organisations hiérarchisant le contrôle, la sécurité et la gouvernance.
À mesure que le déploiement de l’IA accélère, assurer la transparence, la traçabilité et la confiance n’est pas seulement un objectif mais une nécessité de réussir. La confiance est réelle, mais la prudence aussi.
(Image de Roy Harryman)
