IA, entre promesses et réalités, la parole aux startups

‍

Au HUB612, en tant qu’accélérateur de startups tech, cela fait déjà deux ans que nous avons anticipé la montée en puissance de l’intelligence artificielle. Aujourd’hui, nous constatons chaque jour ses effets concrets sur les modèles économiques, les métiers et les usages. Pour mieux comprendre les enjeux de cette révolution technologique, nous lançons une série de contenus dédiés à l’IA, en donnant la parole à celles et ceux qui la construisent, la testent et l’intègrent : les startups et les experts de notre communauté.

Premier arrêt de cette série : Dylogy, qui aide les acteurs de l’assurance à mieux gérer leurs documents et leurs risques grâce à l’IA générative.

Nous avons posé quelques questions à son CEO et cofondateur, Aurélien Couloumy, pour confronter les idées reçues, identifier les vrais enjeux technologiques, et surtout, recentrer le débat sur la valeur que l’IA peut réellement apporter aux entreprises. Sa réponse en un mot ? Pragmatisme.

‍

Selon toi, à quoi doit servir IA ?

L'IA est avant tout une question de valeur, de ce qu’elle peut apporter. Quelle est cette valeur ? Elle varie d’une industrie à l’autre, d’un projet à l’autre. Parfois, elle se mesure en termes de gain de temps ou d’efficience opérationnelle ; parfois, elle touche des enjeux plus complexes comme la compréhension et la valorisation du client, l’acquisition de données externes, notamment sur des sujets comme les enjeux climatiques. Enfin, elle peut aussi se traduire par une meilleure compréhension des risques, comme nous le faisons chez Dylogy.

‍

Selon toi, quels sont les enjeux de l’IA d’aujourd’hui et de demain ?

Plusieurs enjeux associés à l’IA :

1. Le premier, la gouvernance des données, préexistait à l’IA générative et perdurera au-delà. Comment organiser efficacement les données pour les exploiter dans divers modèles ? C’est une thématique qui perdure.
2. Le second est associé aux modèles eux-mêmes. On observe clairement une tendance vers la multi-modalité des modèles, c’est-à-dire la consommation simultanée de texte, d’image et de son, ainsi qu’une hyper-spécialisation des modèles. On sort du cadre généraliste pour s’orienter vers des modèles plus spécialisés, plus adaptés à des tâches ou à des corpus particuliers.
3. Ensuite, vient l’évaluation et la vulnérabilité des modèles : on voit bien la manière avec laquelle ces modèles peuvent être détournés. Il y a une nécessité de mieux les. contrôler.
4. La conduite du changement : Il est essentiel de continuer à accompagner les métiers, de définir clairement la valeur de l’intelligence artificielle au regard de leurs activités et pratiques, de veiller à ce qu'ils en comprennent bien l’impact. Il faut leur montrer comment l’IA sera bénéfique pour eux, tant aujourd’hui que dans le futur.
5. Un autre enjeu probable à venir sur lequel j’aimerais attirer l’attention, c’est celui de l’inter-opérabilité des modèles. Nous voyons de plus en plus de cadres informatiques qui facilitent l'interopérabilité, permettant de faire coexister efficacement les nouveaux écosystèmes, comme ceux de l'IA Gen, avec les systèmes hérités, telles que les plateformes de gestion des sinistres, qui restent profondément ancrés dans les grands groupes d'assurance.

‍

Quelle est l’idée reçue à déconstruire sur l’IA ?

La plus grande idée reçue sur l’IA, c’est qu’une IA générative ou généraliste qui pourrait remplacer tôt ou tard tous les métiers. Il est probable de penser qu’à un moment on puisse avoir des IA générales qui aient des capacités extrêmement importantes au regard des capacités extrêmement importantes au regard des capacités humaines.

En revanche, la réalité terrain qui consisterait à dire que cette IA va remplacer l'humain, on en est encore très loin. D’une part, les données ne sont pas suffisamment saines et donc fiables pour se passer d’experts en amont. D’autre part, en aval, l’utilisation, la performance et le contrôle de ces modèles sont encore très imparfaits, rendant le cadre humain essentiel, bien au-delà de ce que va imposer l'IA Act. Je pense qu’il faut déconstruire cette idée d’agent généraliste qui remplacerait l’être humain, concevoir ce qui peut relever de l’être humain à court et moyen terme et entrevoir surtout les métiers de demain associés à ces IA presque généralistes.

‍

En un mot, le challenge de l’IA ?

Pragmatique.

• Pragmatique dans les cas d’usage : il est essentiel de choisir et de prioriser les bons cas d’usage. Nous n’avons ni le temps ni les ressources pour tout explorer. Leur pertinence dépend des contraintes métier et de la valeur qu’ils peuvent réellement apporter.
• Pragmatique dans l’opérationnel : en IA générative, on peut aller du très simple au très complexe. L’enjeu est de trouver le bon compromis pour maximiser l’effort investi, la valeur créée et la maîtrise des risques liés au projet.
• Pragmatique dans les attentes : nous faisons face à des technologies encore récentes. S’il est essentiel de quantifier précisément les attentes métiers, il faut aussi savoir les ajuster et les faire évoluer dans le temps. Nous n’en sommes qu’aux prémices, et il s’agit avant tout de construire une trajectoire de montée en puissance pour les années à venir.

‍

‍