Quelles tendances pour l’IA générative en 2024 ?
L’année 2024 va inscrire l’IA générative dans la durée.
Itinéraires par GPS et algorithmes de recommandations de séries préférées sont autant d’exemples d’IA devenus si banals qu’ils en sont presque imperceptibles. Vient alors l’année 2023, et la démocratisation de l’IA générative avec ChatGPT, adopté en seulement deux mois par 100 millions d’utilisateurs, essentiellement des individus curieux de tester les capacités de ce robot.
Quel choc ! Il faut dire que ce nouvel outil n’est pas seulement une question de technologie, mais d’enjeux économiques, sociaux et éthiques. Les décideurs doivent poser les principes fondamentaux d’une IA qui respecte les relations homme-machines. Cependant, peu d’organisations ont établi de tels principes. Une étude de Gartner de juin 2023[1] souligne que seulement 9 % des organisations disposaient d’une vision autour de l’IA, et plus d’un tiers des répondants n’avaient aucun plan pour en créer une. Ainsi, le déploiement de l’intelligence artificielle générative ne saurait être une finalité en lui-même. Il faut y associer une vision et des objectifs, afin de résoudre les frictions opérationnelles de son organisation.
Tendance 1 : place aux modèles spécialisés !
Dès lors, il devient essentiel que les modèles d’IA générative se spécialisent. ChatGPT impressionne par sa capacité à résumer l’histoire de la Grèce antique, mais cette compétence est-elle réellement utile à un établissement financier ?
Premier exemple : l’IA générative au service de la banque
Par exemple, les banques s’efforcent de maximiser le taux d’équipement de leurs clients, c’est-à-dire le nombre de services souscrits par chaque client. L’intelligence artificielle joue un rôle crucial dans ce processus en évaluant le profil d’un client potentiel, et en le comparant à des profils similaires existants.
D’un côté, l’IA générative contribue à classer le profil du client selon une segmentation déclenchée par des signaux spécifiques. Cette approche rend inutile la segmentation manuelle, puisque l’IA générative s’en occupe. Elle est capable de détecter, d’analyser et de classifier le comportement du client rapidement et efficacement.
De l’autre, un algorithme d’IA prédictive, souvent qualifié de « look alike », évalue l’éligibilité du client en se basant sur divers critères, tels que le patrimoine et le taux de risque.
L’implémentation de l’IA dans ce contexte permet une réallocation des ressources plus stratégique, incarnée par le principe « do more with less ».
Il en résulte une efficacité accrue, qui favorise la création de valeur ajoutée. L’exploitation de ces modèles ouvre donc la voie à des applications plus précises et ciblées, destinées à maximiser leur impact dans divers secteurs industriels.
Deuxième exemple : l’IA générative au service des marques industrielles
Prenons pour deuxième exemple l’optimisation des promotions commerciales dans le secteur des biens de consommation.
Selon une étude de McKinsey d’octobre 2019[2], les entreprises investissent près de 20 % de leur chiffre d’affaires dans ces promotions, mais 41 % d’entre elles entraînent des pertes, se chiffrant en milliards annuellement.
Pour faire face à cette tendance, les experts des biens de consommation doivent évaluer la rentabilité de leurs promotions de manière efficace. Ceci implique la mise en place d’un processus assisté permettant aux gestionnaires de compte clé (KAM) de créer de nouvelles promotions.
L’IA générative soutient ces gestionnaires en effectuant, par exemple, une analyse préliminaire des données et en s’ajustant dynamiquement aux évolutions du marché. Après le déploiement de la promotion, le gestionnaire peut solliciter l’IA générative de nouveau pour générer automatiquement un courriel résumant les données promotionnelles destiné aux équipes de vente sur le terrain.
Le représentant sur le terrain tire profit de l’assistance de l’IA générative pour développer les idées à inclure dans sa présentation commerciale. Alternativement, il peut également se faire aider par le guide pratique généré par l’IA, regroupant les meilleures stratégies de négociation rencontrées par la société.
Ces exemples mettent en lumière le potentiel considérable de l’intelligence artificielle générative dans le domaine commercial. Ils démontrent que l’impact de cette technologie s’étend bien au-delà de la simple augmentation de la productivité, en influençant significativement la création de valeur.
Il est également important de souligner que l’efficacité des systèmes d’intelligence artificielle générative repose sur leur aptitude à exploiter de manière optimale les données spécifiques à chaque entreprise.
Tendance 2 : l’utilisation efficace de la data, clé d’une implémentation réussie
L’implémentation de tels scénarios repose essentiellement sur une utilisation efficace des données.
Il est crucial que les systèmes ne fonctionnent pas en silos, mais soient intégrés dans une démarche d’unification. Avec l’accès aux données pertinentes, leur traitement doit se faire à l’aide d’algorithmes appropriés, en mettant l’accent sur la stratégie de spécialisation.
Les entreprises peuvent choisir entre les modèles des solutions spécialisées ou leurs propres modèles (BYOLLM : Bring Your Own Large Language Model). Pour intégrer en temps réel les données issues des systèmes opérationnels sans nécessité d’un apprentissage préalable, la méthode RAG* (Retrieval-Augmented Generation) est recommandée.
Afin d’optimiser pleinement l’utilisation de l’IA générative dans son ensemble, il est essentiel d’explorer différentes approches pour la présentation des résultats. Étant donné que le langage naturel constitue le mode d’interaction principal avec ces outils, les interfaces vont avoir tendance à se réinventer.
Tendance 3 : vers de nouvelles interfaces utilisateurs
Naturellement, l’interaction avec l’IA générative peut revêtir la forme d’un échange conversationnel simple et linéaire avec un agent virtuel. Les utilisateurs ne sont plus contraints de naviguer à travers des clics traditionnels, mais peuvent engager une conversation naturelle avec leur interface. Cette approche révolutionnaire transforme l’interaction avec la technologie, la rendant plus intuitive, accessible et alignée avec les comportements humains naturels.
Ces interfaces conversationnelles, plus sophistiquées, permettent non seulement l’exécution de tâches ou la présentation d’informations sur demande, mais elles seront également capables d’apprendre et de s’adapter au fil du temps. Les agents conversationnels, grâce à l’apprentissage machine, pourront comprendre les préférences, les habitudes et les besoins spécifiques de chaque utilisateur. Cela permettra une assistance personnalisée sur le long terme, plutôt que des interactions ponctuelles et isolées.
Dans un avenir proche, ces agents deviendront de véritables assistants personnels, capables d’anticiper les besoins des utilisateurs, de suggérer des actions proactives et d’offrir des solutions sur mesure. Cette évolution marque un tournant dans l’interaction homme-machine, où l’interface devient un partenaire interactif et évolutif, s’adaptant en continu pour répondre au mieux aux exigences et aux préférences de l’utilisateur.
Tendance 4 : un impact sur l’emploi nuancé
Enfin, parmi les débats entourant l’IA générative, se trouve son impact sur l’emploi. Les recherches récentes apportent un éclairage intéressant sur cette question.
Dans le domaine du service client par exemple, les organisations ne prévoient pas de réduction d’emplois ni de licenciements. Au contraire, elles prévoient d’embaucher davantage d’agents en 2024… dans des proportions variables.
Les centres de contact utilisant l’IA prévoient d’embaucher en moyenne 39 agents, contre 91 agents en moyenne pour ceux qui ne l’utilisent pas. Cette différence est encore plus marquée dans les plus grands centres de contact. En moyenne, ceux qui n’utilisent pas l’IA auront besoin de 2,3 fois plus d’agents que ceux qui l’utilisent.
En combinant les économies annuelles moyennes de tous les centres de contact, on observe une économie de 4,3 millions de dollars[3] en termes de rémunération du personnel dans les entreprises prévoyant d’utiliser l’IA. Cette économie ne provient pas de coupes dans les emplois, du moins à court terme, mais plutôt de la non-embauche de nouveaux agents.
Ces résultats indiquent que, plutôt que de supprimer des emplois, l’implémentation de l’IA générative dans les centres de contact peut conduire à une réduction des besoins en nouveaux recrutements, tout en maintenant ou augmentant le nombre d’emplois existants.