MIT : 95% des entreprises ne savent pas utiliser l'IA.

Une étude du MIT fait un constat cinglant : 95% des entreprises ne savent pas utiliser l'IA.

À la lecture de ceci, on pourrait croire que 95% des tentatives d’utiliser l’IA en entreprise sont « strictement inutiles », mais ce n’est pas ce que l’étude voulait vraiment dire.

En réalité, 95% des entreprises ne parviennent pas encore à afficher un impact positif et mesurable grâce à l’IA, par rapport à leur fonctionnement sans l’IA.

Dans cette édition, nous verrons que ce pourcentage est dû à plusieurs problématiques propres aux entreprises, et qu’il existe des solutions pour faire partie des entreprises qui réussissent dans leur utilisation de l’IA.

Le "Learning Gap"

Le Learning Gap est une inadéquation entre ce que font les LLM (ChatGPT, Claude, Gemini...) et ce qui est demandé dans les processus de travail d’entreprise.

Un outil d'entreprise performant devrait :

1. Se souvenir des interactions passées (contexte client, décisions prises, erreurs commises)
2. S'améliorer sur les tâches spécifiques de l'organisation au fil du temps
3. Savoir quand s'adapter à un utilisateur particulier et comment

Malheureusement, les LLM actuels ne font aucun des trois de façon native. À cause de ça, les mêmes employés qui adorent les LLM pour leurs tâches personnelles refusent les outils d'entreprise parce qu'ils "ne s'adaptent pas" ou "répètent les mêmes erreurs".

En réalité, les LLM sont efficaces pour les tâches personnelles car le contexte nécessaire est dans les prompts, la durée est courte (moins de 15 minutes) et l’erreur implique peu de conséquences.

Sauf qu’en entreprise, les tâches sont longues, impliquent plusieurs personnes, le modèle ne connaît pas les conventions internes et l’erreur a un coût réel.

Au final, l'IA n'a conquis que les tâches simples. Mais pour les tâches à enjeu élevé comme des projets complexes sur plusieurs semaines, 90% des utilisateurs préfèrent encore un humain à l'IA.

La difficulté à changer d'échelle

Le cas concret d'IBM Watson Health

Lors de son annonce en 2015, IBM Watson Health a incarné le potentiel de l'intelligence artificielle dans les soins de santé.

Selon les projets pilotes, il était capable d'analyser des millions d'études et de recommander des traitements particulièrement performants.

Mais en conditions réelles, les recommandations étaient inappropriées, parfois dangereuses, parce que le modèle avait été entraîné sur des données d'un seul hôpital américain et ne s'adaptait pas à l’ensemble des contraintes de chaque établissement.

IBM a finalement vendu la division Watson Health en 2022 après des milliards investis et des années d'échec.

Le reste des entreprises

Si le cas d’IBM Watson Health a été évoqué, c’est parce que même 10 ans plus tard, beaucoup d’entreprises connaissent des difficultés à passer des conditions contrôlées aux conditions réelles.

Lancer un projet pilote en entreprise est facile, car toutes les conditions sont réunies pour qu'il réussisse. Mais lorsqu’il s’agit de passer ce projet en production, les conditions sont toutes autres :

• Les données ne sont jamais parfaitement exploitables
• Certains systèmes n’ont pas d’API propres
• Des utilisateurs qui n’ont rien demandé ne veulent pas changer leurs habitudes...

Les processus de travail finissent par casser, les organisations manquent de structures pour maintenir les systèmes d’IA dans la durée et il y a un désalignement entre les besoins du management et ceux des utilisateurs qui font le travail au quotidien.

Résultat des courses : beaucoup de projets pilotes sont lancés par des entreprises, mais très peu réussissent leur passage en production. C’est un coût sans retour dans la quasi-totalité des cas.

Si le changement d’échelle est une difficulté en soi pour les entreprises, c’est encore plus difficile pour les grandes entreprises (plus de 100 millions d'euros de revenus par an par exemple) qui ont davantage à défaire avant de construire.

L'imprécision des retours sur investissement

Quand les mesures sont mal ciblées

Environ 70% des budgets portent sur les fonctions ventes et marketing. Ce sont les fonctions dans lesquelles les entreprises investissent le plus, mais on ne sait pas si c’est rentable.

C’est un problème d’organisation pure : les décisions d’investissement sont biaisées par ce qui est présentable, mais pas forcément par ce qui est rentable.

Les métriques marketing de type "Notre IA a généré X leads supplémentaires ce trimestre" sont faciles à présenter, mais dans ce domaine, le retour sur investissement dépend de plusieurs facteurs, donc on ne sait pas si l’IA a une influence sur le ROI en général.

Quand les mesures sont absentes

Mesurer le succès de l'IA uniquement par "le temps gagné" est une erreur. Les entreprises oublient souvent de calculer les coûts cachés, qu’ils soient en temps ou en argent.

Les coûts cachés en temps sont les plus documentés, et il s’agit généralement du temps passé à vérifier les erreurs de l’IA :

• 72% des entreprises ont déjà subi au moins un incident de production directement causé par du code généré
• 63% comparent l'IA à "presser un ballon", c’est-à-dire que le volume de travail reste le même, il est simplement déplacé vers la revue et la correction
• 45% des déploiements de code IA introduisent des problèmes en production, ce qui implique du temps en plus pour déboguer et retester

Les coûts cachés en argent sont difficiles à mesurer car ils dépendent d’une entreprise à une autre, mais c’est un problème effectivement signalé par une autre étude réalisée par Harness :

• 70% des organisations craignent que les coûts cloud s'emballent à cause du code inefficace généré par l'IA
• 36% des équipes utilisent en moyenne 8 à 10 outils IA distincts en simultané, les abonnements risquent de s’accumuler et de constituer une dépense inutile

En l’absence de mesures sur le ROI, cela engendre inévitablement des pratiques néfastes dans les entreprises.

La pratique la plus médiatisée récemment est le “tokenmaxxing”, qui consiste à dépenser le plus de tokens possible mais sans mesurer la productivité réelle. Plusieurs grandes entreprises comme Uber, Meta ou Disney en ont pâti et ont servi d’exemple pour passer à des métriques orientées vers les résultats.

‍

{{cta-moyen-cia}}

Comment faire partie des 5% qui réussissent

Les 5% des entreprises ayant réussi à obtenir un retour sur investissement positif de leur utilisation de l’IA sont celles qui ont trouvé des solutions aux problèmes mentionnés ci-dessus.

Combler le learning gap

Puisqu’il est impossible de se reposer sur un LLM seul pour transformer un département entier, deux solutions sont possibles.

La première est de rester sur les LLM, mais que leur utilisation soit restreinte et mesurable. Ils doivent automatiser une tâche précise au lieu de tout automatiser d’un coup.

La deuxième est de créer son propre modèle, notamment avec de l’apprentissage contextuel, exactement ce que les utilisateurs réclament pour les tâches à enjeu élevé.

Investir dans les bonnes fonctions

Les gains mesurables viennent de l'automatisation de processus répétitifs à volume élevé. Par conséquent, les fonctions back-office (facturation, légal, administration) font partie des domaines les plus susceptibles de réussir leur transition vers l’IA.

Ironiquement, les fonctions back-office font partie des moins financées malgré le fait que ce soit plus rentable.

Documentation du ROI

Les entreprises qui réussissent à obtenir un impact positif cherchent à documenter des retours sur investissement mesurables.

Voici plusieurs exemples :

• Élimination BPO (support client, traitement documentaire) : 2 millions d’euros économisés par an
• Lead Qualification : +40% plus rapide
• Réduction des dépenses liées aux abonnements : -30%

Ainsi, on se concentre sur des métriques à impact.

La meilleure solution

La meilleure solution pour qu’une entreprise réussisse son utilisation de l’IA est de savoir comment mettre la technologie au service de l’humain.

Ce constat paraît évident, mais beaucoup d’entreprises cherchent encore à intégrer l’IA sans penser à résoudre des problèmes humains, et elles échouent à cause de ça.

On le voit dans plusieurs industries, en particulier dans le jeu vidéo où des studios de développement ont subi le contrecoup d’avoir utilisé une technologie sans l’humain :

1. De nombreux développeurs de cette industrie se sont fait licencier pour être remplacés par des modèles d’IA.
2. Il s’avère que les studios de développement passent plus de temps à corriger les problèmes causés par ces modèles d’IA qu’à progresser
3. Ces mêmes studios qui ont licencié finissent par réembaucher des développeurs en urgence

Pour qu’une entreprise puisse au mieux tirer parti de l’IA, il faut d’abord identifier les problèmes à résoudre et adapter l’outil pour que l’humain s’en serve au mieux.

Si la perspective d’apprendre des compétences relatives à l’IA vous intéresse, Alyra vous propose de vous y former !

En quoi consiste la formation Consulting IA ?

La formation "Consulting IA" d'Alyra est un programme destiné à doter les professionnels, entrepreneurs, personnes en reconversion et passionnés des compétences nécessaires pour comprendre, valoriser et implémenter l'intelligence artificielle dans divers contextes professionnels

Il s’agit d’un parcours 100% en ligne, disponible en plusieurs formats de 44h à 144h de cours.

La formation est structurée en plusieurs modules couvrant un large éventail de compétences :

• Structurer, exploiter et valoriser les données au service de l'IA
• Maîtriser les fondamentaux techniques : Machine Learning, NLP et Computer Vision
• Concevoir des cas d'usage IA et intégrer des agents dans les processus métier
• Maîtriser les outils d'IA générative (texte, image, audio, vidéo) pour la production de contenu
• Piloter la transformation Data/IA : stratégie, adoption, ROI et conduite du changement
• Intégrer le cadre réglementaire, éthique (RGPD & AI Act) et sécuriser la mise en œuvre

L'apprentissage combine la théorie et la pratique. Les apprenants sont évalués en continu via des QCM, des travaux pratiques et des défis corrigés par les formateurs. La formation inclut des cours en direct (lives) animés par des professionnels de l'écosystème.

De plus, les apprenants doivent réaliser en équipe un prototype répondant à un besoin réel ou fictif, faire une démonstration d'usage, présenter leurs livrables et justifier leur contribution au projet devant un jury constitué de professionnels.

‍Alyra vous permet d'apprendre ces compétences et sera votre passerelle vers une activité qui allie passion, expertise et rémunération. Preuves à l'appui : 87% de nos alumni ont connu un retour à l'emploi sous six mois, et 54% d'entre eux gagnent plus de 50 000 € par an.

‍

{{cta-moyen-cia}}

‍