Le véritable avantage de l’IA se construit autour du modèle

L’infrastructure d’IA ne constitue plus le principal obstacle

Pendant des années, l’IA d’entreprise a été freinée par les contraintes d’infrastructure. Seules les plus grandes entreprises technologiques pouvaient se permettre de disposer de la puissance de calcul, des plateformes de données et des compétences techniques nécessaires pour développer des systèmes d’IA avancés. Ce n’est plus le cas aujourd’hui. À l’heure actuelle, des plateformes d’entreprise telles que Databricks ont rendu l’infrastructure d’IA largement accessible. La technologie elle-même est désormais à la portée de tous.

Cela change la donne. L’avantage concurrentiel ne réside plus dans le fait de posséder la meilleure infrastructure, mais dans la capacité à l’utiliser efficacement.

Un sondage en direct réalisé lors d’un webinaire BairesDev a clairement mis en évidence cette évolution. Quarante-six pour cent des participants ont déclaré que leur plateforme de données était encore principalement utilisée à des fins d’analyse et de reporting. Aucun des participants n’a cité l’apprentissage automatique et le développement de l’IA comme objectif principal de la plateforme. L’infrastructure existe, mais de nombreuses organisations continuent de fonctionner selon une approche conçue pour la business intelligence traditionnelle plutôt que pour des produits basés sur l’IA.

Il s’agit là d’une distinction importante pour les dirigeants. L’acquisition d’une technologie d’IA est relativement simple. Mettre en place une organisation capable de déployer systématiquement l’IA en production est bien plus difficile. Cela nécessite des pratiques d’ingénierie différentes, une gouvernance plus rigoureuse, des données plus propres et une direction disposée à repenser le mode de fonctionnement des équipes techniques.

Les organisations qui prendront les devants dans ce domaine bénéficieront d’un avantage difficile à imiter. L’infrastructure peut s’acheter. Les capacités organisationnelles, en revanche, doivent se construire au fil du temps.

Brett Berhoff, fondateur et PDG de Strategy.xyz et membre du programme BairesDev, a animé la discussion autour de cette évolution. Aux côtés de Jody Mulkey, directrice technique chez First American, de JT Hwang, directeur technique chez GoodLeap, et d’Ayman El-Ghazali, architecte solutions senior chez Databricks, les intervenants sont revenus à plusieurs reprises à la même conclusion : la prochaine étape de l’IA d’entreprise ne réside pas dans l’amélioration des modèles. Il s’agit de créer les conditions permettant à ces modèles de générer de la valeur commerciale à grande échelle.

Pour les équipes de direction, cela modifie les priorités en matière d’investissement. Les dépenses doivent aller au-delà des infrastructures pour se concentrer sur le développement des compétences internes, la modernisation des processus d’ingénierie, la mise en place de cadres de gouvernance et la collaboration interfonctionnelle. Ces domaines peuvent sembler moins prioritaires que les nouveaux modèles d’IA, mais ce sont eux qui déterminent si l’IA deviendra une capacité opérationnelle ou restera une série d’expériences isolées.

L’IA appliquée à la production nécessite une prise en charge au niveau de la plateforme pour les systèmes probabilistes

La plupart des logiciels d’entreprise ont été conçus selon des règles déterministes. À données d’entrée identiques, le système produit systématiquement le même résultat. L’IA ne fonctionne pas de cette manière. Les grands modèles linguistiques génèrent des réponses probabilistes, ce qui signifie qu’il peut exister plusieurs résultats valides pour une même requête. Cela modifie la manière dont les logiciels doivent être conçus, testés et exploités.

C’est là que de nombreuses organisations se heurtent à leur premier défi majeur. Leurs équipes d’ingénieurs sont très expérimentées, mais leur expérience s’inscrit dans le cadre du développement logiciel traditionnel. L’IA en production impose de nouvelles exigences, notamment l’évaluation de la qualité des modèles, la gestion de l’incertitude, le test des invites, la surveillance du comportement des modèles et la mise en place de garde-fous garantissant la fiabilité et la sécurité des résultats.

Jody Mulkey, directrice des technologies chez First American, a expliqué comment cette prise de conscience s’est imposée après que son service informatique, qui compte environ 2 000 personnes, a commencé à développer des applications basées sur l’IA il y a environ deux ans et demi. Plutôt que de tenter de former chaque ingénieur pour qu’il devienne un spécialiste de l’IA, l’entreprise a intégré ces capacités directement à sa plateforme interne.

Les outils d’évaluation, les cadres d’expérimentation et les contrôles de gouvernance ont été intégrés à l’environnement de développement lui-même. Les ingénieurs pouvaient ainsi se concentrer sur la résolution des problèmes métier, tandis que la plateforme gérait en arrière-plan bon nombre des exigences spécifiques à l’IA. Comme l’a expliqué M. Mulkey, l’objectif était de démocratiser la capacité à créer des agents d’IA à l’échelle de l’entreprise, plutôt que de dépendre d’un petit groupe d’experts.

Cette approche présente un intérêt stratégique considérable. L’adoption de l’IA ne se développe pas en formant davantage de spécialistes. Elle se développe en rendant le développement de l’IA plus simple, plus sûr et plus cohérent pour les équipes d’ingénieurs existantes. Les organisations qui dépendent d’une poignée d’experts ont souvent du mal à transformer des projets pilotes réussis en capacités à l’échelle de l’entreprise.

JT Hwang, directeur technique chez GoodLeap, a présenté cette évolution sous un autre angle. Les capacités d’IA d’entreprise, qui n’étaient autrefois accessibles qu’aux hyperscalers, sont désormais à la portée de ce qu’il a appelé « les 99 % restants ». L’accès à la technologie n’est plus le facteur limitant. Le véritable défi consiste à savoir si les organisations ont mis en place des plateformes et des modèles opérationnels permettant aux ingénieurs d’utiliser efficacement ces capacités.

Pour les dirigeants, cela a des implications directes sur les décisions d’investissement. La réussite de l’IA dépend moins du recrutement d’un grand nombre d’ingénieurs spécialisés dans ce domaine que de la mise en place de plateformes internes permettant de normaliser les meilleures pratiques, de réduire les risques liés au développement et de rendre l’IA accessible à l’ensemble de l’organisation. Cette approche améliore la cohérence, accélère la mise en œuvre et jette les bases nécessaires pour soutenir les initiatives en matière d’IA bien au-delà de la mise en production des premiers projets.

Des données de haute qualité et définies de manière cohérente constituent une condition préalable à une IA fiable

Les performances des systèmes d’IA dépendent entièrement de la qualité des données qui leur sont fournies. Cela a toujours été le cas, mais cela revêt une importance bien plus grande lorsque l’IA passe du simple rôle d’assistance à celui de formuler des recommandations ou de prendre des mesures au sein des processus métier. Si les données sous-jacentes sont incohérentes, incomplètes ou mal définies, l’IA produira des résultats qui sembleront sûrs, mais qui ne seront pas fiables.

De nombreuses organisations sous-estiment ce défi, car les êtres humains sont naturellement capables de résoudre les ambiguïtés. Ce n’est pas le cas de l’IA. Celle-ci fonctionne à partir des informations et des définitions qui lui ont été fournies. Si différents services utilisent le même terme métier de différentes manières, l’IA ne dispose d’aucune capacité intrinsèque à déterminer quelle interprétation est la bonne.

JT Hwang, directeur technique chez GoodLeap, a présenté un exemple concret tiré des activités de son entreprise dans la gestion de systèmes de batteries domestiques. Une question en apparence simple, à savoir combien de batteries possède l’entreprise, n’a pas de réponse unique. La réponse dépend en effet de ce que l’on entend par « batteries » : s’agit-il de batteries actives, inactives, gérables à distance ou pouvant effectivement être contrôlées ? En temps normal, une personne poserait une question complémentaire avant de répondre. Un agent IA, lui, ne le ferait peut-être pas.

Pour résoudre ce problème, GoodLeap a mis en place une couche sémantique sous-jacente à ses systèmes d’IA. Cela permet d’établir une définition unique et cohérente pour chaque concept métier au sein de chaque domaine. L’objectif est simple : garantir que chaque application d’IA s’appuie sur une compréhension commune du métier.

Cet investissement suscite souvent moins d’intérêt que les nouvelles applications d’IA, mais son impact s’avère bien plus important à long terme. À mesure que les organisations déploient davantage de systèmes d’IA, l’uniformisation des définitions permet de réduire les erreurs, de renforcer la confiance et de faciliter la mise en œuvre de l’IA dans de multiples fonctions de l’entreprise.

Ayman El-Ghazali, architecte solutions senior chez Databricks, a déclaré qu’il constatait des problèmes similaires dans des centaines d’environnements clients. La plupart de ces problèmes ne relèvent pas de défis complexes liés à l’IA. Il s’agit de problèmes élémentaires de qualité des données qui existaient déjà avant l’introduction de l’IA. Il a cité des exemples tels que des organisations calculant des moyennes à partir de chiffres déjà moyennés, ce qui génère des résultats mathématiquement erronés avant même que l’IA n’intervienne dans le processus. L’IA ne fait que mettre en évidence ces faiblesses plus rapidement, car elle est capable de traiter de grands volumes de données sans vérifier si les informations sous-jacentes sont correctes.

La qualité des données et la gouvernance, au même titre que la démonstration de la valeur métier et du retour sur investissement, ont été citées comme les principaux obstacles au développement d’applications basées sur l’IA, chacune de ces réponses recueillant 31 % des suffrages lors du sondage en direct.

Pour les dirigeants, cela devrait influencer leurs priorités en matière d’investissement. Les entreprises se concentrent souvent sur le choix des modèles ou l’évaluation des fournisseurs, mais l’opportunité la plus importante réside dans la mise en place d’une base de données rigoureuse. Des définitions métier claires, une gouvernance solide et des flux de données fiables renforcent la valeur de chaque initiative d’IA qui s’ensuit. Sans cette base, chaque nouveau projet d’IA hérite des mêmes problèmes et nécessite des efforts supplémentaires pour y remédier.

La gouvernance, la conformité et la sécurité doivent être intégrées dès le départ

De nombreux projets d’IA commencent par une phase d’expérimentation. Celle-ci est utile pour l’apprentissage, mais les systèmes de production fonctionnent dans des conditions très différentes. Dès lors que l’IA s’intègre aux interactions avec les clients ou aux opérations commerciales, la gouvernance, la conformité et la sécurité deviennent des exigences de conception fondamentales, et non plus de simples détails de mise en œuvre.

L’une des erreurs les plus courantes commises par les organisations consiste à considérer la gouvernance comme une étape finale de vérification avant le déploiement. Cette approche entraîne des retards inutiles, une augmentation des coûts et un risque opérationnel accru. Il est nettement plus efficace de définir les exigences en matière de gouvernance avant le début du développement, afin qu’elles soient intégrées dès le départ à l’architecture du système.

Jody Mulkey, directrice des technologies chez First American, a expliqué que telle avait été l’approche de l’entreprise dès le départ. First American évoluant dans un secteur fortement réglementé et détenant une banque soumise à la surveillance du Conseil de la Réserve fédérale, les équipes juridiques, de conformité et de sécurité de l’information ont été associées très tôt au processus de développement de l’IA. Loin de ralentir le développement, cette collaboration a permis de définir des exigences claires sur lesquelles les équipes d’ingénierie ont pu s’appuyer dès le départ.

Cette approche prend de plus en plus d’importance dans tous les secteurs d’activité. La réglementation en matière d’IA continue d’évoluer à l’échelle mondiale, et les clients attendent des organisations qu’elles fassent preuve d’une utilisation responsable de l’IA, en particulier lorsque des données à caractère personnel ou des décisions ayant un impact important sont en jeu. Les entreprises qui intègrent la gouvernance dans leur modèle opérationnel sont mieux à même de s’adapter à l’évolution des exigences réglementaires.

JT Hwang, directeur technique chez GoodLeap, a appuyé ce point de vue d’un point de vue technique. Il a fait remarquer que, même avant l’IA, les projets technologiques complexes exigeaient souvent un effort disproportionné lors des dernières étapes du déploiement en production. Son observation selon laquelle « les 10 % finaux représentent 90 % de l’effort » reste valable pour l’IA. Les exigences en matière de gouvernance deviennent bien plus difficiles à satisfaire lorsqu’elles sont reportées à un stade avancé du processus de développement.

Pour les dirigeants d’entreprise, la gouvernance ne doit pas être considérée uniquement comme une gestion des risques. Elle constitue également un accélérateur de l’adoption de l’IA au sein de l’entreprise. Des politiques claires, des responsabilités bien définies et des contrôles de sécurité bien établis donnent aux équipes davantage d’assurance pour déployer l’IA dans un plus grand nombre de fonctions de l’entreprise. Ils permettent également de réduire l’incertitude pour les autorités de régulation, les clients, les collaborateurs et les conseils d’administration.

Les organisations qui réussissent systématiquement à mettre en œuvre l’IA d’entreprise ont tendance à considérer la gouvernance comme une capacité permettant la mise à l’échelle.

Une architecture de production efficace simplifie la gouvernance et garantit la sécurité

La création d’une application d’IA n’est qu’un début. Pour garantir son fonctionnement fiable pendant des mois, voire des années, il faut une architecture permettant de gérer efficacement la gouvernance, la sécurité et la maintenance. À mesure que les agents d’IA s’impliquent davantage dans les processus métier, les organisations ont besoin de réponses claires à des questions concrètes : qui est responsable des actions d’un agent d’IA ? À quelles données a-t-il accès ? Comment s’assurer qu’il continue de fonctionner correctement à mesure que les modèles évoluent ?

Le groupe d’experts a souligné que ces défis devaient être relevés par le biais de l’architecture plutôt que par une surveillance manuelle.

Jody Mulkey, directrice des technologies chez First American, a donné un exemple. Au lieu de créer des identités numériques distinctes pour les agents IA, First American permet à ces derniers d’hériter des autorisations de l’employé qui les invoque. Cette approche évite d’introduire une couche supplémentaire de gestion des identités tout en garantissant que les agents opèrent dans le cadre des mêmes droits d’accès que ceux déjà attribués aux utilisateurs.

Mme Mulkey a reconnu que des identités IA indépendantes pourraient à terme s’avérer nécessaires pour certaines organisations. Cependant, la priorité de son équipe a été de réduire la complexité inutile tout en tirant parti de la valeur que l’IA peut déjà apporter aujourd’hui. Pour de nombreuses entreprises, il s’agit là d’une stratégie pragmatique. Les organisations n’ont pas besoin de résoudre tous les défis architecturaux futurs avant de commencer à générer de la valeur commerciale.

La sécurité repose sur le même principe. JT Hwang, directeur technique chez GoodLeap, a expliqué que la protection des informations à caractère personnel (PII) nécessite la mise en place de contrôles au niveau même de la couche de données. Des consignes rapides peuvent réduire certains risques, mais elles ne doivent pas être considérées comme le principal mécanisme de sécurité. Si un système d’IA dispose d’un accès inutile à des informations sensibles, l’organisation a déjà accru son exposition aux risques.

Pour les dirigeants, cela met en évidence une distinction importante. La gouvernance de l’IA ne se limite pas à la définition de politiques. Il s’agit de veiller à ce que ces politiques soient effectivement appliquées par la technologie sous-jacente. Les contrôles d’accès, la gestion des identités, la traçabilité et la sécurité doivent être intégrés à la plateforme afin de fonctionner de manière cohérente dans toutes les applications d’IA.

La discussion a également mis l’accent sur l’importance d’une évaluation continue. Contrairement aux logiciels traditionnels, les modèles d’IA évoluent. Les fournisseurs publient de nouvelles versions, les modèles existants sont retirés, et les organisations adaptent régulièrement les consignes, les flux de travail et les règles métier. Chaque changement comporte un risque de comportement inattendu.

M. Mulkey a expliqué comment cela avait affecté First American lorsqu’un modèle OpenAI sous-tendant l’un de ses premiers produits d’IA a été abandonné. L’entreprise ayant déjà investi dans des outils d’évaluation complets, l’équipe a pu valider le nouveau modèle par rapport aux normes de performance existantes sans avoir à reconstruire l’intégralité de l’application. Le cadre d’évaluation a permis de s’assurer que le système continuait de répondre aux exigences métier après la migration.

Pour les équipes de direction, cela montre pourquoi l’évaluation doit être considérée comme une infrastructure essentielle plutôt que comme une activité de test facultative. Les organisations qui mesurent en permanence les performances de l’IA peuvent adopter de nouveaux modèles plus rapidement, réduire les risques opérationnels et éviter des coûts de refonte élevés lorsque l’écosystème de l’IA évolue.

La refonte des processus de travail permet de générer une plus grande valeur ajoutée pour l’entreprise

De nombreuses organisations entament leur transition vers l’IA en automatisant des tâches ponctuelles. Cette approche peut apporter des améliorations mesurables, mais elle permet rarement de tirer pleinement parti du potentiel offert par l’IA. C’est en repensant l’ensemble des processus métier à la lumière des capacités actuelles de l’IA que l’on peut saisir les opportunités les plus importantes.

Jody Mulkey, directrice des technologies chez First American, a souligné que le travail d’une personne se compose de nombreuses activités interdépendantes plutôt que de tâches isolées. L’amélioration d’une étape peut certes accroître l’efficacité, mais elle ne modifie pas fondamentalement la manière dont le travail circule au sein de l’organisation. C’est en repensant l’ensemble du flux de travail que l’on obtient les meilleurs résultats.

Elle a estimé que le simple fait d’automatiser les tâches existantes permettait généralement d’améliorer la productivité de 20 % à 40 %. Ces résultats sont significatifs, mais ils ne représentent qu’une partie du potentiel. Les organisations qui repensent le flux de travail lui-même peuvent obtenir des gains bien plus importants, car elles suppriment les transferts de tâches superflus, réduisent les retards et permettent à l’IA d’effectuer des tâches qui étaient auparavant limitées par des processus manuels.

First American l’a démontré à travers ses opérations de contrôle qualité. Auparavant, 15 collaborateurs examinaient les livrables des clients, couvrant environ 37 % du volume total tout en donnant la priorité aux clients les plus exigeants. Après avoir repensé le processus en s’appuyant sur l’IA, cinq collaborateurs supervisent désormais 100 % de la charge de travail. Cette amélioration ne s’est pas limitée à une réduction de la charge de travail manuelle. L’IA applique également les mêmes critères de vérification de manière cohérente à chaque dossier, ce qui améliore la couverture et réduit la variabilité inhérente à la vérification humaine.

Mme Mulkey a également observé la même tendance dans le domaine du génie logiciel. Les équipes qui se contentaient d’utiliser des assistants de codage basés sur l’IA ont enregistré des gains progressifs. Celles qui ont obtenu des résultats nettement supérieurs ont quant à elles transformé l’ensemble de leur processus de développement. Les ingénieurs ont consacré davantage de temps à définir les spécifications, à valider les résultats et à coordonner les agents IA plutôt qu’à écrire eux-mêmes chaque ligne de code. Cela leur a permis de se concentrer sur des tâches à plus forte valeur ajoutée, tout en laissant l’IA se charger d’une grande partie de la mise en œuvre.

JT Hwang, directeur technique chez GoodLeap, a réaffirmé cette vision plus large. Il a fait valoir que de nombreux processus métier avaient été initialement conçus en fonction des contraintes humaines. L’IA supprimant certaines de ces contraintes, les organisations devraient réévaluer l’organisation du travail au lieu de partir du principe que les flux de travail existants restent la meilleure approche.

Pour les dirigeants, il s’agit de l’une des décisions stratégiques les plus importantes en matière d’IA d’entreprise. Mesurer le succès uniquement à l’aune de l’automatisation des tâches peut conduire les organisations à sous-estimer le potentiel de l’IA. Les entreprises qui se forgeront un avantage concurrentiel durable repenseront leurs modèles opérationnels, leurs processus décisionnels et leurs expériences client afin de tirer pleinement parti des capacités de l’IA. Cela nécessite des changements au niveau du leadership, de la structure organisationnelle et des processus métier.

Pour que l’IA soit durable en entreprise, il est indispensable de mettre en place les conditions opérationnelles nécessaires autour du modèle

La discussion a abouti à une conclusion claire. Les modèles d’IA progressent rapidement, les infrastructures d’entreprise sont largement disponibles et cette technologie est capable de prendre en charge de véritables applications métier. Le principal défi ne réside plus dans le modèle lui-même, mais dans tout ce qu’une organisation met en place autour de celui-ci.

De nombreuses entreprises continuent de centrer leur stratégie en matière d’IA sur le choix de modèles ou l’expérimentation de nouveaux outils. Ces décisions ont certes leur importance, mais elles ne suffiront probablement pas à elles seules à garantir le succès à long terme. Une IA durable repose sur une discipline opérationnelle. Les organisations ont besoin de données fiables, d’une gouvernance cohérente, d’une architecture résiliente, d’une évaluation continue et de processus de travail conçus pour tirer parti de l’IA plutôt que de simplement s’y adapter.

Ces capacités se renforcent mutuellement. Des données de haute qualité améliorent les performances des modèles. La gouvernance réduit les risques opérationnels et réglementaires. Une architecture solide facilite l’évolutivité et la maintenance des systèmes. Une évaluation continue permet aux organisations d’adopter de nouveaux modèles sans perturber leurs activités. La refonte des flux de travail garantit que l’IA génère des résultats commerciaux mesurables plutôt que de simples gains de productivité isolés.

Les intervenants sont revenus à plusieurs reprises sur cette perspective plus large. Aucun d’entre eux n’a identifié les capacités des modèles ou la disponibilité des infrastructures comme le principal obstacle. Ils ont plutôt mis l’accent sur la préparation organisationnelle et la mise en œuvre. Cela reflète l’état actuel de l’IA en entreprise. La technologie a évolué plus rapidement que les modèles opérationnels nécessaires pour la soutenir.

Brett Berhoff, fondateur et PDG de Strategy.xyz et membre du programme BairesDev Fellow, a animé une discussion au cours de laquelle ce point a été souligné à plusieurs reprises. Jody Mulkey, directrice technique chez First American, JT Hwang, directeur technique chez GoodLeap, et Ayman El-Ghazali, architecte de solutions senior chez Databricks, ont abordé le sujet sous l’angle de secteurs d’activité et d’expertises techniques différents, mais leurs recommandations se sont révélées remarquablement cohérentes. La réussite passe par la mise en place de systèmes capables de prendre en charge l’IA de manière fiable sur le long terme.

Pour les dirigeants, cela modifie la manière dont les investissements dans l’IA doivent être évalués. Les premières démonstrations et les projets pilotes peuvent susciter l’enthousiasme, mais ils révèlent rarement les exigences opérationnelles des environnements de production. Les équipes de direction doivent mesurer les progrès en posant des questions différentes. Les applications d’IA peuvent-elles être gérées de manière cohérente ? Les données sous-jacentes inspirent-elles confiance à l’ensemble de l’entreprise ? Les modèles peuvent-ils être mis à jour sans perturber les opérations ? Des cadres d’évaluation sont-ils en place pour vérifier la qualité au fil du temps ? Les équipes peuvent-elles déployer l’IA de manière répétée plutôt que de traiter chaque projet comme une initiative ponctuelle ?

Les organisations qui répondent par l’affirmative à ces questions développent une capacité en matière d’IA plutôt qu’un ensemble de projets d’IA. Cette distinction est importante, car l’avantage concurrentiel repose de plus en plus sur la reproductibilité. La capacité à déployer l’IA de manière sûre, efficace et cohérente dans plusieurs fonctions de l’entreprise générera une valeur à long terme supérieure à celle de succès isolés.

La prochaine étape de l’IA d’entreprise ne sera pas déterminée par l’accès à la technologie. La plupart des organisations sont désormais en mesure de se doter de modèles performants et d’une infrastructure d’IA moderne. Les leaders seront celles qui mettront en place un environnement opérationnel permettant à ces technologies de générer des résultats commerciaux mesurables à grande échelle, de s’adapter à mesure que la technologie évolue et de conserver la confiance de leurs clients, des autorités de régulation, de leurs collaborateurs et de leurs actionnaires.

Le bilan

L’IA d’entreprise est entrée dans une nouvelle phase. Le débat ne porte plus sur la question de savoir si cette technologie est suffisamment performante. Pour la plupart des organisations, c’est le cas. La question est de savoir si l’entreprise est prête à l’utiliser de manière cohérente, responsable et à grande échelle.

Cela nécessite d’adopter une vision plus large de l’investissement dans l’IA. Les modèles continueront de s’améliorer et les infrastructures deviendront encore plus accessibles. Ces progrès profiteront à toutes les organisations. Ce qui distinguera les leaders du marché, ce sont tous les éléments qui entourent la technologie : des données fiables, une gouvernance intégrée dès le départ, des plateformes qui simplifient le développement, une évaluation continue et des flux de travail repensés pour tirer parti des atouts de l’IA.

Pour les dirigeants, il s’agit en fin de compte d’un défi de leadership plutôt que d’un défi technologique. L’adoption de l’IA ne peut pas se limiter aux équipes d’innovation ou à des projets pilotes isolés. Elle nécessite une coordination entre les services technologiques, opérationnels, juridiques, de conformité, de sécurité et l’entreprise elle-même. Les organisations qui intègrent ces capacités dans leur modèle opérationnel seront en mesure de déployer l’IA de manière répétée, de s’adapter à mesure que la technologie évolue et de générer de la valeur bien après que les modèles individuels auront été remplacés.

Les entreprises qui réussiront au cours des prochaines années ne seront pas nécessairement celles qui auront accès au modèle le plus récent. Ce seront celles qui mettront en place une organisation capable de transformer l’IA en un atout commercial fiable. C’est de là que proviendra un avantage concurrentiel durable, et c’est là que les meilleurs retours sur investissement en matière d’IA seront probablement obtenus.