Avec le lancement de ChatGPT en novembre 2022, le grand public découvrait les possibilités inédites offertes par l’IA générative. Quelques années plus tard, l’engouement autour de cette technologie ne faiblit pas et les entreprises n’échappent pas au phénomène. En effet, l’intelligence artificielle et le machine learning s’imposent aujourd’hui comme des outils puissants au service de la prise de décision.
L’intelligence artificielle générative, au-delà de ChatGPT
Inconnue du grand public il y a encore quelques années, l’intelligence artificielle générative est aujourd’hui dans toutes les poches. Chaque jour, les chatbots basés sur l’IA reçoivent une multitude de requêtes, envoyées en quelques secondes depuis nos smartphones, ordinateurs, tablettes.
Les usages de l’intelligence artificielle générative sont, par définition, extrêmement vastes. C’est pourquoi elle est massivement utilisée à des fins de divertissement, ou bien pour nous simplifier la vie au quotidien : rédaction d’un courrier, réponse rapide à une question complexe, etc.
Mais cet engouement pour l’IA auprès du grand public ne doit pas occulter les nombreuses applications de cette technologie pour les entreprises, par exemple :
- Améliorer et accélérer la production de contenu en utilisant des outils d’IA générative pour rédiger des articles de blog, des pages web, des documents, des e-mails.
- Faciliter le développement de logiciels grâce à la génération de code.
- Automatiser certaines tâches répétitives, permettant aux collaborateurs de se focaliser sur des missions à plus forte valeur ajoutée.
Sans oublier, l’analyse de données, qui peut elle aussi grandement bénéficier de l’essor de l’intelligence artificielle.
Connaître les limites de l’IA pour la mettre au service de la data
Si elle possède des atouts indéniables, l’IA générative dispose également de limites bien réelles, et les organisations doivent en être conscientes si elles veulent tirer le meilleur parti de cette technologie.
Les limitations techniques
Malgré ses progrès spectaculaires, l’IA générative n’est pas une IA généraliste capable de “tout faire”. Dans le cas de la génération de texte, notamment, ce type de système se base uniquement sur des probabilités afin de prédire le prochain mot à générer : on parle de LLM.
Comme l’explique Yann LeCun, chercheur et directeur scientifique de l’IA du groupe Meta : “Les LLM ne sont pas capables de planification. Par ailleurs, ils ne comprennent pas la réalité sous-jacente aux concepts qu’ils manipulent.” Par conséquent, les modèles de langage ne pourraient pas atteindre “les capacités humaines de planification, de raisonnement, de mémoire ou encore de bon sens.”
Par ailleurs, l’intelligence artificielle générative est confrontée à la limitation de sa fenêtre de contexte. Il s’agit, en bref, de la quantité de texte qu’un modèle de langage peut traiter afin de réaliser des tâches de création ou de traitement du langage naturel.
Or, cette fenêtre ne pourra pas s’agrandir indéfiniment. En effet, les grands modèles de langage peuvent être victimes de biais, à l’instar des êtres humains. Confrontés à un surplus d’informations, ils sont susceptibles de prendre des raccourcis cognitifs en ignorant certaines données.
Une étude a par exemple montré que les modèles sont plus performants lorsque les informations pertinentes se situent vers le début ou la fin du contexte d’entrée. À l’inverse, les performances tendent à se dégrader quand un modèle doit examiner attentivement les informations qui se trouvent au milieu d’un contexte dense.
Les enjeux écologiques et économiques
C’est un fait : l’intelligence artificielle générative nécessite des ressources de calcul considérables et s’avère très gourmande en électricité. D’après l’Agence Internationale de l’Énergie, la demande mondiale d’électricité des data centers devrait plus que doubler au cours des cinq prochaines années. À tel point que d’ici 2030, ils devraient consommer autant d’électricité qu’un pays comme le Japon !
Au-delà de l’impact environnemental de cette technologie, la hausse de la consommation d’électricité se traduit logiquement par une augmentation des prix de l’énergie, qui affecte directement les entreprises. Sans oublier le coût des infrastructures informatiques nécessaires au fonctionnement de l’IA.
Face à cette problématique, on voit émerger le concept d’IA frugale, qui vise à limiter les besoins en ressources des systèmes d’intelligence artificielle, tout en garantissant un niveau de performance satisfaisant.
L’IA frugale repose sur trois principes clés :
- Éviter le recours aux LLM s’il existe une alternative moins consommatrice.
- Limiter les flux de données au strict minimum.
- Intégrer des bonnes pratiques dans les infrastructures pour diminuer les impacts environnementaux de l’intelligence artificielle.
L’agent IA : facilitateur de prise de décision
Compte tenu de ses limitations, l’IA ne se suffit pas à elle-même. Une intelligence artificielle basée sur un LLM, en particulier, ne produit que des mots : elle n’est pas capable de traiter de grands volumes de données structurées.
Cependant, ces mots peuvent servir d’instruction pour un agent, c’est-à-dire un système informatique conçu pour prendre des décisions et agir de manière autonome afin d’atteindre des objectifs précis.
Un agent repose sur trois composantes clés :
- Un modèle de langage, qui lui permet d’interpréter les requêtes, de raisonner et de générer des réponses cohérentes.
- Différents outils qui permettent à l’agent d’interagir avec le monde extérieur : bases de données, API, moteurs de recherche, etc.
- Une couche d’orchestration, qui coordonne le fonctionnement des agents, gère le flux d’informations entre le modèle et les outils, et guide le processus de raisonnement et de prise de décision.
Pour opérer sur des données structurées, un LLM a donc besoin d’un “intermédiaire”. Cet agent, sous la forme d’un outil de Business Intelligence, permet d’automatiser bon nombre de processus et d’alléger certaines tâches répétitives. De quoi faciliter l’exploration et l’analyse de la data, ainsi que la prise de décision.
L’analyse de données, plus rapide que jamais
Les étapes de collecte, de tri et de nettoyage de données issues de multiples sources représentent habituellement une charge de travail importante. Or, l’IA générative a la capacité d’accélérer ce processus de préparation en générant du code de transformation et en suggérant des sources de données externes.
Concernant la data visualisation, un agent IA permet de présenter en un clin d’œil les résultats d’une analyse sous forme de graphiques esthétiques et digestes, tout en mettant en évidence les indicateurs les plus importants.
En outre, il est particulièrement efficace pour raconter des histoires à partir des données en créant du contenu inédit (on parle de data storytelling), ce qui facilite l’interprétation de la data.
Au bout du compte, l’agent d’intelligence artificielle permet non seulement de gagner du temps, mais aussi de recentrer les efforts humains sur des analyses de fond à forte valeur ajoutée. Enfin, sa précision et son efficacité dans l’exécution de ces tâches contribuent à limiter les erreurs dans l’analyse.
La data accessible à tous
Avec un agent IA, il suffit d’interroger la data en langage naturel pour obtenir des réponses précises et pertinentes. Une simple requête (du type : “Montre-moi l’évolution du chiffre d’affaires en France en 2024”) permet de générer une représentation graphique adaptée.
Cette approche renforce l’autonomie des collaborateurs, qui peuvent interagir directement avec les données et accéder instantanément aux informations dont ils ont besoin. D’autant plus que l’IA générative est en mesure d’adapter la BI aux besoins spécifiques des utilisateurs et à leur contexte, avec des recommandations personnalisées et des visualisations pertinentes.
Par ailleurs, de nouvelles interfaces conversationnelles basées sur l’IA apparaissent, capables de se connecter à des sources de données ouvertes, actualisées en temps réel. C’est le cas, par exemple, de la solution développée par DigDash.
L’open data peut être automatiquement croisée avec les données internes de l’organisation, ce qui élargit les capacités d’analyse, enrichit la pertinence des résultats et ouvre de nouvelles perspectives pour éclairer les prises de décision.
Vers une Business Intelligence générative
Vous l’aurez compris, la clé du succès ne réside pas dans l’utilisation de l’intelligence artificielle en tant que telle, mais plutôt dans l’application de l’IA générative aux processus de Business Intelligence.
Cette démarche de “BI générative” permet d’automatiser et de rationaliser les principales tâches liées à l’analyse de données. De plus, la confluence entre l’intelligence artificielle et la Business Intelligence en libre-service contribue à démocratiser l’accès à la data.
Exit le langage SQL : avec une solution BI de nouvelle génération, les utilisateurs peuvent demander à l’outil de réaliser des analyses avancées, même sans connaissances techniques particulières.
En plus d’encourager une plus grande utilisation de la Business Intelligence dans l’organisation, la BI générative peut également améliorer les résultats des analyses effectuées.
En effet, parce qu’il peut automatiser davantage de processus qu’une solution de BI classique, un outil de Business Intelligence basé sur l’IA permet de repérer des tendances qui seraient difficiles à déceler autrement.
Choisir le bon outil de Business Intelligence
Pour prendre des décisions plus éclairées grâce à l’intelligence artificielle, encore faut-il s’appuyer sur une solution de Business Intelligence qui intègre réellement les possibilités offertes par l’IA.
Précurseur en la matière, DigDash utilise l’intelligence artificielle depuis une dizaine d’années déjà, notamment pour faciliter les requêtes de ses utilisateurs.
Et ce n’est qu’un début : dans une volonté de mettre en lumière des informations toujours plus pertinentes pour la prise de décision, notre solution BI ne cesse de s’enrichir de nouvelles fonctionnalités basées sur l’IA, dont voici un petit aperçu.
Transformation des données
Dans DigDash, l’utilisateur peut facilement moduler et transformer les données pour répondre à ses besoins spécifiques. Par exemple, vous avez la possibilité de dissocier un champ “nom prénom” en deux champs distincts, ce qui vous permet de gagner du temps et de simplifier vos tâches.
Assistant de formule et de thème
Notre outil de Business Intelligence permet de demander à l’IA une formule aboutissant à une visualisation de données en quelques secondes.
Vous pouvez également modifier à votre guise les thèmes de présentation, en posant par exemple la question suivante : “peux-tu me créer une formule sur le nombre de mois pour atteindre l’épuisement de ma trésorerie ?”
Chatbot
DigDash intègre également un chatbot utilisant le traitement du langage naturel (NLP), ce qui facilite grandement l’usage de l’outil. Capable de comprendre directement les requêtes humaines, la solution fournit des résultats d’une grande précision.
L’utilisateur peut ainsi soumettre des requêtes à l’intelligence artificielle via le chatbot et obtenir des réponses rapidement pour une prise de décision efficace.
Accompagner le déploiement de l’IA et de la BI
Il est bon de le rappeler : l’IA générative n’a pas vocation à remplacer les décideurs humains, mais bien à renforcer leurs compétences et à aiguiller leurs choix. Ainsi, la collaboration entre l’humain et la machine doit s’inscrire dans un cadre bien défini.
L’intelligence artificielle générative a un impact profond sur les individus, les compétences et les processus organisationnels. Pour exploiter son plein potentiel, l’entreprise doit donc placer l’accompagnement des collaborateurs au cœur de sa stratégie.
Cela implique notamment :
- De les associer au développement et à l’intégration des outils d’intelligence artificielle.
- De promouvoir une culture collaborative entre humains et IA.
- D’encourager une prise de décision fondée sur les données.
Aussi, un effort de sensibilisation et de formation doit être fourni afin que les collaborateurs comprennent les rouages de l’intelligence artificielle et apprennent à travailler avec elle.
Par ailleurs, il est primordial de définir en amont comment s’adapteront les processus, les systèmes et les compétences des équipes, à mesure que l’IA générative s’intégrera dans les activités quotidiennes de l’organisation.
Il faut donc identifier en avance les freins potentiels à l’implémentation des projets d’IA générative, qu’il s’agisse de résistances culturelles, de manques de compétences ou de lacunes technologiques. Tout cela permet d’élaborer une feuille de route claire, définissant les actions à entreprendre et les solutions à mettre en place.
La rencontre de l’IA générative et de la BI constitue une avancée considérable, qui rend l’analyse et le partage des données plus accessibles que jamais, tout en permettant une prise de décision rapide, fiable et à grande échelle.
Une opportunité à ne pas manquer pour votre entreprise, à condition de :
- Maîtriser les risques et les limites de l’IA et mettre en place une gouvernance des données efficace.
- Vous appuyer sur un outil de Business Intelligence permettant de mettre réellement l’intelligence artificielle au service de vos données.
