Une IA à la portée des usages de toute l’entreprise

DSI, service client, marketing, juridique, ressources humaines… Aucun département de l’entreprise ne devrait échapper à la vague de l’IA générative. C’est même sa force : pouvoir se mettre à la portée de tous, en interagissant avec l’utilisateur en langage naturel et en fournissant des capacités d’analyse et de synthèse répondant à une multitude de cas d’usage.

Fulgurant. Quelques semaines à peine après la sortie de la version gratuite du robot conversationnel ChatGPT, en novembre 2022, le monde de l’entreprise s’était déjà lancé dans l’appropriation des concepts de l’IA générative (IA Gen) et dans de premiers déploiements limités. Une rapidité rare, même dans un domaine des nouvelles technologies habitué à susciter rapidement l’enthousiasme. Rare, mais logique. L’IA Gen marque une véritable rupture en termes d’interface homme-machine, par sa capacité à générer du contenu (texte, image, et plus récemment son et vidéo) en suivant des instructions données en langage naturel. « C’est cette révolution qui change vraiment la donne, souligne Patrick Meyer, artificial intelligence senior architect chez Sopra Steria, par les possibilités qu’elle apporte sur le plan de l’automatisation et parce qu’elle rend accessible l’IA Gen à tous, n’importe qui pouvant lui donner des instructions via la fenêtre de prompt. »

De quoi ouvrir le champ des possibles en termes de productivité, cette capacité semblant pouvoir se décliner dans une multitude de cas d’usage, presque sans limite. Un potentiel sur lequel les éditeurs de logiciels se sont d’ailleurs eux aussi rapidement penchés, tous secteurs confondus, afin de commencer à proposer dans leurs solutions les fonctions de base de l’IA Gen, voire des implémentations appliquées à des cas d’usage métiers.

De grands modèles

L’IA classique a pour vocation de classer, segmenter, prédire ; l’IA Gen de générer du contenu. Ce n’est pas la seule différence. La seconde repose sur des modèles d’apprentissage profond (deep learning) spécifiques, dits grands modèles, parce qu’ils sont entraînés sur des quantités massives de données, publiques en l’occurrence pour les plus grands, et peuvent comporter jusqu’à des milliards de paramètres, qui sont autant de variables internes grâce auxquelles ils analysent ces données et apprennent d’elles. C’est ce qui permet à l’IA Gen d’avoir une meilleure compréhension des données qu’un modèle classique, et de pouvoir produire du contenu pertinent. Les LLM (Large Language Models), grands modèles notamment utilisés en traitement du langage naturel, sont ainsi capables d’apprendre seuls toutes les subtilités d’une langue et de générer du contenu cohérent, sous différentes formes, du résumé à la pièce de théâtre, et dans différents styles d’écriture.

Cette spécificité de l’IA Gen a cependant une conséquence en matière de déploiement : « Étant donné les moyens colossaux nécessaires, notamment en termes d’assemblage de sets de données pour l’entraînement, ou de coût pour réaliser ce dernier, construire son propre grand modèle ne constitue pas vraiment une option », pointe Romain Lamotte, associé data analytics & AI chez KPMG France. De fait, hormis peut-être pour de très grandes entreprises qui tenteront l’aventure de repartir de zéro, intégrer l’IA Gen dans des applicatifs implique d’utiliser un modèle existant. Une situation qui impacte les cas d’usage pouvant être déployés, notamment autour du texte, principal domaine sur lequel l’IA Gen peut trouver une large application en entreprise.

---

Une pluralité de modèles génératifs

Quelques modèles…
Pour le texte	• Alfred, de LightOn • Claude 2, d’Anthropic • GPT 3.5, d’OpenAi • Llama 2, de Meta • Mistral 7B, de Mistral AI • Palm2, de Google
Pour l’image	• Dall-E, d’OpenAI • Midjourney, de Midjourney • Stable Diffusion, de Stability.ai
Pour le texte, l’image, voire la vidéo et l’audio	• Gemini, de Google • GPT 4, d’OpenAI • Dolphin, de NLP Cloud

---

Centrer l’IA sur l’entreprise

« La première chose à garder en tête, c’est qu’il ne faut pas utiliser les LLM comme des bases de connaissances en posant des questions comme on le fait sur Google, indique Julien Salinas, fondateur et CTO de la plateforme d’IA NLP Cloud. Comme ils sont entraînés avec beaucoup de données, il est possible qu’ils sachent bien répondre, mais aussi qu’ils créent une hallucination, c’est-à-dire une réponse fausse mais convaincante. » Un modèle génératif reste, en effet, un système statistique et probabiliste, sans notion de vérité. Quand il ne sait pas, il répond quand même. Pour l’instant, en tout cas.

Dans un grand nombre d’usages, obtenir des résultats pertinents impose d’ailleurs de l’exposer aux bonnes connaissances, celles de l’entreprise. Le système RAG (Retrieval Augmented Generation) répond à cet enjeu, en combinant des IA classiques de traitement du langage naturel et l’IA Gen. De manière schématique, les premières se chargent de la recherche sémantique : elles identifient dans les bases de connaissances et différentes applications de l’entreprise les bonnes données de contexte, factuelles, à fournir au modèle d’IA Gen pour qu’il comprenne bien la requête et exécute sa tâche sans sortir de ce contexte, autrement dit, sans se baser sur ce qu’il a appris. « La complexité, pour la DSI, c’est qu’il faut faire la conjonction entre les différents modèles d’IA. Avec des techniques sémantiques classiques, par exemple, l’extraction d’entités nommées se fait facilement et en quelques secondes. Avec un LLM, cela prend des heures, car ce n’est pas vraiment sa vocation, remarque Patrick Meyer. Dans le cas d’un système RAG, qui s’appuie sur une base de données vectorielle, il faut favoriser les recherches hybrides, puisque vectoriser tout le patrimoine documentaire d’une entreprise exigerait, sinon, une base de plusieurs teraoctets. Les temps de réponse seraient alors très longs. »

La voie de l’adaptation

Si l’entreprise n’a pas vraiment d’autre choix que d’utiliser un grand modèle existant, elle peut néanmoins l’adapter, pour augmenter sa pertinence en fonction des cas d’usage souhaités. Une première méthode est celle du fine-tuning. Le modèle est ré-entraîné à la marge avec un nombre réduit d’exemples spécifiques. « Il est possible de lui apprendre à générer un contenu dans un style particulier, d’enrichir son vocabulaire pour qu’il s’exprime dans un jargon métier, ou encore de lui faire réaliser une tâche spécifique. Par exemple, produire un contenu dans un format standard en fonction de métriques métiers, comme des fiches produits dans différents formats de diffusion », explique Laurent Daudet, cofondateur et DG de la plateforme d’IA Gen LightOn.

Pour adapter un LLM, une seconde solution est l’approche LoRA (Low-Rank Adaptation) : on entraîne un petit modèle qui va s’appuyer sur le grand pour se former sur les données de l’entreprise. « Pour une entreprise, construire un LLM spécifique, entraîné sur ses données, reste peu envisageable en termes de coûts. Alors, soit on exploite l’IA Gen via l’API d’un acteur qui la propose, auquel cas on reste fortement généraliste. Soit il faut construire son propre réseau et adopter une approche LoRA, où le petit modèle va apprendre le vocabulaire de l’entreprise, sa manière d’écrire. Sa manière de penser, finalement », défend Patrick Meyer.

Disposant de moins de paramètres que le grand, ce petit modèle aura aussi l’avantage d’être moins gourmand en ressources et de mettre moins de temps à répondre. En revanche, il ne sera plus capable de tout, comme chanter ou écrire une pièce de théâtre. Mais il pourra être spécialisé pour des usages ciblés dans l’entreprise.

Une forte capacité de synthèse

La première grande qualité de l’IA Gen est sa capacité de synthèse. « Elle réalise des résumés parfaits, alors que toutes les tentatives menées depuis des années sur le sujet ne donnaient que des résultats pauvres et approximatifs », indique Patrick Meyer. Cette capacité peut être exploitée de multiples manières : pour effectuer le résumé d’un simple document, mais aussi réaliser un rapport nécessitant de s’appuyer sur des données de multiples sources.

L’IA Gen excelle aussi dans les dispositifs de questions-réponses, grâce à sa faculté de converser en langage naturel avec l’utilisateur, offrant une expérience d’interaction plus fluide et plus conviviale. « Jusque-là, les agents conversationnels n’étaient pas très convaincants, remarque Julien Salinas. Depuis ChatGPT, ils peuvent désormais apporter une véritable valeur, par la qualité d’interaction rendue possible par l’IA Gen et grâce à la précision de cette dernière dans la recherche de connaissances. Pour assurer la fiabilité de ses réponses, la coupler à un système RAG est cependant impératif », rappelle-t-il.

L’IA Gen peut également venir sur des terrains couverts par les modèles classiques, comme la classification, la catégorisation d’informations, l’analyse de sentiment et l’extraction de texte. Dans ce dernier domaine, elle évite l’important travail de data science normalement nécessaire en sachant déjà analyser les documents de texte, les pages web, les PDF et en extraire les informations appropriées. En ce qui concerne le texte tout au moins, car les LLM ne traitent pas – encore – les graphiques. « En matière de classification, elle rend inutile toute l’étape fastidieuse de labellisation des données d’entraînement et tout le travail pour effectuer ce dernier, explique Julien Salinas. Avec une requête correctement formulée, un LLM est capable de classer des documents sur un périmètre très large de sujets et avec un taux de réussite de 99,999 % », précise-t-il.

Si l’IA Gen sait faire beaucoup, elle ne défie cependant pas les modèles classiques dans tous les domaines. En matière de prédictif, notamment, son intérêt est moins évident face à des systèmes en place qui offrent déjà d’excellentes performances et un haut niveau de contrôle. « Même si l’IA Gen pouvait se révéler performante en la matière, ce serait de toute façon un peu comme prendre un bazooka pour tuer une mouche, estime Julien Salinas. Pour ce genre d’usage, on fait des modèles classiques mille fois plus petits et mille fois moins gourmands en ressources. » En revanche, l’IA Gen pourra venir faciliter la manière dont les informations produites par ces systèmes sont diffusées, rendues facilement accessibles, exploitables.

Dans le domaine conversationnel, face à des dispositifs auto-répondants déjà capables d’un taux de réponses automatiques élevé, ce n’est pas en matière de performance qu’elle se distinguera. « Elle n’apportera pas 4 à 5 % de plus, remarque Patrick Meyer. Mais elle va faciliter la constitution de ces assistants. Elle va générer rapidement, sur la base de la documentation métier, les graphes conversationnels pour répondre aux demandes, et aider à détecter et regrouper les nouvelles demandes. »

Une intégration à plusieurs vitesses

En termes d’usages possibles, il va aussi falloir composer avec les fonctions que vont intégrer ou non les éditeurs. « La question commence déjà à se poser pour les entreprises d’identifier ce qu’elles devraient développer elles-mêmes pour accélérer leurs processus ou améliorer leur qualité, sans attendre que l’IA Gen ne soit intégrée comme une fonction récurrente dans les solutions d’éditeurs, estime Romain Lamotte. Beaucoup de cas d’usage simples ne sont pas coûteux à mettre en place, en s’appuyant par exemple sur un outil de création d’agent conversationnel low-code/no-code assisté par l’IA Gen », indique-t-il.

Côté éditeurs, si l’IA Gen fait une entrée mesurée dans les solutions métiers, elle s’est en revanche largement implantée dans celles de collaboration. Microsoft, avec Copilot, et Google, avec Duet AI, sont bien sûr en pointe, mais rares sont les éditeurs du domaine à faire l’impasse sur le sujet, soit en développant leur propre technologie, soit en faisant appel aux plateformes d’IA Gen existantes pour intégrer ses fonctions. Grâce à ces dernières, le collaborateur peut renforcer sa productivité individuelle : se faire assister dans la création d’une présentation, la rédaction d’un document, la synthèse de notes ou de conversations, le classement d’informations ou de documents, la recherche dans une base documentaire. Parfois, comme avec Duet AI, il peut même envoyer un assistant à sa place en réunion : celui-ci « prendra des notes » à sa place et pourra produire un rapport de ce qui s’est dit.

Selon les fonctions qui seront proposées par les éditeurs, la nature des usages souhaités pourra se suffire d’y faire appel ou suggérer de construire son propre dispositif d’IA Gen. « Deux raisons peuvent pousser une organisation à le faire, analyse Romain Lamotte. D’abord, le souhait d’outiller un cas d’usage trop spécifique pour qu’il soit proposé par un éditeur. Ensuite et surtout, la volonté de conserver la main sur tout ce qui touche à la compétitivité de son cœur de métier, la manière dont elle conçoit et vend ses produits ou services », explique-t-il.

Comme toujours avec les technologies, il va aussi falloir faire avec ses évolutions. Et ces dernières sont particulièrement rapides en matière d’IA Gen. Dans le domaine de la traduction, où les modèles génératifs excellent, des avancées sont notamment attendues. Une solution comme HeyGen, par exemple, est déjà capable de synthétiser la voix d’un utilisateur et de le faire parler dans 40 langues. « Ce n’est pas encore parfait, remarque Julien Salinas. Ce sont de gros modèles qui prennent du temps à répondre et on ne dispose pas encore de la puissance de calcul suffisante pour le faire en temps réel. Mais on n’en est plus très loin », estime-t-il.

En matière d’usage cependant, les perspectives prennent aussi une autre direction, en revenant aux « transformers », ces réseaux neuronaux desquels les modèles d’IA Gen tirent leurs capacités d’apprentissage, d’analyse et de synthèse. « Les transformers ont permis beaucoup de progrès. Si les capacités au niveau matériel n’arrivent pas à davantage progresser, il faudra peut-être y revenir, pour créer de petits modèles, spécialisés cette fois dans la compréhension des données, sans la dimension générative, estime Julien Salinas. C’est d’ailleurs ce que font déjà les modèles dédiés à la recherche de molécules, qui ne sont en réalité plus du domaine de l’IA générative », précise-t-il.

---

Une IA pour la DSI

Dans l’entreprise, l’IA Gen peut bénéficier à tous les domaines, à commencer par celui de la DSI. Elle s’immisce d’ailleurs déjà au sein de cette dernière au niveau du développement logiciel, pour faciliter le travail des développeurs, qu’il s’agisse de générer du code sur la base de spécifications fonctionnelles ou de l’analyser afin de proposer des solutions d’optimisation, détecter des erreurs, des vulnérabilités. Copilot (Github), Codex (OpenAI), CodeWhisperer (Amazon)… Plusieurs solutions d’IA Gen spécialisées dans la génération de code sont aujourd’hui disponibles, souvent capables de le faire dans de très nombreux langages de programmation. Des usages plus avancés peuvent être mis en place dans ce même domaine, comme faire générer des scénarios de test d’applications en fonction de critères définis, ou bien encore de la documentation technique, sur la base des différents contenus liés au développement d’une application, qu’il s’agisse de documenter les spécifications fonctionnelles ou de commenter le code.

L’assistance aux utilisateurs constitue une autre grande activité de la DSI qui peut tirer parti de l’IA Gen. La Région Île-de-France, par exemple, la déploie pour qu’elle facilite l’accès à sa documentation informatique, ou qu’elle propose des solutions à une problématique, tout en citant les références des documents qui ont servi à élaborer la réponse. Le dispositif s’appuie sur un système RAG et le LLM de LightOn.

Une IA pour le service client

Les capacités de questions-réponses se prêtent évidemment bien à l’optimisation d’un service client, en facilitant pour les conseillers l’accès aux informations permettant de répondre aux demandes du client. L’IA Gen peut synthétiser les différentes conversations qui se sont déroulées avec ce dernier, résumer les motifs des contacts et leur historique, analyser la tonalité des messages pour évaluer la santé de la relation. Le conseiller va également, outre accéder aux informations de référence de l’entreprise, pouvoir interroger les documents concernant le client, par exemple ses contrats. « Les secteurs les plus en pointe dans le déploiement de l’IA Gen sont ceux ayant beaucoup de flux de texte et de voix, entrants comme sortants, avec des clients ou des usagers : la banque, l’assurance, les télécoms, les transports et, de plus en plus, les organismes gouvernementaux », constate Patrick Meyer.

Une IA pour la DRH

Dans le domaine de l’administration du personnel, l’IA générative devrait décharger les assistants RH d’un ensemble de tâches chronophages et sans valeur ajoutée. Elle est ainsi parfaitement adaptée pour répondre en langage naturel aux demandes des collaborateurs relatives à la pose de congés ou à la gestion des notes de frais. C’est toutefois sur le terrain du recrutement qu’elle a le plus à apporter. Les éditeurs spécialisés Golden Bees, Hyppolyte ou CleverConnect ont déjà intégré ChatGPT ou un modèle équivalent à leurs solutions pour rédiger des offres d’emplois répondant aux codes du marché du travail et au référencement naturel optimisé. Le chargé de recrutement pourra aussi s’aider de l’IA Gen pour préparer la trame de questions de son entretien d’embauche, résumer cet entretien, détecter les points saillants du dossier de candidature, le comparer à d’autres, etc. Dans le domaine de la gestion prévisionnelle de l’emploi et des compétences (GPEC) avec des solutions comme Neobrain, la DRH sondera ses données internes pour cartographier les compétences de son organisation, puis les comparera aux grandes tendances du marché. L’IA, telle celle proposée par 365Talents, favorisera par ailleurs la mobilité interne en questionnant le collaborateur sur ses aspirations professionnelles, puis en faisant le matching entre les postes à pourvoir et les actions de formation à entreprendre pour assurer la transition. Une formation dont les contenus et les parcours seront personnalisés en fonction du niveau de l’apprenant, de son rythme et de ses facilités d’apprentissage… Comme pour tout ce qui touche à l’humain, la plus grande difficulté sera de poser des limites à tous ces cas d’usage.

Une IA pour le commercial et le marketing

Un grand nombre d’activités des équipes commerciales et marketing peuvent bénéficier des capacités de L’IA Gen. Celle-ci peut être mobilisée, déjà, pour mener des veilles stratégiques sur le web. Mais elle permet surtout d’automatiser et de personnaliser les interactions avec le client. En analysant les différentes données le concernant, elle est capable de comprendre ses préférences, ses comportements, et de générer des contenus adaptés, de l’e-mail à la publicité ciblés. Elle peut, par exemple, venir épauler une IA classique de recommandation de produit en poussant les résultats de cette dernière au client via un contenu personnalisé pour lui. De la même manière, elle peut s’intégrer dans un dispositif de marketing automation pour générer les bons contenus, en tenant compte de l’état de la relation avec le client, son avancée dans le parcours d’achat, ou encore de l’historique de la conversation engagée avec lui. En s’appuyant sur un modèle d’IA Gen spécialisé dans l’image, les équipes marketing peuvent également se faciliter la tâche en matière de création de visuels. Sur la base d’une requête en langage naturel, l’outil va générer une bibliothèque d’images nouvelles, en tenant compte des indications qu’on lui fournit, par exemple en termes de charte graphique, d’ambiance ou encore de rendu. Dans un domaine connexe, la création d’images de produits peut également être automatisée.

Une IA pour le juridique et les achats

Rédiger un contrat ou un avis juridique : sur ce type de tâche fastidieuse, l’IA Gen vient en aide aux juristes. Exposée au bon corpus documentaire, elle fournit une version de base, prenant en charge la rédaction des nombreuses clauses, qui pourront être affinées ou personnalisées ensuite par un juriste. Elle est réputée produire un texte juridique sans erreur et peut d’ailleurs servir à des tâches de révision. Sur des problématiques de management des risques, par exemple, qui mobilisent beaucoup les directions juridiques pour apporter des réponses aux différentes équipes internes, elle permet de pré-rédiger les avis et les réponses en synthétisant les informations d’une base de procédures internes. Douée pour tout ce qui touche à l’analyse, l’IA Gen peut aussi aider des services achats dans la tâche fastidieuse et répétitive de rédaction d’appels d’offres, puis pour analyser les réponses proposées par les différents candidats, afin de synthétiser ce que chacun apporte.

Une IA pour la conception

Faciliter la consultation d’une base de brevets et d’articles scientifiques, la réalisation d’une veille technologique sur le web, la création d’une documentation détaillée sur la base de notes de recherche, l’identification de l’expertise dans l’entreprise grâce à l’analyse de ses documents internes, ce sont autant de services que l’IA Gen peut rendre à une équipe de R&D. Mais dans le domaine de la conception, c’est surtout sa capacité à créer de la nouveauté, à produire plus d’innovation, qui intéresse aujourd’hui. Dans le design de produit, les modèles spécialisés dans l’image sont sollicités pour suggérer des idées innovantes en fonction d’un contexte, d’un objectif, ou pour créer des déclinaisons ou des évolutions de produits. Ces modèles facilitent aussi toutes les activités de prototypage, en sachant par exemple transformer des schémas 2D de produits en modèles 3D. Au-delà de ceux spécialisés dans le texte, l’image, la vidéo ou le son, de nouveaux modèles apparaissent, promettant quant à eux de faciliter la découverte de nouveaux matériaux, la conception de pièces optimisées en fonction de différentes contraintes. Dans la pharmacie, ils sont destinés à aider à la découverte de nouveaux médicaments ou molécules. « Dans ces domaines, nous en sommes encore au niveau de la recherche, tempère cependant Julien Salinas. Les entreprises n’en sont pas encore là. »

Une IA pour la production

C’est pour l’instant le secteur dans lequel les perspectives d’usage de l’IA Gen semblent les plus limitées, l’industrie utilisant surtout le langage au niveau documentaire dans le cadre de la maintenance. Sur ce terrain, elle viendra à l’aide d’un technicien qui pourra interagir avec elle pour obtenir toutes les informations nécessaires à un dépannage, ainsi que des suggestions de solution. Connectée au système de maintenance prédictive, elle répondra aussi à ses questions sur l’état d’un équipement ou sur les différentes informations liées à une défaillance. Mais d’autres usages pourraient émerger, en tirant parti des générateurs d’image pour, par exemple, simuler différentes pistes d’aménagement d’espace en fonction de contraintes métiers ou machines, et faire des suggestions d’optimisation d’installations industrielles.