IA : solutions sur mesure ou prêtes à l’emploi, comment choisir ?

Les promesses de l’IA sur mesure

Développer une solution d’IA sur mesure permet une personnalisation poussée, essentielle pour les entreprises dont les besoins ne sont pas totalement couverts par les solutions standardisées. Une solution personnalisée peut être optimisée pour travailler avec des jeux de données uniques à l’entreprise, offrant ainsi des performances potentiellement supérieures pour des tâches spécifiques.

En outre, une solution propriétaire garantit une meilleure maîtrise des données, un aspect crucial dans des domaines où la confidentialité et la sécurité des données sont primordiales. Cela permet également aux entreprises de se démarquer de leurs concurrents par l’innovation et la création de valeur ajoutée, que des solutions génériques auront plus de mal à fournir.

Prenons l’exemple d’une entreprise qui souhaite travailler sur un cas d’usage de valorisation de ses données commerciales. Elle peut tout à fait extraire les données relatives à sa relation commerciale de son CRM, et développer à l’aide de ses données ses propres cas d’usage innovants. En adoptant cette approche, elle assure la pérennité de ce cas d’usage, même si elle est un jour amenée à changer de CRM.

Un autre exemple pourrait concerner une entreprise de retail qui souhaiterait développer une IA sur mesure pour prédire la demande de ses produits. En intégrant des données internes (historique des ventes, promotions, stock) et externes (tendances de consommation, événements locaux), l’entreprise pourrait ajuster ses stocks en temps réel, évitant ainsi les ruptures et les surplus de stock, tout en maximisant ses ventes.

Cependant, le développement sur mesure nécessite des investissements significatifs en matière de temps et de ressources humaines spécialisées. Les compétences en data science, en développement de logiciel, et en gestion de projet IA sont impératives pour créer et maintenir des systèmes performants. Les coûts initiaux et de maintenance peuvent être élevés, sans garantie de succès immédiat ou à long terme.

L’attrait des solutions prêtes à l’emploi

D’un autre côté, les solutions éditeurs prêtes à l’emploi offrent une mise en œuvre rapide et des coûts initialement plus bas. Ces solutions sont souvent soutenues par des garanties de service et des mises à jour continues, réduisant ainsi le risque technologique pour les entreprises utilisatrices.

Elles permettent également une standardisation des processus qui peut favoriser l’intégration et la coopération intersectorielle.

Par exemple, une entreprise de services pourrait intégrer une solution CRM basée sur l’IA comme Salesforce Einstein. Cette solution prête à l’emploi permet d’analyser les interactions clients, de prévoir les ventes et d’automatiser les tâches de service client. L’entreprise bénéficie ainsi de fonctionnalités avancées sans avoir à développer une IA complexe en interne.

Une autre illustration est l’utilisation de solutions comme IBM Watson pour l’analyse de sentiment sur les réseaux sociaux. Les entreprises peuvent rapidement déployer cette technologie pour surveiller leur image de marque, analyser les commentaires des clients et adapter leurs stratégies marketing en conséquence.

Les grandes plateformes comme Google, Amazon et Microsoft investissent massivement dans leurs IA génératives, bénéficiant d’économies d’échelle impossibles pour la plupart des entreprises individuelles. Elles offrent ainsi des performances que seules des infrastructures globales peuvent soutenir. De plus, la compatibilité avec les écosystèmes existants et la possibilité d’évolutivité sans les coûts de développement internes sont des avantages non négligeables.

Néanmoins, la dépendance envers un fournisseur externe et les questions autour de la confidentialité des données sont des préoccupations majeures. Les modifications unilatérales des conditions de service ou des tarifs par l’éditeur peuvent affecter l’opérationnalité et les coûts futurs pour les entreprises clientes.

Il est également important de se poser la question de l’évaluation de la qualité de sortie des modèles pris sur étagère. Si au premier regard il est facile de se baser sur les benchmarks publics comme la « chatbot arena », en pratique chaque modèle est adapté à un usage particulier.

Par exemple, un modèle générique avancé peut se comporter moins bien qu’un modèle de taille moins important, mais adapté à un cas d’usage spécifique. En pratique, l’utilisation d’un modèle sur étagère n’exclut pas le besoin de construire une approche de validation des résultats. Ce qui demande de l’investissement en matière de temps et de ressources humaines spécialisées.

Concilier les deux approches

Une stratégie mixte pourrait être la solution pour de nombreuses entreprises. Commencer avec une solution prête à l’emploi permet de minimiser les risques initiaux et de bénéficier rapidement des avantages de l’IA, tout en développant parallèlement des capacités internes en vue de solutions plus personnalisées à long terme. Cela permet une transition graduelle tout en construisant l’expertise nécessaire et en évaluant continuellement les besoins spécifiques de l’entreprise.

Prenons l’exemple d’un groupe hospitalier. Il pourrait commencer par adopter une solution de diagnostic assisté au moyen de l’IA développée par un éditeur pour ses besoins immédiats. Et développer parallèlement en interne, une IA sur mesure pour des besoins plus spécifiques, comme la gestion des lits ou la personnalisation des traitements, en fonction de ses propres données patients.

Conclusion

Le choix entre développer une solution d’IA sur mesure ou opter pour des solutions éditeurs prêtes à l’emploi dépend largement des objectifs stratégiques de l’entreprise, de ses capacités internes et de ses contraintes financières.

Une évaluation approfondie des avantages et des inconvénients de chaque option est essentielle pour prendre une décision éclairée qui alignera les capacités technologiques de l’IA avec les ambitions de l’entreprise, notamment sur les critères suivants :

• criticité pour l’entreprise
• maturité interne sur l’IA
• existence d’une IA générique ou préentraînée sur des données métiers
• nombre d’utilisateurs concernés (impactant le modèle de coût)
• sensibilité des usages à la réglementation (IA Act imposant une gouvernance plus ou moins fine)
• sensibilité des données

Dans un monde idéal, une combinaison des deux stratégies permettrait de maximiser les bénéfices tout en minimisant les risques et les coûts. Le développement d’une expertise interne en IA, tout en utilisant tactiquement des solutions externes, pourrait bien être la formule gagnante pour les entreprises qui cherchent à innover et à rester compétitives à l’ère digitale. À condition de définir des principes de gouvernance clairs qui permettent la traçabilité des solutions déployées et une transparence sur les usages.