Technologies

Rentabiliser la GenAI : les grandes entreprises cherchent encore le bon modèle

Catherine Mayenobe, directrice générale adjointe de la Caisse des dépôts : « c’est aux technologies de venir vers nos entreprises pour exploiter nos données et non l’inverse ! » (Photo : R.F.)

Alors que s'ouvre le sommet sur l'IA à Paris, une étude dresse un premier bilan des usages de l'IA générative dans les grandes entreprises. Les défis, en matière de passage à l'échelle, d'adoption à grande échelle ou de choix technologiques, restent nombreux.

PublicitéComment les grands groupes ont-ils digéré la vague de l'IA générative, qui a suivi la sortie de ChatGPT voici un peu plus de deux ans ? C'est à cette question que tente de répondre une étude du cabinet de conseil Wavestone et de la French Tech Grand Paris, association affiliée à la mission publique de développement des start-ups. « Nous avons besoin d'un choc de confiance, car nous constatons une adoption plus lente de la technologie que ce que nous pouvions anticiper voici deux ans, indique Catherine Mayenobe, directrice générale adjointe de la Caisse des dépôts, institution qui hébergeait la présentation de l'étude. Par ailleurs, c'est aux technologies de venir vers nos entreprises pour exploiter nos données et non l'inverse ! » S'y ajoutent les défis liés à l'empreinte environnementale de la technologie et à l'évolution des compétences, selon la dirigeante en charge des opérations et du pilotage de la transformation opérationnelle de l'institution financière.

Des problématiques qu'on retrouve dans l'étude de Wavestone et de la French Tech Grand Paris, dévoilée en amont du AI Action Summit qui se tient les 10 et 11 février en France. Basé sur des entretiens avec une quarantaine de responsables data et/ou IA de grandes entreprises essentiellement françaises, le document souligne la phase de retour à la réalité qui suit l'emballement provoqué par la sortie de ChatGPT. « Nous avons connu une période marquée par la volonté de métiers de s'emparer de la technologie. Ce phénomène est en train de s'estomper. On revient à un alignement de la technologie sur les besoins métiers », indique Chadi Hantouche, associé chez Wavestone. Selon ce dernier, l'engouement pour la GenAI a toutefois permis de redonner de la visibilité au domaine et de mieux financer « des défis persistants en matière d'IA et de data », comme la mise en qualité de ces dernières.

« Les priorités stratégiques sont nos couloirs de nage »

Autre défi souligné par l'étude : la question du choix des cas d'usage et celle de la rentabilité des solutions déployées. « Nous avons assisté à une course aux cas d'usage, certaines organisations en alignant des dizaines, voire des centaines, reprend Chadi Hantouche. Mais, en réalité, bien peu de ces cas étaient réellement révolutionnaires et capables de passer à l'échelle au sein de grandes organisations. » Pour Stéphane Lannuzel, directeur du programme BeautyTech de l'Oréal, la priorisation des cas d'usage tient beaucoup à l'alignement sur les priorités stratégiques de l'entreprise : « ce n'est pas une démarche bottom-up. Nous tuons beaucoup de cette créativité émanant du terrain et c'est difficile, mais il est important de conserver ces couloirs de nage que sont nos priorités stratégiques. »

Les praticiens de la data et de l'IA se sont aussi heurtés aux complexités d'un calcul de ROI sur les applications à base de GenAI. « Les heures gagnées sont difficiles à convertir en euros », dit Chadi Hantouche. Chez Stellantis, Annabelle Gérard, responsable IA et Data Business Insights, indique notamment qu'un cas d'usage aujourd'hui déployé dans 20 usines du groupe - l'exploration de la documentation des machines pour faciliter la maintenance des équipements industriels - a permis de débloquer ce débat en interne : « nous avons gagné la confiance des opérateurs par la qualité des réponses fournies, assure-t-elle. Ce cas a permis de démontrer qu'un ROI était atteignable et a facilité l'adoption de la technologie dans d'autres domaines métiers ».

PublicitéAdoption : faudra-t-il attendre la prochaine génération ?

Cette question du retour sur investissement est, en effet, directement liée à celle de l'adoption des solutions. « Or le sujet de la conduite du changement est souvent négligé », souligne Chadi Hantouche, qui appelle les entreprises à accentuer leurs efforts de formation. « L'enjeu, c'est de renforcer l'adoption de la GenAI sans attendre qu'une nouvelle génération arrive dans les entreprises », indique-t-il. Pour Julie Pozzi, responsable data et IA d'Air France - KLM, un groupe utilisateur de solutions d'IA depuis de longues années, la vraie difficulté en matière d'adoption réside plutôt dans l'automatisation des « petites opérations du quotidien », sur lesquelles une résistance des utilisateurs se fait souvent jour. « Et en la matière, la GenAI nous a plutôt aidé », assure-t-elle.

Enfin, la technologie elle-même soulève un certain nombre de problématiques. En particulier du fait de l'évolution rapide du secteur de la GenAI, comme en témoignent les bouleversements récents amenés par le Chinois DeepSeek. « Au-delà du choix d'un LLM ou d'un SLM, les entreprises doivent bien aborder les aspects relatifs à l'architecture et à l'organisation, souligne Chadi Hantouche. On se dirige vers des environnements multi-IA, multi-agents au sein desquels les modèle deviennent des commodités ». Ce qui pose des difficultés en matière de cybersécurité, car chacun de ces modèles doit être qualifié - et ses risques évalués - avant déploiement en production. Enfin, les pays de provenance de ces modèles - Etats-Unis et Chine principalement - et la concentration de ces technologies entre les mains d'une poignée d'acteurs imposent aux décideurs une réflexion sur l'autonomie stratégique de leur organisation à moyen terme. « Au sein de certains secteurs, en particulier en France, des discussions sont en cours pour construire un écosystème propre », assure l'associé de Wavestone.

Organisation : conjuguer centralisation et décentralisation

Les responsables data présents lors de la conférence de présentation des travaux de Wavestone et de la French Tech Grand Paris confirment la place prise par les métiers dans les projets relatifs à la data et à l'IA. Mais aussi la volonté des organisations de conserver un cadre global. « Depuis deux ans et demi, nous avons mis en place une forme de décentralisation gouvernée, dit ainsi Chafika Chettaoui, Chief data & AI officer d'Axa France. Des n-1 des membres du Comex sont ainsi devenus des leaders data dans 13 domaines métiers différents. Nous conservons en parallèle un data office global pour une gouvernance centrale du sujet. »

Un modèle qui semble en cours de généralisation dans la plupart des grandes organisations. A la Française des Jeux (FDJ), par exemple, Sébastien Rozanes décrit ainsi un schéma d'allocation de ressources aux départements métiers, géré en central en fonction des priorités stratégiques de l'organisation, les métiers se chargeant de la mise en oeuvre via leur data factory. « Nous conservons également une data factory en central, qui apporte des marges de manoeuvre », souligne le Chief digital, data et IA de la FDJ.