L’IA d’entreprise tient 16 % de sa promesse, la couche manquante a déjà son vendeur
Ton entreprise utilise l’IA. Bien. Elle en tire quelque chose de transformateur ? Une chance sur six. Voilà le chiffre qui sort d’un sondage publié par MIT Technology Review, et il ne ressemble pas au communiqué que tu as lu ce matin.
Le détail, avant que quiconque lui fasse dire autre chose : 16 % des organisations interrogées déclarent tirer une valeur « transformatrice » de leurs déploiements. 40 % parlent de gains modérés, limités à des tâches ou des équipes précises. 21 % de gains significatifs. Et 23 % de retours minimes, voire nuls. Personne, dans l’échantillon, n’est complètement à l’arrêt : tout le monde utilise de l’IA, à un degré ou un autre.
Sauf que 38 % des répondants en sont toujours au stade du pilote, et 35 % s’en servent comme d’un copilote ou d’un chatbot pour les salariés. Les agents en production ? 12 %. L’IA qui fait « l’essentiel du travail » dans les processus clés ? 3 %.
Trois pour cent. Garde ce chiffre sous la main la prochaine fois qu’on te promet une AGI pour lundi.
Le stagiaire et le bandeau
Deux points de méthode. Ce texte est produit par Insights, la branche de contenu sur mesure de MIT Technology Review, pas par sa rédaction. Il est signé par des humains, l’IA n’a servi qu’à la fabrication. Mais un format commandé sert à porter un point de vue, et celui qui le porte a un nom : Prukalpa Sankar, cofondatrice d’Atlan. Sa phrase : « Il y a un écart énorme entre ce que les modèles savent faire et à quel point ils sont utiles dans les organisations. » Et celle-ci, qui résume le problème mieux que dix slides de consultants : « Pour à peu près tout usage réel, l’intelligence artificielle générale est déjà là. Elle n’est juste pas vraiment utile dans la plupart des entreprises. »
Sankar a une explication, et elle tient debout : il manque la couche de contexte. Comprends par là l’infrastructure qui s’assoit entre les systèmes de l’entreprise (données, outils métier, référentiels) et les plateformes d’IA, et qui traduit le savoir maison en contexte utilisable, gouverné, lisible par un modèle. Sans elle, dit-elle, « c’est comme embaucher le stagiaire le plus intelligent du monde, lui bander les yeux et le jeter dans ton organisation ».
L’image est bonne. Le fait qu’elle vienne d’une dirigeante dont la société travaille précisément ce chaînon-là ne l’annule pas, ça la rend juste un peu trop propre. Un problème défini par celui qui vend la solution reste un problème réel. Simplement, tu vérifies la facture.
Ce que ça donne quand on le construit
La preuve par l’exemple existe, et elle est plus intéressante que le sondage. Cohere publie le montage d’un assistant de recherche pour documents financiers, et il ne s’agit pas de demander à un modèle de résumer un 10-K en trois puces rigolotes. Il s’agit de retrouver un chiffre planqué dans un tableau, une note de bas de page ou un graphique, et de prouver d’où il sort.
Quatre modèles, un boulot chacun : Parse pour transformer les pages ingrates en texte propre, Embed pour la recherche, Rerank pour l’ordre des résultats, et Claude sur Amazon Bedrock pour rédiger la réponse, avec une citation pour chaque affirmation. Les modèles Cohere tournent en endpoints temps réel sur SageMaker AI, l’index vectoriel sur OpenSearch Serverless.
Le détail qui montre que quelqu’un a réfléchi : l’indexation et la requête n’utilisent pas le même modèle. Les pages sont plongées une fois, autant prendre le plus précis (Embed Pro). Les questions arrivent par milliers dans la journée, avec un humain qui attend devant l’écran, autant prendre le plus rapide (Embed Fast). Les deux partagent le même espace vectoriel, donc pas besoin de reconstruire l’index quand tu changes de côté. Les vecteurs sont réglés à 1 024 dimensions en int8, un octet par dimension, sur les six tailles proposées.
Là où ça devient vraiment entreprise : les pages sont indexées en texte, mais Claude reçoit aussi l’image de la page au moment de répondre. Parce qu’un tableau écrasé en texte plat perd ses colonnes, et qu’un graphique n’existe plus du tout. Le texte pour chercher, l’image pour lire.
Et la phrase qui devrait être encadrée dans tous les services data : une réponse invérifiable ne sert à rien. Un analyste ne peut pas écrire « le ratio CET1 était de 11,9 % » dans une note sans savoir de quel dépôt et de quelle page ça sort, ni si le chiffre vient d’un tableau, d’un graphique ou d’une phrase.
Le bandeau, tu peux le retirer
Remets les deux sources côte à côte. Le sondage dit : il manque le contexte. Le montage Cohere dit : voilà à quoi ressemble une couche de contexte pour un métier précis, avec la traçabilité en dur. Personne ne se contredit.
Mais regarde le coût de la seconde. Une équipe, un pipeline d’ingestion, quatre modèles, un index vectoriel, des décisions de format à figer tôt sous peine de tout ré-embedder. Ce n’est pas un bouton à activer dans une console, c’est un chantier. Voilà, très probablement, une bonne part de l’explication du 16 % : la couche de contexte ne s’achète pas au mètre, elle se décrit, se structure et se maintient. Et elle demande à des gens qui connaissent le métier de dire explicitement ce qu’ils savent implicitement, ce qui est la tâche la plus ingrate du monde.
Le stagiaire génial et aveugle, tu peux lui retirer le bandeau. Encore faut-il accepter de lui décrire les couloirs pendant trois mois. C’est moins vendeur qu’un prompt, et ça ne se démo pas en quinze minutes.
Sources :
Comments are closed