Les données d'entreprise restent un défi pour l'intelligence artificielle générale (IAG)
Alors que la recherche se poursuit pour développer l'intelligence artificielle générale (IAG) - un système capable de gérer n'importe quelle tâche intellectuelle au moins aussi bien que les humains - l'IA se heurte encore à des obstacles importants lorsqu'il s'agit de l'intégrer dans les entreprises.
De nombreuses organisations espèrent que l'utilisation de l'IA leur permettra d'optimiser leurs processus internes. Cependant, le savoir d'une entreprise ne se compose pas seulement d'informations documentées, mais aussi de décennies de savoir-faire qui n'existent souvent que dans l'esprit d'employés expérimentés. Même l'IA la plus intelligente atteint rapidement ses limites à cet égard : les techniques d'IA les plus puissantes ne peuvent pas non plus comprendre automatiquement des données contradictoires et des processus chaotiques, ni catégoriser des connaissances implicites.
La protection des données et les exigences réglementaires constituent un autre défi majeur pour la mise en œuvre de l'IA dans les entreprises. Les modèles d'IA nécessitent de grandes quantités de données d'apprentissage, mais les informations sensibles telles que les données personnelles ou les secrets d'entreprise ne peuvent pas être simplement introduites dans les réseaux neuronaux. Une fois apprises, les informations ne peuvent pas être facilement « oubliées », ce qui peut entraîner des conflits avec les réglementations en matière de protection des données telles que le RGPD ou la loi européenne sur l'IA.
Même si l'IA peut analyser les données d'entreprise, la question demeure : comment les organisations contrôlent-elles les informations accessibles à quels utilisateurs ? Les premières implémentations, telles que Microsoft Copilot, ont démontré que des données insuffisamment protégées peuvent conduire à une divulgation non souhaitée. Dans certains cas, des informations sensibles, telles que les données salariales des employés, ont été divulguées par inadvertance à la suite de l'accès de l'IA à des feuilles de calcul Excel non protégées.
La solution réside dans une planification minutieuse et modulaire de la mise en œuvre de l'IA. Les entreprises doivent créer des structures claires pour garantir la cohérence et la protection de leurs données. Plutôt qu'une révolution soudaine, l'intégration de l'intelligence artificielle dans les processus opérationnels est plus susceptible de se faire progressivement. Le succès de cette transition ne se mesurera pas à la rapidité avec laquelle les entreprises pourront déployer des systèmes d'IA, mais à l'efficacité avec laquelle elles pourront les intégrer dans leurs opérations existantes tout en maintenant la fiabilité et la confiance.
Les nouveaux modèles d'IA efficaces réduiront la consommation d'énergie
Un autre problème critique de la productivité de l'IA est l'immense consommation d'énergie requise par les modèles d'IA modernes. Les grands modèles d'IA, tels que ceux développés par les grandes entreprises technologiques, exigent une puissance de calcul énorme, ce qui augmente considérablement la consommation d'énergie. Cela a conduit à une pression croissante en faveur de modèles d'IA efficaces qui nécessitent moins de ressources.
De nouveaux modèles d'IA tels que Deepseek, développés en Chine, montrent que des modèles linguistiques puissants peuvent être entraînés avec une fraction des ressources précédentes, tout en étant capables de rivaliser avec ChatGPT ou Claude dans de nombreuses tâches. Cela soulève la question de savoir si le besoin de systèmes d'IA énormes et énergivores pourrait devenir obsolète à l'avenir.
En fait, il semble que les modèles de langage basés sur les connaissances numériques disponibles aujourd'hui puissent être créés à moindre coût et plus efficacement qu'on ne le pensait à l'origine. Cependant, de nouveaux modèles d'IA sont actuellement en cours de formation. Ils apprennent non seulement les connaissances existantes, mais sont également conçus pour développer de nouvelles perspectives et résoudre des problèmes non résolus, comme en mathématiques et en physique. Tout comme un scientifique passe des années à développer une nouvelle théorie, ces modèles d'IA nécessitent de grandes quantités de ressources et d'énergie.
Une solution prometteuse pourrait consister à utiliser des modèles d'IA avancés pour entraîner des modèles d'IA plus petits et plus économes en énergie. Ces modèles plus compacts pourraient ensuite être utilisés pour des applications spécifiques sans la consommation d'énergie massive des principaux modèles de langage actuels. Le succès de ces modèles d'IA à faible coût montre qu'il n'est pas trop tard pour que la Suisse se positionne avec succès dans la course aux modèles d'IA intelligents et que la barrière à l'entrée pour les nouveaux développements est plus faible qu'on ne le pensait à l'origine.
S'il n'est pas toujours facile de suivre le rythme des développements rapides dans le domaine de l'IA, il est logique, du moins aujourd'hui, de considérer l'IA comme un outil qui nous aide, nous les humains, dans notre créativité et notre prise de décision, sans essayer de renoncer à notre authenticité et à notre responsabilité.
