L’IA, qu’elle soit générative ou décisionnelle, rebat les cartes des modèles organisationnel et économique des entreprises. Repenser les processus à l’aune de l’IA générative est de plus en plus perçu comme un usage réaliste de l’IA et à fort potentiel de création de valeur : réduction des coûts via le remplacement des coûts de main d’œuvre par des coûts machine inférieurs, gains de productivité, voire dans certains cas, amélioration de la fiabilité des processus et de la qualité des résultats obtenus. Le potentiel est immense, mais la réalité terrain en est encore loin.
L’utilisation actuelle la plus courante et spontanée consiste à circonscrire le recours à l’IA aux parties des processus qui sont en adéquation avec ses capacités telles qu’observées et à construire les nouveaux processus en fonction de ce qu’on a perçu de ses limites.
Cette approche, prudente mais limitative, freine la pleine utilisation de l’IA. Au vu de la rapidité d’évolution de la technologie, son potentiel est largement inexploité et ses usages sont encore à inventer.
Dès lors se posent trois questions :
Comment repousser les limites que nous fixons à l’IA générative ?
L’IA générative pourrait-elle nous aider à la rendre plus efficace ?
Quelle nouvelle approche adopter ?
1. Comment repousser les limites que nous fixons à l’IA générative ?
L’approche actuelle consiste à comprendre le fonctionnement et l’entraînement du modèle d’IA générative, dans un souci de maîtrise, puis de mener des tests « en conditions réelles » en utilisant des prompts rédigés par des humains.
Nous observons que cette approche conduit à surestimer ses limites et donc à ne pas lui confier certaines tâches.
Elle nous semble également restrictive au regard des enseignements récents de la recherche :
la performance statistique d’un modèle d’IA générative s’améliore en augmentant la taille du modèle, son entraînement et la taille du jeu de données d’entraînement utilisé ;
cette amélioration de la performance provoque l’apparition de nouvelles capacités encore difficiles à prédire et en particulier l’intelligence « générale ».
Cet axe de développement permettrait d’après les spécialistes d’obtenir des nouvelles générations de modèles significativement plus intelligents dans les prochaines années.
Dit autrement, l’IA s’améliore par l’expérience et surtout, peut développer de nouvelles capacités insoupçonnées. Mais en l’absence de cette prise de recul, les expérimentations actuelles sont limitantes.
2. L’IA générative pourrait-elle nous aider à la rendre plus efficace ?
Un modèle d’IA générative de la génération actuelle a une intelligence globale comparable à celle d’un « adolescent intelligent ». Cette analogie, évoquée récemment par Mira Murati, CTO d’OpenAI, lors d’une conférence, permet de prendre conscience de deux réalités :
son niveau d’intelligence est déjà significatif, il est donc possible de lui confier des processus ou tâches complexes ;
son niveau d’expérience est limité, il faut donc lui donner toutes les informations nécessaires pour répondre correctement à la question posée, y compris celles que nous ne pensons pas spontanément à lui donner car elles relèvent de l’évidence pour nous.
Les IA génératives sont donc des adolescents à fort potentiel, mais à l’expérience limitée. Si nous nous rappelons que les modèles progressent par l’apprentissage en continu, faisons donc tout d’abord l’effort de mieux découper le processus de réflexion en sous-tâches. Tel l’adolescent, qui résout par étapes un problème complexe de mathématiques.
Par ailleurs, il faut que notre adolescent apprenne le savoir de base nécessaire à la résolution du problème. Il faut lui fournir la connaissance de fond, y compris la définition des termes utilisés s’ils sont spécifiques, les consignes précises pour réaliser les sous-tâches, les exemples de résultats attendus, etc.
C’est ainsi que l’expérience peut se transmette à notre « IAdo ».
Nous avons par ailleurs observé qu’un prompt rédigé par un humain est moins performant qu’un prompt rédigé par une IA : moins complet, souvent sans exemple, moins bien formulé, etc.
L’IA peut donc aider l’IA. Il suffit alors d’écrire un prompt pour demander à l’IA de rédiger un prompt pour une IA, puis exécuter le prompt obtenu[1].
3. Quelle nouvelle approche adopter ?
Notre démarche s’inspire de l’une des branches de la recherche intitulée « agentic AI ». Elle consiste à améliorer et spécialiser des IA généralistes pour en faire des agents capables de réaliser une tâche de façon « autonome ». En passant ainsi de l’adolescent au jeune adulte, il est observé que le niveau d’efficacité de l’IA générative augmente significativement.
Concrètement, voici quelques bonnes pratiques à mettre en oeuvre :
concevoir un programme global qui découpe la tâche confiée à l’IA en sous-tâches et orchestre leur réalisation ;
mettre ce découpage à l’épreuve de la réalité : si j’avais à réaliser cette tâche, par quelles étapes élémentaires passerais-je ?
utiliser l’IA dans différents rôles : pour répondre à une question, mais aussi pour évaluer la qualité de la réponse, pour imaginer des tests pour valider sa fiabilité, pour la relire ou encore la corriger, etc. La performance humaine provient de l’itération : il est très rare d’obtenir un niveau de qualité excellent dès la première tentative ;
attacher de l’importance à la formulation de chaque prompt, en respectant les bonnes pratiques de prompt engineering, en particulier en s’appuyant sur l’IA pour la rédaction de prompts.
En conclusion
La technologie d’IA générative actuelle possède déjà un potentiel de performance intrinsèque qui est sous-exploité par notre vision limitative de l’IA et nos approches.
La nouvelle approche que nous avons adoptée chez Kéa exploite deux qualités méconnues de l’IA : sa capacité à s’améliorer si on lui fournit méthode et contenu (découpage des tâches complexes ; transmission du savoir) et sa capacité à mieux formuler les prompts.
Avec une conviction : notre adolescent a du potentiel. Libérons-le !
[1] Par exemple, nos équipes techniques utilisent systématiquement cette bonne pratique dans le cadre de leurs travaux de développement.
Auteurs :
Yves Pizay
Partner, Kéa
Pierre Chretien
Chief Data Scientist, Kéa
Comentarios