Discussion :

[Jade Emy]

80 % des projets d'IA échouent et des milliards sont gaspillés, ce qui représente le double du taux d'échec, déjà élevé, des projets IT des entreprises qui n'impliquent pas l'IA, selon un rapport du RAND

Un nouveau rapport du RAND révèle que 80 % des projets d'IA échouent. Parmi les causes recensées : la mauvaise communication sur les problèmes à résoudre à l'aide de l'IA, la qualité des données qui empoisonne les algorithmes, la préférence aux dernières avancées technologiques au lieu de solutions plus simples, et le manque d'investissement dans l'infrastructure.

Depuis l'année dernière, l'utilisation croissante de l'intelligence artificielle (IA) a entraîné une évolution vers une automatisation accrue, une prise de décision fondée sur les données et l'intégration de systèmes d'IA dans divers secteurs économiques. Pour rappel, la recherche en IA développe et étudie des méthodes et des logiciels permettant aux machines de percevoir leur environnement et d'utiliser l'apprentissage et l'intelligence pour prendre des mesures qui maximisent leurs chances d'atteindre des objectifs définis.

Un nouveau rapport du RAND Corporation révèle la triste réalité des projets d'intelligence artificielle (IA) : malgré le battage médiatique, la plupart d'entre eux échouent. L'étude, basée sur des entretiens avec 65 data scientists et ingénieurs expérimentés, expose les causes profondes de ces échecs et propose une feuille de route pour réussir.

"Selon certaines estimations, plus de 80 % des projets d'IA échouent", indique le rapport. "C'est deux fois plus que le taux d'échec déjà élevé des projets de technologie de l'information (IT) des entreprises qui n'impliquent pas l'IA. Les investissements du secteur privé dans l'IA ayant été multipliés par 18 entre 2013 et 2022, les enjeux sont plus importants que jamais."

Ce rapport du RAND est un rappel à la réalité bien nécessaire pour l'industrie de l'IA. Si le potentiel de l'IA reste immense, le chemin vers une mise en œuvre réussie est semé d'embûches. Les organisations doivent combler le fossé entre le battage médiatique et la réalité, en se concentrant sur des principes fondamentaux solides tels que la qualité des données, l'infrastructure et une communication claire entre les équipes techniques et commerciales.

Les causes profondes de l'échec des projets d'intelligence artificielle et les moyens de les faire aboutir

Pour étudier les raisons de l'échec des projets d'intelligence artificielle et d'apprentissage automatique (IA/AM), les auteurs du rapport ont interrogé 65 scientifiques des données et ingénieurs ayant au moins cinq ans d'expérience dans l'élaboration de modèles d'IA/AM dans l'industrie ou le monde universitaire. Selon certaines estimations, plus de 80 % des projets d'IA échouent, soit le double du taux d'échec des projets IT qui ne font pas appel à l'IA. Il est donc urgent de comprendre comment traduire l'énorme potentiel de l'IA en résultats concrets.

Le rapport permet d'identifier cinq causes principales d'échec des projets d'IA :

• Premièrement, les acteurs de l'industrie se méprennent souvent - ou communiquent mal - sur le problème à résoudre à l'aide de l'IA.
  
• Deuxièmement, de nombreux projets d'IA échouent parce que l'organisation ne dispose pas des données nécessaires pour former de manière adéquate un modèle d'IA efficace.
  
• Troisièmement, dans certains cas, les projets d'IA échouent parce que l'organisation se concentre davantage sur l'utilisation de la technologie la plus récente et la plus performante que sur la résolution de problèmes réels pour les utilisateurs visés.
  
• Quatrièmement, les organisations peuvent ne pas disposer d'une infrastructure adéquate pour gérer leurs données et déployer des modèles d'IA aboutis, ce qui augmente la probabilité d'échec du projet.
  
• Enfin, dans certains cas, les projets d'IA échouent parce que la technologie est appliquée à des problèmes trop difficiles à résoudre pour l'IA.

En synthétisant les expériences des experts, les auteurs du rapport ont élaboré des recommandations visant à accroître les chances de réussite des projets d'IA dans l'industrie et dans le monde universitaire. Les conclusions et les recommandations de ce rapport devraient intéresser ceux qui cherchent activement des moyens d'utiliser l'IA. Les leçons tirées des efforts antérieurs de construction et d'application de l'IA/ML aideront les autres à éviter les mêmes écueils.

Voici les recommendations du rapport :

• Les dirigeants du secteur devraient veiller à ce que le personnel technique comprenne l'objectif du projet et le contexte du domaine : Les malentendus et les erreurs de communication concernant l'intention et l'objectif du projet sont les raisons les plus courantes de l'échec des projets d'IA.
  
• Les chefs d'entreprise doivent choisir des problèmes durables : Les projets d'IA nécessitent du temps et de la patience pour être menés à bien. Avant de lancer un projet d'IA, les dirigeants doivent être prêts à engager chaque équipe de produit à résoudre un problème spécifique pendant au moins un an.
  
• Les dirigeants de l'industrie doivent se concentrer sur le problème, et non sur la technologie : Les projets réussis se concentrent sur le problème à résoudre, et non sur la technologie utilisée pour le résoudre.
  
• Les chefs d'entreprise doivent investir dans l'infrastructure : Les investissements initiaux dans l'infrastructure pour soutenir la gouvernance des données et le déploiement des modèles peuvent réduire le temps nécessaire à la réalisation des projets d'IA et augmenter le volume de données de haute qualité disponibles pour former des modèles d'IA efficaces.
  
• Les dirigeants de l'industrie doivent comprendre les limites de l'IA : Lorsqu'ils envisagent un projet d'IA potentiel, les dirigeants doivent faire appel à des experts techniques pour évaluer la faisabilité du projet.
  
• Les responsables universitaires doivent surmonter les obstacles à la collecte de données en établissant des partenariats avec les pouvoirs publics : Les partenariats entre les universités et les agences gouvernementales pourraient permettre aux chercheurs d'accéder aux données dont la provenance est nécessaire à la recherche universitaire.
  
• Les responsables universitaires devraient développer les programmes de doctorat en science des données pour les praticiens : Les responsables des programmes d'informatique et de science des données devraient s'inspirer de disciplines telles que les relations internationales, dans lesquelles des programmes de doctorat destinés aux praticiens existent souvent parallèlement dans les universités, afin de permettre aux chercheurs d'appliquer leurs découvertes à des problèmes urgents.

Source : Rapport du RAND

Et vous ?

Pensez-vous que ce rapport est crédible ou pertinent ?
Quel est votre avis sur le sujet ?

Voir aussi :

Les retombées des projets d'IA sont "lamentables", se plaignent les dirigeants, alors que les retards et les problèmes de mise en œuvre remettent en cause les initiatives d'IA générative en 2024

Les premiers utilisateurs de l'IA générative ont constaté un retour sur investissement important : 43 % ont déclaré que l'IA générative avait un impact significatif sur la productivité, selon Google

La GenAI entre dans le « creux de la désillusion » face à un scepticisme grandissant, elle peine à répondre aux attentes élevées

[Jade Emy]

98 % des entreprises ont connu des échecs de projets d'IA ou de ML en 2023, en raison d'un budget insuffisant et d'une mauvaise préparation et nettoyage des données, selon un rapport de SQream

Un rapport de SQream révèle que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Si 78 % des entreprises pensent que l'ajout de CPU aura l'impact le plus important sur leurs objectifs 2024, le rapport soulève une évolution vers les GPU. Les entreprises font face à des compromis sur la complexité des requêtes et le volume des projets pour gérer ces coûts.

Depuis 2023, les projets d'intelligence artificielle (IA) ont connu une énorme croissance. Mais des rapports montrent que malgré le battage médiatique, la plupart d'entre eux échouent. Un rapport du RAND révèle que 80 % des projets d'IA échouent et expose les causes profondes de ces échecs. Parmi les causes recensées : la mauvaise communication sur les problèmes à résoudre à l'aide de l'IA, la qualité des données qui empoisonne les algorithmes, la préférence aux dernières avancées technologiques au lieu de solutions plus simples, et le manque d'investissement dans l'infrastructure.

Pour certaines critiques, ce type de rapport met en doute même la viabilité à long terme de cette technologie. Jim Covello, responsable de la recherche sur les actions chez Goldman Sachs à Wall Street, remet en question la capacité de l'IA générative à fournir des retours sur investissement suffisants. Pour lui, l'IA, bien qu'impressionnante, fait encore trop d'erreurs pour résoudre de manière fiable des problèmes complexes.

Dans son rapport 2024 State of Big Data Analytics Report, la startup technologique SQream révèle que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Ce nouveau rapport met en évidence un changement dans la manière dont les projets de données sont gérés pour faire face à l'augmentation des coûts et aux résultats limités associés aux systèmes basés sur le CPU.

Principaux facteurs contribuant à l'échec des projets de ML en 2023

Il est juste de dire que l'ère de l'IA générative (GenAI) a déclenché une révolution axée sur les données. Les entreprises investissent dans des projets d'IA à un rythme sans précédent, les investisseurs en capital-risque ayant déversé près de 40 milliards de dollars dans des startups connexes au cours du seul premier semestre de 2024. Dans le même temps, cet afflux de nouvelles données a posé un défi encore plus grand : la taille et l'échelle des informations créées menacent de submerger le traitement traditionnel des données.

Sur le marché actuel, l'augmentation des dépenses associées à l'analytique et à l'IA pousse les entreprises dans leurs retranchements, obligeant les décideurs à choisir entre la priorisation de la complexité des requêtes, du volume de données et de la portée du projet. En outre, le traitement basé sur le CPU crée souvent des goulots d'étranglement, entravant la réussite des projets et étouffant l'innovation, créant ainsi une approche qui n'est pas insoutenable.

Le rapport de SQream, dans lequel la startup a interrogé 300 professionnels seniors de la gestion des données d'entreprises américaines ayant des dépenses annuelles d'au moins 5 millions de dollars en cloud et en infrastructure, donne un aperçu d'un changement qui se joue dans les stratégies adoptées par les leaders de l'industrie, notamment une évolution vers les GPU.

Principaux facteurs ayant un impact sur les objectifs de l'analyse des données et de l'IA/ML en 2024

Les conclusions du rapport sont les suivantes :

• Le mythe du CPU : Alors que 78 % des entreprises pensent que l'ajout de CPU aura l'impact le plus important sur leurs objectifs 2024 en matière d'analyse de données et d'IA/ML, l'ajout d'instances GPU arrive juste derrière.
  
• L'épidémie de "choc des factures" : Une part importante des répondants connaît des surprises fréquentes dans leurs factures de cloud analytics, avec des coûts dépassant les attentes.
  
• Les coûts élevés entravent les progrès : Les coûts élevés associés à l'expérimentation ML sont le principal obstacle pour 41 % des entreprises lorsqu'il s'agit de projets d'analyse de données et d'IA.
  
• Échec du projet : Un budget insuffisant est la principale cause d'échec des projets 2023, reflétant les préoccupations globales du rapport en matière de coûts. Une mauvaise préparation et un mauvais nettoyage des données ont également joué un rôle important.
  
• Accélération GPU pour les pipelines existants : Le traitement GPU peut accélérer de manière significative les pipelines d'analyse de données existants sans nécessiter une refonte complète, ce qui permet aux entreprises d'exploiter la puissance de l'IA et de faire face au déluge de données sans perturber les flux de travail actuels.
  
• Optimisation pour les défis du cloud : Conscientes du poids des coûts, un pourcentage impressionnant de 92 % des entreprises travaillent activement à l'optimisation de leurs dépenses cloud en matière d'analytique. Près de la moitié d'entre elles admettent faire des compromis sur la complexité des requêtes et le volume des projets pour gérer ces coûts.

Source : "2024 State of Big Data Analytics" (SQream)

Et vous ?

Pensez-vous que ce rapport est crédible ou pertinent ?
Quel est votre avis sur le sujet ?

Voir aussi :

Les retombées des projets d'IA sont "lamentables", se plaignent les dirigeants, alors que les retards et les problèmes de mise en œuvre remettent en cause les initiatives d'IA générative en 2024

Les premiers utilisateurs de l'IA générative ont constaté un retour sur investissement important : 43 % ont déclaré que l'IA générative avait un impact significatif sur la productivité, selon Google

L'IA perd de sa popularité et certains investisseurs commencent à craindre qu'elle ne leur apporte pas les profits considérables escomptés, d'autres restent toutefois optimistes quant au potentiel de l'IA

[Alex]

95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif

Un rapport du MIT révèle que 95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif. Les outils prêts à l'emploi des fournisseurs réussissent plus souvent, avec un taux de réussite de 20 à 30 %. Pour prospérer, les entreprises doivent donner la priorité aux solutions éprouvées, à la gouvernance des données et à des objectifs alignés pour créer de la valeur à long terme.

Depuis 2023, l'utilisation croissante de l'intelligence artificielle (IA) a entraîné une évolution vers une automatisation accrue, une prise de décision fondée sur les données et l'intégration de systèmes d'IA dans divers secteurs économiques. Mais un rapport du RAND avait révélé que 80 % des projets d'IA échouent. Parmi les causes recensées : la mauvaise communication sur les problèmes à résoudre à l'aide de l'IA, la qualité des données qui empoisonne les algorithmes, la préférence aux dernières avancées technologiques au lieu de solutions plus simples, et le manque d'investissement dans l'infrastructure.

Un nouveau rapport du MIT vient confirmer ce constat. Selon un nouveau rapport du Center for Information Systems Research du MIT, 95 % des programmes pilotes d'IA générative dans les entreprises ne parviennent pas à produire des résultats significatifs. Cette révélation intervient dans un contexte d'investissements frénétiques des entreprises dans l'intelligence artificielle, où les dirigeants investissent des milliards dans des technologies promises à révolutionner leurs activités.

L'étude, qui a interrogé les directeurs financiers de plus de 300 grandes entreprises, dresse un tableau de désillusion généralisée. De nombreux projets pilotes (projets expérimentaux visant à tester le potentiel de l'IA dans des domaines tels que le service client, la génération de contenu et l'analyse de données) sont au point mort avant même d'avoir pu être déployés à grande échelle, laissant les entreprises avec des coûts irrécupérables et des attentes non satisfaites.

Le rapport met en évidence une différence cruciale dans la manière dont les entreprises abordent l'adoption de l'IA. Celles qui achètent des outils prêts à l'emploi auprès de fournisseurs obtiennent de bien meilleurs résultats, avec des taux de réussite oscillant entre 20 % et 30 %. En revanche, les entreprises qui tentent de développer en interne des solutions d'IA générative personnalisées enregistrent des taux d'échec supérieurs à 95 %. Cet écart souligne les défis liés au développement en interne, notamment les complexités techniques et les ressources nécessaires qui dépassent même les équipes bien financées.

Les causes profondes du taux d'échec élevé

En y regardant de plus près, les conclusions du MIT concordent avec des analyses plus larges du secteur. Par exemple, un rapport du CIO publié en début d'année indiquait que 88 % des projets pilotes d'IA n'aboutissaient jamais à la production, attribuant cela à des objectifs peu clairs, à une préparation insuffisante des données et à un manque d'expertise. Les entreprises lancent souvent ces initiatives avec un enthousiasme alimenté par le battage médiatique, mais échouent sur des éléments fondamentaux tels que des ensembles de données propres et accessibles, essentiels à la formation de modèles fiables. Sans une infrastructure de données robuste, les résultats de l'IA générative peuvent être irréguliers, ce qui conduit à un abandon rapide.

De plus, la pression exercée par les dirigeants joue un rôle. La même analyse du CIO souligne le « feu vert zélé » des dirigeants pour les preuves de concept, qui sont approuvées sans examen rigoureux. Cela reflète les sentiments exprimés dans des publications sur X, où les observateurs du secteur décrivent un « paradoxe de la productivité » qui rappelle le boom des PC dans les années 1980 : des dépenses d'investissement massives pour des gains minimes. Une publication a mis en avant les données de McKinsey montrant que 80 % des entreprises qui expérimentent l'IA ne signalent aucune augmentation significative de leurs bénéfices, et que 42 % des projets pilotes ont été abandonnés l'année dernière, malgré des investissements en forte hausse estimés à 61,9 milliards de dollars par IDC.

Erreurs stratégiques et dilemmes entre fournisseurs et ressources internes

Le rapport du MIT souligne que les solutions des fournisseurs réussissent plus souvent car elles sont préconfigurées avec des mesures de sécurité et des intégrations spécifiques à l'industrie. Les développements internes, en revanche, sont confrontés à des écueils en matière de personnalisation, tels que l'intégration de l'IA dans les systèmes existants ou la garantie de la conformité avec des réglementations en constante évolution. Un rapport avait développé ce point, citant la dérive stratégique et le retour sur investissement (ROI) peu clair comme causes courantes des conflits entre les projets d'IA et les réalités opérationnelles.

Dans le même ordre d'idées, une étude du groupe NTT DATA publiée l'année dernière estimait que 70 % à 85 % des déploiements d'IA générative n'atteignaient pas leurs objectifs de ROI en raison de facteurs humains tels que la résistance au changement ou une formation inadéquate. Les publications sur X amplifient ces frustrations, un fondateur racontant comment les premières fonctionnalités d'IA ont été couronnées de succès, mais que les versions suivantes ont échoué, entraînant l'épuisement de l'équipe. Une autre publication décrit l'audit des équipes d'IA dans des entreprises de taille moyenne, révélant plus de 5 millions de dollars gaspillés en efforts infructueux, ce qui a entraîné des licenciements massifs.

Un autre rapport de SQream avait également révélé que 98% des entreprises interrogées ont connu des échecs de projets d'IA ou de modèles de langage (ML) en 2023. Le rapport mettait en évidence un changement dans la manière dont les projets de données sont gérés pour faire face à l'augmentation des coûts et aux résultats limités associés aux systèmes basés sur le CPU. Un budget insuffisant était la principale cause d'échec des projets 2023, reflétant les préoccupations globales du rapport en matière de coûts. Une mauvaise préparation et un mauvais nettoyage des données ont également joué un rôle important.

Source : Rapport du Center for Information Systems Research du MIT

Et vous ?

Pensez-vous que cette rapport est crédible ou pertinent ?
Quel est votre avis sur le sujet ?

Voir aussi :

Plus de 40 % des projets d'IA agentique seront annulés d'ici fin 2027 en raison de l'escalade des coûts, d'une valeur commerciale incertaine ou de contrôles des risques inadéquats, d'après Gartner

L'engouement pour l'IA s'essouffle : pour la première fois, les taux d'adoption plafonnent et l'enthousiasme s'essouffle parmi la main-d'œuvre mondiale. Les employés cachent leur utilisation de l'IA

Les retombées des projets d'IA sont "lamentables", se plaignent les dirigeants, alors que les retards et les problèmes de mise en œuvre remettent en cause les initiatives d'IA générative en 2024

[marsupial]

Après tout le monde veut son ERP sur mobile, tout le monde veut son IA...
Lorsqu'en 2015 nous avons développé la demande d'une IA frugale sûre explicable et sécurisée pour l'outil de cybersécurité chez Thales, nous avons octroyé un budget et des spécifs claires sur comment la créer, quelles données utiliser ainsi que de la documentation : les fondations étaient posées pour construire durablement. Aujourd'hui, la solution cyber sécurise 60% du Fortune 500 et un tiers des états. Et le projet d'IA est devenu cortAIx qui équipe les systèmes critiques de 50 états et deux tiers des décollages et atterrissages dans le monde ne se font plus sans lui.

Alors ce n'est pas une IA générative, mais prédictive qui s'est appuyé sur un panel de données restreintes mais machine et une faible puissance de calcul comparativement à aujourd'hui. Je pense donc que l'IA en entreprise doit revenir à un cahier des charges précis, clair et pragmatique. L'IA générative ou même le machine learning dans les meilleurs conditions génèrent trop d'erreurs et sont trop gourmands en ressources pour un résultat... approximatif. Ils devraient recentrer leur demande sur ce qui est automatisable pas qu'au niveau technique mais aussi éthique et qui économise du temps sur des tâches à faible valeur ajoutée.

Avant de faire la course, il faut apprendre à marcher sans tomber tous les 2 mètres. Ensuite on trottine puis vient la course.

[Nym4x]

C’était prévisible mais bon vu que les DSI préfèrent écouter les commerciaux que leur équipe tech interne…

[totozor]

95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif

Chez nous l'objectif est clair "McKinsey a prédit que 80% des entreprises qui n'intègrent pas l'IA mettront le clé sous la porte dans les 10 prochaines années, donc intégrez de l'IA, peu importe ce qu'elle fait".
PS : Pardon pour les imprécisions l'article n'était peut être pas de McKinsey la proba était peut etre pas de 80% et le délai peut être pas de 10 ans mais vous avez l'idée.

On doit le faire parce qu'il faut le faire.
Donc on mène des projets qui ont un sens et un périmètre limité.

PS : je me demande ce que pensent McKinsey et consorts sur les entreprises qui intègrent de l'IA sans savoir ni pourquoi ni pour quoi faire.

Le première question que j'ai posé à l'époque était si on voulait des IA qui nous permettent de faire notre travail plus vite ou qui nous permettent d'explorer des tâches inatteignables sans assistance.
Réponse : t'en penses quoi?

[lvr]

La problématique n'est pas liée à l'IA et vieille comme le monde: specs lacunaires et objectifs peu clairs mènent toujours au mêmes échecs, qu'on soit en IA ou pas, surtout qu'en s'y mêlent des décideurs trop influençables par les modes et les beaux parleurs qui vendent des solutions miracles qui, en dépensant un peu, vont permettre de tellement économiser plus à la fin ...

[Alex]

Un travailleur sur cinq utilise mal l'IA générative et 31 % des chefs d'entreprise trouvent qu'entrainer les modèles est plus difficile que prévu, d'après une enquête d'Abbyy

Une nouvelle enquête menée par ABBYY met en évidence les obstacles auxquels sont confrontées les entreprises lors de l'adoption de l'IA générative, révélant que de nombreuses entreprises ont besoin d'outils d'IA supplémentaires pour obtenir les résultats escomptés. L'étude, réalisée par Opinium, montre que 31 % des chefs d'entreprise trouvent qu'entrainer les modèles est plus difficile que prévu. 28 % déclarent que les outils GenAI sont difficiles à intégrer, tandis que 26 % citent des problèmes de gouvernance. 21 % des personnes interrogées ont signalé une mauvaise utilisation par le personnel, ce qui suggère que certains déploiements ne font pas l'objet d'une surveillance adéquate.

En août, un rapport du MIT a révélé que 95 % des projets pilotes d'IA générative en entreprise échouent, en raison de difficultés de développement en interne, d'objectifs flous, de données de mauvaise qualité et d'un engouement excessif. Les outils prêts à l'emploi des fournisseurs réussissent plus souvent, avec un taux de réussite de 20 à 30 %. Pour prospérer, les entreprises doivent donner la priorité aux solutions éprouvées, à la gouvernance des données et à des objectifs alignés pour créer de la valeur à long terme.

Une nouvelle enquête menée par ABBYY met en évidence les obstacles auxquels sont confrontées les entreprises lors de l'adoption de l'IA générative, révélant que de nombreuses entreprises ont besoin d'outils d'IA supplémentaires pour obtenir les résultats escomptés. Le rapport, intitulé « State of Intelligent Automation: GenAI Disillusionment and AI Wishlist » (État de l'automatisation intelligente : désillusion vis-à-vis de l'IA générative et liste de souhaits en matière d'IA), souligne que la formation, l'intégration et la gouvernance constituent les principaux points d'achoppement.

L'étude, réalisée par Opinium, montre que 31 % des chefs d'entreprise trouvent qu'entrainer les modèles est plus difficile que prévu. 28 % déclarent que les outils GenAI sont difficiles à intégrer, tandis que 26 % citent des problèmes de gouvernance. 21 % des personnes interrogées ont signalé une mauvaise utilisation par le personnel, ce qui suggère que certains déploiements ne font pas l'objet d'une surveillance adéquate.

Pour combler ces lacunes, les entreprises s'appuient sur d'autres systèmes d'IA. L'enquête a révélé que 35 % se sont tournés vers l'intelligence des processus, 35 % ont utilisé l'IA documentaire et 25 % ont ajouté la génération augmentée par la récupération.

Selon ABBYY, ces mesures ont contribué à ce que 98 % des répondants se déclarent satisfaits de la GenAI, citant des résultats plus cohérents, une meilleure intégration dans les flux de travail, une précision améliorée et une confiance accrue. Malgré ces résultats positifs, les investissements futurs semblent prudents. La plupart des entreprises s'attendent à ce que leur budget IA n'augmente que de 16 à 20 % l'année prochaine, et seulement 11 % prévoient d'augmenter leurs dépenses de 50 % ou plus.

« Les entreprises ont dépensé de l'argent pour des outils GenAI qui promettaient plus qu'ils ne pouvaient offrir. Dans certains cas, elles n'en avaient même pas besoin », a déclaré Maxime Vermeir, directeur principal de l'IA chez ABBYY. « Avant d'aller de l'avant avec les outils GenAI pour l'automatisation agentique, les entreprises doivent d'abord évaluer leurs processus actuels et créer une carte de visibilité de leur flux de travail à l'aide d'outils d'analyse de données tels que l'intelligence des processus. »

Les conclusions d'ABBYY font écho à d'autres recherches sur l'IA au travail. Une autre enquête menée par Howdy auprès de plus de 1 000 professionnels à temps plein aux États-Unis a montré que 75 % des travailleurs sont désormais censés, de manière formelle ou informelle, utiliser l'IA dans leur travail. Pourtant, 22 % se sentent obligés de l'utiliser d'une manière qui les met mal à l'aise, et 16 % admettent qu'ils font parfois semblant d'utiliser l'IA alors qu'ils ne le font pas. Ces résultats suggèrent un écart entre l'enthousiasme pour l'IA au niveau de l'entreprise et le soutien apporté aux employés qui sont censés l'adopter.

Une étude de Tray.io en 2024 avait déjà montré que plus de 90 % des entreprises éprouvent des difficultés à intégrer l'IA dans leur pile technologique. Près des trois quarts des entreprises (73 %) déclarent que plus de la moitié des applications de leur pile technologique sont dotées de capacités d'IA ou de fonctions augmentées par l'IA, et 96 déclarent qu'elles prévoient d'utiliser ces fonctions pour améliorer l'efficacité des processus et la productivité des employés, augmenter les taux de satisfaction de la clientèle et réduire les coûts.

L'IA parallèle devient également une source de préoccupation. Le rapport d'ABBYY révèle que 20 % des dirigeants affirment que leurs employés utilisent l'IA générative pour améliorer leur productivité personnelle plutôt que dans le cadre d'initiatives officielles. Quarante et un pour cent admettent que l'une des raisons de son adoption était que le personnel apportait déjà ses propres outils au travail. Les employés déclarent utiliser l'IA pour réduire leur charge de travail, augmenter leur productivité ou même « paraître plus intelligents et plus professionnels ».

Ulf Persson, PDG d'ABBYY, a déclaré : « La GenAI crée des opportunités remarquables pour repenser la manière dont le travail est effectué, ce qui suscite à juste titre beaucoup d'enthousiasme. Cependant, l'IA parallèle, lorsque des individus utilisent des outils couramment disponibles tels que ChatGPT, Grok ou Perplexity sans surveillance au travail, soulève potentiellement de sérieuses préoccupations en matière de confidentialité des données et de conformité. Les avantages potentiels de la GenAI pour les entreprises ne se concrétisent véritablement que lorsque les dirigeants encouragent une adoption sécurisée et stratégique, en accordant la priorité à la gestion des risques. »

À propos d'ABBYY

ABBYY aide les organisations à optimiser leurs processus, à accélérer leurs décisions et à obtenir de meilleurs résultats grâce à l'IA des processus et à l'IA des documents. Plus de 10 000 entreprises, dont de nombreuses sociétés du classement Fortune 500, font confiance aux 35 années d'innovation d'ABBYY pour transformer leurs données commerciales en informations exploitables qui améliorent notre façon de travailler et de vivre.

Source : "State of Intelligent Automation: Generative AI Disillusionment"

Et vous ?

Pensez-vous que cette enquête est crédible ou pertinente ?
Quel est votre avis sur le sujet ?

Voir aussi :

Les entreprises prévoient d'investir jusqu'à 30 % de leurs budgets IT dans la modernisation, avec l'IA comme priorité, mais les résultats peinent à suivre l'ambition, d'après Rocket Software

L'IA ne met pas seulement fin aux emplois de premier échelon. Elle marque la fin de l'échelle professionnelle telle que nous la connaissons. Les organisations tendent vers une structure plus horizontale

Seulement 58 % des salariés français déclarent avoir déjà utilisé l'IA au travail, tout en redoutant l'obsolescence de leur métiers, contre 66 à 73 % chez leurs voisins européens