Les mythes de l’IA et de la tech – Debunk #5 : « L'IA en entreprise, c'est l'IA générative »
L’article Les mythes de l’IA et de la tech – Debunk #5 : « L'IA en entreprise, c'est l'IA générative » est apparu en premier sur Maddyness - Le média pour comprendre l'économie de demain..
L'article souligne une confusion fréquente entre deux types d'intelligence artificielle (IA) utilisées en entreprise : l'IA générative et l'IA tabulaire. L'IA générative, popularisée depuis 2022, désigne des systèmes capables de créer du contenu (texte, image, son) à partir de données existantes, comme les chatbots ou les outils de rédaction automatisée. À l'inverse, l'IA tabulaire est spécialisée dans l'analyse de données structurées, comme les tableaux Excel ou les bases de données relationnelles. Elle permet de prédire des tendances, classer des informations ou optimiser des processus, mais ne produit pas de contenu. L'auteur, Yann Lechelle, co-fondateur de Probabl, précise que les chiffres montrent une adoption bien plus large de l'IA tabulaire en entreprise, souvent invisible car intégrée dans des outils métiers classiques.
Selon l'article, l'IA tabulaire représente la majorité des applications concrètes de l'IA en entreprise, loin devant l'IA générative. Cette dernière, bien que médiatisée, reste marginale dans les usages professionnels quotidiens. Yann Lechelle explique que l'IA tabulaire est utilisée pour des tâches comme la détection de fraudes, l'optimisation des stocks, ou l'analyse prédictive dans des secteurs comme la finance, la santé ou la logistique. Par exemple, une banque peut utiliser ce type d'IA pour anticiper les risques de défaut de paiement de ses clients, ou un hôpital pour prédire les admissions en urgence. Ces applications reposent sur des algorithmes de machine learning (apprentissage automatique) entraînés sur des données historiques structurées, contrairement aux modèles génératifs qui s'appuient souvent sur des données non structurées (textes, images).
L'article attribue la focalisation médiatique et publique sur l'IA générative à son caractère spectaculaire et accessible au grand public, notamment depuis le lancement de modèles comme ChatGPT en 2022. Ces outils, capables de générer des réponses conversationnelles ou des images réalistes, ont marqué les esprits par leur polyvalence et leur facilité d'utilisation. En revanche, l'IA tabulaire, bien que plus discrète, est souvent intégrée dans des logiciels métiers existants (ERP, CRM, outils de business intelligence) et ne fait pas l'objet de la même couverture. L'auteur note que cette distinction entre les deux types d'IA est rarement expliquée, ce qui alimente le mythe selon lequel l'IA en entreprise se résumerait à des outils comme les chatbots ou les générateurs de contenu.
L'article cite plusieurs cas d'usage de l'IA tabulaire en entreprise, illustrant son impact réel. Par exemple, dans le secteur bancaire, des algorithmes analysent les transactions pour détecter des anomalies suspectes de blanchiment d'argent, réduisant ainsi les coûts de conformité. Dans la grande distribution, des modèles prédictifs optimisent les niveaux de stock en fonction des tendances de vente, évitant les ruptures ou les surstocks. Dans le domaine de la santé, des outils d'IA tabulaire aident à prioriser les patients en fonction de leur risque médical, améliorant l'efficacité des services d'urgence. Ces applications reposent sur des données structurées (chiffres, dates, catégories) et des techniques comme les réseaux de neurones (inspirés du cerveau humain) ou les arbres de décision (méthodes de classification visuelle).
L'auteur souligne que l'IA générative, bien que puissante, présente des limites majeures dans un contexte professionnel. Ces outils, comme les grands modèles de langage (LLM), nécessitent des volumes colossaux de données pour être entraînés et consomment énormément d'énergie. De plus, ils produisent parfois des réponses incorrectes, biaisées ou incompréhensibles, ce qui les rend peu fiables pour des décisions critiques. Par exemple, un chatbot génératif pourrait inventer des informations dans une réponse médicale ou juridique, avec des conséquences graves. À l'inverse, l'IA tabulaire, bien que moins médiatique, offre une précision et une transparence supérieures, car ses décisions sont basées sur des données vérifiables et des règles explicites. Ces limites expliquent pourquoi les entreprises privilégient souvent des solutions d'IA tabulaire pour des applications à fort enjeu.
L'article met en avant le rôle de Yann Lechelle, co-fondateur et président exécutif de Probabl, une entreprise spécialisée dans l'IA tabulaire. Probabl développe des solutions pour aider les entreprises à déployer des modèles d'IA sur des données structurées, en mettant l'accent sur la fiabilité et l'interprétabilité des résultats. L'auteur souligne que des acteurs comme Probabl jouent un rôle clé dans la démocratisation de l'IA tabulaire, souvent éclipsée par les géants de la tech (Google, Microsoft, Meta) qui dominent le débat sur l'IA générative. Ces entreprises, bien que présentes sur les deux fronts, contribuent à normaliser l'idée que l'IA en entreprise se limite à des outils génératifs, alors que son impact réel repose sur des applications plus discrètes mais tout aussi transformatrices.
