Depuis 10 ans on parle de l’IA comme d’une révolution, il faut reconnaître que les résultats sont maigres. L’enthousiasme est là mais les succès opérationnels sont rares. Il existe de nombreuses levées de fonds spectaculaires pour les startups, il y a des centaines d’articles dans la presse chaque jour et partout dans le monde. Mais pour l’instant, la preuve que l’IA sera capable de produire de la valeur industriellement et pour tous reste à faire.
Jusqu’à présent, l’IA est bien souvent affaire de mastodontes issus d’écosystèmes certes bien informés par les médias mais difficilement accessibles. Les outils issus du Machine Learning sont certes nombreux dans notre quotidien mais ils restent l’œuvre d’une poignée de géants qui, bien qu’ayant massivement diffusé ces outils, n’ont souvent pas réussi à rassurer quant à leur bienveillance et leur utilité dans la vie quotidienne du commun des mortels. A tel point que certains maîtres en la matière craignent un nouvel hiver de l’IA : une longue période (10 à 20 ans) de désintérêt durant laquelle on doute collectivement de la pertinence de cette technologie.
Dans notre jargon, les logiciels basés sur l’IA que nous fabriquons, que nous codons, pour automatiser des tâches humaines ou plus généralement pour résoudre des problèmes opérationnels (prévisions d’achat, détection de fraude, prévisions de prix, diagnostics automatiques, robots conversationnels…) ont un nom : ils sont les agents.
Depuis 2017, nous avons réussi à démontrer scientifiquement que les agents étaient capables de résoudre de vrais problèmes opérationnels. Depuis au moins 7 ans, nous avons des exemples clairs d’agents capables de produire beaucoup de valeur. Cela est vrai quantitativement lorsque les agents ont démontré leur capacité à prédire la présence d’hydrocarbures dans certains réservoirs plutôt que dans d’autres et ont ainsi économisé plusieurs millions de dollars en frais de prospection. Cela est également vrai sur le plan qualitatif lorsque les agents aident les médecins à poser les bons diagnostics.
Jusqu’à présent, ces agents, qui étaient souvent des rats de laboratoire, ont contribué à entretenir le feu de l’espoir dans l’IA mais n’ont jamais pu échapper aux laboratoires pour les raisons suivantes :
- Ils étaient très chers. Le développement d’un de ces logiciels pourrait aller de 100 000 euros pour les plus basiques à plusieurs millions d’euros pour les plus complexes.
- Ils étaient très compliqués à réaliser et nécessitaient de réunir des équipes de super-héros du code.
- La complexité induit très souvent des problèmes de fiabilité induits mécaniquement.
- Ils étaient très difficiles à expliquer. On demandait souvent aux gens de payer de grosses sommes d’argent pour des boîtes noires.
- Il était très complexe de démontrer son utilité dans la vie quotidienne, notamment pour les gens ordinaires.
- Il était difficile de les partager au sein d’une même organisation (entreprises, administrations…) car en plus de l’outil lui-même, il fallait développer des interfaces graphiques esthétiques et ergonomiques. Ce qui nécessitait une équipe et donc des complexités supplémentaires.
- Il était très difficile de garantir l’intégration et la confidentialité des données.
Depuis peu, des plateformes d’automatisation apportent des solutions à ces sept problèmes qui empêchaient jusqu’à présent une appropriation massive de l’intelligence artificielle par des profils humains non techniques mais dotés de réelles compétences. Vous pouvez désormais récupérer vos données à de nombreux endroits, les acheminer en quelques clics, construire un agent en combinant les ressources colossales et disponibles qui existent dans l’écosystème de l’IA « glisser-déposer ». Vous assemblez le tout en mode Lego, appuyez sur un bouton et votre agent est prêt à être utilisé par vos collègues. Vous n’aimez pas les Lego ? Pas grave. Bientôt, un robot les assemblera pour vous. Le futur est enfin là. Serons-nous à la hauteur ?
