Les entreprises indiquent perdre en moyenne 6 % de leur chiffre d'affaires annuel mondial (8 % pour les entreprises françaises), soit environ 406 millions de dollars américain (contre 722 millions de dollars américain en France), d'après les répondants d'entreprises dont le chiffre d'affaires annuel mondial moyen est de 5,6 milliards de dollars américain. Ces résultats sont liés à des modèles d'IA peu performants, construits à partir de données inexactes ou de mauvaise qualité, ce qui se traduit par des décisions commerciales mal informées.

Menée par le cabinet de recherche indépendant Vanson Bourne, l'enquête en ligne a interrogé 550 répondants aux États-Unis, au Royaume-Uni, en Irlande, en France et en Allemagne, issus d'entreprises comptant 500 employés ou plus. Elle a révélé que près de neuf entreprises sur dix utilisent des méthodologies d'IA/ML pour élaborer des modèles de prise de décision autonome, et que la quasi-totalité d’entre elles (97 % en moyenne et 100 % des répondants français) investiront dans l'IA générative au cours des deux prochaines années.

Dans le même temps, les entreprises expriment des défis liés à l'inexactitude des données et aux « hallucinations¹ », ainsi que des préoccupations concernant la gouvernance et la sécurité des données. Les entreprises américaines qui utilisent de grands modèles de langage (LLM) signalent des inexactitudes et des hallucinations dans 50 % des cas (contre 35 % pour les entreprises françaises).

« L'adoption rapide de l'IA générative reflète en surface un optimisme et une confiance généralisés au sein des entreprises. Or, les problèmes de données de base sont encore répandus, ce qui empêche les entreprises de déployer pleinement leur potentiel », déclare Taylor Brown, cofondateur et COO chez Fivetran. « Les entreprises doivent renforcer leurs bases d'intégration et de gouvernance des données pour créer des résultats d'IA plus fiables et atténuer les risques financiers ».

Les "réalités de l'IA" diffèrent selon les fonctions occupées

Environ une entreprise sur quatre (28 % en France) déclare avoir atteint un seuil avancé dans l'adoption de l'IA, c'est-à-dire qu'elle utilise l'IA de manière optimale avec peu ou pas d'intervention humaine. Cependant, il existe des désaccords importants entre les répondants qui travaillent plus étroitement avec les données et ceux étant plus éloignés des détails techniques.

Les cadres techniques - qui construisent et exploitent les modèles d'IA - sont moins convaincus de la maturité de leur entreprise en matière d'IA, 22 % d'entre eux seulement la qualifiant « d’avancée », contre 30 % des non-techniciens. En ce qui concerne l'IA générative, le niveau de confiance élevé des salariés non techniques s'accompagne également d'une plus grande fiabilité, puisque 63 % d'entre eux lui faisant pleinement confiance, contre 42 % des cadres techniques.

Il existe une dissonance supplémentaire entre les experts en données à différents niveaux d'ancienneté au sein d'une entreprise. Alors que ceux qui occupent des postes subalternes considèrent les infrastructures informatiques obsolètes comme le principal obstacle à l'élaboration de modèles d'IA (49 %), leurs collègues plus expérimentés affirment que le problème réside principalement dans le fait que les employés possédant les compétences adéquates se concentrent sur d'autres projets (51 %). Il est vrai que les professionnels de donnée sont contraints d'orienter leurs ressources vers des processus de données manuels tels que le nettoyage des données et la réparation des pipelines de données défectueux. En fait, les entreprises admettent que leurs data scientists passent la majorité (67 %) de leur temps à préparer les données, plutôt qu'à construire des modèles d'IA.

Les mauvaises pratiques en matière de données restent courantes

Les causes du gaspillage du potentiel des talents en matière de données et de la sous-performance des programmes d'IA sont les mêmes : les données sont inaccessibles, peu fiables et incorrectes. L'ampleur du problème est illustrée par le fait que la plupart des entreprises ont du mal à accéder à toutes les données nécessaires pour exécuter les programmes d'IA (69 % contre 62 % en France) et à nettoyer les données dans un format utilisable (68 % contre 48 % en France).

Les nouvelles utilisations de l'IA générative ont suscité d'autres problématiques, avec 42 % des personnes interrogées (contre 35 % en France) rapportant des hallucinations de l'IA. Celles-ci peuvent conduire à la prise de décisions en étant mal informé, à réduire la confiance dans les LLM ou la volonté de collaborateurs à utiliser l'outil, et à faire perdre du temps aux équipes pour localiser et corriger les données. Étant donné que 60 % des cadres supérieurs utilisent l'IA générative - et qu'ils doivent prendre des décisions stratégiques - tout problème lié à la qualité et à la fiabilité des données sera encore amplifié.

La gouvernance des données est un domaine clé pour l'utilisation de l'IA

Pour l’ensemble des entreprises interrogées, les craintes liées à l'utilisation de l'IA générative demeurent, le « maintien de la gouvernance des données » et le « risque financier dû à la sensibilité des données ». Elles se partagent la première place des préoccupations des entreprises (37 %). En France, ce sont « l’augmentation des risques dû à la cybersécurité » (40 %), les « risques financiers dû à la sensibilité des données » (39 %) et le manque de réglementation (39 %) qui inquiètent le plus les entreprises.

Des bases solides en matière de gouvernance des données seront particulièrement importantes pour les entreprises qui prévoient de créer leurs propres modèles d'IA générative ou d'utiliser une combinaison de modèles existants externes et développés en interne. Cependant, la majorité (67 % contre 59 % en France) des répondants prévoient de déployer de nouvelles technologies pour renforcer les fonctions de base de mouvement, de gouvernance et de sécurité des données, il y a des raisons d'être optimiste.

¹ Les hallucinations IA sont des résultats incorrects ou trompeurs générés par les grands modèles de langage.