Génération IA - par Vincent Barat

Episode 4: “AI doesn’t matter”

‍

Devant les difficultés de financement auxquelles elles ont dû faire face à partir de 2023 et après la période dorée post-COVID, beaucoup de startup ont effectué des “pivots” vers la GenAI, qu’elles ont mis à toutes les sauces. Sans que l’on comprenne trop pourquoi à quoi cela servait.

Nous aurions pu faire la même chose. Satya Nadella a d’ailleurs récemment déclaré que le SaaS allait probablement disparaître, substitué par des IA généralistes capables d’interagir directement avec les données. Cela arrivera peut-être un jour, mais nous sommes restés prudents pour une variété de raisons.

Tout d’abord, nous avions des réserves quant à la nature même de ces technologies :

• L’incohérence : les mêmes causes doivent produire les mêmes effets. Or, deux prompts identiques ne sont pas les garants des mêmes “outputs”, en raison de la nature même de ces modèles “probabilistes”.
• L’approximation : quand on parle de langage, utiliser des synonymes n’est pas très important. Mais chez Albert, nous fournissons un produit qui aide à la décision, sur la base de données numériques. La moindre approximation peut avoir des conséquences sociales dramatiques
• L’absence de modèle dédié à la data : les LLM permettent de faire du texte, du code. La computer vision permet de comprendre des images, du son… On peut générer des photos, des vidéos… Mais il y a encore peu de modèles dédiés à la donnée. 

Nous avions aussi beaucoup d’interrogations sur le plan sécuritaire :

• Souveraineté : beaucoup de nos clients interdisent certaines technologies ou modèles. C’est d’ailleurs la raison pour laquelle nous hébergeons nos infrastructures chez OVH et non chez AWS : pour ne nous fermer aucune porte. Une intégration trop profonde d’une technologie particulière, comme OpenAI (risque US) ou Deepseek (risque Chine), risquerait de nous disqualifier dans beaucoup de grands groupes
• Réglementation : le cadre est très mouvant. L’UE a promulgué l’AI Act, il y a bien sûr la RGPD, et tout miser sur une technologie aurait pu s’avérer risqué. Mais la raison d’être des logiciels de paie ou des SIRH par exemple n’est pas que fonctionnelle. Comme le rappelle souvent Anita Lettink, elle est aussi liée aux exigences légales !

Enfin, résoudre l’équation économique de la GenAI n’est pas forcément trivial :

• L’existant : les entreprises paient déjà leurs propres modèles, et n’envisagent pas forcément un surcoût pour quelque chose qu’elles utilisent déjà
• Le coût de revient : faut-il louer du temps de serveur, développer ses propres infras, à partir de quel usage, quel volume ? Qui sera prêt à acheter et combien, est-ce que cela en vaut bien la peine, sachant que seules 15% des entreprises pratiquent la planification ? Est-ce qu’avant d’aller sur Mars, on essaierait pas déjà d’aller sur la Lune ?

Notre conviction depuis le début est de faire le pari de la commodification. En 2003, Nicholas Carr disait dans un article devenu célèbre dans le monde informatique que “IT doesn’t matter”. De la même manière, tous les services de Gen AI vont s’articuler autour d’acteurs fournisseurs préexistants, envers lesquels nous nous devons d’être agnostiques. Car rien n’est stable dans cet univers : il y aura des ascensions fulgurantes et des faillites, des consolidations, des partenariats. Avoir une vision long-terme consiste donc à ne pas s’emprisonner avec un fournisseur, et voir la brique IA comme une commodité.

C’est pourquoi nous avons développé une expertise autour des technologies elles-mêmes, et du prompting adapté à notre solution. Après avoir identifié les petits irritants de nos utilisateurs, nous avons observé des cas d’usage où la Gen AI enlève ces cailloux dans la chaussure.

• Cas d’usage pertinents :
  ✅ Automatiser des tâches fastidieuses (e.g. extraire une job architecture, nettoyer des référentiels).
  ✅ Inspirer et faciliter le brainstorming (ex: créer des scénarios, identifier des drivers business).
  ✅ Structurer et clarifier des idées ou concepts (ex: générer des rapports et faire parler la data).
  ✅ Rechercher et synthétiser des données internes et externes (e.g. benchmarking de compétences).
• Où excluons-nous l’IA aujourd’hui ?

❌ Expertise spécialisée : L’IA est un média, pas l’expert lui-même.
❌ Prise de décision : Les décisions nécessitent des paramètres multiples et une compréhension du contexte que l’IA ne possède pas.

L’avantage est que ce choix de développer une expertise plutôt qu’une brique produit permet de nous implémenter dans n’importe quel écosystème client, et uniquement s’il le souhaite, en utilisant les technologies de son choix et de manière sécurisée. Ainsi, nous avons développés 6 agents :

• GPT Skill Builder : Construisez facilement un référentiel de compétences basé sur l’architecture d’emplois que vous fournissez.
• GPT Job Builder : Concevez simplement des descriptions de postes précises et structurées pour votre démarche de Strategic Workforce Planning.
• GPT Job Archi Extractor : Analysez automatiquement vos données employé pour en extraire une architecture d’emplois claire et hiérarchisée.
• GPT Job Archi Cleaner : Clarifiez, consolidez et optimisez votre architecture d’emplois en quelques clics.
• GPT Driver Builder : Identifiez rapidement vos inducteurs clés de performance métier et transformez-les en règles directement importables dans Albert.
• GPT SWP Report Generator : Interprétez facilement les résultats de votre SWP générés par Albert grâce à des rapports clairs et percutants.

Ces agents peuvent être utilisés “sur le côté” avec vos propres outils, et nous vous aiderons à les paramétrer. Et vous pouvez déjà y accéder gratuitement !

Ils peuvent aussi prendre une forme plus intégrée, sous la forme d’une extension du navigateur, afin de faire d’Albert ce véritable compagnon au quotidien de vos sujets de planification. Et ceci en conservant notre vision initiale : votre sécurité, vos conditions, votre technologie.

Pour lire ou relire les épisodes précédents de cette série d’articles consacrés à la “Génération IA”, c’est par ici. 

‍