Les entreprises investissent massivement dans l’intelligence artificielle, attirées par la promesse d’une transformation radicale. Cependant, un rapport récent met en lumière un revers inquiétant : 80 % des projets d’IA échouent. Explorez les raisons derrière ces échecs et les enjeux cruciaux liés à l’adoption de cette technologie.
Déception : On nous dit qu’il est essentiel que toutes les entreprises du secteur technologique, et beaucoup d’entre elles qui ne le font pas, adoptent l’IA, de peur d’être laissées pour compte et de faire faillite. Pourtant, selon un nouveau rapport, 80 % des projets d’IA échouent, soit deux fois plus que les projets informatiques qui n’impliquent pas l’intelligence artificielle.
Les entreprises investissent des milliards de dollars dans l’IA et l’apprentissage automatique, malgré des retours sur investissement lents et de nombreux échecs. La RAND Corporation a voulu découvrir ce qui se cachait derrière ce taux d’échec élevé de 80 %, et a donc interrogé 65 data scientists et ingénieurs ayant au moins cinq ans d’expérience dans la création de modèles d’IA/apprentissage automatique dans l’industrie ou le milieu universitaire.
L’étude a identifié les cinq principales causes d’échec des projets d’IA. La première et la plus courante d’entre elles est que les acteurs du secteur ne comprennent pas ou ne communiquent pas correctement le problème à résoudre à l’aide de l’IA et les capacités de cette technologie.
L’engouement suscité par l’IA générative conduit certains dirigeants à croire que son utilisation peut transformer une entreprise de manière magique. Ils ne comprennent pas comment cette technologie peut être appliquée à leur entreprise, quelles ressources sont nécessaires pour la mettre en œuvre et combien de temps le processus prendra.
Un des interviewés a déclaré : « Souvent, les modèles sont expédiés à 50 % de ce qu’ils auraient pu être » en raison de priorités changeantes et de délais irréalistes.
Un autre point d’échec majeur des projets d’IA est le manque de données nécessaires pour former correctement un modèle d’IA efficace. « 80 % de l’IA est le sale boulot de l’ingénierie des données », a déclaré une personne interrogée. « Il faut que des personnes compétentes fassent le sale boulot, sinon leurs erreurs empoisonnent les algorithmes. »
Il y a aussi le problème des scientifiques et des ingénieurs des données qui se concentrent sur l’utilisation de la dernière et meilleure version de la technologie de l’IA au lieu de se demander si son utilisation résoudrait les problèmes réels rencontrés par les utilisateurs.
Les deux autres facteurs identifiés étaient le manque d’infrastructure adéquate pour gérer les données des organisations et déployer des modèles d’IA complets, et l’application de l’IA à des problèmes trop difficiles à résoudre.
À quelques exceptions près, des questions subsistent depuis longtemps sur l’application concrète de certains projets d’IA. C’est un problème important à résoudre ; on pourrait dire que Microsoft s’est précipité pour implémenter la fonction Recall basée sur l’IA dans Windows sans réfléchir à la réaction des utilisateurs. La fonctionnalité a fait l’objet de nombreuses tests et a été retardée.
De nombreuses études et rapports ne sont pas de bon augure pour les entreprises du secteur de l’IA. Plus tôt ce mois-ci, nous avons entendu dire que le simple fait d’inclure le mot « IA » dans les descriptions de produits les rendait moins attrayants pour les consommateurs. Un récent sondage a également montré que la plupart des personnes ne paieraient pas plus cher pour du hardware doté de capacités et de fonctionnalités d’IA. Mais la pire nouvelle pour les entreprises est qu’il faut plus de temps que prévu pour récolter les fruits de leurs investissements dans le secteur de l’IA.