Accueil
Accueil
Envoyer à un ami
Version imprimable
Partager
Au milieu des démonstrations techniques et des annonces d'agents spécialisés, l'intervention d'Aurélie Jean, docteure en sciences, entrepreneure et auteure, a offert la perspective critique et stratégique nécessaire pour encadrer cette révolution. Son approche, définie comme un "pas de côté", visait non seulement à saisir les opportunités de l'IA, mais surtout à "briser les mythes" pour établir une doctrine d'usage claire.
Déconstruire les mythes et identifier les vraies menaces socio-technologiques
Face à la vague d'innovation la plus rapide et la plus profonde que le monde ait connue depuis l'avènement du Cloud et d'Internet, Aurélie Jean a dénoncé les peurs simplistes souvent relayées, même par des dirigeants d'État. Elle affirme catégoriquement que les prédictions selon lesquelles "l'IA va exterminer les humains, remplacer tous les jobs, [ou que] les robots deviendront conscients de leur existence" sont "absolument fausses". Pour les professionnels du marketing, confrontés à l'impératif de produire "cinq fois plus de contenu" et d'accélérer l'idéation, la production et la distribution, il est essentiel de comprendre l'IA sur ses fondations scientifiques.
Les menaces réelles ne sont pas l'extermination, mais les risques socio-technologiques, notamment la "discrimination technologique". Ces biais proviennent soit des "comportements humains" capturés dans les données utilisées pour entraîner les algorithmes, soit des choix de conception. L'exemple du système de reconnaissance faciale qui échoue à identifier des personnes de couleur, faute d'avoir été entraîné sur des jeux de données diversifiés, illustre parfaitement comment l'algorithme capte les "patterns" et les chemins répétitifs des données, validant involontairement des discriminations.
D'autres risques majeurs sont souvent négligés :
Les risques techniques et financiers : La difficulté à faire converger un modèle ou le manque de données riches/diversifiées conduisent à l'échec. En effet, 85 à 90 % des projets d'IA initiés ne parviennent pas à une industrialisation à l'échelle.
L'impact environnemental : Il est impératif d'évaluer la consommation énergétique des modèles pour éviter, par exemple, de doubler les paramètres de calcul pour un gain de précision dérisoire (seulement 3 % dans un cas cité), ce qui est difficilement justifiable.
Les menaces réelles ne sont pas l'extermination, mais les risques socio-technologiques, notamment la "discrimination technologique". Ces biais proviennent soit des "comportements humains" capturés dans les données utilisées pour entraîner les algorithmes, soit des choix de conception. L'exemple du système de reconnaissance faciale qui échoue à identifier des personnes de couleur, faute d'avoir été entraîné sur des jeux de données diversifiés, illustre parfaitement comment l'algorithme capte les "patterns" et les chemins répétitifs des données, validant involontairement des discriminations.
D'autres risques majeurs sont souvent négligés :
Les risques techniques et financiers : La difficulté à faire converger un modèle ou le manque de données riches/diversifiées conduisent à l'échec. En effet, 85 à 90 % des projets d'IA initiés ne parviennent pas à une industrialisation à l'échelle.
L'impact environnemental : Il est impératif d'évaluer la consommation énergétique des modèles pour éviter, par exemple, de doubler les paramètres de calcul pour un gain de précision dérisoire (seulement 3 % dans un cas cité), ce qui est difficilement justifiable.
La Trans-Pré-Cision (3P) : Un cadre méthodologique pour l'innovation
Pour transformer l'adoption technologique en valeur concrète, Aurélie Jean a introduit le concept structurant de la Trans-Pré-Cision (3P).
Ce concept est un guide méthodologique : l'IA, appliquée à un domaine ou une tâche, doit transformer celui-ci pour le rendre plus Précis, plus Personnalisé, et/ou plus Prédictif.
Le 3P permet d'éviter l'écueil de l'échec de l'industrialisation en forçant les organisations à définir le niveau exact de précision, de prédiction ou de personnalisation nécessaire pour résoudre un problème métier.
En insistant sur l'intervention de l'IA sur des "tâches consécutives de métiers" et non sur les métiers dans leur ensemble, Aurélie Jean a rassuré les professionnels. L'IA a pour vocation d'augmenter les capacités des marketeurs, des radiologues ou autres, en les déchargeant des "tâches consécutives". Les experts qui refusent d'utiliser et de comprendre ces outils sont ceux qui risquent d'être désavantagés.
L'avantage compétitif de la gouvernance
Comme l'a souligné Claude Revel à propos de l'Intelligence Économique, l'objectif n'est pas d'avoir les outils, mais d'avoir la méthode et la doctrine. Pour l'IA, cette doctrine se matérialise par une gouvernance forte.
La gouvernance de l'IA ne se limite pas à la simple conformité légale (qui n'est qu'une "petite brique"). Elle doit devenir un avantage compétitif. Une gouvernance efficace passe par :
Ce concept est un guide méthodologique : l'IA, appliquée à un domaine ou une tâche, doit transformer celui-ci pour le rendre plus Précis, plus Personnalisé, et/ou plus Prédictif.
Le 3P permet d'éviter l'écueil de l'échec de l'industrialisation en forçant les organisations à définir le niveau exact de précision, de prédiction ou de personnalisation nécessaire pour résoudre un problème métier.
En insistant sur l'intervention de l'IA sur des "tâches consécutives de métiers" et non sur les métiers dans leur ensemble, Aurélie Jean a rassuré les professionnels. L'IA a pour vocation d'augmenter les capacités des marketeurs, des radiologues ou autres, en les déchargeant des "tâches consécutives". Les experts qui refusent d'utiliser et de comprendre ces outils sont ceux qui risquent d'être désavantagés.
L'avantage compétitif de la gouvernance
Comme l'a souligné Claude Revel à propos de l'Intelligence Économique, l'objectif n'est pas d'avoir les outils, mais d'avoir la méthode et la doctrine. Pour l'IA, cette doctrine se matérialise par une gouvernance forte.
La gouvernance de l'IA ne se limite pas à la simple conformité légale (qui n'est qu'une "petite brique"). Elle doit devenir un avantage compétitif. Une gouvernance efficace passe par :
- L'intégration des "gens du métier" dans le processus de développement et de conception, car les ingénieurs seuls ne peuvent développer des modèles pertinents sans cette expertise.
- Le test régulier des outils, y compris le back-testing en production, pour mesurer les aberrations et les biais, et ainsi débusquer la discrimination technologique.
- La sollicitation et l'intégration du feedback des utilisateurs, allant jusqu'à l'inversion des modèles pour créer un service plus personnalisé et plus précis.
- L'IA, lorsqu'elle est maîtrisée et encadrée par ces principes, permet de rester compétitif sur le marché.
Conclusion : L'humain, pilote de la transformation cognitive
L'intervention d'Aurélie Jean a souligné que l'IA (01:26:06 Talk Inspirationnel - IA : mythes et opportunités) est une révolution concurrentielle qui demande de la clarté stratégique. Loin de l'image de la machine consciente, la véritable transformation est celle qui réinterroge l'efficacité des processus, la qualité des données et l'éthique de conception. Pour réussir, il faut maîtriser la Trans-Pré-Cision et s'assurer que l'homme demeure l'acteur central du changement.
Pour approfondir ces concepts et cette approche scientifique de la technologie, Aurélie Jean a notamment présenté dans sa conclusion l'ouvrage :
Les algorithmes : Un livre qui "va traverser toute l'histoire en fait du développement algorithmique de la pratique même de la pensée".
Pour approfondir ces concepts et cette approche scientifique de la technologie, Aurélie Jean a notamment présenté dans sa conclusion l'ouvrage :
Les algorithmes : Un livre qui "va traverser toute l'histoire en fait du développement algorithmique de la pratique même de la pensée".