Adoption IA en entreprise : surmonter les freins efficacement

openAI chatGpt

ChatGpt

Mistral AI

Midjourney_Emblem

Midjourney

ia microsoft

Copilot AI

image leonardo AI

Leonardo AI

L’intelligence artificielle est devenue un moteur essentiel de l’innovation et de la compétitivité dans le monde des affaires, offrant des possibilités illimitées pour les entreprises de toutes tailles et de tous secteurs [3]. Grâce aux avancées technologiques et à la disponibilité massive de données, l’adoption de l’IA permet aux entreprises de bénéficier d’avantages concurrentiels significatifs, tels que l’analyse de grandes quantités de données pour identifier des tendances, l’automatisation des tâches répétitives et l’optimisation des processus [3] [4].


Cependant, malgré ces avantages potentiels, de nombreux freins à l’adoption de l’IA subsistent, notamment les défis financiers, la pénurie de compétences qualifiées, les préoccupations liées à la sécurité et à la confidentialité des données, ainsi que les obstacles organisationnels et culturels



Les freins financiers à l’adoption de l’IA


L’un des principaux freins à l’adoption de l’intelligence artificielle (IA) dans les entreprises est le coût et l’investissement initial nécessaires pour mettre en place des solutions d’IA. [13] [11]


Coût des technologies et des infrastructures


L’implémentation de l’IA requiert souvent des investissements substantiels dans des infrastructures matérielles et logicielles. Les entreprises doivent acquérir des serveurs puissants, des systèmes de stockage de données volumineux et des logiciels spécialisés, ce qui représente un coût non négligeable. [13] [11] [7] Un matériel puissant, y compris les processeurs graphiques (GPU) et les unités de traitement du tenseur (TPU), est essentiel pour l’entraînement des modèles d’IA. [7] La maintenance de ces infrastructures et les coûts énergétiques sont également à prendre en compte. [7]


Développement et personnalisation des solutions d’IA


Outre les infrastructures, le développement et la personnalisation des solutions d’IA peuvent également entraîner des coûts importants. [13] [11] Les entreprises doivent souvent faire appel à des experts en IA et en science des données pour créer et adapter des modèles d’IA à leurs besoins spécifiques. [13] [11] Ce processus peut être long et coûteux, en particulier si des ajustements continus sont nécessaires pour optimiser les performances des algorithmes. [13] [11]


Formation et développement des compétences


Un autre aspect du coût initial concerne la formation des employés. L’adoption de l’IA implique souvent un changement de paradigme dans les opérations de l’entreprise, nécessitant une montée en compétences des équipes existantes. [13] [11] [7] La formation d’ingénieurs en mécanique ou de chercheurs en intelligence artificielle coûte cher, car la demande pour ces spécialistes est élevée. [7] La formation continue des employés pour qu’ils maîtrisent les outils d’IA et comprennent comment les intégrer dans leurs workflows peut représenter un investissement significatif en termes de temps et de ressources financières. [13] [11]


Coût d’opportunité et incertitude des retours sur investissement


Investir dans l’IA comporte également un coût d’opportunité. Les ressources financières mobilisées pour l’IA pourraient être investies ailleurs dans l’entreprise, et les retours sur investissement ne sont pas toujours immédiats ou garantis. [13] [11] Cette incertitude peut dissuader les entreprises d’engager des fonds importants sans une garantie claire de bénéfices tangibles à court terme. [13] [11] L’une des préoccupations majeures est l’incertitude liée au retour sur investissement (ROI) des technologies d’IA, car les projets d’IA peuvent prendre du temps avant de générer des bénéfices tangibles. [11]


Difficultés spécifiques des PME


Contrairement aux grandes entreprises, les PME ont généralement un accès limité aux capitaux. Elles disposent de moins de liquidités et de réserves financières, ce qui rend difficile l’allocation de fonds significatifs pour des investissements technologiques. [11] De plus, les PME peuvent avoir moins de facilité à obtenir des financements externes, que ce soit sous forme de prêts bancaires ou d’investissements en capital-risque, en raison de leur taille et de leur niveau de risque perçu. [11]


Les PME doivent souvent prioriser leurs dépenses de manière stricte pour maintenir leurs opérations courantes. Les investissements dans l’IA, bien qu’importants à long terme, peuvent être perçus comme moins urgents par rapport à d’autres besoins immédiats tels que la gestion des flux de trésorerie, l’acquisition de stocks ou le paiement des salaires. [11] Cette priorisation des ressources peut retarder l’adoption de l’IA. [11]


Pour les PME, investir dans l’IA implique non seulement des coûts directs, mais aussi des coûts d’opportunité. Les fonds alloués à l’IA pourraient être utilisés pour d’autres initiatives de croissance, comme le développement de nouveaux produits ou l’expansion sur de nouveaux marchés. [11] L’incertitude quant aux retours sur investissement de l’IA peut rendre ces décisions encore plus complexes, les PME devant peser les risques et les bénéfices potentiels de manière prudente. [11]


Les processus de financement peuvent également être complexes et chronophages pour les PME. La préparation des dossiers de demande de subventions, la recherche de partenaires financiers et la négociation des termes de financement nécessitent des ressources humaines et du temps que les PME peuvent difficilement allouer, surtout si elles manquent de personnel spécialisé dans ces domaines. [11]


La pénurie de compétences et de talents qualifiés


Rareté des profils experts en IA et en science des données
L’un des principaux défis auxquels sont confrontées les entreprises dans leur adoption de l’intelligence artificielle (IA) est la rareté des profils experts en IA et en science des données. [15] Le CV d’un bon data scientist est à mi-chemin entre celui d’un statisticien qui maîtrise les règles mathématiques et le développeur pour qui coder est une seconde nature. Il doit être à l’aise dans un langage adapté, connaître les outils mathématiques et être conscient des contraintes d’industrialisation. [15] Ces moutons à cinq pattes sont donc une denrée rare.


Les data scientists sont très souvent autodidactes et, quand ce n’est pas le cas, ils ont été formés au sein d’une entreprise. [15] Ces spécialistes sont donc difficiles à détecter, car il n’y a pas de diplômes, d’événements ou d’associations métier dans lesquels puiser. [15] Certes, certaines écoles d’ingénieurs commencent à développer des formations pour tenter d’enrayer la pénurie, mais ces étudiants ne seront totalement opérationnels que dans quelques années. [15]


Un autre facteur contribuant à la rareté des experts en IA est que les data scientists expérimentés ont souvent fait leurs armes dans le monde de la finance ou du retail. [15] Habitués à développer des algorithmes pour recommander des produits ou déterminer l’éligibilité à un crédit, ils sont moins à l’aise dans d’autres domaines industriels. [15] Les problématiques industrielles sont effectivement traitées depuis une vingtaine d’années, mais les experts sont nettement moins nombreux dans ce secteur, peut-être à cause du manque de visibilité de ces projets sur le marché. [15]


Manque de formation pour les employés actuels


Au-delà de la pénurie de talents en IA, les entreprises sont également confrontées au défi de former leurs employés actuels aux nouvelles technologies d’IA. [17] Selon une étude menée par le laboratoire de recherche Laboria, le manque de compétences en interne est identifié comme l’un des principaux obstacles au déploiement de systèmes d’intelligence artificielle, pour 37% des cas. [17]


Les compétences liées au prompt et à la communication efficiente dans l’interface homme/machine vont devenir essentielles, nécessitant de la formation. [17] Par ailleurs, la montée en compétences de tous les salariés (upskilling) sera nécessaire pour intégrer l’IA dans les processus de l’entreprise. [17] Pour les responsables des ressources humaines, cela ouvre un vaste chantier : celui de l’accompagnement des transitions professionnelles et de la montée en compétences des salariés, aussi appelé l’upskilling et le reskilling. [17]


Le développement de l’automatisation devrait aussi libérer les salariés des activités chronophages et répétitives, les poussant à devenir plus experts de leur propre métier et à se concentrer sur les activités humaines à haute valeur ajoutée. [17] L’upskilling prend alors tout son sens, permettant de perfectionner les collaborateurs dans leur domaine d’expertise et de les faire progresser pour éviter la mise en concurrence homme/machine sur des activités à faible valeur ajoutée. [17]


Les défis organisationnels et culturels


Résistance au changement
La résistance au changement est l’un des principaux freins à l’adoption de l’intelligence artificielle (IA) dans les entreprises. [19] [20] Les employés peuvent être réticents à adopter de nouvelles technologies et de nouvelles façons de travailler, craignant que leur rôle ne soit minimisé, voire rendu obsolète par ces technologies disruptives. [20] Cette appréhension psychologique profondément humaine doit être appréhendée avec finesse. [20]


Pour surmonter cette résistance, il est crucial d’établir un dialogue transparent avec les collaborateurs. [20] Il s’agit non seulement de dissiper leurs craintes, mais aussi d’embrasser leur potentiel créatif face aux nouvelles opportunités offertes par l’IA. [20] L’enjeu majeur réside dans la capacité à transformer cette appréhension en dynamique positive, en valorisant chaque membre de l’équipe comme acteur clé du processus innovant. [20]


Lorsque les membres se sentent impliqués dans le processus décisionnel et que leurs opinions sont prises en compte, ils deviennent naturellement plus réceptifs aux transformations proposées. [20] L’organisation de sessions “Test & Learn” peut également permettre aux résistants de découvrir par eux-mêmes les avantages concrets apportés par ces innovations. [20]


Manque de vision stratégique et de leadership


Un autre défi majeur est le manque de vision stratégique et de leadership de la part de la direction. [19] Une vision claire et un engagement fort des dirigeants sont essentiels pour guider l’entreprise dans ce processus de changement lié à l’IA. [19]


Les succès passés peuvent parfois engendrer une sérénité excessive et une myopie stratégique, sources d’inertie organisationnelle. [21] Faute de symptômes ostentatoires de danger imminent, le collectif rechigne à se mettre en mouvement face aux nouvelles exigences du marché. [21] Cette ambiance de confiance excessive peut ainsi ensevelir les signes avant-coureurs de déclin dû à une adaptation insuffisante. [21]


De plus, l’intégration de l’IA peut modifier en profondeur les perspectives et certitudes de l’entreprise, menaçant certains acquis et positions au sein de l’organisation. [21] Les réticences individuelles et collectives peuvent alors s’exprimer par du déni, une absence de remise en question des pratiques habituelles, voire un certain activisme pour les perpétuer. [21]


Gestion du changement et transformation culturelle


La gestion du changement et la transformation culturelle représentent également des défis majeurs lors de l’adoption de l’IA. [19] [23] Il est important de mettre en place des programmes de formation et de communication pour accompagner les employés dans cette transition. [19] [23]


Selon John Kotter, professeur à Harvard, voici quelques conseils pour faciliter cette transformation [21] [23] :
Établir une prise de conscience sur l’importance de l’IA et les menaces concurrentielles liées à une adaptation trop lente.


Créer une coalition directrice composée de leaders et d’experts convaincus par l’IA, représentant tous les niveaux de l’organisation.


Développer une vision et une stratégie claires sur l’intégration de l’IA dans la stratégie globale de l’entreprise.


Communiquer fréquemment sur cette vision du changement à tous les niveaux.


Permettre aux collaborateurs d’agir sur cette vision en fournissant les ressources, la formation et le soutien nécessaires.


Générer des petites victoires via des projets pilotes démontrant les avantages concrets de l’IA.


Consolider les gains et produire plus de changement en intégrant l’IA plus largement dans les processus stratégiques.


Ancrer l’utilisation de l’IA dans la culture de l’entreprise, tant sur le plan stratégique que culturel.


Cette démarche inclusive contribue à forger un sentiment d’appartenance et une culture d’entreprise résiliente face aux turbulences du marché numérique. [20]
Les préoccupations liées à la sécurité et à la confidentialité des données


Risques de cyberattaques et de violations de données


Les systèmes d’intelligence artificielle (IA) sont confrontés à des menaces croissantes de cyberattaques sophistiquées. Avec l’émergence de l’IA, les cybercriminels exploitent désormais des outils IA pour orchestrer des attaques de phishing automatisées, des attaques d’usurpation, des attaques d’ingénierie sociale et des chatbots de support client factices. [25] Ces méthodes révèlent une évolution inquiétante dans la conception et le déploiement des cybermenaces, rendant la prévention et la réponse plus complexes. [25]
Les conséquences des cyberattaques vont au-delà des pertes financières, incluant des dommages à la réputation, des destructions d’infrastructures et des amendes réglementaires. [25] Avec un coût global du cybercrime s’élevant à 6 000 milliards de dollars en 2021 et une projection de 10 500 milliards en 2025, l’impact économique est colossal. [25] De plus, Microsoft a identifié cinq acteurs sponsorisés par des États utilisant des modèles de langage avancés pour intensifier leurs attaques, soulignant l’urgence d’une défense robuste. [25]


La CNIL constate également une nette progression des notifications de violation de données, dont près de la moitié résultent d’une attaque par rançongiciel. [26] Dans certains cas, les données personnelles des utilisateurs peuvent être mises en ligne par les pirates, engendrant un risque élevé pour les droits et les libertés. [26] L’hameçonnage consiste à envoyer des courriels ou SMS frauduleux utilisant les données récupérées grâce à la fuite de données, ce qui peut paraître plus réaliste pour les victimes. [26]


Conformité aux réglementations sur la protection des données


L’adoption de l’IA soulève des défis majeurs en matière de conformité aux réglementations sur la protection des données, telles que le RGPD. [28] Le bon fonctionnement de l’IA conduit inévitablement au non-respect des principes fondamentaux du RGPD, notamment les principes de finalité, de minimisation et de conservation limitée. [28]
Le principe de finalité est étroitement lié au consentement. Pour consentir à un traitement de données, il est nécessaire d’avoir été préalablement informé de sa finalité. [28] Or, les politiques de confidentialité des systèmes d’IA peinent souvent à répondre à ces exigences, laissant les utilisateurs dans l’incertitude quant à l’utilisation de leurs données. [28]
Le principe de minimisation exige que les données à caractère personnel collectées soient adéquates, pertinentes et limitées au regard des finalités poursuivies. [28] Plus l’IA collecte peu de données personnelles, plus elle est conforme au RGPD. [28] De plus, les données personnelles doivent être conservées pour une durée déterminée, fixée par le responsable du traitement en fonction de la finalité de la collecte. [28]


Transparence et politiques de confidentialité


La transparence et des politiques de confidentialité claires sont essentielles pour garantir la confiance des utilisateurs dans les systèmes d’IA. [30] L’IA, en particulier les algorithmes d’apprentissage automatique, repose fortement sur les données, soulevant des préoccupations concernant la confidentialité et la sécurité des données personnelles. [30]
La confidentialité des données englobe la protection des informations personnelles des individus, en veillant à ce qu’elles soient collectées, traitées et stockées de manière transparente et sécurisée. [30] Avec la capacité de l’IA à analyser et interpréter les données à grande échelle, la possibilité d’atteintes à la vie privée et d’abus devient une préoccupation urgente. [30] Les accès non autorisés, les fuites de données et les biais algorithmiques ne sont que quelques-uns des risques associés aux systèmes pilotés par l’IA. [30]


Un autre défi important est l’utilisation éthique des données. Les systèmes d’IA formés sur des ensembles de données biaisés ou incomplets peuvent perpétuer la discrimination et renforcer les inégalités sociales existantes. [30] Pour équilibrer les avantages de l’IA avec des considérations éthiques, il faut porter une attention particulière aux pratiques de collecte de données, à la conception d’algorithmes et à la surveillance continue des biais potentiels. [30]


Les solutions pour surmonter les freins


Investissements et incitations financières


Pour encourager l’adoption de l’IA, les gouvernements et les institutions financières proposent divers programmes d’incitations financières. De nombreux pays offrent des subventions pour les projets d’IA, réduisant ainsi le fardeau financier des entreprises. [39] [31] Les crédits d’impôt pour la recherche et le développement (R&D) peuvent également aider les entreprises à récupérer une partie des coûts associés à l’innovation en IA. [39] [31]


Les entreprises peuvent bénéficier de programmes de financement innovants, comme le leasing d’équipements ou les solutions d’IA en tant que service (AIaaS), qui étalent les coûts sur une période prolongée. [39] [31] Ces options permettent d’alléger les investissements initiaux et de rendre l’adoption de l’IA plus accessible, en particulier pour les petites et moyennes entreprises (PME).


Formation et développement des compétences


Pour surmonter la pénurie de talents et le manque de compétences, les entreprises doivent investir dans la formation continue. Les cours en ligne et les ateliers spécialisés peuvent aider à former le personnel existant aux nouvelles compétences nécessaires en IA. [39] [31] Des entreprises comme Possibility proposent un accompagnement sur mesure pour soutenir et former les équipes dans la navigation des défis de l’intelligence artificielle. [39] [31]


Les partenariats académiques sont également cruciaux. En collaborant avec des universités et des écoles techniques, les entreprises peuvent développer des programmes éducatifs adaptés à leurs besoins spécifiques. [39] [31] Encourager les employés à obtenir des certifications reconnues en IA permet de valider leurs compétences et d’améliorer leur employabilité. [39] [31]


Gestion du changement et culture d’entreprise


L’adoption de l’IA implique souvent des changements organisationnels significatifs. Une communication transparente sur les bénéfices de l’IA et ses impacts potentiels peut réduire la résistance au changement. [39] [31] Impliquer les employés dans le processus d’adoption de l’IA, recueillir leurs retours et les rendre parties prenantes de la transformation est essentiel. [39] [31]


Les dirigeants doivent montrer l’exemple en adoptant une attitude proactive envers l’IA et en articulant une vision claire de son intégration dans l’entreprise. [39] [31] Des formations comme EXAD by SQORUS permettent d’élaborer une feuille de route pour aborder les implications du changement avec sérénité, en minimisant la résistance et en maximisant l’engagement des collaborateurs. [36]


Sécurité et confidentialité des données


La sécurité des données et la confidentialité sont des préoccupations majeures pour les entreprises adoptant l’IA. Mettre en place des protocoles de sécurité avancés pour protéger les données sensibles contre les cyberattaques est crucial. [39] [31] Assurer la conformité aux lois et réglementations en vigueur, comme le RGPD en Europe, permet de protéger la confidentialité des données des utilisateurs. [39] [31]


Développer et communiquer des politiques de confidentialité transparentes renforce la confiance des clients et des partenaires. [39] [31] Des techniques comme le chiffrement de bout en bout, la gestion des accès et la confidentialité différentielle offrent des niveaux de protection supplémentaires pour les données sensibles. [37]


Simplification et modularité des solutions IA


Pour faciliter l’adoption de l’IA, les entreprises peuvent bénéficier de solutions plus accessibles et modulaires. Proposer des solutions d’IA qui peuvent être intégrées progressivement dans les systèmes existants permet une adoption par étapes et réduit les risques. [39] [31]


Utiliser des outils et des plateformes d’IA offrant des interfaces conviviales et des fonctionnalités de personnalisation permet aux employés de différents niveaux de compétence de les utiliser efficacement. [39] [31] Fournir un support technique continu et des ressources de formation aide les entreprises à surmonter les défis techniques liés à l’implémentation de l’IA. [39] [31]


Études de cas et exemples réussis


Entreprises pionnières dans l’adoption de l’IA
Environ 26 % des grandes entreprises françaises (> 1 000 employés) déclarent avoir activement déployé l’IA dans leurs activités. [41] 45 % supplémentaires explorent ou expérimentent actuellement l’IA mais n’ont pas déployé leurs modèles. [41] Toutefois, 45 % des entreprises qui explorent ou déploient déjà l’IA déclarent avoir accéléré leur déploiement ou leurs investissements dans cette technologie. [41] [42]


Nous constatons que les utilisateurs pionniers qui ont surmonté les obstacles et qui ont déployé ou exploré l’IA en ressentent déjà les bénéfices et réalisent de nouveaux investissements. [41] [42] Nous voyons des organisations tirer parti de l’IA pour des cas d’usage où la technologie peut avoir le plus rapidement un impact profond, comme le marketing et les ventes, l’automatisation informatique, l’automatisation du traitement, de la compréhension et du flux des documents, ainsi que la surveillance et la gouvernance de l’IA. [41] [42]


Retours d’expérience et bonnes pratiques


Pour les 45 % d’entreprises bloquées dans un bac à sable, 2024 sera l’année où il faudra s’attaquer aux barrières à l’entrée telles que le manque de compétences et les préoccupations éthiques et les surmonter. [42]


Les participants au groupe de travail soulignent l’importance de construire la stratégie d’IA de l’entreprise ou de l’administration publique de façon globale et cohérente en intégrant l’ensemble des solutions d’IA et en analysant avec attention le marché. [43] Comme pour tout projet, les règles de base sont applicables : Travailler avec des partenaires connus de son entourage, confirmés et de confiance, prêts à coopérer afin d’apprendre ensemble, par exemple, les Entreprises de Services Numériques intégrées dans les processus de son organisation. [43]


Isoler, compartimenter et prototyper dans des domaines qui ne sont pas critiques permet de monter en compétences et en expertise dans les solutions d’IA générative, au niveau de l’infrastructure, de l’architecture et de l’entraînement des modèles. [43] Les outils d’IA générative ne constituent pas la réponse à tous les problèmes : il est essentiel de choisir les outils les plus simples répondant au besoin et dont on sait qu’ils fonctionnent très bien. [43]


Rechercher la robustesse des solutions d’IA générative au travers des critères suivants :
• Périmètre de validité, l’algorithme fait ce qu’il doit faire, tout ce qu’il doit faire et seulement ce qu’il doit faire ;
• Explicabilité et transparence, en effet s’il est facile de spécifier les outils d’IA générative, il est plus difficile de savoir comment ils vont se comporter puisqu’ils ne donnent jamais exactement deux fois la même réponse à une même question ;
• Sûreté et fiabilité, prévisibilité, résilience face aux erreurs, cohérence ;
• Conformité réglementaire, confidentialité, standardisation, éthique. [43]
Évaluer l’empreinte environnementale des outils d’IA générative est également important que ce soit au niveau de l’efficacité énergétique, la décarbonation, l’eau et les ressources abiotiques, l’économie circulaire. [43]


La présente note a pour objectif de partager les réflexions du Groupe de Travail Cigref « IA & IA génératives » piloté par Baladji SOUSSILANE, Vice-President Digital & IT du groupe Air Liquide, administrateur du Cigref, animé par Marine de Sury, directrice de mission au Cigref, et réunissant plus d’une cinquantaine de ses membres pour échanger sur leurs pratiques et mettre en commun leurs expériences. [44] Cette note sur les outils d’IA générative s’adresse à l’ensemble des collaborateurs et des citoyens. Elle propose des pistes pour que ceux-ci utilisent les nouvelles opportunités offertes par ces outils, en gardant le contrôle et en étant conscients des risques et des difficultés potentielles. Ce document partage également une approche structurée pour tirer parti de ces nouvelles technologies et propose une série de bonnes pratiques associées. [44]


Le rôle du gouvernement et des organismes de régulation


Stratégie nationale pour l’intelligence artificielle
La France a mis en place une stratégie nationale pour l’intelligence artificielle (IA) dans le but de préserver et consolider sa souveraineté économique, technologique et politique, tout en mettant l’IA au service de l’économie et de la société. [45] Le Comité Stratégique de filière pour la Nouvelle France Industrielle et l’Intelligence Artificielle (COSNIA) a été créé pour articuler et piloter cette stratégie au niveau interministériel. [45]


Le COSNIA est rattaché au Directeur général des Entreprises du ministère de l’Économie, des Finances, de la Souveraineté industrielle et numérique, en lien avec le Secrétariat général pour l’investissement. Il s’appuie sur l’ensemble des administrations concernées, ainsi que sur les centres et laboratoires de recherche dédiés à l’intelligence artificielle. [45]
Réglementation européenne sur l’IA
L’Union européenne a adopté l’IA Act, une réglementation visant à encadrer le développement et l’utilisation de l’IA tout en favorisant l’innovation et l’émergence d’acteurs européens dans ce domaine. [46] Cette réglementation, qui entrera en vigueur en 2026, représente un compromis entre la protection des citoyens et la promotion de l’innovation en IA. [46]
Régulation des modèles d’IA générative
Un chapitre entier de l’IA Act est consacré à la régulation des modèles d’IA à usages multiples, également appelés “general purpose AI”. Les modèles qui soulèvent des risques systémiques seront soumis à une réglementation plus stricte. [46]
Équilibre entre protection des droits et innovation
Lors des négociations finales, un débat a eu lieu concernant la régulation des IA génératives. Le Parlement européen était particulièrement soucieux de la protection des droits fondamentaux menacés par ces systèmes, tandis que le Conseil européen mettait l’accent sur l’innovation, le leadership européen et la souveraineté numérique. [46]
Rôle des régulateurs nationaux
La qualité de la régulation dépendra de l’approche adoptée par le régulateur de chaque pays membre. Chaque régulateur devra trouver un équilibre entre la protection des droits des personnes, d’autres objectifs d’intérêt général et la promotion de l’innovation. [46]
Approche réglementaire aux États-Unis
Aux États-Unis, l’approche réglementaire en matière d’IA diffère de celle de l’Union européenne. [46]
Ordonnance de la Maison Blanche
Récemment, la Maison Blanche a adopté une ordonnance visant à promouvoir le leadership américain dans le domaine de l’IA tout en protégeant les citoyens contre les abus potentiels. [46]
Investissements et facilitation de l’innovation
Le gouvernement américain prévoit d’investir 2,5 milliards de dollars dans la création de bases de données d’apprentissage et de centres de calcul mutualisés, accessibles aux chercheurs et aux entreprises innovantes. Des mesures seront également prises pour attirer des talents étrangers en facilitant l’obtention de visas pour les data scientists. [46]
Enquêtes antitrust
L’autorité de la concurrence américaine a lancé des enquêtes à l’encontre d’OpenAI, Microsoft, Google, Amazon et Anthropic afin de s’assurer que l’innovation ne soit pas freinée par les grandes entreprises technologiques. [46]
Coordination et réglementation sectorielle en Europe
En Europe, il existe déjà de nombreuses réglementations et régulateurs sectoriels qui traitent indirectement de l’IA dans des domaines tels que la finance, la santé ou les transports. [46] L’IA Act viendra compléter ces réglementations existantes en comblant les lacunes réglementaires. [46]
Cependant, la coexistence de ces différentes réglementations, chacune avec ses exigences spécifiques, pourrait rendre la navigation complexe pour les entreprises, du moins dans un premier temps. [46]
Coordination nationale en France
En France, une discussion est en cours pour désigner un coordinateur central de l’IA. [46] Bien que la Commission Nationale de l’Informatique et des Libertés (CNIL) soit chargée de la protection des droits fondamentaux, notamment en matière de vie privée, un régulateur dédié à l’IA devra prendre en compte d’autres enjeux tels que l’innovation, la protection de l’environnement, la santé publique et la souveraineté numérique. [46]
Conclusion
En conclusion, l’adoption de l’intelligence artificielle dans les entreprises est un processus complexe qui nécessite de surmonter plusieurs obstacles majeurs. Des défis tels que les coûts financiers élevés, la pénurie de compétences qualifiées, les préoccupations liées à la sécurité et à la confidentialité des données, ainsi que les obstacles culturels et organisationnels, peuvent freiner l’intégration de cette technologie révolutionnaire. Cependant, en mettant en œuvre des stratégies efficaces, en investissant dans la formation et le développement des compétences, en améliorant la gestion du changement et en renforçant la confiance dans la protection des données, les entreprises peuvent tirer pleinement parti des avantages transformateurs de l’IA.
Les gouvernements et les organismes de réglementation jouent également un rôle crucial en établissant des cadres réglementaires équilibrés, en encourageant l’innovation tout en protégeant les droits et les libertés des citoyens. En travaillant en étroite collaboration avec toutes les parties prenantes, des solutions durables peuvent être mises en place pour favoriser une adoption responsable et éthique de l’IA, offrant ainsi de nouvelles opportunités de croissance et de compétitivité pour les entreprises et l’économie dans son ensemble.


FAQs


Quels sont les différents types d’intelligence artificielle ?


Il y a principalement trois catégories d’intelligence artificielle : l’intelligence artificielle étroite (ANI), qui est spécialisée dans une tâche spécifique ; l’intelligence artificielle générale (AGI), capable de réaliser n’importe quelle tâche intellectuelle qu’un humain peut faire ; et la superintelligence artificielle (ASI), qui surpasse les capacités intellectuelles humaines.


Quelles professions sont menacées de disparition par l’intelligence artificielle ?
Certains métiers sont plus susceptibles d’être affectés par l’avancée de l’intelligence artificielle et de la robotisation. Par exemple, les employés de banque et d’assurance pourraient voir leur emploi disparaître entre 2038 et 2051, les employés de la comptabilité entre 2041 et 2056, les secrétaires de bureautique et de direction entre 2053 et 2072, les caissiers et employés de libre-service entre 2050 et 2066, et les ouvriers de la manutention entre 2071 et 2091.


Quel est l’effet de l’intelligence artificielle sur l’emploi ?


L’impact de l’intelligence artificielle sur l’emploi peut se manifester de deux manières principales : elle peut entraîner une déqualification des travailleurs en automatisant des tâches complexes, ou au contraire favoriser une montée en qualification, notamment dans les domaines de la santé comme pour les infirmiers et les manipulateurs radio, ou dans la maintenance dans les secteurs des transports.


Qui est considéré comme le père de l’intelligence artificielle ?


John McCarthy est souvent désigné comme le père de l’intelligence artificielle. Après la Seconde Guerre mondiale et avec l’avènement des ordinateurs programmables, l’IA a commencé à se développer. McCarthy a nommé cette discipline “intelligence artificielle” lors de la conférence de Dartmouth en 1956, marquant ainsi la naissance officielle de ce champ scientifique.


Références
[1] – https://www.sap.com/france/products/artificial-intelligence/what-is-artificial-intelligence.html
[2] – https://www.economie.gouv.fr/entreprises/intelligence-artificielle
[3] – https://www.possibility.fr/2024/05/18/les-freins-et-solutions-a-ladoption-de-lia-dans-les-entreprises-defis-et-opportunites/
[4] – https://www.economie.gouv.qc.ca/bibliotheques/le-secteur/technologies-de-linformation-et-des-communications/intelligence-artificielle/les-defis-de-ladoption-de-lintelligence-artificielle-en-entreprise
[5] – https://agence.media/intelligence-artificielle-a-quel-prix-pour-les-entreprises/
[6] – https://konfuzio.com/fr/frais-de-ki/
[7] – https://konfuzio.com/fr/frais-de-ki/
[8] – https://finmodelslab.com/fr/blogs/startup-costs/artificial-intelligence-tool-development-startup-costs
[9] – https://agence.media/intelligence-artificielle-a-quel-prix-pour-les-entreprises/
[10] – https://www.orsys.fr/formation/formation_intelligence_artificielle_en_entreprise_etat_de_l_art.html
[11] – https://www.possibility.fr/2024/05/18/les-freins-et-solutions-a-ladoption-de-lia-dans-les-entreprises-defis-et-opportunites/
[12] – https://fastercapital.com/fr/sujet/%C3%A9valuer-l’impact-de-l’incertitude-sur-le-retour-sur-investissement.html
[13] – https://www.possibility.fr/2024/05/18/les-freins-et-solutions-a-ladoption-de-lia-dans-les-entreprises-defis-et-opportunites/
[14] – https://www.latribune.fr/economie/france/adoption-de-l-ia-digitalisation-pourquoi-les-pme-francaises-sont-a-la-traine-985712.html
[15] – https://kaizen-solutions.net/kaizen-insights/articles-et-conseils-de-nos-experts/data-scientist-une-denree-rare/
[16] – https://www.lepont-learning.com/fr/cartographie-metiers-data-demandes/
[17] – https://culture-rh.com/ia-rh-impacts-gestion-competences/
[18] – https://www.oecd-ilibrary.org/sites/4f0c23c5-fr/index.html?itemId=/content/component/4f0c23c5-fr
[19] – https://www.cairn.info/revue-rimhe-2019-3-page-29.htm
[20] – https://sweetdigital.fr/guide-agence-ia/agence-ia-gestion-changement-defi-majeur/
[21] – https://management-datascience.org/articles/26798/
[22] – https://www.hbrfrance.fr/leadership/quand-les-hommes-et-les-machines-collaborent-redefinir-le-leadership-a-lere-de-lia-60310
[23] – https://management-datascience.org/articles/26798/
[24] – https://www.conseiletorganisation.com/publications/l_accompagnement_au_changement_a_l_ere_de_l_intelligence_artificielle
[25] – https://www.verspieren.com/fr/entreprise/article/iard/risques-cyber-ia
[26] – https://www.cnil.fr/fr/diffusion-de-donnees-piratees-la-suite-dune-cyberattaque-quels-sont-les-risques-et-les-precautions
[27] – https://www.cnil.fr/fr/intelligence-artificielle/ia-comment-etre-en-conformite-avec-le-rgpd
[28] – https://solutions.lesechos.fr/juridique/loi-conformite/ia-comment-etre-en-conformite-avec-le-rgpd/
[29] – https://www.diplomatie.gouv.fr/fr/politique-etrangere-de-la-france/diplomatie-numerique/transparence-et-responsabilite-les-enjeux-de-l-intelligence-artificielle/
[30] – https://blogs.manageengine.com/fr/2024/03/11/impact-de-lia-sur-la-confidentialite-des-donnees.html
[31] – https://www.possibility.fr/2024/05/18/les-freins-et-solutions-a-ladoption-de-lia-dans-les-entreprises-defis-et-opportunites/
[32] – https://www.economie.gouv.fr/files/files/directions_services/cge/commission-IA.pdf
[33] – https://culture-rh.com/ia-est-elle-vraiment-une-aide-au-developpement-des-competences-des-salaries/
[34] – https://www.francecompetences.fr/recherche/rncp/38584/
[35] – https://www.conseiletorganisation.com/publications/l_accompagnement_au_changement_a_l_ere_de_l_intelligence_artificielle
[36] – https://www.sqorus.com/accompagnement-changement-ere-intelligence-artificielle/
[37] – https://www.smartpredictservices.com/fr/blog/confidentialite-et-protection-des-donnees/
[38] – https://blogs.manageengine.com/fr/2024/03/11/impact-de-lia-sur-la-confidentialite-des-donnees.html
[39] – https://www.possibility.fr/2024/05/18/les-freins-et-solutions-a-ladoption-de-lia-dans-les-entreprises-defis-et-opportunites/
[41] – https://fr.newsroom.ibm.com/Les-donnees-suggerent-que-la-croissance-de-ladoption-de-lIA-par-les-entreprises-est-due-a-un-deploiement-generalise-par-les-utilisateurs-pionniers,-mais-que-des-obstacles-maintiennent-45-dentre-elles-dans-les-phases-dexploration-et-dexperimentation
[42] – https://www.decideo.fr/Les-donnees-suggerent-que-la-croissance-de-l-adoption-de-l-IA-par-les-entreprises-est-due-a-un-deploiement-generalise_a13476.html
[43] – https://www.cigref.fr/wp/wp-content/uploads/2024/02/29022024-Note-dinformation-et-dactualite-Cigref-LIA-en-entreprise-retours-dexperience-et-bonnes-pratiques-Fevrier-2024-.pdf
[44] – https://www.cigref.fr/lia-en-entreprise-retours-dexperience-et-bonnes-pratiques
[45] – https://www.entreprises.gouv.fr/fr/numerique/enjeux/la-strategie-nationale-pour-l-ia
[46] – https://www.telecom-paris.fr/fr/ideas/regulation-intelligence-artificielle
[47] – https://management-datascience.org/articles/26798/
[48] – https://fr.linkedin.com/pulse/ia-g%C3%A9n%C3%A9rative-quels-d%C3%A9fis-pour-son-adoption-guillaume-durand
[49] – https://www.hubinstitute.com/articles/innover-sur-lethique-de-lia-une-source-de-competitivite-pour-les-entreprises
[50] – https://www.possibility.fr/2024/01/25/optimisez-la-competitivite-de-votre-entreprise-grace-a-lia/
[51] – https://onopia.com/lavenir-de-lintelligence-artificielle-en-2025-progres-perspectives-et-impacts/
[52] – https://www.bibamagazine.fr/lifestyle/travail/carrieres-en-intelligence-artificielle-perspectives-davenir-et-competences-requises-363865.html



Pour aller plus loin :

+2000 téléchargements ✨

Guide IA Gratuit

🎁 Recevez immédiatement le guide des 10 meilleurs prompts, outils et ressources IA que vous ne connaissez pas.