Quand une entreprise peut-elle vraiment qualifier son système informatique d'IA ?

Les dirigeants décrivent de plus en plus leurs systèmes comme étant « propulsés par l’IA », mais cette étiquette est appliquée de manière incohérente et la distinction entre une véritable intelligence artificielle et une automatisation classique est fréquemment brouillée, tant dans le discours des fournisseurs que dans les rapports internes. Cette distinction compte, car elle influence les décisions d’investissement, les exigences de gouvernance et les attentes que la direction place dans ce qu’un système peut réellement accomplir. Cette perspective présente les caractéristiques techniques qui distinguent réellement l’IA de l’automatisation, afin que la direction puisse évaluer les systèmes sur ce qu’ils font plutôt que sur la façon dont ils sont étiquetés.

Ce qui distingue réellement l’IA de l’automatisation

L’automatisation exécute des règles prédéfinies. Pour une entrée donnée, elle produit chaque fois le même résultat et son comportement ne change pas tant que personne ne modifie les règles. L’intelligence artificielle se définit par un ensemble différent de capacités : la capacité d’apprendre à partir des données, d’adapter son comportement en fonction de cet apprentissage, de reconnaître des motifs qui n’ont pas été explicitement programmés, de prédire des résultats, et, dans ses formes les plus avancées, de prendre des décisions sans intervention humaine à chaque étape. Un système entièrement bâti sur une logique « si ceci, alors cela », aussi sophistiquée soit-elle, relève de l’automatisation. Un système qui améliore sa propre performance à mesure qu’il traite davantage de données relève de l’IA.

L’apprentissage automatique, fondement de la plupart des affirmations relatives à l’IA

L’apprentissage automatique constitue le fondement technique de la plupart des capacités d’IA légitimes, et il prend trois formes principales. L’apprentissage supervisé entraîne un système sur des données étiquetées, de sorte qu’il apprend à associer des entrées à des résultats connus et améliore ses prédictions à mesure qu’il traite davantage d’exemples. L’apprentissage non supervisé fournit au système des données non étiquetées et lui demande d’identifier lui-même des motifs et une structure, sans réponse préétablie. L’apprentissage par renforcement permet à un système d’apprendre par essais et erreurs, en ajustant son comportement selon la rétroaction reçue sur les actions ayant produit de meilleurs ou de moins bons résultats. Un système qui exerce concrètement l’une de ces capacités exerce une véritable capacité d’IA. Un système entraîné une seule fois puis exécuté sans changement se rapproche davantage d’une automatisation à laquelle un modèle construit par IA a été greffé.

La décision fondée sur les données remplace le jugement par la preuve

Les décisions d’affaires prises sur la seule intuition comportent un coût réel, et c’est là que la valeur pratique de l’IA est la plus directe. Les systèmes d’IA ne se contentent pas de produire des rapports qu’une personne doit interpréter. Ils analysent des tendances, repèrent des motifs dans de vastes ensembles de données et produisent des prédictions plus rapidement qu’une analyse manuelle ne le permettrait et surtout, leur précision s’améliore à mesure qu’ils traitent davantage de données au fil du temps. Un système qui exige qu’une personne exécute et interprète manuellement un rapport avant qu’une décision puisse être prise fournit de la Business Intelligence, ce qui a une réelle valeur, mais ne démontre pas en soi une capacité d’IA.

Le traitement du langage naturel permet aux systèmes de comprendre et de répondre

Le traitement du langage naturel est ce qui distingue un système qui se contente de faire correspondre des mots-clés d’un système qui interprète réellement le sens. La plupart des agents conversationnels destinés aux clients reposent sur des arbres de décision scriptes qui renvoient la réponse pré-rédigée la plus proche, ce qui constitue un modèle d’automatisation utile, mais pas de l’IA. Un système bâti sur un véritable traitement du langage naturel comprend l’intention, interprète le contexte et génère une réponse calibrée sur ce qui a réellement été demandé plutôt que sur la correspondance de mots-clés la plus proche. Les assistants et systèmes de soutien qui améliorent leurs réponses en fonction du schéma des échanges antérieurs démontrent une véritable capacité de traitement du langage naturel.

La vision par ordinateur étend l’IA aux images et à la vidéo

La vision par ordinateur applique le même principe aux données visuelles : un système qui stocke ou affiche des images remplit une fonction de stockage, tandis qu’un système qui analyse ces images pour détecter des défauts, reconnaître des objets ou interpréter un flux vidéo applique l’IA. Le facteur distinctif demeure le même que pour les autres capacités : le système apprend à partir des données visuelles qu’il traite, il ne se contente pas de les cataloguer.

La décision autonome, test le plus clair d’une véritable IA

La preuve la plus claire d’une capacité d’IA est un système qui prend des décisions plutôt que de se contenter de les recommander. Un système qui analyse des données en temps réel et agit en conséquence sans exiger d’approbation à chaque étape, dans un cadre opérationnel défini, fonctionne comme une véritable IA. Un système qui exige encore qu’une personne examine et approuve la plupart des résultats avant qu’une action ne soit prise fournit un soutien à la décision, ce qui a de la valeur, mais la décision elle-même demeure entre les mains d’une personne.

L’informatique cognitive représente la forme la plus avancée de l’IA

La catégorie la plus avancée de capacité d’IA est l’informatique cognitive : des systèmes conçus pour approcher les processus de raisonnement humain, y compris l’apprentissage, l’inférence et la résolution de problèmes, appliqués à des tâches de jugement réellement complexes telles que le soutien diagnostique ou le conseil sur des questions réglementaires complexes. Cette catégorie représente une infime fraction de ce qui est déployé dans la plupart des entreprises aujourd’hui, et c’est précisément là que l’étiquette IA est le plus souvent surestimée, lorsqu’elle est revendiquée sans la capacité sous-jacente pour la soutenir.

L’analytique prédictive transforme les données historiques en perspective d’avenir

L’analytique prédictive utilise des données historiques pour formuler des estimations éclairées sur des résultats futurs, tels que le volume de ventes attendu, le risque d’attrition de la clientèle ou la probabilité d’une défaillance d’équipement. Un système qui utilise des données passées pour anticiper des tendances futures, optimiser les stocks avant un changement de la demande ou signaler un risque avant qu’il ne se matérialise applique l’IA sous l’une de ses formes les plus directement utiles pour la planification et l’allocation des ressources.

Pourquoi tout système automatisé ne mérite pas l’étiquette IA

L’implication concrète sur le plan de la gouvernance est simple. Un système fondé sur des règles qui se comporte de façon identique à chaque exécution, guidé par une logique figée, relève de l’automatisation et non de l’IA, quelle que soit la façon dont il est commercialisé. Un système qui exige qu’une personne interprète son résultat avant qu’une véritable décision ne soit prise fournit une Business Intelligence de valeur, mais n’a pas encore démontré l’apprentissage, l’adaptation et la décision autonome qui définissent l’IA. Étiqueter de l’automatisation comme de l’IA n’est pas une question cosmétique. Cela amène les dirigeants à attendre des capacités que le système ne possède pas, et cela peut fausser des décisions d’investissement et de gouvernance fondées sur une compréhension exagérée de ce que le système accomplit réellement.

Questions fréquemment posées

Un répondeur automatique de courriels fondé sur des règles est-il de l’IA ? Non, sauf s’il déduit le sentiment exprimé dans un message et adapte sa réponse en conséquence. Un système qui envoie une réponse fixe selon une règle fixe relève de l’automatisation.

L’apprentissage automatique est-il nécessaire pour qu’un système soit qualifié d’IA ? En pratique, oui, sous une forme ou une autre. Un système qui n’apprend pas des données au fil du temps répond difficilement à une définition sérieuse de l’IA, quelle que soit la façon dont il est décrit.

Quelle est la différence concrète entre la Business Intelligence et l’IA ? La Business Intelligence rapporte ce qui s’est produit, sur la base des données. L’IA va un pas plus loin et recommande ou exécute ce qu’il convient de faire ensuite, en fonction des motifs qu’elle a identifiés et qu’elle continue d’affiner.

Tout agent conversationnel est-il un système d’IA ? Non. Un agent conversationnel qui n’apprend pas des échanges antérieurs et n’améliore pas ses réponses au fil du temps est un arbre de décision scripté, pas de l’IA.

L’intégration d’un outil d’IA tiers rend-elle l’ensemble du système intelligent ? Seulement dans la mesure où le système utilise réellement cet outil pour apprendre, décider ou adapter son propre comportement. L’intégration seule ne transforme pas le reste du système en IA.

L’IA peut-elle améliorer concrètement la prise de décision d’affaires ? Oui, lorsqu’elle analyse des données réelles, fait ressortir des motifs qu’un examen manuel manquerait et produit des prédictions prospectives fondées sur cette analyse, plutôt que de remplacer le jugement par une estimation automatisée tout aussi peu fondée.

Photo : Simon Kadula sur Unsplash