La longue traîne de l’IA

• Depuis le lancement de ChatGPT en novembre 2022, les startups IA ont suscité un intérêt massif des investisseurs, au point qu’au deuxième trimestre 2024, 49 % de l’ensemble des financements venture ont été investis dans des startups d’IA et de machine learning.
• Les fournisseurs de modèles comme OpenAI, ainsi que les entreprises AI-native comme Perplexity ou Jasper, attirent l’attention, mais en réalité, le nombre d’entreprises « non-IA » affectées par l’IA est encore plus important.
• Nous appelons l’impact de l’IA sur ces entreprises non-IA la « longue traîne de l’IA », et cette longue traîne peut être divisée en quatre catégories selon la manière dont les entreprises intègrent l’IA :
  • Construire un modèle indépendant
  • Exploiter des modèles existants comme GPT-4 d’OpenAI
  • Construire sur des modèles open source comme Llama de Meta
  • Utiliser des outils d’IA préconçus comme ChatGPT
• Construire un modèle indépendant et propriétaire est la manière la plus gourmande en ressources d’exploiter l’IA, et convient généralement aux entreprises qui disposent de vastes sources de données originales ainsi que de ressources humaines et financières suffisantes pour entraîner un nouveau modèle.
• Les modèles closed source comme les GPT d’OpenAI ou Claude d’Anthropic ont été entraînés sur des dizaines de milliards à des milliers de milliards de paramètres, et peuvent produire des résultats précis et détaillés dans des domaines variés, du code au service client ; ils sont en outre facilement accessibles via API.
• Les modèles open source comme Mistral ou Llama de Meta sont des outils puissants ; Llama 3.1 a été entraîné sur 405 milliards de paramètres. Contrairement aux modèles closed source, les modèles open source offrent transparence et flexibilité, et permettent d’ajuster les poids du modèle pour répondre aux besoins spécifiques des clients.
• Les outils d’IA tiers comme ChatGPT sont les plus simples à intégrer, car les clients peuvent utiliser des outils prêts à l’emploi sans avoir à construire ni ajuster un modèle en interne.
• Les stratégies IA varient d’une entreprise à l’autre, mais les entreprises qui réussissent utilisent l’IA pour compléter leur activité existante, s’inspirent des réussites de leur secteur et conservent de la flexibilité à mesure que la technologie IA évolue.

La loi de puissance du hype dans l’IA

• Distribution normale vs. loi de puissance : la distribution normale est un type de répartition courant dans la vie quotidienne, comme pour le QI, les notes d’examen ou la tension artérielle, où les données se concentrent autour de la moyenne. À l’inverse, de nombreux phénomènes dans le monde sont définis par une loi de puissance, dans laquelle un petit nombre de cas extrêmes détermine l’essentiel des résultats.
  • Par exemple, en 2023, plus de la moitié de la hausse de l’indice S&P 500 a été portée par 7 actions seulement, soit à peine 1,4 % de l’indice.
  • Dans le capital-risque aussi, un petit nombre d’investissements réussis génère l’essentiel des rendements d’un fonds. Exemple : Fred Wilson, fondateur de Union Square Ventures, a déclaré qu’« un seul investissement peut générer le rendement de l’ensemble du fonds ».
• La loi de puissance dans l’IA : tout comme les capitaux s’étaient concentrés sur les entreprises internet pendant la bulle Dot Com, le secteur de l’IA connaît en 2024 un hype comparable.
  • Dans la cohorte été 2024 de YCombinator, 75 % développent des produits liés à l’IA.
  • 49 % des investissements de venture capital au deuxième trimestre 2024 se sont concentrés sur les startups d’IA et de machine learning (contre 29 % au deuxième trimestre 2022).
  • Début 2020, la valorisation médiane des jeunes entreprises d’IA, de SaaS et de fintech était respectivement de $25M, $27M et $28M ; en 2024, elle est passée à $70M, $46M et $50M.
  • OpenAI, bien qu’en déficit, a levé de nouveaux capitaux en octobre 2024 sur une valorisation de $157B (soit 39 fois son chiffre d’affaires).
• Les limites des startups AI-native : avec l’émergence de l’IA générative et des LLM, l’IA est en train de devenir le produit cœur de nombreuses entreprises. Mais alors que les entreprises AI-native monopolisent l’attention des investisseurs, les entreprises non-IA subissent elles aussi l’impact des avancées technologiques de l’IA. La plupart des entreprises ne sont pas, par nature, des entreprises d’IA, mais les progrès de l’IA auront un effet majeur sur leur modèle économique.
• De la longue traîne d’internet à la longue traîne de l’IA : après la bulle Dot Com, les entreprises non-internet qui ont su s’adapter à la tendance internet ont remporté de grands succès. Par exemple, Walmart a été fondé en 1962, mais son chiffre d’affaires e-commerce a atteint $73B en 2023, soit une croissance de 5x par rapport à 2017.
  • Aujourd’hui apparaît une « longue traîne de l’IA », qui englobe des entreprises non-IA de secteurs variés comme la fintech, le SaaS, la santé, l’e-commerce ou la logistique.
• L’impact généralisé de l’IA : de l’usage d’outils d’IA préconstruits à l’intégration de l’IA dans les workflows internes, des entreprises de nombreux secteurs utilisent ou cherchent à utiliser l’IA. Comme internet a transformé les entreprises non-internet, l’IA aura elle aussi un impact large qui ne se limitera pas aux seules entreprises construisant des modèles d’IA.

Définir la longue traîne de l’IA

• Les entreprises d’IA concentrent l’essentiel de l’attention et des investissements autour de l’IA, et peuvent être réparties en deux catégories :
  • Les entreprises de modèles : des sociétés comme OpenAI, Anthropic ou Mistral, qui développent et fournissent aux utilisateurs des LLM (grands modèles de langage) propriétaires ou open source.
  • Les entreprises AI-native : des sociétés comme Perplexity ou Jasper, qui proposent des produits et services fondés sur des modèles d’IA.
• Dans la première catégorie, le modèle lui-même est le produit. Dans la seconde, le modèle d’IA constitue le cœur de la fonctionnalité, et sans lui l’entreprise elle-même n’existerait pas. Par exemple, Tuhin Srivastava, CEO de Baseten, explique que « sans modèle, une entreprise AI-native n’existe pas ».
• Cependant, la plupart des entreprises, comme Bloomberg, Walmart ou Canva, n’entrent dans aucune de ces deux catégories. Elles appartiennent à une catégorie plus large appelée « longue traîne de l’IA ».
• Les principales questions de cette longue traîne
  • Quel impact les avancées technologiques de l’IA auront-elles sur des business models qui existaient déjà avant le lancement de ChatGPT ?
  • Comment les salariés de différents secteurs — des analystes de cabinets de conseil aux ingénieurs logiciel des entreprises technologiques — utilisent-ils l’IA aujourd’hui, et comment l’utiliseront-ils demain ?
  • Comment les entreprises se positionnent-elles sur le marché de l’IA ? Construisent-elles leurs propres modèles ou utilisent-elles des outils développés à l’extérieur ?
• Exemples d’usage de l’IA par différentes entreprises
  • Exemple : Ramp (plateforme de gestion des dépenses) et Atlassian (entreprise SaaS australienne) ont ajouté de l’IA générative par-dessus leurs données et workflows existants.
  • Klarna (fintech suédoise) a investi dans l’IA pour améliorer l’efficacité de ses opérations internes, et son chatbot IA a affiché des performances équivalentes à celles de 700 employés à temps plein du service client.
  • PwC a signé en mai 2024 un accord pour fournir les fonctionnalités de ChatGPT Enterprise à 100 000 employés. Par ailleurs, dans une enquête de la Chambre de commerce des États-Unis en 2024, 98 % des PME ont déclaré utiliser des outils d’IA.
• Comparaison entre passé et présent
  • De la même manière qu’après le boom d’internet, des entreprises non-internet ont connu un grand succès en adoptant l’e-commerce, la « longue traîne de l’IA » signifie que des entreprises non-IA, dans de nombreux secteurs, seront elles aussi affectées par l’IA.
  • De même qu’internet a eu un impact généralisé sur les entreprises non-internet, l’IA ne se limitera pas aux entreprises qui construisent des modèles d’IA, mais influencera l’économie dans son ensemble.
• Les quatre couches de la longue traîne de l’IA
  • Construction interne de modèles d’IA indépendants : des entreprises qui bâtissent leurs propres modèles d’IA à partir de datasets propriétaires.
  • Utilisation de modèles closed source : des entreprises qui utilisent des modèles closed source d’OpenAI, Anthropic et autres.
  • Utilisation de modèles open source : des entreprises qui utilisent des modèles de Llama, Mistral ou Hugging Face.
  • Intégration d’outils d’IA préconstruits : des entreprises qui intègrent dans leurs workflows des outils d’IA déjà développés.
• Ces quatre couches ne sont pas figées, et les entreprises qui utilisent l’IA de différentes manières peuvent relever de plusieurs couches à la fois. À mesure que la technologie IA évolue rapidement, les façons dont les entreprises l’exploitent continuent elles aussi de changer.

Couche 1 : construire son propre modèle

• La stratégie la plus gourmande en ressources : dans la longue traîne de l’IA, la stratégie la plus coûteuse consiste à construire un modèle indépendant à partir de zéro. Cette stratégie convient aux entreprises qui (1) disposent de capitaux abondants et (2) possèdent des jeux de données propriétaires de grande valeur.
  • Exemple : selon Sam Altman, le coût d’entraînement de GPT-4 a atteint 100 M$.
  • Les modèles maison sont coûteux, mais pour les entreprises disposant de jeux de données propriétaires, ils offrent (A) des résultats plus fins et mieux adaptés à l’entreprise, (B) un contrôle total sur le modèle et ses poids, et (C) un potentiel de réduction des coûts par rapport aux modèles closed source.
• Bloomberg
  • Bloomberg est une entreprise new-yorkaise de données financières et de médias, qui génère plus de 12 Md$ de revenus annuels. Son produit phare, le Bloomberg Terminal, représente environ 2/3 du chiffre d’affaires total.
  • Chez Bloomberg, plus de 350 des plus de 8 000 ingénieurs appartiennent à l’équipe d’ingénierie IA, et l’entreprise publie chaque année divers articles de recherche en IA.
  • En mars 2023, Bloomberg a présenté BloombergGPT, un LLM spécialisé dans la finance. Le modèle compte au total 50B paramètres et a été entraîné en combinant 345B d’éléments issus de jeux de données publics et un corpus financier de 363B documents collectés sur 40 ans.
  • Le coût d’entraînement est estimé entre 2,7 M$ et plus de 10 M$.
  • En janvier 2024, Bloomberg a introduit dans le Terminal une fonction de résumé généré par IA, supposée reposer sur un modèle maison, entraînée avec l’aide des analystes internes.
• Replit
  • Replit est un environnement de développement intégré (IDE) web, qui propose des fonctions de collaboration, d’autocomplétion de code et de débogage.
  • Les fonctions IA de Replit combinent des modèles développés en interne, du fine-tuning de modèles open source, ainsi que des modèles closed source d’OpenAI et d’Anthropic.
    • En avril et en octobre 2023, Replit a lancé ses propres modèles de complétion de code, puis les a publiés sur Hugging Face.
    • En avril 2024, l’entreprise a lancé une fonction de débogage automatique en faisant du fine-tuning sur des modèles open source.
    • En septembre 2024, elle a lancé un programmeur pair automatique basé sur son propre modèle de 7B paramètres, mais certains utilisateurs se sont plaints des premières fonctionnalités.
• Canva
  • Canva est une plateforme australienne de design web, valorisée à 49 Md$ en octobre 2024.
  • En octobre 2023, Canva a lancé Magic Studio, un studio de design en IA générative. Ce studio construit des « modèles propriétaires » en utilisant comme données d’entraînement les contenus générés par les utilisateurs.
    • Les données utilisateurs ne sont pas utilisées sans autorisation, et les participants sont rémunérés.
  • En juillet 2024, Canva a acquis la plateforme de génération d’images Leonardo.Ai et prévoit de l’intégrer à Magic Studio.
• Walmart
  • Walmart construit des outils d’IA orientés client depuis 2018 et, en juin 2024, a basculé vers des modèles maison pour l’ensemble de ses fonctions d’IA générative.
    • En octobre 2024, Walmart a présenté Wallaby, un LLM spécialisé dans le retail. Entraîné sur les données de Walmart, ce modèle génère des réponses naturelles liées au service client.
  • Walmart utilise l’IA pour améliorer ses chatbots de support client, l’organisation de son catalogue produit et les expériences d’achat en réalité augmentée. L’entreprise propose également des expériences de shopping virtuel sur des plateformes en ligne comme Roblox.
  • Walmart privilégie les modèles maison, mais prévoit toujours d’utiliser des modèles tiers selon les cas d’usage.

Couche 2 : utiliser des modèles closed source existants

• Au lieu de construire un modèle de façon indépendante, les entreprises peuvent créer leurs propres solutions en accédant via API à des modèles d’IA closed source comme ceux d’OpenAI ou d’Anthropic.
• Les modèles closed source peuvent fournir des résultats précis dans de nombreux domaines, ce qui les rend utiles pour des tâches générales comme la transcription, le service client ou l’extraction de données.
  • Les modèles GPT d’OpenAI et Claude d’Anthropic offrent des sorties d’une très grande qualité.
• Grâce à la facilité d’accès via API, cette approche est considérée comme l’un des moyens les plus simples d’adopter l’IA sur le plan de l’ingénierie.
• Récemment, des modèles plus compacts comme GPT-4o mini ont également été lancés afin d’offrir un bon rapport coût-efficacité et des performances d’inférence rapides.
• Zapier
  • Zapier est une plateforme d’automatisation des workflows, fondée en 2011 et valorisée à 5 Md$ en août 2023.
  • L’entreprise utilise des modèles OpenAI pour améliorer ses processus d’automatisation internes, avec par exemple des fonctions de génération et de résumé de comptes rendus de réunion ou de résumé d’articles web.
  • L’outil Copilot de Zapier permet de créer des workflows à partir de prompts en langage naturel.
• Klarna
  • Klarna est une fintech suédoise qui propose un service de « Buy Now, Pay Later » et a annoncé en septembre 2024 remplacer Salesforce et Workday par l’IA.
  • Grâce à un assistant IA de service client reposant sur des modèles OpenAI, Klarna traite 2/3 des demandes de support client, soit l’équivalent de la charge de travail de 700 employés à temps plein.
  • En interne, l’entreprise utilise aussi l’assistant IA Kiki pour aider les employés à répondre à plus de 2 000 questions par jour.
• Ramp
  • Ramp est une startup fintech B2B fondée en 2019, qui propose divers produits logiciels financiers.
  • L’entreprise utilise les modèles GPT-4 et Claude pour automatiser l’analyse de données contractuelles, la catégorisation des transactions et la rédaction de notes de frais.
  • En interne, elle utilise aussi l’IA pour résumer les appels clients et fournir des fonctions de questions-réponses, intégrées à Slack.
• Atlassian
  • Atlassian est une entreprise valorisée à 50 Md$ qui propose des logiciels de collaboration d’équipe comme Jira, Trello et Confluence.
  • En avril 2023, elle a présenté une fonction d’IA générative appelée Atlassian Intelligence.
  • Cette fonction combine des modèles OpenAI et des modèles maison d’Atlassian.
  • L’assistant IA Rovo améliore la recherche dans Jira et automatise la génération de contenus marketing ainsi que la collecte de retours via des agents no-code.
• Canva
  • Canva utilise des modèles propriétaires dans Magic Studio, mais s’appuie aussi sur des modèles closed source pour certaines fonctions.
    • Exemple : l’éditeur d’écriture basé sur les modèles OpenAI génère du contenu en reprenant le ton des échantillons importés.
  • Canva exploite aussi une vaste marketplace d’apps IA, qui comprend notamment DALL-E d’OpenAI et des apps Imagen de Google.

Couche 3 : développement fondé sur des modèles open source

• Au lieu de développer leurs propres modèles de manière indépendante ou d’utiliser des modèles closed source comme GPT-4o d’OpenAI, de nombreuses entreprises construisent leurs propres outils à partir de modèles open source comme ceux de Meta, Mistral ou Hugging Face.
• Les modèles open source offrent des avantages en matière de personnalisation poussée, de transparence, de renforcement de la confidentialité des données et de réduction des coûts.
  • Selon un rapport 2024 de Databricks, 76 % des entreprises qui utilisent des LLM choisissent l’open source.
• Les modèles open source n’impliquent pas de frais de licence distincts et peuvent être auto-hébergés, ce qui permet d’éviter des coûts cloud élevés.
• Pour les clients entreprises, la réduction des problèmes de droit d’auteur et des risques de fuite de données est également un facteur important.
• VMware
  • VMware est un fournisseur de logiciels de virtualisation, acquis par Broadcom en 2023 pour $69B.
  • VMware a développé, en partenariat avec Hugging Face, un assistant de code fondé sur l’open source appelé SafeCoder.
  • Il s’appuie sur StarCoder, un modèle de 15.5B paramètres, qui collecte ses données à partir de projets open source afin de minimiser les problèmes de droit d’auteur.
  • Les clients entreprises peuvent affiner le modèle StarCoder à partir de leur propre code, ce qui aide pour les tâches internes nécessitant une connaissance métier.
• Mathpresso
  • Mathpresso est une entreprise sud-coréenne d’edtech dont l’application phare, QANDA, permet aux élèves d’obtenir automatiquement une solution en téléversant une capture d’écran d’un problème de mathématiques.
  • En 2023, elle a développé MathGPT, un LLM spécialisé en mathématiques, à partir du modèle Llama 2 de Meta.
  • MathGPT a été entraîné à partir des solutions mathématiques de QANDA et offre une personnalisation plus poussée ainsi qu’une précision adaptée au contexte éducatif, supérieures à celles des modèles commerciaux existants.
  • MathGPT surpasse Microsoft Tora sur les benchmarks MATH et GSM8K, et se classe premier parmi les modèles de 13B paramètres ou moins.
• Brave
  • Brave est un navigateur web centré sur la protection de la vie privée, avec des fonctions comme le blocage des publicités et des traqueurs.
  • En août 2023, l’entreprise a lancé un assistant IA appelé Leo, utilisant les modèles open source Llama 2 de Meta et Mixtral 8x7B de Mistral.
  • Brave ne stocke pas les données des utilisateurs et utilise des modèles auto-hébergés pour protéger leur vie privée.
  • Le modèle Claude d’Anthropic est également pris en charge, mais la configuration par défaut repose sur des modèles open source.
• Replit
  • En plus de son modèle personnalisé de complétion de code, Replit a lancé en avril 2024 l’agent IA Code Repair, après avoir affiné un modèle 7B paramètres de Hugging Face.
  • Les utilisateurs payants peuvent basculer entre le modèle open source de Replit et d’autres modèles closed source, ce qui permet de proposer des solutions adaptées à différents besoins clients.

Couche 4 : utilisation d’outils IA préconstruits

• Il s’agit des cas où les entreprises n’élaborent pas elles-mêmes de modèles d’IA, mais achètent et utilisent des outils d’IA générative prêts à l’emploi.
• Le principal avantage des outils externes est la réduction des coûts. Il est moins coûteux d’acheter un outil spécifique que d’entraîner ou d’affiner un modèle.
• Les entreprises choisissent des outils d’IA externes pour trois raisons principales :
  • Lorsqu’elles ont besoin d’outils de recherche de connaissances générales et de brainstorming
    - Exemple : selon une étude de BCG, les outils d’IA générative augmentent la productivité au travail et sont particulièrement utiles lorsque l’expertise technique fait défaut.
  • Lorsqu’elles ont besoin d’outils métiers généraux (par exemple, un chatbot de support client)
    - Il est plus rentable d’obtenir rapidement des bénéfices avec un outil tiers que de construire son propre modèle.
  • Lorsqu’il existe déjà des outils spécialisés pour un secteur donné
    - Exemple : Kira, un outil de revue de contrats juridiques, est utilisé par de nombreux cabinets d’avocats.
• Boston Consulting Group (BCG)
  • BCG est un cabinet de conseil mondial qui compte 32K employés et réalise un chiffre d’affaires de $12.3B.
  • En 2023, BCG a mené des expérimentations internes avec ChatGPT d’OpenAI, et l’IA générative a montré une amélioration de 40 % des performances sur les tâches créatives.
  • Par exemple, une amélioration des résultats dans la résolution créative de problèmes, comme la génération d’idées pour de nouvelles chaussures ou la rédaction de slogans marketing.
  • En 2024, BCG a déployé ChatGPT Enterprise auprès de l’ensemble de ses employés, reconnaissant ainsi la forte utilité de ces outils d’IA.
• Dollar Shave Club
  • Dollar Shave Club est un fournisseur de produits de rasage acquis par Unilever pour $1B, puis revendu à Nexus Capital Management.
  • Au lieu de créer son propre chatbot, l’entreprise a automatisé son support client avec Answer Bot de Zendesk.
    • Answer Bot a été entraîné sur 12M interactions clients et répond en quelques secondes aux questions simples des clients.
  • Il résout 4.5K tickets par mois, soit 10 % du volume total de tickets de l’entreprise.
• Law Firms (cabinets d’avocats)
  • La revue de contrats juridiques est remplie de termes et de clauses complexes.
  • De nombreux cabinets d’avocats manquent de ressources pour développer des outils d’IA en interne et se tournent donc vers des outils externes comme Kira.
    • Par exemple, de grands cabinets comme Skadden, Hogan Lovells et Paul, Weiss utilisent Kira pour réduire de jusqu’à 60 % le temps de revue des contrats.
  • Kira peut analyser rapidement plus de 1K clauses et points de données courants, ce qui lui permet d’être utilisé pour les due diligences de fusions-acquisitions, la revue de contrats de prêt, etc.

Trois façons dont les entreprises de la longue traîne utilisent l’IA

• Les entreprises de la Long Tail appliquent l’IA générative de multiples façons, par exemple lorsque Bloomberg développe des outils sur mesure pour les professionnels de la finance ou lorsque les consultants de BCG utilisent ChatGPT comme outil de productivité.
• Les modèles qui alimentent ces outils sont variés, allant du modèle de génération d’images de Canva au modèle intégré à GPT de Ramp.
• En observant les modèles d’adoption de l’IA par les entreprises, trois grandes tendances ressortent malgré le rythme actuel des avancées technologiques.
  • Utiliser l’IA comme outil de complément à l’activité existante
    • La plupart des entreprises de la Long Tail proposent déjà des produits et services bien établis, et l’IA sert à les compléter et à les améliorer.
      • Exemple : Replit rencontrait déjà le succès avant le lancement de ses outils d’IA, et l’IA a été utilisée pour améliorer le produit dans le prolongement de ses outils pour développeurs existants.
      • Leo AI de Brave est un outil d’IA générative qui prolonge la politique du navigateur axée sur la confidentialité. Brave œuvre à la protection de la vie privée depuis 8 ans, et Leo s’inscrit dans cette continuité.
      • Chez Walmart, les prix bas et une politique de retour flexible restent centraux ; l’IA ne joue qu’un rôle d’appui et ne remplace pas la stratégie principale.
    • En conclusion, les entreprises adoptent l’IA en interne pour accroître l’efficacité des processus, mais l’expérience utilisateur principale reste prioritaire.
  • Répliquer les stratégies IA du même secteur
    • Les entreprises adoptent rapidement les stratégies IA qui réussissent afin de rester compétitives.
      • Exemple : BCG a fortement amélioré les performances sur les tâches créatives et de programmation grâce à ChatGPT. Ces résultats pourraient pousser d’autres cabinets de conseil comme McKinsey et Bain à adopter des outils IA similaires.
      • Brave et VMware proposent des produits principaux différents, mais tous deux accordent une grande importance à la confidentialité des données et choisissent pour cela des modèles open source.
    • Si les entreprises leaders parviennent à conserver un avantage concurrentiel durable grâce à l’adoption de l’IA, les autres devraient elles aussi être amenées à adopter des stratégies similaires.
  • Maintenir une stratégie IA flexible
    • Les usages de l’IA ne sont pas figés, et les entreprises peuvent appliquer ou ajuster diverses stratégies.
    • Exemple : OpenAI a d’abord construit des modèles toujours plus grands, mais a lancé en 2024 des modèles plus petits et plus efficaces comme GPT-4o mini. Cela permet de réduire les coûts et d’accélérer l’inférence.
    • Le CTO de Ramp a indiqué que GPT-4o mini couvre 90 % des besoins, estimant que des modèles plus petits peuvent être plus efficaces que les grands modèles.
      • Tuhin Srivastava, CEO de Baseten, souligne que les entreprises ont tendance à vouloir construire leurs propres modèles, mais que cela peut consommer trop de ressources et de temps.
      • Le conseil de Srivastava : « utiliser d’abord des outils éprouvés, puis les remplacer progressivement par son propre modèle » est une stratégie importante.
      • Les entreprises doivent être en position de réagir avec souplesse lors de la sortie de nouvelles technologies d’IA afin de tirer rapidement parti des améliorations.

Objectif final des entreprises de la Long Tail

• Aujourd’hui, l’intérêt et l’enthousiasme autour de l’IA se concentrent sur les modèles et les entreprises AI-native, mais les cas d’usage de l’IA deviennent aussi de plus en plus visibles parmi les entreprises non AI-native.
  • Ces entreprises déploient diverses solutions d’IA, allant des chatbots de service client aux expériences d’achat en réalité augmentée.
    • Compte tenu de la vitesse de l’innovation en IA, la manière la plus simple de comprendre comment les entreprises de la Long Tail utilisent l’IA est de les classer selon les quatre couches présentées dans cette analyse approfondie :
      • modèles personnalisés, modèles closed source, modèles open source et outils d’IA tiers
• Les différents exemples présentés dans cette analyse approfondie montrent comment les entreprises ont construit et adopté des outils d’IA différents, aidant ainsi les lecteurs à comprendre comment aborder l’intégration de l’IA dans leur propre organisation.
  • Les quatre couches impliquent chacune des arbitrages liés au temps d’apprentissage, au coût, à la personnalisation, à la confidentialité et à la qualité, mais comme le coût de changement entre modèles reste faible, les clients conservent la flexibilité d’expérimenter diverses solutions.
• L’objectif final des entreprises de la Long Tail n’est pas de devenir des entreprises d’IA, mais d’utiliser les outils d’IA pour compléter et accélérer leur cœur de métier.