Les petites entreprises qui n’ont pas investi dans les investissements alternatifs n’ont probablement pas effectué suffisamment de recherches

Selon un rapport de Bluewolf (société IBM), 21% seulement des petites entreprises ont mis en œuvre des solutions basées sur l'intelligence artificielle. Le sondage AI Investment Gap Survey a interrogé 177 décideurs du monde entier pour déterminer s’ils avaient déjà adopté l’intelligence artificielle et l’apprentissage automatique ainsi que la profondeur de leur compréhension de ces technologies. Bien que 33% des petites entreprises aient prévu d'investir dans l'IA au cours des 12 prochains mois (ce qui porte à 54% le nombre total d'adoptants d'IA), le total reste inférieur à celui des grandes entreprises. De plus, 30% des grandes entreprises ont déjà investi dans l'IA, tandis que 44% envisagent de commencer à investir dans les 12 prochains mois. Cela porte le total à 74%, soit 20% de plus que le total des petites entreprises.

Vanessa Thompson, vice-présidente principale de Customer Experience Insights chez Bluewolf, a déclaré qu'un fossé de connaissances existait entre les entreprises qui avaient adopté les outils d'IA et celles qui n'envisageaient pas. Elle appelle ce fossé "l'écart d'investissement dans l'IA" et la décrit comme une "divergence entre les responsables de niveau C qui comprennent l'IA et ceux qui ne l'ont pas encore déployée dans leur entreprise", selon une déclaration écrite.

Puisque Bluewolf vend des outils d’IA, il leur incomberait de suggérer que la seule raison pour laquelle les gens n’achètent pas d’outils d’IA est qu’ils ne les connaissent pas. Pour vérifier l'affirmation de Thompson, j'ai discuté avec Brandon Purcell, analyste principal de Customer Insights chez Forrester Research, de la possibilité d'autres problèmes susceptibles de créer un écart entre ceux qui ont adopté l'IA et ceux qui ne l'ont pas encore fait. Purcell et Forrester Research ont mené leurs propres études similaires sur l’adoption de l’IA. Bien que ses chiffres soient globalement similaires à ceux d’IBM - 51% des entreprises ont adopté ou sont en train d’agrandir l’intelligence artificielle, et 20% ont l’intention de le faire dans les 12 prochains mois -, M. Purcell a avancé deux autres raisons impérieuses qui pourraient expliquer le retard des petites entreprises. la courbe de l'adoption de l'IA.

Le coût de l'IA

Pour Purcell, les contraintes d'investissement sont un facteur majeur, notamment "en ce qui concerne l'ensemble des compétences. Les petites entreprises ne disposent pas des ressources nécessaires pour embaucher des experts en données", a-t-il déclaré. Ce sont ces travailleurs qui vont extraire des informations des données insérées dans les logiciels d’entreprise.

Ce sont également eux qui déterminent si l'IA lit correctement vos données et prend des mesures en fonction de ses propres informations. Le salaire moyen d'un data scientist est de 113 436 $ par an, selon Glassdoor, ce qui est (dans le grand schéma des riches) un peu moins que le salaire moyen d'un PDG américain (166 000 $, selon PayScale). Ainsi, si vous êtes un PDG de petite entreprise qui opère sur des marges extrêmement réduites et que vous ne voulez pas réduire votre propre salaire, il serait alors difficile de rationaliser les dépenses à six chiffres pour un scientifique des données - et dépenser de l'argent pour logiciel qui peut transformer les données en IA.

Mais ce n’est pas seulement l’argent en jeu qui empêche les petites entreprises d’investir dans des logiciels basés sur l’IA. "Sur une note connexe, il y a un facteur de données", a déclaré Purcell. "L'intelligence artificielle s'épanouit lorsque de grandes quantités de données sont disponibles. Les petites entreprises n'ont pas autant de données pour le faire."

Pensez-y comme ceci: vous savez comment Facebook sait quels amis marquer quand vous postez une photo? En effet, Facebook a rassemblé des informations à partir de tous vos messages précédemment étiquetés. Avez-vous déjà regardé un film que Netflix vous avait recommandé? Netflix a su recommander ce film en fonction de vos sélections précédentes. Facebook et Netflix sont en mesure de formuler ces recommandations sur la base de ML, cousin germain d'IA. Bien qu'ils soient similaires, les deux termes sont souvent utilisés de manière interchangeable (et incorrecte).

Voici la différence fondamentale entre les deux termes: les systèmes ML utilisent l’intelligence pour améliorer les performances en vous proposant des recommandations et des moyens de rationaliser les processus, tandis que les systèmes en IA permettent aux logiciels de réaliser leurs tâches et de prendre des décisions en toute autonomie. ML est Netflix qui recommande des films alors que AI est une voiture qui vous conduit au travail pendant que vous faites la sieste à l’arrière. En tant que petite entreprise qui commence tout juste à générer des données, les avantages de l'IA seront minimes par rapport à ce qu'une entreprise Fortune 500 pourrait voir lorsqu'elle activera son logiciel d'intelligence artificielle.

Bluewolf est-il faux?

Alors, Bluewolf a-t-il nourri de mauvaises informations dans son enquête? Les petites entreprises sont-elles au courant de l'IA mais n'ont-elles pas l'argent ou les données pour s'en excuser? Purcell ne pense pas que les recherches de Bluewolf soient fausses. En fait, il attribue IBM Watson au créateur de l’informatique cognitive, terme générique qui englobe l’IA, le ML et d’autres applications qui imitent le cerveau humain.

"Ils ont dépensé beaucoup d'argent pour créer cette catégorie, mais ils ont de gros concurrents dans le domaine: Google, Amazon, Facebook, Microsoft", a déclaré Purcell. "Ces entreprises disposent également d'énormes quantités de données utilisées pour former des systèmes d'intelligence artificielle. La définition hollywoodienne de l'intelligence artificielle est le robot sensible. Nous ne l'avons pas encore utilisé. Mais, lorsqu'il s'agit de mettre en œuvre l'IA au niveau de l'entreprise, IBM excelle dans la création de ces outils."

Les idées fausses sur Hollywood, l'IA et les robots qui nous assassinent dans notre sommeil sont probablement l'une des raisons pour lesquelles les petites entreprises ont hésité à en apprendre davantage sur les outils d'IA. Si vous vendez des t-shirts dans l'Oklahoma, à quoi sert une voiture autonome ou un futur robot armé d'un pistolet laser? Cependant, lorsqu'ils sont pris dans leur contexte moins connu, Purcell et Thompson proposent des exemples d'utilisation pratique pour les petites entreprises - des exemples d'utilisation pour lesquels les petites entreprises n'ont pas encore été informées.

Avec quelque chose que Thompson et Bluewolf appellent «l'intelligence augmentée», les petites entreprises n'ont pas nécessairement besoin de l'expertise en données ou de la mine d'informations pour tirer parti de l'IA. Bluewolf définit l'intelligence augmentée comme la capacité des applications à raisonner, à inférer et à extraire des idées, même avec des ensembles de données non structurés, tels que le langage et les images. Même au début de la collecte de données d'une entreprise, les solutions d'intelligence augmentée sont capables d'apprendre au fur et à mesure, quel que soit le peu d'informations introduites dans le système.

"L'intelligence augmentée aide les utilisateurs finaux à prédire ce qu'ils vont faire en leur fournissant un profil des besoins de leurs clients", a déclaré M. Thompson. "Nous considérons que l'augmentation est un moyen de faire de l'IA une réalité pour les entreprises de toutes tailles."

Cela inclut, par exemple, la combinaison de données internes et externes pour renforcer les connaissances utilisées par la technologie d'intelligence augmentée pour la prise de décisions. Par exemple, en combinant des modèles de magasinage locaux externes et des données météorologiques avec des données de modèle de client exclusives, les sociétés de commerce électronique peuvent créer des campagnes hyper personnalisées. Dans ce scénario, un expert en données serait utile mais non nécessaire, et une mine de données sur les clients rendrait la campagne encore plus puissante. Mais cela n’empêcherait pas la campagne d’être plus puissante qu’elle ne l’aurait été sans la combinaison de sources de données internes et externes.