Prédictive, cognitive, générative ou agentique : quelle IA pour quels objectifs ?

Parce qu’il y a beaucoup de réalités différentes derrière la notion d’Intelligence Artificielle (IA), nous proposons dans cet article de détailler les quatre principales IA, des cas d’usage associés et les raisons qui peuvent pousser une entreprise à en sélectionner une plutôt que l’autre.

La vague de l’Intelligence Artificielle (IA) vient à peine de déferler que les premiers bilans chiffrés arrivent. Selon le dernier AI Radar de Mc Kinsey, 90 % des entreprises seraient utilisatrices régulières de cette technologie et 62 % seraient en cours d’expérimentation sur des agents. Une augmentation massive des usages par rapport à l’année dernière où 78 % se déclaraient utilisatrices régulières.

Et pourtant, les enjeux de scalabilité et d’impact demeurent. Seules 38 % des entreprises interrogées déclarent être en phase de passage à l’échelle tandis que, côté rentabilité, seules 39 % constatent un réel impact de l’IA sur leur résultat d’exploitation.

Un amalgame fréquent sur l’IA

Comment expliquer ce décalage entre l’investissement et les impacts ? Cela relève souvent d’une erreur d’appréhension de l’IA par les entreprises qui leur apparaît comme une technologie unique, que l’on peut appliquer de façon uniforme sur différents cas d’usage. Or, non seulement cette vision est fausse mais elle représente un risque pour le succès de l’expérimentation. Un cas d’école ? La surenchère de chatbots de relation client dans des environnements aux enjeux complexes… Échec assuré auprès des utilisateurs. Ou encore des dépenses massives sur l’IA générative quand certains cas d’usage relèvent davantage du machine learning : un mouvement parfois perçu comme gadget ou opportuniste, voire même irréfléchi d’un point de vue environnemental, aux dépens d’approches plus structurelles d’IA déterministe.

Les entreprises ont compris qu’il n’y avait pas d’IA one size fits all et que l’enjeu stratégique se situait plutôt dans la corrélation entre le besoin identifié et le type d’IA mobilisée. Si vous cherchez à adresser un problème business avec de l’IA, alors il faut d’abord savoir dans quelle catégorie votre objectif business se situe. Est-ce que vous attendez une aide à la décision ou une production de livrable ? Est-ce que c’est de la précision dans les insights ou bien de la délégation de tâches… ? C’est cette réflexion qui doit permettre de placer les bonnes ressources et les bons outils au bon endroit.

Choisir son IA, pilier de la réflexion stratégique

Un ciblage des objectifs qui s’inscrit donc comme le pilier de la réflexion stratégique IA. Avec une complexité qui peut parfois surprendre, notamment lorsqu’un problème business relève de plusieurs ambitions et fait donc appel à plusieurs types d’IA : comment les combiner ? comment organiser les briques entre elles ?

Toutes ces questions ne peuvent être résolues par la seule expérimentation et la traditionnelle courbe d’apprentissage « essai, échec, correction ». Une acculturation plus systématique aux différents types d’IA et à leurs impacts respectifs sur les activités business peuvent guider les entreprises dès le début de la réflexion.

Afin de poser les premières bases et d’accompagner au mieux votre souhait d’exploration IA, nous vous proposons dans cet article une typologie des quatre IA arrivées à maturité : prédictive, cognitive, générative, agentique. Avec, pour chacune, des exemples tirés de notre propre expérience d’accompagnement et une réflexion sur les avantages/inconvénients de tels modèles.

Les caractéristiques-clés des quatre types d’IA

Figure 1

1) IA Prédictive : améliorer la prise de décision

Le principe de l’IA prédictive est d’analyser les données historiques pour identifier des corrélations permettant de prédire les événements futurs. Avec ce type d’IA (bien souvent des modèles de machine learning appliqués à de très grands jeux de données), les entreprises ont ainsi la possibilité d’anticiper les variations de la demande, d’optimiser leurs ressources et de mitiger les risques avant même que ceux-ci se matérialisent.

Notre retour d’expérience client :  la détection de cotisations de retraite frauduleuses (« pension spiking ») à l’aide de modèles de machine learning traditionnels et d’IA prédictive.

Nous avons en effet travaillé avec un organisme de gestion des retraites qui souhaitait identifier s’il était confronté au défi des cotisations haussières irrégulières au sein de ses importants volumes de données transactionnelles. En effet, ce phénomène de « pension spiking », décorrélé des mouvements de marchés ou des indications réglementaires, est devenu courant au sein des organismes de retraite et peut mettre ceux-ci en grande difficulté financière. 

Ce problème business apparaissait comme un cas d’école pour l’IA prédictive car il s’appuyait sur des données d’historiques (les versements) pour prédire des événements futurs (le risque d’augmentation anormale des cotisations).

L’approche que nous avons mise en place mobilise un modèle d’apprentissage de grande taille, entraîné à faire la différence entre les cotisations de retraite normales et les cotisations anormalement élevées. Le modèle absorbe les données transactionnelles historiques, identifie les corrélations les plus pertinentes (la fréquence des contributions, les déviations dans les montants, le profil des contributeurs…) et signale les valeurs aberrantes. Le protocole d’API permet ensuite d’assurer une intégration de l’inférence efficace et en temps réel au sein du système de gestion des pensions actuelles. De surcroît, le système propose des informations et analyses sur les impacts possibles de ces anomalies.

Les avantages observés sont donc nombreux :

• Une détection automatique des cotisations anormales
• Une réduction du recours à la correction manuelle
• Une minimisation du risque de transactions frauduleuses ou non-conformes pour le futur
• Une aide à la prise de décision grâce à des résumés concis des données d’historique et des informations directement actionnables
• Une gestion du risque proactive et une planification stratégique à travers la fourniture d’informations pertinentes et opportunes concernant ces anomalies

Ce type de cas d’usage peut s’appliquer nativement au secteur de l’assurance, de la banque ou de la comptabilité (systèmes de paie par exemple) où les déviations de cotisations ou paiement peuvent signifier des problématiques de fraude, de non-conformité ou de risque prudentiel.

2) IA Cognitive : améliorer l’expérience du consommateur

Le principe de l’IA cognitive est de répliquer le raisonnement humain en permettant à la machine de comprendre le contexte des données, de traiter les informations en langage naturel et de donner un sens à partir de données non structurées. Les données en question peuvent être tout à la fois : des bibliothèques et archives d’entreprises, des relevés très spécifiques à un domaine d’étude, des emails, des documents de fonds de retraite, des posts de réseaux sociaux… Et là où cette forme d’IA se montrera la plus bénéfique pour l’entreprise sera, sans nul doute, la relation client et la personnalisation – avec quelques cas d’usage également en knowledge management.

Notre retour d’expérience client : la fluidification du service client par des chatbots de questions-réponses, dans le cas d’un fonds de pension.

Au cœur d’un projet de collaboration avec une entreprise de services financiers, nous avons mis en place un chatbot questions-réponses pour soutenir le travail des équipes de relation clients. Ce bot a pour mission de contextualiser les documents de gestion chargés par le client et de fournir un support instantané et éclairé aux équipes qui le conseillent.

Pour cette mission, l’IA cognitive nous est apparue comme l’orientation la plus évidente en raison de la nature du besoin (des interactions directes avec le client) et des enjeux de réactivité (un support quasi-immédiat). Une réponse par l’IA agentique aurait également pu être envisagée mais elle aurait réclamé davantage de ressources pour un résultat comparable (l’IA cognitive proposant des schémas répétitifs tandis que l’IA agentique s’appuie sur des prises de décision à plusieurs niveaux).

Au final, le chatbot alimenté par l’IA a permis de fluidifier la récupération d’informations telles que les options d’investissement, les contenus des plans retraite et les stratégies de pensions, rendant ainsi les outils de pilotage financier plus accessibles aux équipes du service client. Ces chatbots « Q&A » ont également tiré vers le haut les services apportés par les gestionnaires de portefeuille et les conseillers financiers, tout en leur permettant d’optimiser leurs workflows.

Les avantages observés sont donc nombreux :

• Un support client disponible 24/7 en temps réel pour toute question relative aux options, contributions, retraits ou encore fiscalité des plans retraite
• Une utilisation efficace de la documentation liée aux investissements, aux pensions ou à la réglementation
• Une mise à disposition d’informations efficace et cohérente, qui réduit les risques de confusion et d’erreurs lors des processus de planification de la retraite
• Un support client à l’échelle capable d’adresser un large spectre de questions sans générer de surcoûts opérationnels croissants
• Un apprentissage continu tiré des interactions avec les clients
• Une qualité et une pertinence qui s’améliorent au fil du temps dans la réponse aux questions

Ces bots Q&A peuvent être intégrés directement au sein des plateformes de gestion en ligne, mais aussi au sein des outils de planification et des portails de support clients, permettant ainsi aux utilisateurs mais aussi aux équipes de service clients de naviguer dans les dossiers de planification financière, y compris les plus complexes.

3) IA Générative : développer l’innovation et la productivité

Le principe de l’IA générative est de créer de nouveaux contenus, de nouvelles idées ou de nouvelles solutions fondées sur des modèles appris et entraînés sur des données existantes. Ces algorithmes peuvent avoir plusieurs applications : dans les industries créatives (génération de contenu), dans la recherche scientifique (découverte de médicaments) et dans la fabrication industrielle (conception de produit).

Notre retour d’expérience client : l’amélioration de la productivité des équipes grâce à des outils d’IA générative.

Nous avons utilisé l’IA générative pour développer « des assistants de tâches du quotidien » pour une entreprise de services financiers. Voici les cas d’usage développés, qui sont d’ailleurs réplicables dans d’autres secteurs.

Les assistants du quotidien basés sur l’IA générative

Figure 2

4) IA Agentique : booster la productivité à travers la prise de décision autonome

Le principe de l’IA agentique, aussi nommée IA autonome, est de formuler activement des décisions, d’entreprendre des actions et de s’adapter aux changements du monde réel avec le minimum d’intervention humaine. En cela, ce type d’IA va au-delà de la reconnaissance de corrélations ou de la génération de contenus. Elle est particulièrement appréciée dans des environnements opérationnels qui réclament une optimisation en temps réel et une automatisation des processus.

Notre retour d’expérience client : l’accélération de l’évaluation et de l’intégration de nouvelles technologies dans un établissement de services bancaires.

Nous avons travaillé avec un groupe de services bancaires pour rationaliser et automatiser l’évaluation technologique et les décisions d'intégration de nouveaux outils au sein de l'organisation. L’IA agentique apparaissait comme l’outil à privilégier dans la mesure où nous souhaitions que le travail d’analyse s’opère de façon autonome en arrière-plan sans prompts ni intervention humaine. Ce projet a permis d’accélérer l’évaluation des statuts de maintenance et de réduire la dépendance à des jugements subjectifs et à une expertise métier trop silotée.

La méthodologie principale s'appuie sur une IA agentique sous les traits d’un agent intelligent qui analyse les demandes technologiques et les compare avec les infrastructures techniques existantes et les besoins organisationnels. Le système détermine alors si de nouvelles technologies doivent être intégrées ou si les solutions existantes suffisent. Un tel procédé est rendu possible par une analyse automatisée de documents, la construction de graphes de connaissances et le raisonnement contextuel, le tout orchestré par des agents d'IA.

Les avantages observés sont donc nombreux :

• Une réduction drastique (jusqu’à 90 %) du temps passé à évaluer la dette technique et à aboutir à la décision d’intégration de nouvelles technologies
• Une réduction significative des erreurs manuelles grâce à l’automatisation des tâches complexes et répétitives d’évaluation
• Des coûts opérationnels abaissés en ce qui concerne l’évaluation et la prise de décision sur les technologies
• Une amélioration de la cohérence et de la traçabilité des process de gouvernance des technologies

Ce type de solution IA est particulièrement profitable dans les secteurs aux environnements technologiques complexes : cela peut concerner les services financiers, la santé, les télécoms ou, plus généralement, les entreprises de grande envergure où l’évaluation rapide et précise des technologies s’impose comme un pilier d’innovation et de conformité réglementaire.

Mettre en place une stratégie IA : trois phases-clés

Le choix du type d’IA est donc une étape essentielle de la réflexion vers des cas d’usage performants et industrialisés. Pour atteindre ce potentiel, l’implémentation d’outils IA ne suffit pas : il faut une stratégie à l’échelle de l’entreprise qui aligne les investissements IA sur des objectifs business précis.

Cette étape de définition de la stratégie IA doit alors comporter trois phases-clés :

• La définition des objectifs business : quelles sont les priorités (ex : croissance du revenu, optimisation des coûts, engagement client) et quelles sont les solutions IA qui pourraient y répondre ?
• La planification de l’intégration opérationnelle : comment s’assurer que l’IA s’intègre sans couture au sein des processus organisationnels et des briques technologiques existants ?
• La conception d’une gouvernance à l’échelle : comment gérer l’IA de façon responsable pour limiter les risques liés aux biais, aux enjeux de sécurité et à la non-conformité réglementaire ?

Les entreprises qui suivront ces trois phases-clés parviendront à mettre en place leur IA d’une manière qui garantit à la fois l’optimisation de la prise de décision, l’amélioration de la productivité et le développement de l’innovation.