IA générative : révolution ou menace pour les entreprises de services du numérique ?

Posted on by

Blangeois, M. (2023). IA générative : révolution ou menace pour les entreprises de services du numérique ?. Management & Data Science. 

https://doi.org/10.36863/mds.a.26672

Mots clés : IA générative, ESN, transformation numérique, open-innovation, modèles d’affaires

L’intelligence artificielle (IA) générative marque une étape décisive dans notre ère numérique. Les modèles de fondation, tels que GPT-4, ont ouvert un débat sur les opportunités et risques qu’ils présentent (Bommasani et al., 2022). Les avancées de l’IA générative, comme GPT-4, promettent des révolutions dans divers domaines, mais suscitent également des inquiétudes concernant la désinformation et les biais sociaux (Nishant, R.; Schneckenberg, 2023).

Dans ce contexte, les Entreprises de Services du Numérique (ESN) sont directement impactées par l’IA générative. L’incorporation de l’IA générative dans le tissu professionnel soulève un paradoxe entre l’augmentation et l’automatisation des tâches (Raisch et Krakowski, 2021). Les ESN doivent naviguer dans ce paysage technologique en mutation rapide, en réévaluant leur rôle dans la chaîne de valeur informatique et en intégrant l’IA générative dans leurs processus.

Contexte d’apparition de l’IA générative

L’essor de l’IA générative est lié aux progrès en apprentissage profond et à l’augmentation de la puissance de calcul. Les transformers, comme GPT, ont révolutionné le domaine, avec des applications variées allant de la génération de texte à la création d’images. Cependant, les hallucinations de l’IA et les biais sociaux restent des préoccupations majeures.

Capacités actuelles et potentiel de l’IA générative

L’IA générative peut améliorer la productivité et aider les individus à atteindre un niveau de compétence de base. Les entreprises doivent décider entre automatiser les tâches répétitives et renforcer les capacités humaines dans des domaines créatifs. La compétence en “prompt engineering” devient cruciale pour tirer le meilleur parti des capacités de l’IA générative.

Enjeux pour les entreprises de services du numérique

Les ESN doivent réévaluer leur rôle dans la chaîne de valeur informatique et intégrer l’IA générative dans leurs processus. L’IA générative offre des opportunités de gains de productivité, notamment dans la génération de code et la gestion de la relation client. L’adoption de l’open-innovation permet aux ESN de collaborer avec des communautés open-source pour développer des solutions innovantes.

Conclusion

Les ESN doivent adopter l’open-innovation et réinventer leurs modèles d’affaires pour rester compétitives. Des études empiriques supplémentaires sont nécessaires pour évaluer l’impact réel de l’IA générative sur les ESN.

Bibliographie

  • Baldassarre, M. T., et al. (2023). The Social Impact of Generative AI: An Analysis on ChatGPT. Proceedings of the 2023 ACM Conference on Information Technology for Social Good, 363-373.
  • Bender, E. M., et al. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency, 610-623.
  • Bommasani, R., et al. (2022). On the Opportunities and Risks of Foundation Models. arXiv.
  • Brynjolfsson, E., et al. (2023). Generative AI at Work. National Bureau of Economic Research.
  • Chesbrough, H., et al. (2006). Open Innovation: Researching a New Paradigm. Oxford University Press.
  • Dell’Acqua, F., et al. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. SSRN Electronic Journal.
  • Dwivedi, Y. K., et al. (2023). Opinion Paper: “So what if ChatGPT wrote it?” Multidisciplinary perspectives on opportunities, challenges and implications of generative conversational AI for research, practice and policy. International Journal of Information Management, 71, 102642.
  • Gozalo-Brizuela, R., & Garrido-Merchan, E. C. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. arXiv.
  • Haslberger, M., et al. (2023). No Great Equalizer: Experimental Evidence on AI in the UK Labor Market. SSRN Electronic Journal.
  • Jorzik, P., et al. (2023). Artificial Intelligence-Enabled Business Model Innovation: Competencies and Roles of Top Management. IEEE Transactions on Engineering Management.
  • Korzynski, P., et al. (2023). Artificial intelligence prompt engineering as a new digital competence: Analysis of generative AI technologies such as ChatGPT. Entrepreneurial Business and Economics Review, 11(3), 14.
  • Kosinski, M. (2023). Theory of Mind Might Have Spontaneously Emerged in Large Language Models. arXiv.
  • LeCun, Y., et al. (2015). Deep learning. Nature, 521(7553), Article 7553.
  • McKinsey. (2023). The economic potential of generative AI: The next productivity frontier.
  • Nishant, R., et al. (2023). The formal rationality of artificial intelligence-based algorithms and the problem of bias. Journal of Information Technology.
  • Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187-192.
  • Patel, D., & Afzal, A. (2023). Google “We Have No Moat, And Neither Does OpenAI”.
  • Peng, S., et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv.
  • Raisch, S., & Krakowski, S. (2021). ARTIFICIAL INTELLIGENCE AND MANAGEMENT: THE AUTOMATION-AUGMENTATION PARADOX.
  • Saghafian, S. (2023). Effective Generative AI: The Human-Algorithm Centaur. SSRN Electronic Journal.
  • Sarkar, A., et al. (2022). What is it like to program with artificial intelligence? arXiv.
  • Sjödin, D., et al. (2021). How AI capabilities enable business model innovation: Scaling AI through co-evolutionary processes and feedback loops. Journal of Business Research.
  • Tesson, R., & Vottero, F. (2023). Xerfi—Les services numériques 2023.
  • Vaswani, A., et al. (2017). Attention Is All You Need. arXiv.
  • Warner, K. S. R., & Wäger, M. (2019). Building dynamic capabilities for digital transformation: An ongoing process of strategic renewal. Long Range Planning.
  • Weber, M., et al. (2023). Organizational Capabilities for AI Implementation—Coping with Inscrutability and Data Dependency in AI. Information Systems Frontiers.
  • Young, E., et al. (2023). Mind the gender gap: Inequalities in the emergent professions of artificial intelligence (AI) and data science.