Le déploiement d’applications à base d’intelligence artificielle et l’utilisation des modèles de langage à grande échelle (LLM) dans le cadre professionnel nécessitent une approche méthodique et structurée. Cela comprend la mise en place d’une chaîne de traitement numérique, des compétences spécialisées, une connectivité de haute qualité, un stockage performant et des capacités de calcul haute performance. En plus des infrastructures, il est important d’avoir une pile technologique applicative adéquate et des spécialistes compétents pour le développement, le déploiement et la maintenance des applications d’IA. Malgré les obstacles liés à la qualité des données et à la fragmentation des données, l’intérêt pour l’IA générative reste élevé. Les CDO français mettent l’accent sur l’amélioration de la préparation des données, la culture axée sur les données et la maîtrise des données comme leurs principales priorités stratégiques. Une approche ordonnée et bien planifiée permet de bénéficier des avantages tels que la gouvernance des données, la collaboration entre les équipes, l’évolutivité des infrastructures et des applications, et l’adoption plus large des applications d’IA par les utilisateurs finaux.
| Signal | Change | 10y horizon | Driving force |
|---|---|---|---|
| Challenges in deploying AI applications and using large-scale language models (LLM) in the workplace | Deployment of AI applications and LLM usage | Improved connectivity, storage, and computing capabilities | Desire for automation, productivity, and ROI improvement |
| Data quality is a major challenge for implementing generative AI | Data quality issues | Focus on improving data preparation for AI and analytics | Desire for enhanced productivity and faster data access |
| Fragmentation and complexity of data pose obstacles to data management | Data fragmentation and complexity | Increase in the number of data sources and tools for data management | Struggle to balance multiple sources of data and evolving data needs |
| Internal resistance and lack of support hinder data strategies | Internal resistance and lack of support | Need for a culture of data and alignment between operational units | Organizational barriers and lack of leadership support |
| Priorities for CDOs include reliable data, data culture, and data mastery | Focus on reliable data and data culture | Prioritization of data governance and collaboration | Emphasis on data security, communication, and scalability |
| Strategy and orderly deployment of AI offer benefits such as data governance and collaboration | Strategy and orderly deployment of AI | Improvements in data governance, communication, and scalability | Improved security, collaboration, and user adoption |