Les IA Génératives vont-ils remplacer tous les ChatBots ?

La première réaction lors des premières utilisations de ChatGPT a souvent été celle de souhaiter remplacer de nombreux ChatBots existants par une IA générative. En effet, certains ChatBots n’apportent ni les niveaux d’adoption ni ceux de satisfaction escomptés, et le recours aux IA génératives pourrait, dans certains cas, s’avérer utile. Toutefois, avec un petit peu de recul, cette première réaction se heurte à 2 problématiques :

D’une part, la majorité des ChatBots ne contiennent aujourd’hui que très peu d’IA (si ce n’est une légère couche de Traitement du Langage Naturel) et nous pouvons nous poser la question de l’intérêt d’un tel ajout. En effet, les arbres de décision, représentant les parcours possibles lors de l’élaboration d’un ChatBot, permettent d’en garder la maîtrise. L’analyse des discussions peut s’avérer très complexe dès l’intégration d’une IA. La meilleure option étant, pour l’instant, de comprendre les raisons de l’insatisfaction et de travailler sur ces manquements en faisant directement évoluer l’arbre. Une fois cela dit, il est possible qu’un Generative AI entraîné à développer de tels arbres apporte des résultats intéressants.

Vers de futures discussions inter-Bots ?

Une autre utilisation des GenAI dans cette situation, serait de s’appuyer sur un assistant personnel lui-même basé sur une IA (par ex. ChatGPT). La finalité d’un parcours de discussion avec un ChatBot (succès/échec) ne repose pas uniquement sur la capacité du ChatBot à identifier le bon parcours de résolution mais également sur la capacité de l’interlocuteur à exprimer sa requête, ainsi qu’à se situer dans le périmètre de réponse du ChatBot. Dans cette situation, la complexité de résolution peut se situer du côté de celui qui exprime sa requête et l’on peut imaginer que l’IA puisse intervenir également à ce niveau, c’est-à-dire en travaillant sur l’Input en tenant compte de ses spécificités (« en le connaissant ») plutôt qu’uniquement du côté du ChatBot, celui-ci ne pouvant adopter qu’un comportement généraliste « moyennisant » face à son interlocuteur.

Ainsi, nous pouvons imaginer que ces 2 Bots (1 ChatBot représentant le service, 1 CoBot représentant l’interlocuteur) échangent ensemble directement pour régler la problématique de l’interlocuteur. Ce type de scenarios impliquant une intervention de l’interlocuteur lorsque la situation est bloquée entre les 2 Bots, ou lorsqu’une validation de comportement est nécessaire d’un point de vue Confidentialité/Sécurité des données.

A l’image de véhicules autonomes, les 2 Bots avancent dans le cheminement de la discussion avec pour objectif de résoudre une situation. Aller d’un point A à un point B, en faisant des stops correspondant à la sollicitation des 2 parties au cours de l’échange. Autrement dit, les GenAI jouent le rôle d’interfaces « autonomes » entre des citoyens et des services en ajoutant une couche d’expression et de contenus. En quelque sorte, la discussion ne se tient plus à 2 mais à 4 et permet de réduire au minimum la sollicitation de l’interlocuteur et du service (comprendre : du service de la marque, ex : sav).

L’importance de la gouvernance et de la sécurité de données :

Afin de tirer tout le bénéfice de l’utilisation d’un tel CoBot, l’interlocuteur doit être en mesure d’ouvrir les droits d’accès à celui-ci à certaines données/répertoires, soit a priori, soit à la demande concernant l’accès à des informations sensibles, confidentielles (ex : documents administratifs, documents de santé, etc…). La fluidité optimale n’étant atteignable qu’à partir du moment où les processus d’accès et d’authentification efficaces seront couplés à ces solutions.

La mise en place de ces solutions implique l’estimation de ses externalités :

On comprend aisément que l’utilisation de telles solutions reposent sur une acculturation et des formations à leur prise en main et à la connaissance des risques implicites. Cela devrait dans un premier temps constituer un frein à l’adoption par le grand public.

D’autre part et c’est sans nul doute le point le plus important, l’utilisation des IA et des algorithmes doit se faire au regard des dépenses en ressources qu’elles engendrent. Ainsi, chaque intégration d’IA doit être le résultat d’une analyse entre utilité apportée et consommation engendrée. Par exemple, ChatGPT est surdimensionné pour développer un ChatBot d’aide à la connexion au compte personnel d’un site internet.

Les GenAI sont puissants, surprenants, habiles, mais concrètement, à quoi servent-ils ?

1- Un « Moteur d’expression ». Les GenAI s’expriment bien. Un pas a été franchi, par rapport aux IA historiques, de réels progrès de compréhension et de formulation ont été réalisés. Le langage est soutenu, peut revêtir différentes personnalités, les GenAI sont capables de tenir une « vraie » conversation et sont adaptables en termes de volume (nombre de mots), de style, de richesse du langage.

C’est d’ailleurs un point qui n’est pas soulevé au niveau éducatif : on peut reprocher aux GenAI un potentiel effet moyennisant, cependant, les réponses qu’ils formulent, lorsqu’elles sont lues et assimilées, pourraient contribuer à l’enrichissement du vocabulaire. Pour rappel, l’appauvrissement du vocabulaire est un phénomène en progression en France depuis plus de 30 ans et ce phénomène s’explique, en partie, par un usage excessif de certains services et solutions numériques ainsi que de la consommation d’écrans.
Enfin, est-ce suffisant de parler correctement si le contenu qui est proposé peut être considéré comme étant douteux ou incertain ?
C’est ce qui nous amène au second point.

2- La phase d’apprentissage a permis d’acquérir une capacité de langage soutenu, il s’agit maintenant de garantir la qualité des contenus qui nous sont proposés. De nombreux tests ont montré qu’il n’est pas compliqué d’amener ChatGPT à commettre des erreurs.
En cela, les architectures algorithmiques liées à l’utilisation des GenAI sont primordiales pour aboutir à des résultats qui soient une combinaison de la valorisation de contenus internes et externes, complémentaires, vérifiés et gouvernés.

Les premières expérimentations montrent à quel point ce GenAI doit « savoir » s’adapter et valoriser le contenu à un contexte d’utilisation (données internes : data catalogue, bases de données, documents pdf, ppt, codes, etc…) en complément de la sélection d’informations généralistes issues de la phase d’apprentissage initial, impliquant des sources diverses. Autrement dit, les GenAI viennent avec un bagage, qui correspond au contenu utilisé pour la phase d’apprentissage initial, les capacités de Moteur d’expression et de sélection de contenu n’étant dissociables qu’en s’appuyant sur des architectures spécifiques.
Ainsi, chaque scenario d’utilisation peut correspondre à un paramétrage fin entre des informations spécifiques à une activité donnée (issue du patrimoine de données d’entreprise, par exemple) et des compléments d’information issus de documents open-source utilisés pour cet apprentissage initial.

A quel point les IA Génératives permettent-ils de meilleures automatisations ?

« Meilleures », c’est-à-dire à la fois plus rapides dans leur construction et plus économes, moins consommatrices de ressources. Il est d’ailleurs fort possible que l’automatisation soit le plus grand potentiel d’utilisation des GenAI. Les premières expériences réalisées avec AutoGPT par exemple sont prometteuses.

La formulation en langage naturel de séquences structurées dans un objectif d’automatisation et la traduction des paroles émises en déclenchements d’actions, elles-mêmes à l’origines d’opérations correspondant au déploiement et à l’interconnexion de services fonctionnels (ex : services Azure), constitue un fort accélérateur potentiel. Nous menons actuellement plusieurs tests sur de tels cas d’usages.

Le lien avec le Robotic Process Automation est évident et l’apport des GenAI pourrait bien se situer dans la formulation simplifiée des chaines automatisées, ainsi qu’au niveau des leviers d’optimisation de ces process automatisés. Les GenAI pourront alors être utilisées comme détecteurs de sous-étapes non optimales et comme producteurs de recommandations d’optimisations. Dans cette situation, le GenAI vient se positionner comme un acteur intermédiaire entre l’humain et le processus à automatiser, disposant d’une vision globale du process et proposant des évolutions grâce à la transmission d’un objectif à maximiser.

Il est fort probable que le réel point de rupture se situe à ce niveau et que nous n’en soyons qu’aux balbutiements.

L’idéation et le design au cœur de l’intégration des IA Génératives :

Nous voyons alors à quel point la définition des architectures mais également la génération d’idées nouvelles et l’innovation prennent toute leur place dans la phase d’intégration de ces nouvelles solutions d’IA. Le Design Thinking et les phases d’idéations deviennent des étapes encore plus essentielles à ces intégrations, en accordant une place majeure aux enjeux actuels de sustainability.

Finalement, le point de rupture sera atteint lorsque la puissance des GenAI sera alliée à l’utilité des solutions que nous proposons : quels sont les principaux enjeux actuels d’une entreprise donnée et à quoi les GenAI peuvent les aider à y répondre ?

Par exemple, l’ingestion de toute la documentation historique d’une entreprise pourrait l’aider à définir ses priorités stratégiques et à aligner ces priorités avec la réponse que ChatGPT fournie à la question « what should humans do now ? ».

L’importance du contrôle des IA Génératives :

Un danger réside notamment dans la transmission d’une compréhension partielle d’un phénomène. A l’image d’un humain qui omettrait une donnée importante pour prendre une décision (ou qui tout simplement ne disposerait pas de la complétude des informations), les GenAI ne sont capables de prendre une décision qu’en fonction des informations dont ils disposent. Ainsi, même s’il est doté d’une formidable capacité de considération simultanée d’un grand nombre de facteurs, elle est sensible aux biais et ne dispose pas de mécanisme de transparence a priori. Il revient alors aux statisticiens de comprendre les éléments explicatifs successifs amenant un GenAI à élaborer telle ou telle recommandation. Parlerons-nous bientôt de dissymétrie de l’information entre humains et GenAI ? Des corrélations cachées, des mécanismes de transferts d’une discipline à une autre, les résultats fournis par ces GenAI devront être soumis à un travail de vérification important.

Les IA Génératives, tout comme les autres AI, correspondent à un système d’équation sous contraintes, maximisant un objectif à partir de données connues, l’administrateur se doit donc de réaliser une analyse des données transmises à ces AI, de sélection de données vérifiées, en intégrant également les contraintes éthiques, légales et environnementales afin d’en contrôler les dérives possibles.

Pour conclure

Tenant compte de ces premiers retours d’expériences, ce sera un plaisir d’explorer et d’identifier ensemble les meilleurs cas d’usages impliquant l’intégration de GenAI, en nous appuyant sur tout ou partie des leviers existants : Idéation/Design Thinking, sélection et priorisation des cas d’usages, architectures optimales.
Pour aller plus loin en attendant : Avanade - IA Génératives