Aller au contenu
Articles
IntermezzoTraduction IA· 30 juin 2025

Intermezzo 3 đŸ‡©đŸ‡Ș Trial, Error, Pay, Repeat

par 3 min de lecture

Eh oui, c'est pas si simple : c'était le fil rouge de

de « it's promp.td ». Intégrer des outils d'IA dans l'entreprise sans réfléchir peut vite finir en plat ventre quand on se laisse porter par le hype et qu'on tombe dans la « Simplicity Trap ».

VoilĂ  que mĂȘme les McKinseyiens* s'en sont aperçus :


"Growth in the generative AI era looks like a classic case of “two steps forward, one step back.” As companies come to grips with the unique complexities of gen AI, initial progress leads to reversals and redos, in some cases threatening to stop development altogether.

There are many sources of frustration and delay, from a lack of sufficient talent to ongoing data quality issues. But our experience working closely with more than 150 companies on their gen AI programs over the course of two years reveals that two hurdles along the building journey almost always surface:

  • Failure to innovate: Process constraints, lack of focus, and cycles of rework that quash innovation. Teams that could be solving valuable problems are stuck re-creating experiments or waiting on compliance teams, who themselves are struggling to keep up with the pace of development. In our experience, roughly 30 to 50 percent of a team’s “innovation” time with gen AI is spent on making the solution compliant or waiting for their organizations’ compliance requirements to solidify and be practical. Teams work on problems that don’t matter, duplicate work, and create one-off solutions that can’t be reused and often fail to unlock real value.
  • Failure to scale: Risk concerns and cost overruns that choke off scale. For the few solutions that show real value potential, enterprises largely fail to cross the chasm from prototype to production. Security and risk concerns (including reputational risk) when scaling gen AI applications are handled individually and become too large and expensive to overcome."

J'ignore combien McKinsey a facturĂ© pour ces rĂ©vĂ©lations, mais je me contenterais volontiers de 1 % 😀 - Bon, d'accord, avec Trial, Error and Repeat on finit sans doute aussi par avancer, mais faut-il vraiment un conseil aussi coĂ»teux pour ça ? Un bon conseil ne devrait-il pas justement Ă©pargner la courbe d'apprentissage, ou du moins la rĂ©duire au strict minimum ?

Encore mieux, leurs « proven strategies for overcoming them » :

SchĂ©ma McKinsey « Gen AI reference architecture » : un diagramme trĂšs dense, avec des dizaines de cases et de flĂšches couvrant le portail de la plateforme, la plateforme de donnĂ©es partagĂ©e, les cas d’usage, les modĂšles cloud, la data science, l’automatisation de la conformitĂ©, les services partagĂ©s et les processus de gouvernance.
McKinsey & Company

SĂ©rieusement ? Encore un de ces affreux graphiques de jargon de consultant (le texte est aussi confus que le graphique), qui mĂ©lange tout et n'importe quoi et que mĂȘme son auteur ne comprend sans doute plus.


Bon, assez tapé dessus : intégrer cette innovation technologique n'est vraiment pas simple. Elle est tout simplement différente des outils informatiques qu'on connaßt et qu'on utilise depuis longtemps. Une certaine dose de « Trial&Error » est inévitable. Mais si on s'y prend bien, on peut gravir la courbe d'apprentissage plus vite et en tirer un avantage concurrentiel. Quelques recommandations à ce sujet dans Episode 10.6 - Generate or delegate?


*Voici le papier, vous vous amuserez peut-ĂȘtre plus que moi : Overcoming two issues that are sinking gen AI programs


Live long and prosper 😉🖖


mscuibzeug đŸ€”

▶Écouter