Dans les processus métier modernes, l'adoption de l'IA générative a dépassé le stade de l'utilisation comme simple outil pour entrer dans une phase de systématisation.
Au-delà, une nouvelle ère d'intelligence, appelée « Intelligence Symphonique », nous attend.
Cet article explore l'état actuel et les perspectives futures de l'utilisation de l'IA générative sous deux angles : le travail d'itération et le travail en flux.
Travail d'itération
Dans un article précédent, j'ai analysé les perspectives du travail d'itération et des outils, ainsi que du travail en flux et des systèmes, comme points de vue pour permettre à l'IA générative d'accomplir des tâches.
Le travail d'itération désigne les tâches que les humains accomplissent en combinant de manière semi-inconsciente de multiples tâches concrètes différentes et en procédant par essais et erreurs.
Et pour ce travail d'itération, les outils sont optimaux. En sélectionnant les outils adaptés à diverses tâches, le travail peut progresser efficacement. Il est donc nécessaire de préparer la boîte à outils requise et d'en maîtriser l'utilisation.
Actuellement, lorsque l'IA générative est utilisée en entreprise, la grande majorité des cas impliquent l'IA générative en tant qu'outil.
La plupart des discussions sur l'amélioration de l'efficacité métier avec l'IA générative se réfèrent à l'ajout de ce nouvel et puissant outil à la boîte à outils existante utilisée par les humains pour leur travail d'itération.
Problèmes liés au travail d'itération
D'autre part, comme souligné dans un article précédent, les gains d'efficacité apportés par les outils dans le travail d'itération sont relativement limités.
À mesure que les outils deviennent plus efficaces, les humains finissent par devenir le goulot d'étranglement. Nous ne pouvons finalement pas dépasser la limite du temps de travail humain.
De plus, il existe un écart significatif dans l'efficacité et la précision du travail d'itération entre les employés expérimentés et les nouvelles recrues, et il est difficile de combler cet écart. Par conséquent, même si l'on vise à doubler la charge de travail le mois prochain, cela ne peut être géré sans un personnel possédant les compétences d'un vétéran.
Pour résoudre le problème des humains qui constituent le goulot d'étranglement, la solution ultime serait de tout remplacer par l'intelligence artificielle.
Cependant, l'IA générative actuelle n'a pas encore ce niveau de performance.
De plus, même des tâches d'itération apparemment simples, lorsqu'elles sont examinées de près, se composent d'un grand nombre de sous-tâches inconscientes.
C'est pourquoi ces tâches n'ont pas pu être décomposées en systèmes informatiques conventionnels ou en manuels faciles à suivre, et ont plutôt reposé sur la compétence humaine.
À moins que ces nombreuses tâches inconscientes nécessitant des compétences ne soient organisées, et que le savoir-faire nécessaire pour chacune ne soit cristallisé en connaissances, l'IA générative, quelle que soit l'amélioration de ses performances, ne pourra pas effectuer de tâches en remplacement des humains.
Conversion en travail en flux et systématisation
Pour atteindre les objectifs de répartition des tâches dans les limites de performance actuelles de l'IA générative, et d'organisation des tâches inconscientes et de cristallisation du savoir-faire en connaissances, il est très important d'organiser le travail d'itération par essais et erreurs en un travail en flux standardisé.
Le travail en flux standardisé convient non seulement aux outils, mais aussi aux systèmes.
Dans le cadre du travail en flux, il y a des tâches à exécuter par l'IA générative et des tâches à exécuter par les humains. En les connectant avec un système, l'ensemble du travail en flux devient exécutable.
La conversion en travail en flux et la systématisation procurent plusieurs avantages significatifs :
Premièrement, parce que l'IA générative est spécialisée pour chaque tâche individuelle, l'optimisation de son efficacité et de sa précision pour chaque tâche devient claire.
Deuxièmement, plusieurs travailleurs peuvent ajouter des connaissances à l'IA générative, et les bénéfices s'étendent à tous.
Troisièmement, il devient plus facile de transférer progressivement la répartition des tâches au sein de ce travail à l'IA générative.
En convertissant le travail d'itération en travail en flux et en accumulant les connaissances requises par l'IA générative pour chaque tâche en tant que système, le travail intellectuel s'approche de l'automatisation, un peu comme une chaîne de production d'usine.
Et en intégrant l'amélioration des performances de base de l'IA générative, qui évolue avec le temps, et en utilisant les connaissances accumulées spécialisées pour diverses tâches, il deviendra possible de faire de l'ensemble du travail en flux un processus automatisé réalisé par l'IA générative.
Intelligence Virtuelle
Jusqu'à présent, l'analyse a été menée du point de vue du travail d'itération et des outils, ainsi que du travail en flux et des systèmes.
Un autre article récent approfondit cette discussion.
Dans cet article, j'ai abordé le sujet de l'orchestration par l'intelligence virtuelle.
Actuellement, et dans un futur très proche, en raison des limitations de performance, l'IA générative est plus efficace et précise lorsqu'elle est focalisée sur des tâches spécifiques.
Par conséquent, comme discuté précédemment avec le travail en flux et les systèmes, un mécanisme qui connecte des IA génératives spécialisées pour chaque tâche individuelle était idéal.
Cependant, même si la performance de l'IA générative s'améliore considérablement, le traitement des tâches en changeant de rôles et en utilisant des connaissances au sein d'un seul processus, plutôt que de simplement gérer diverses tâches simultanément, pourrait potentiellement conduire à une efficacité et une précision accrues.
Cette approche élimine le besoin d'un système pour lier les IA génératives entre elles. Des opérations similaires à l'intégration de systèmes se produiraient au sein de l'IA générative elle-même.
De plus, cela permet des réponses flexibles au sein de l'IA générative elle-même, s'éloignant des situations où les tâches ne peuvent être échangées ou ajoutées sans modifier le système.
Cela signifie le retour du travail en flux systématisé au travail d'itération.
Cependant, ce travail d'itération, après être passé par la systématisation et la conversion en travail en flux, est maintenant dans un état où des connaissances réutilisables peuvent être formées, même si le nombre d'IA génératives est augmenté ou si les versions sont modifiées.
Cela résout les problèmes du travail d'itération humain, permettant un travail flexible similaire à celui des humains.
Ici, je désigne la capacité de l'IA générative à changer de rôles et de connaissances lors d'une seule exécution comme l'intelligence virtuelle. C'est analogue à une machine virtuelle informatique.
Tout comme la technologie des machines virtuelles simule des ordinateurs entièrement différents fonctionnant sur un seul matériel, une seule IA générative traite les tâches en basculant entre plusieurs rôles.
L'IA générative actuelle a déjà naturellement acquis cette capacité d'intelligence virtuelle. C'est pourquoi l'IA générative peut simuler des discussions entre plusieurs personnes et générer des romans mettant en scène plusieurs personnages.
Si cette capacité d'intelligence virtuelle s'améliore et que des connaissances suffisantes sont fournies, il deviendra possible d'effectuer un travail d'itération.
Orchestration de l'intelligence
De plus, je désigne la capacité à combiner librement plusieurs rôles et connaissances pour accomplir des tâches de cette manière comme l'orchestration de l'intelligence.
Ceci est similaire à la technologie d'orchestration qui gère plusieurs machines virtuelles.
Tout comme la technologie d'orchestration opère efficacement des systèmes en lançant les machines virtuelles nécessaires au besoin, une IA générative dotée de compétences accrues en orchestration de l'intelligence — une capacité de l'intelligence virtuelle — sera capable d'effectuer un travail d'itération de manière flexible, tout en gérant de manière appropriée de nombreux rôles et connaissances, et en maintenant l'efficacité et la précision.
Intelligence Symphonique
L'IA générative qui atteint ce stade peut être qualifiée d'Intelligence Symphonique.
Tout comme un orchestre, habile à jouer de chaque instrument, interprète une seule œuvre musicale tout en remplissant ses rôles respectifs, l'Intelligence Symphonique peut jouer une symphonie de tâches intellectuelles.
Cette Intelligence Symphonique est un nouveau concept, représentant l'un des aboutissements de l'IA générative.
Cependant, l'Intelligence Symphonique elle-même existe déjà.
C'est notre intelligence humaine.
C'est précisément parce que nous possédons l'Intelligence Symphonique que nous pouvons, de manière inconsciente et flexible, accomplir de multiples tâches intellectuelles complexes grâce au travail d'itération, en tirant parti d'une multitude de savoir-faire.
Enfin : La forme de l'AGI
En dotant l'IA générative capable de simuler l'Intelligence Symphonique de travaux en flux et de bases de connaissances pour d'autres tâches, elle deviendra capable de gérer de multiples tâches d'itération.
Une fois qu'elle pourra gérer de nombreuses tâches d'itération différentes, elle sera en mesure de saisir les règles communes à ces tâches et les schémas structurels au sein des connaissances.
À ce stade, pour des tâches d'itération entièrement inconnues, avec juste une brève explication d'un humain, l'IA sera capable d'apprendre le savoir-faire de cette tâche simplement en observant comment un humain l'exécute.
C'est là la véritable Intelligence Symphonique. Une fois ce stade atteint, les humains n'auront plus besoin de consacrer des efforts à la conversion du travail en processus de flux ou à la cristallisation du savoir-faire en connaissances.
De plus, les connaissances ainsi automatiquement accumulées par l'IA générative pourront être partagées entre d'autres IA génératives.
Si cela se produit, la capacité d'apprentissage de l'IA générative dépassera de loin celle des humains.
Cela peut être considéré comme une forme d'AGI.