Microsoft révolutionne Copilot : opportunités et défis pour les entreprises

L’intelligence artificielle en entreprise franchit un nouveau cap. Microsoft déploie des fonctionnalités avancées pour son assistant Copilot, promettant des analyses plus précises et fiables. Mais cette évolution technologique soulève également des questions sur la complexité opérationnelle et les coûts associés pour les organisations.

Deux nouveaux modes pour affiner les recherches

M365 Copilot enrichit son agent Recherche avec deux capacités inédites baptisées Critique et Council. Ces fonctionnalités visent à renforcer la qualité des analyses produites et à structurer davantage les informations transmises aux utilisateurs professionnels.

L’objectif affiché par Microsoft ? Améliorer simultanément la précision, la fiabilité et la structuration des résultats obtenus par les entreprises utilisant sa plateforme d’intelligence artificielle.

La fonction Critique pour approfondir l’analyse

La capacité Critique s’appuie sur des modèles LLM d’Anthropic et d’OpenAI pour proposer une approche plus rigoureuse. Elle combine exploration approfondie, synthèse structurée et validation systématique des affirmations formulées.

Cette fonctionnalité s’active automatiquement dans l’agent Recherche lorsque le mode auto est sélectionné, offrant une première couche d’analyse renforcée sans intervention particulière de l’utilisateur.

Council : la confrontation des modèles

Plus sophistiquée encore, la fonction Council met en concurrence plusieurs intelligences artificielles. « Council exécute simultanément un LLM Anthropic et un LLM OpenAI… », permettant ainsi de croiser les résultats.

Accessible via l’option « Model Council », cette capacité offre aux entreprises la possibilité de comparer les conclusions de différents modèles avant de prendre leurs décisions.

Des gains de performance mesurables mais à relativiser

Microsoft avance des chiffres concrets concernant les améliorations apportées par Critique. Les performances progressent de 3,33 points en portée et profondeur, tandis que la présentation gagne 3,04 points.

La précision factuelle enregistre également une hausse de 2,58 points selon les mesures internes de l’entreprise. Des résultats encourageants qui méritent toutefois d’être contextualisés.

Des conditions de test optimales

Ces évaluations ont été réalisées dans des conditions idéales contrôlées. Microsoft invite d’ailleurs les entreprises à interpréter ces données avec prudence, l’environnement réel d’utilisation pouvant différer significativement.

Un autre écueil potentiel réside dans les risques de biais similaires entre modèles, susceptibles de fausser les résultats même lors d’une confrontation entre plusieurs IA.

L’importance cruciale des données internes

Neil Shah souligne la nécessité d’intégrer ces capacités avec les données internes de l’entreprise pour obtenir des résultats véritablement nuancés et pertinents dans chaque contexte spécifique.

Cette personnalisation apparaît comme un facteur déterminant pour tirer pleinement parti des nouvelles fonctionnalités proposées par Microsoft.

Une complexité accrue pour les équipes informatiques

L’envers du décor révèle des défis opérationnels considérables. Les départements IT doivent désormais gérer une complexité et des coûts supplémentaires liés au déploiement de ces systèmes multi-modèles.

Les flux de travail se trouvent modifiés, nécessitant l’intégration de chaînes d’interaction incluant à la fois les critiques intermédiaires et les résultats finaux. La gouvernance des systèmes d’IA devient également plus exigeante.

Repenser les cadres de gouvernance

Neil Shah insiste sur la nécessité de repenser entièrement les cadres de gouvernance autour de l’intelligence artificielle. L’audit et la gestion continue des systèmes multi-modèles s’imposent comme des priorités organisationnelles.

Les entreprises doivent également mettre en place des mécanismes robustes pour évaluer l’impact réel des résultats produits par ces nouvelles capacités.

Des responsabilités complexes à clarifier

Pareekh Jain met en garde contre les responsabilités complexes en cas de dysfonctionnement. Lorsque plusieurs modèles interagissent, déterminer l’origine d’une erreur ou d’un biais devient particulièrement ardu.

Cette question de la responsabilité juridique et opérationnelle constitue un enjeu majeur pour les entreprises qui s’engagent dans l’adoption de ces technologies avancées.