Les résultats de la mise en œuvre de l'intelligence artificielle dans les entreprises peuvent dépendre de la participation des salariés à la formation de modèles spécialisés. La chroniqueuse du Financial Times, Sarah O'Connor, a écrit à ce sujet.
Nous parlons de connaissances tacites – des compétences pratiques et des méthodes de prise de décision qui se forment avec l'expérience, mais sont rarement enregistrées dans les instructions et les documents d'entreprise. Le FT a associé ce concept au philosophe Michael Polanyi, qui a formulé le principe : « nous en savons plus que ce que nous pouvons exprimer avec des mots ».
Selon l’auteur, les modèles d’IA à usage général fonctionnent mieux dans les domaines disposant de grands volumes de données ouvertes et de critères de vérification clairs. Dans les tâches où le contexte interne de l’entreprise et le jugement d’un expert sont importants, les instructions écrites seules peuvent ne pas suffire.
La publication comparait ce qui se passait avec les travaux de l'ingénieur américain Frederick Winslow Taylor. Au début du XXe siècle, il a tenté de systématiser les expériences des ouvriers d'usine à travers des observations, des enregistrements et des mesures du temps.
Bridgewater a entraîné davantage le modèle à l'aide d'évaluations d'experts
Un exemple est une étude conjointe entre Bridgewater AIA Labs et Thinking Machines Lab, publiée le 30 juin. Les équipes ont testé l'IA sur six tâches du flux de travail d'une entreprise d'investissement : les modèles ont analysé l'actualité financière, les documents de la banque centrale et d'autres documents potentiellement pertinents pour la prise de décision.
Lors de l'utilisation d'instructions simples, Claude Opus 4.6 et 4.8, Gemini 3.1 Pro, GPT-5.4 et GPT-5.5 ont montré une précision de 45,6 % à 50,1 %. Les invites préparées par les experts de Bridgewater ont augmenté ce chiffre à 74,3-78,2 %. L'optimisation automatique des instructions n'a pas apporté d'amélioration supplémentaire.
« Une invite explicite ne peut transmettre que la partie de l'intuition que l'expert est capable d'exprimer avec des mots. Cependant, les jugements les plus importants sont souvent les plus difficiles à formuler », notent les auteurs.
Les chercheurs ont ensuite formé Qwen3-235B sur les données étiquetées par les spécialistes de Bridgewater. La précision moyenne du système a atteint 84,7 %. Selon les calculs des développeurs, le nombre d'erreurs a été réduit de 29,8 % par rapport au modèle universel le mieux testé.
Le coût des tâches de traitement s'est avéré 13,8 fois inférieur. Les auteurs ont appelé cette approche « intelligence différenciée ». Cela implique de personnaliser des modèles individuels pour les processus et les exigences d'une organisation spécifique.
Ford a élargi son équipe de spécialistes expérimentés
Le FT a également cité l'exemple de Ford. Au cours des trois dernières années, le constructeur automobile a embauché, promu ou réembauché environ 350 techniciens expérimentés. Ils inspectent les conceptions, identifient les problèmes potentiels, forment de jeunes ingénieurs et contribuent à améliorer les outils automatisés de contrôle qualité.
Charles Poon, vice-président de l'ingénierie matérielle de Ford, a déclaré que les performances de l'IA dépendent de la qualité des informations utilisées pour la formation.
« L’intelligence artificielle est un excellent outil, mais sa valeur dépend des informations utilisées pour la former », a-t-il déclaré.
Selon Poon, l'entreprise n'a pas systématiquement retenu les connaissances d'ingénieurs expérimentés. Certains spécialistes ont quitté Ford avant que leur expérience puisse être pleinement transférée dans les processus internes.
Rappelons qu'en octobre 2025, ForkLog a découvert comment les développeurs adaptent de grands modèles de langage pour effectuer des tâches bureautiques.
Voir l’article original en russe
