169
Pour rendre l’Intelligence Artificielle efficace il faut disposer d’une masse importante de données si
possible annotées. Certains secteurs industriels et grandes entreprises disposent de ces données, mais
celles-ci ne sont pas en général publics et concernent parfois des domaines privés, stratégiques …
Recommandation n°1 : Faciliter l’accès aux jeux de données et aux moyens de traitement pour le
développement d’Intelligences Artificielles par filière et dans les régions. (Action PIA3 : AAP
collaboratifs ciblés (PSPC), plateformes mutualisées sur une filière)
2. L’émergence de start-ups en IA dans les dernières années est notable, cependant certains
domaines d’application demeurent à la marge.
La cartographie réalisée au cours de cette étude met cependant d’ores et déjà en avant des manques
sectoriel dans l’émergence des start-ups IA : les secteurs plus caractéristiques de l’IA (robotique, big
data) sont bien couverts, en revanche le déploiement à d’autres domaines se fait plus lent (ex : moins
de 10 start-ups au total en sécurité, maison connectée, finance, assurance, administration, ...). Sur les
3500 petites entreprises aidées par Bpifrance chaque année, seules ~50 se réclament de l’IA en 2015,
un chiffre relativement faible au vu de l’intégralité des secteurs couverts par l’IA. Ainsi, l’offre de
technologie n’est pas toujours au rendez-vous, pas assez mature et éventuellement difficile à intégrer.
Il y a donc un fort enjeu sur l’émergence de start-up dans des domaines a priori moins couvert par l’IA
en France (sécurité, détection de comportements anormaux par exemple).
Si l’intelligence artificielle s’applique bien à tous les verticaux, l’enjeu réside dans l’expertise métier
que peuvent avoir les startups sous-jacentes. Il est donc important de pouvoir trouver des datascientists orientés métiers pour pouvoir vraiment adapter leurs algorithmes à des problématiques
opérationnelles. Un autre enjeu concerne la maturité des secteurs concernés : par exemple,
l’agriculture en général souffre d’un déficit de digitalisation par rapport au marketing, donc
l’intelligence artificielle mettra sûrement plus de temps à se propager.
Recommandation n°2 : Diffuser les méthodes de
l’Intelligence Artificielle grâce à une
verticalisation sur des thématiques métiers en créant des Hubs IA (« mini cluster » réunissant la
recherche, l’enseignement, l’incubation, l’accompagnement et le financement). (Action PIA3 : AAP
Nouveaux écosystèmes d’innovation).
Recommandation n°3 : Un programme pour détecter, soutenir et accompagner les talents
entrepreneuriaux issus du monde étudiant et universitaire, susceptibles de développer un projet de
startup IA.
3. Dans les domaines où les startups en IA commencent à émerger, l’enjeu majeur de
déploiement consiste à démystifier l’IA, à faire la pédagogie de ses enjeux et à faire
comprendre la proposition de valeur pour les entreprises.
En premier lieu, ressort un besoin transversal d’élaborer un référentiel de l’IA partagé par tout
l’écosystème qui permette à tous de parler le même langage et de faire de la pédagogie : glossaire,
exemples concrets sectoriels, type d’applications / services, aspects juridiques et PI, consultant
ressources, labos de recherche, lieux d’expérimentations pour les entreprises, cartographie de l’offre
industrielle offre produits services pour quel enjeu, lieux et « cursus » de formation professionnelle,
Pour rendre l’Intelligence Artificielle efficace il faut disposer d’une masse importante de données si
possible annotées. Certains secteurs industriels et grandes entreprises disposent de ces données, mais
celles-ci ne sont pas en général publics et concernent parfois des domaines privés, stratégiques …
Recommandation n°1 : Faciliter l’accès aux jeux de données et aux moyens de traitement pour le
développement d’Intelligences Artificielles par filière et dans les régions. (Action PIA3 : AAP
collaboratifs ciblés (PSPC), plateformes mutualisées sur une filière)
2. L’émergence de start-ups en IA dans les dernières années est notable, cependant certains
domaines d’application demeurent à la marge.
La cartographie réalisée au cours de cette étude met cependant d’ores et déjà en avant des manques
sectoriel dans l’émergence des start-ups IA : les secteurs plus caractéristiques de l’IA (robotique, big
data) sont bien couverts, en revanche le déploiement à d’autres domaines se fait plus lent (ex : moins
de 10 start-ups au total en sécurité, maison connectée, finance, assurance, administration, ...). Sur les
3500 petites entreprises aidées par Bpifrance chaque année, seules ~50 se réclament de l’IA en 2015,
un chiffre relativement faible au vu de l’intégralité des secteurs couverts par l’IA. Ainsi, l’offre de
technologie n’est pas toujours au rendez-vous, pas assez mature et éventuellement difficile à intégrer.
Il y a donc un fort enjeu sur l’émergence de start-up dans des domaines a priori moins couvert par l’IA
en France (sécurité, détection de comportements anormaux par exemple).
Si l’intelligence artificielle s’applique bien à tous les verticaux, l’enjeu réside dans l’expertise métier
que peuvent avoir les startups sous-jacentes. Il est donc important de pouvoir trouver des datascientists orientés métiers pour pouvoir vraiment adapter leurs algorithmes à des problématiques
opérationnelles. Un autre enjeu concerne la maturité des secteurs concernés : par exemple,
l’agriculture en général souffre d’un déficit de digitalisation par rapport au marketing, donc
l’intelligence artificielle mettra sûrement plus de temps à se propager.
Recommandation n°2 : Diffuser les méthodes de
l’Intelligence Artificielle grâce à une
verticalisation sur des thématiques métiers en créant des Hubs IA (« mini cluster » réunissant la
recherche, l’enseignement, l’incubation, l’accompagnement et le financement). (Action PIA3 : AAP
Nouveaux écosystèmes d’innovation).
Recommandation n°3 : Un programme pour détecter, soutenir et accompagner les talents
entrepreneuriaux issus du monde étudiant et universitaire, susceptibles de développer un projet de
startup IA.
3. Dans les domaines où les startups en IA commencent à émerger, l’enjeu majeur de
déploiement consiste à démystifier l’IA, à faire la pédagogie de ses enjeux et à faire
comprendre la proposition de valeur pour les entreprises.
En premier lieu, ressort un besoin transversal d’élaborer un référentiel de l’IA partagé par tout
l’écosystème qui permette à tous de parler le même langage et de faire de la pédagogie : glossaire,
exemples concrets sectoriels, type d’applications / services, aspects juridiques et PI, consultant
ressources, labos de recherche, lieux d’expérimentations pour les entreprises, cartographie de l’offre
industrielle offre produits services pour quel enjeu, lieux et « cursus » de formation professionnelle,