Le site d'information de la CFCIM
IA

De la stratégie d’adoption des technologies d’intelligence artificielle

Date de publication : 3 mai 2021 Rubrique : Regards d'experts

Par Fayçal Noushi, CEO de Zen Networks, entreprise spécialisée dans les technologies Cloud, Big data & DevOps

Dans un contexte hautement volatile et incertain, il convient aux entreprises de rester en veille constante vis-à-vis des potentielles disruptions de leur écosystème. L’usage omniprésent de l’intelligence artificielle (IA) ainsi que son potentiel accru par les ses dernières évolutions en fait une arme redoutable pour améliorer son efficience et sa compétitivité.

On dit bien qu’il n’y a pas de fumée sans feu. De même, le buzz fait autour de l’IA est justifié par de réelles disruptions technologiques. Ainsi, alors que l’IA date de plusieurs décennies pour le moins, son essor récent est dû aux capacités de calcul qui ne cessent d’augmenter ainsi qu’à l’évolution du « big data » qui a été une clé pour la collecte et le traitement de données massives.

Quelques définitions…

Afin de mieux cerner le sujet, nous définissons trois types d’IA d’un point de vue orienté sur les capacités métier.

  • Automatisation de processus métier. Il s’agit du plus commun et simple des usages de l’IA. Celui-ci se focalise sur l’automatisation d’un processus métier et de ses tâches récurrentes en consommant les informations de systèmes IT hétérogènes. Typiquement, ceci prend la forme de robots (Robotic Process Automation). Parmi les cas fréquents, on retrouve la réconciliation de factures (ou rapprochement bancaire) ou encore le transfert de données, de documents PDF ou de mails vers un CRM.
  • Perception cognitive (cognitive insight). Cet usage est directement lié aux évolutions du big data et permet d’interpréter de larges volumes de données en employant principalement des technologies d’apprentissage dites machine learning. Parmi les fonctionnalités, on retrouve la détection de fraude ou de perte de clientèle ainsi que la génération automatique de recommandations d’achat. Ces technologies permettent de créer de la valeur à partir de données difficilement exploitables.
  • Engagement cognitif. Dans ce cas, l’IA est utilisée sous la forme de chatbot, voicebot afin d’interagir avec des humains. Cette technologie peut être déployée soit en interne, sur un portail intranet, soit en externe, pour le compte de clients ou prospects. Malgré une utilisation de plus en plus fréquente, il convient de noter que l’acceptation de cette technologie n’est pas gagnée. En effet, selon une étude de Deloitte, 48 % des managers implémentant ces bots estiment que l’acceptation des clients représente le plus grand défi pour un déploiement effectif. Bien bénéficier de ces usages ne se résume pas simplement à une problématique technologique. Pour ce faire, il faut avoir une stratégie et une culture adaptées.

Sponsorship et organisation

La transversalité des projets d’intelligence artificielle implique une interaction continue entre l’équipe en charge de l’implémentation et les différents métiers de l’entreprise. En effet, les données utilisées pour la prise de décision automatisée sont souvent fragmentées en silos chez les différentes équipes. De même, afin de créer des solutions à forte valeur ajoutée, la compréhension des processus et métiers est une condition sine qua non pour le succès de ces projets. C’est pour cela que plusieurs entreprises choisissent de mettre en place une organisation séparée sous la direction du « Chief Data Officier » (CDO) qui rend directement compte au PDG de l’entreprise. Le CDO a pour prérogatives d’implémenter la stratégie data de l’entreprise pour permettre des décisions dites « data-driven ». D’autres sociétés, plus petites, peuvent également opter pour un pilotage direct par le PDG dans le cas d’une équipe plus restreinte.

La mise en œuvre de ces projets nécessite une montée en compétence technologique qui n’est pas anodine pour la majorité des entreprises. C’est pourquoi, certains modèles d’open innovation développés en partenariat avec des startups ou des universités disposant déjà de bonnes capacités techniques peuvent offrir un gain de temps et de compétences. Le recrutement dans les métiers de l’IA et de la data science étant complexe en raison de la pénurie des talents, cette approche peut parfois être judicieuse. Nous nuancerons cela en précisant que le modèle d’open innovation nécessite une certaine prédisposition de l’entreprise hôte.

La gestion de changement vue des employés

Comme lors de tout changement majeur, il peut exister une forte résistance de la part des salariés. L’imaginaire collectif joue un rôle essentiel dans ce rejet et cette peur de l’inconnu. Cela dit, selon une étude menée par le Harvard Business Review portant sur 250 cadres exécutifs en charge des projets d’IA, seule une minorité (22 %) a mentionné la réduction du nombre d’employés comme objectif (cf. figure ci-dessous). En effet, la stratégie la plus fréquemment adoptée est celle de l’augmentation des capacités humaines par l’IA.

Sans titre

Les projets d’IA étant souvent transverses, la résistance au changement doit y être placée au centre. Pour remporter une large adhésion, il faut sensibiliser les collaborateurs à ces technologies en donnant un sens à leurs nouvelles tâches qui deviennent ainsi « augmentées » et moins ingrates. Il est également nécessaire d’établir des plans de formation adaptés.

Le principal objectif est d’aligner les intérêts des employés avec la stratégie de l’entreprise. Pour cela, certaines incitations peuvent être mises en place (comme précisé ci-dessous).

L’intrapreneuriat et l’esprit d’innovation

La mise en place d’une culture d’innovation et d’intrapreneuriat permet de faire émerger des projets innovants dont l’adhésion est renforcée. De ce fait, quand cette culture est globale et qu’elle est appliquée à l’IA et à ses formes d’automatisation, la gestion de changement en devient facilitée. Ceci peut prendre la forme d’hackathons internes à l’entreprise, par exemple.

Un élément clé de réussite est d’éviter les projets pharaoniques. On a tous en tête des projets quinquennaux qui n’ont été considérés comme des succès qu’en raison de leur taille « too big to fail ». Le saut vers les technologies d’IA implique plusieurs risques et technologiques et organisationnels. Pour cela, il convient de suivre une approche itérative en recherchant des quick-wins à faible niveau de complexité et offrant un retour sur investissement correct. Une fois l’expertise acquise et l’adhésion des collaborateurs remportée, la complexité peut augmenter.

Conclusion

La pertinence des technologies à base d’IA n’est plus en question. Leur maturité, également. Nous nous trouvons à un point où leur adoption devient un facteur clé pour la compétitivité d’une entreprise. Les gains sont aussi évidents qu’importants, que ce soit pour automatiser les traitements via RPA (Robotic Automatisation Process) permettant de se focaliser sur les tâches à forte valeur ajoutée ou encore pour sortir des recommandations clés basées sur un volume important de données.

L’utilisation de ces technologies doit être liée à une logique pragmatique axée sur le business ainsi qu’à une approche itérative ouverte à l’échec dans un cadre d’innovation.

 

 

 

 

Sources :

Fayçal Noushi ; Centrale Supélec Professionnal Thesis « Market Relevance In the context of AI Massive Automation »

  1. H. D. a. R. Ronanki, «Artificial Intelligence For The Real World,» Harvard Business Review