Les solutions IA auront du succès en contribuant à réduire les désaccords et à résoudre des problématiques métier spécifiques.
Un peu de contexte
Nous vivons actuellement un âge d'or en matière de données et de technologies qui ne montre aucun signe de ralentissement. Les technologies d'intelligence artificielle continuent de s'améliorer : les modèles de machine learning traitent des milliards de lignes de données, les avancées en matière de traitement du langage naturel permettent de comprendre l'intention de l'utilisateur, et les algorithmes deviennent de plus en plus rapides. Nous assistons à l'automatisation de tâches simples et répétitives, permettant aux utilisateurs de se concentrer sur ce qu'ils savent faire de mieux : appliquer un raisonnement critique et comprendre les données en contexte.
Cette accélération de l'innovation s'accompagne d'une augmentation des investissements en matière d'IA et de l'adoption de ces technologies. D'ailleurs, 99 % des grandes entreprises du Fortune 1000 envisagent d'investir dans l'IA et la data au cours des 5 prochaines années. Les responsables métier et IT considèrent que l'IA joue un rôle essentiel pour la survie de leurs activités. Pourtant, la réussite à long terme des solutions IA et leur pérennité dépendent de nombreux facteurs, comme l'augmentation du volume des données, les coûts liés à ces technologies, les difficultés de pourvoir des rôles de plus en plus spécialisés, ou encore l'adoption de ces solutions à grande échelle.
84 % des cadres supérieurs considèrent qu'ils doivent tirer parti de l'IA pour atteindre leurs objectifs de croissance. Pourtant, 76 % indiquent peiner à la déployer à grande échelle.
Les entreprises reconnaissent qu'elles doivent en faire plus pour innover et mieux servir leurs clients. Si l'IA crée des opportunités inédites, la plupart des investissements réalisés n'ont pas encore généré de valeur. En 2022, les technologies d'IA poursuivront leur dynamique positive, en venant aider les utilisateurs à adopter une réflexion critique et à prendre des décisions data-driven. L'analytique et l'IA sont en quelque sorte les nouveaux membres de votre équipe.
La culture des données et la data literacy, à savoir la capacité à explorer et comprendre les données et à communiquer les découvertes, aident également les organisations à définir leur stratégie et leur perspective en matière d'IA et de ML. Ces initiatives de conduite du changement et de développement des compétences leur permettent de rester compétitives et de répondre à des problématiques importantes en matière d'augmentation des activités humaines :
- Quelles tâches seront entièrement automatisées grâce à l'IA ?
- Exemples d'automatisations permettant aux utilisateurs de se focaliser sur des tâches plus complexes : tâches basiques de traduction et de retouche d'images. Au lieu de passer des heures à retoucher une photo pour changer l'arrière-plan, les utilisateurs peuvent recourir à une technologie basée sur l'IA pour gérer les retouches d'éclairage et de fusion. Ces tâches automatisées permettent de consacrer davantage de temps aux tâches créatives.
- Quelles tâches seront semi-automatisées et nécessiteront de faire appel aux capacités d'interprétation des humains ?
- Exemples d'utilisation de l'IA présentant des tendances et insights qui donnent aux utilisateurs les moyens de prendre des décisions data-driven en contexte :
- Pour éprouver plus efficacement les modèles climatiques et pandémiques, les chercheurs recourent à des techniques de ML pour comprendre les tendances et les conséquences, afin de définir des politiques plus efficaces.
- L'IA peut utiliser des algorithmes de traitement du langage naturel et de ML pour analyser des données vocales (appels de clients, par exemple), afin de mieux comprendre l'intention et ajouter des catégories et étiquettes pertinentes. Ces éléments permettant de comprendre l'identité et la sémantique aident à déterminer les mesures à prendre.
- Exemples d'utilisation de l'IA présentant des tendances et insights qui donnent aux utilisateurs les moyens de prendre des décisions data-driven en contexte :
Les organisations investissant dans la conduite du changement sont 60 % plus susceptibles d'indiquer que l'IA dépasse leurs attentes, et 40 % plus susceptibles que les autres d'obtenir des résultats positifs.
En adoptant des comportements, des états d'esprit et des compétences data homogènes, les entreprises peuvent plus facilement déployer leurs solutions IA à grande échelle, pour une mise en œuvre et une innovation plus pérennes. Dans un rapport récent, Gartner souligne que les lacunes en matière de compétences constituent le principal frein à l'adoption de l'IA et du ML. Ces lacunes sont dues au fait que le développement des compétences est un processus continu, qui doit se faire au rythme des développements technologiques. Aujourd'hui, la réussite et la scalabilité de vos projets IA peuvent se jouer sur votre capacité à mettre l'ensemble de vos effectifs au diapason et à garantir que leurs compétences sont à jour.
Les entreprises interrogées qui déploient l'IA de manière stratégique indiquent profiter d'un rendement près de 3 fois supérieur aux autres entreprises, qui mènent des projets de faisabilité cloisonnés.
Et maintenant ?
En collaboration avec les responsables IT, les responsables métier ont la possibilité de mener des stratégies data et IA de manière contextualisée. Pour que l'IA soit pertinente, gérable et transparente, elle doit autonomiser les utilisateurs et rester ancrée dans la stratégie et les objectifs métier. Nous allons assister à un basculement des solutions IA, d'une approche d'étude de faisabilité vers un déploiement à grande échelle pour des scénarios métier spécifiques.
Différents secteurs développent et utilisent l'IA de manière innovante. Une étude récente de KPMG a analysé le déploiement de l'IA dans cinq secteurs (retail, transports, santé, services financiers et technologies), et montre que 91 % des participants du secteur de la santé considèrent que l'IA facilite l'accès aux soins pour les patients. Et même si la plupart des entreprises gèrent elles-mêmes leur chaîne d'approvisionnement, celles qui adopteront l'IA au cours des mois et des années à venir se démarqueront nettement de la concurrence, pour la Harvard Business Review.
Grâce au cloud computing, l'IA est devenue plus abordable et plus accessible, conduisant à des innovations dans tous les secteurs. L'attention se portant davantage sur la réussite métier, nous assisterons à l'émergence de solutions combinant différentes techniques d'IA (IA composite), avec une IA adaptée à des workflows particuliers, afin de maximiser les résultats.
Vous devez trouver des manières créatives et innovantes de déployer la digitalisation à grande échelle dans votre organisation. Il est nécessaire de collaborer avec les métiers et les responsables IT afin de créer des équipes combinant compétences métier et IT à partir d'un éventail de disciplines.
Les workflows gagneront en efficacité grâce à des compétences, des façons de penser et des valeurs partagées (autrement dit, la culture des données et la data literacy) afin de permettre à chacun d'effectuer facilement les tâches analytiques et de data science plus sophistiquées nécessaires pour tirer parti de l'IA.
Recommandations
1. L'IA est un sport d'équipe. Identifiez les tâches et les fonctions qui profiteraient le plus d'une augmentation des activités humaines, et permettraient ainsi aux utilisateurs de gagner du temps ou de renforcer leurs compétences et leur expertise. Étudiez les besoins des clients et les difficultés auxquelles ils font face, pour comprendre de quelle manière votre solution IA peut générer de la valeur. Posez-vous les questions suivantes pour déterminer s'il est utile de développer un projet pilote :
- Combien de clients ont des besoins similaires ou font face aux mêmes difficultés ?
- À quelle fréquence ces difficultés se produisent-elles ?
- Une technologie IA peut-elle résoudre ces difficultés ?
2. Focalisez-vous sur les scénarios opérationnels et les facteurs de réussite pour passer du concept au déploiement à grande échelle de votre solution.
- Déployez une IA intentionnelle et contextuelle en connectant vos solutions à des problématiques métier concrètes, avec des objectifs clairs à atteindre.
- Identifiez de quelle manière l'IA permet de réduire les points de désaccord. Si vous cherchez à appliquer l'IA à tous les aspects de votre suite de produits, vous aurez des difficultés à déployer votre solution à grande échelle et manquerez de ressources.
- Tout ce qui brille n'est pas de l'or. Si certaines solutions sont attractives sur le papier, elles dépassent rarement le stade de concept. Définissez également des attentes réalistes en matière de délais et d'échelle, en trouvant le bon équilibre entre budget, délais, compétences techniques à disposition et infrastructure.
3. Investissez dans la data literacy pour développer les compétences de vos collaborateurs.
- Une mauvaise qualité des données donne lieu à des solutions IA imprécises et inefficaces. Avec des effectifs disposant de compétences adéquates, vous pourrez améliorer la qualité des données, et vous appuyer sur ces données à jour et fiables pour concevoir ou entraîner des algorithmes et modèles d'IA de ML et de traitement du langage naturel.
- Même une formation de base, organisée en interne ou dispensée par un tiers, peut donner aux utilisateurs métier les compétences nécessaires pour trouver des réponses à leurs questions. Cela permet de réduire le nombre de requêtes analytiques simples ou peu stratégiques transmises aux équipes d'analytique avancée et de data science. Celles-ci peuvent alors se consacrer à des projets d'envergure, à plus forte valeur.