Alors que les premiers projets IA réalisés dans des labs par des data scientists sont bien souvent restés à l’état de projet, une deuxième vague prenant mieux en compte les problématiques métiers ont été davantage utilisés par les opérationnels. Toutefois, le manque d’opérationnalisation de ces projets IA réduit leurs impacts business. Mais l’opérationalisation des projets d’IA nécessite l’implication des métiers, l’intégration dans les processus existant, et l’alignement avec les SI.
IA : des projets technologiques développés par des data scientists
Avec un marché mondial de 1200 milliards de dollars en 2018, l’Intelligence artificielle n’est plus un phantasme. Séduites par les capacités de cette technologie à faciliter la prise de décision, à automatiser des tâches, à anticiper des évènements et à augmenter l’humain, l’IA est entrée de plain-pied dans les entreprises. Ainsi, depuis deux ou trois ans, les grands comptes multiplient les projets. Soucieux, dans un premier temps, de tester cette technologie, ils ont recruté des data scientists qui, confinés dans des labs, ont développé de jolis algorithmes. Mais, concentrés à produire des modèles sans se préoccuper de leurs utilités et de leurs opérationnalisations et en sous estimant l’impact de ces nouvelles technologies sur l’ensemble de leurs organisations, les entreprises ont vu leurs projets IA restés dans les cartons. La raison principale de ces échecs est due à l’approche partielle de ces initiatives, et à l’absence d’implication profonde des métiers, d’intégration dans les processus existants, et de l’alignement avec les SI. D’ailleurs, selon Nick Heudecker de Gartner, malgré la multiplication de telles initiatives, 85% des projets échouent.
Des projets IA mieux adaptés aux besoins métiers
Fort de ces échecs, les entreprises recueillent désormais les besoins des métiers. De l’analyse de ces attentes et des technologies d’IA disponibles sur le marché naissent de multiples projets développés sur la base de données massive. C’est ainsi, par exemple, que le secteur de la banque/assurance utilise des assistants intelligents pour automatiser des réponses à des questions basiques de clients ou pour aider les conseillers à répondre plus rapidement à leurs problématiques plus complexes en leur fournissant, en temps réel, les informations nécessaires à la réponse. D’autres solutions d’IA sont mises en place pour détecter les fraudes, identifier les cyber attaques ou, dans la maintenance prédictive, pour anticiper les pannes plutôt que de les subir. L’IA entre également dans l’optimisation de campagnes marketing.
Si cette stratégie de prise en compte du besoin métier est plus pertinente que d’aborder le sujet par la technologie, elle se heurte néanmoins à deux problèmes. Le premier est le temps nécessaire à ces outils pour dégager de la valeur métier. En effet, si designer un model prend 15 jours, la mise à niveau des process business, des équipes et la pérennisation de la qualité du modèle prédictif nécessitent plusieurs mois.
Le second, est celui de l’indépendance, voire de l’incompatibilité, de ces projets entre eux et à l’informatique de l’entreprise. Développés par POC (Proof of Concept), ces projets menés par les data scientists et les métiers, restent en marge des SI et de l’organisation de l’entreprise. Résultat : les entreprises se retrouvent à la tête d’une myriade de projets éparpillés dans les services, incompatibles avec les règles opérationnelles de la société, et qui ne trouvent que très tardivement, voir même jamais, de débouchés effectifs chez les métiers.
Tirer partie de l’IA grâce à l’opérationnalisation des projets
La réussite d’un projet IA doit donc non seulement répondre à une problématique métier, mais aussi s’intégrer à l’ensemble des processus et de l’organisation de l’entreprise. Un projet IA doit prendre en compte la technologie de traitement de données, la connaissance métier, et l’ensemble des processus opérationnels de l’entreprise. Le succès d’un projet IA est donc conditionné à l’implication des équipes données, métier, et systèmes. Technologie inclusive, l’IA contraint les entreprises à opérer une véritable transformation organisationnelle en incitant les collaborateurs à nourrir leur prise de décision par la donnée et à fournir des données pour entrainer l’Intelligence artificielle.
Une Enterprise AI se déploie par étapes : définir la finalité du projet, développer le modèle, en valider le potentiel, l’intégrer aux processus métier, aux SI de l’entreprise, valider les outils et entrainer le modèle. Ainsi l’IA n’apportera de la valeur métier que si elle s’intègre de façon transparente aux processus de l’entreprise et si la robustesse et l’évolutivité du modèle sont au rendez-vous.
La prise en compte des enjeux de l’opérationnalisation est un élément essentiel pour permettre aux entreprises de se rapprocher d’une vision d’Enterprise AI, où chacune des décisions prises par chaque collaborateur peut être augmentée et optimisée par de l’IA.
Une IA efficiente est une IA imprégnée à tous les niveaux de l’entreprise. Nous sommes au balbutiement de la puissance de cette technologie, mais une chose est sûre : elle constitue pour les entreprises un véritable changement de paradigme, les obligeant à se restructurer en profondeur.
