Le déficit de productivité lié à l'IA

Deux entreprises peuvent souscrire un accès à la même plateforme d'intelligence artificielle et obtenir des résultats très différents.

D'un côté, on réduit les délais de traitement, on améliore la qualité des décisions et on libère des capacités sans augmenter les effectifs. De l'autre, on obtient des e-mails plus rapides, des comptes-rendus de réunion plus longs et un ensemble d'initiatives isolées qui n'ont jamais d'incidence sur le chiffre d'affaires, les coûts ou la qualité du service.

La différence réside rarement dans le modèle lui-même. Elle réside dans l'organisation qui l'entoure.

Outils d'IA deviennent plus faciles d’accès, moins coûteux à tester et plus difficiles à distinguer les uns des autres. Une entreprise peut déployer un « copilote » professionnel en quelques jours, connecter un modèle linguistique à ses documents internes en quelques semaines et automatiser certaines tâches sans avoir à développer sa propre technologie. Cette accessibilité est utile, mais elle remet également en cause l’un des postulat sous-jacents à de nombreuses stratégies d’IA : celui selon lequel l’adoption de l’outil constitue un avantage.

Ce n'est pas le cas. L'accès à l'IA devient la norme. L'avantage apparaît lorsqu'une entreprise parvient à associer l'IA à son savoir-faire propre, à repenser ses processus opérationnels et à mesurer les résultats avec suffisamment de rigueur pour déterminer si des changements significatifs ont eu lieu.

L'accès à l'IA n'est plus une ressource rare

La première phase de l'adoption de l'IA par les entreprises a été marquée par la question de l'accès. Les entreprises souhaitaient savoir quels modèles elles pouvaient utiliser, dans quels délais elles pouvaient les mettre en place et si leurs collaborateurs les accepteraient.

Cette phase cède désormais la place à une question plus complexe : qu'est-ce que l'organisation possède qui rend son utilisation de l'IA difficile à reproduire ?

Un modèle générique peut rédiger des textes marketing, résumer un document ou répondre à une question générale. Un concurrent peut acquérir la même capacité. La valeur commerciale est donc limitée, à moins que l'outil ne soit associé à un élément spécifique : connaissance du produit, historique des décisions, données opérationnelles, dossiers clients, logique de tarification, documentation technique ou processus de travail perfectionné au fil des années.

Le modèle fournit des informations sous une forme générale. L'entreprise apporte le contexte.

Cette distinction explique pourquoi certains des cas d'utilisation les plus médiatisés de l'IA ne génèrent que des gains modestes. Une rédaction plus rapide est utile, mais elle n’améliore pas nécessairement la rentabilité d’une entreprise. Les résultats les plus significatifs apparaissent lorsque l’IA réduit le temps nécessaire pour traiter une demande de service, identifie une anomalie avant qu’elle ne se traduise par une perte ou aide une équipe à mieux exploiter des connaissances qui étaient auparavant dispersées entre différents systèmes et personnes.

Cette valeur est moins spectaculaire que la démonstration. Elle est également plus durable.

Le contexte propre à chaque système détermine la qualité du résultat

De nombreuses entreprises ne se rendent compte des limites de l'IA qu'après son déploiement.

Le modèle est peut-être performant, mais les informations dont il dispose sont incomplètes, obsolètes ou contradictoires. Les politiques sont stockées sous plusieurs versions. Les données sur les produits sont dispersées dans différents systèmes. Les historiques clients sont fragmentés entre les différents services. Les décisions importantes restent confinées dans des chaînes d'e-mails ou dans la mémoire des collaborateurs expérimentés.

Dans ces conditions, l'IA ne résout pas le problème de la connaissance. Elle le met en évidence.

Pour être fiable, un système d'IA doit avoir accès à des informations à jour, structurées et soumises à des règles de gouvernance. Il doit savoir quelle source fait autorité, qui est autorisé à consulter quelles données et à quel moment une vérification humaine s'impose. Sans ces fondements, l'organisation risque de recevoir des réponses fluides mais non fiables.

C'est pourquoi la base de connaissances de l'entreprise devient un atout stratégique. Elle n'est plus seulement un référentiel dans lequel les collaborateurs effectuent des recherches manuelles. Elle s'intègre désormais à l'environnement opérationnel grâce auquel les systèmes d'IA interprètent l'activité de l'entreprise.

La qualité de cet environnement a une incidence sur tous les résultats en aval. Un conseiller du service client formé à des politiques obsolètes répondra rapidement, mais de manière erronée. Un outil commercial relié à des données de compte incomplètes générera des recommandations qui paraîtront convaincantes, mais qui manqueront de fondement. Un assistant technique n’ayant pas accès à la documentation la plus récente risque de proposer une solution dépassée.

La gouvernance des données peut sembler éloignée des performances commerciales. Dans le cadre de la mise en œuvre de l'IA, le lien est pourtant direct.

La refonte des processus est plus importante que l'adoption d'outils

Une erreur courante dans la mise en œuvre consiste à intégrer l'IA à un processus existant en espérant que celui-ci s'améliore.

Un processus de travail inefficace reste souvent inefficace même lorsqu'une tâche est effectuée plus rapidement. Si les employés doivent encore attendre des validations, transférer manuellement des informations d'un système à l'autre ou répéter les mêmes vérifications dans plusieurs services, un assistant IA peut permettre de gagner quelques minutes sans pour autant modifier la durée totale du cycle.

Le meilleur point de départ, c'est le processus lui-même.

Où s'arrête le travail ? Quelles décisions nécessitent des informations difficiles à obtenir ? À quel moment les erreurs surviennent-elles ? Quels transferts de tâches entraînent des retards ? Quelles activités dépendent d'un petit nombre de collaborateurs expérimentés ? Dans quels domaines l'entreprise rémunère-t-elle régulièrement des personnes pour classer, comparer ou effectuer des recherches ?

Ces questions permettent de déterminer dans quels domaines l'IA peut influencer le modèle opérationnel plutôt que de se contenter de l'agrémenter.

Prenons l'exemple d'une compagnie d'assurance. L'utilisation de l'IA pour rédiger la correspondance relative aux sinistres peut réduire le temps consacré aux tâches administratives. En l'intégrant aux processus de réception des documents, de classification des sinistres, d'interprétation des polices, de détection des indicateurs de fraude et de règles d'escalade, on peut transformer la rentabilité de l'ensemble du processus.

Il en va de même dans le secteur industriel. Un outil d'IA capable de synthétiser les rapports de maintenance est très pratique. Un système qui combine les données des capteurs, l'historique des équipements et la documentation d'entretien pour identifier les pannes potentielles peut avoir un impact sur les temps d'arrêt, le fonds de roulement et la fiabilité vis-à-vis des clients.

Dans le secteur des services professionnels, une rédaction plus rapide peut améliorer la productivité individuelle. Une plateforme capable de retrouver des modèles pertinents, d’identifier les incohérences et de préserver le savoir-faire institutionnel peut transformer la manière dont le cabinet met son expertise à disposition.

Les cas d'utilisation les plus pertinents ont tendance à se situer à la frontière entre une tâche et une décision.

La supervision humaine nécessite une conception mûrement réfléchie

La plupart des entreprises reconnaissent que la supervision humaine est nécessaire. Elles sont toutefois moins nombreuses à préciser en quoi cette supervision doit consister.

Vérifier chaque résultat généré par l'IA peut sembler prudent, mais cela risque de réduire considérablement les gains de productivité. Laisser le système agir sans limites clairement définies pose un autre problème. L'entreprise a besoin d'un modèle fondé sur les risques qui fasse la distinction entre l'automatisation aux conséquences limitées et les décisions nécessitant un jugement responsable.

Un système peut être autorisé à classer des documents, à proposer des réponses ou à extraire des informations avec une intervention limitée. Une décision ayant une incidence sur le crédit, l'emploi, la sécurité, les obligations réglementaires ou une relation client importante nécessite un seuil différent.

L'intervention humaine s'avère particulièrement précieuse lorsque le contexte est incomplet, lorsque les compromis ne peuvent être réduits à une règle et lorsqu'une erreur aurait des conséquences importantes sur le plan juridique, financier ou en termes de réputation.

L'objectif n'est pas d'impliquer une personne à chaque étape du processus, mais d'attribuer les responsabilités là où elles ont leur place.

Cela nécessite davantage qu’une simple déclaration de principe. Les équipes doivent savoir quand elles peuvent se fier au système, quand elles doivent vérifier les résultats et quand la tâche doit rester entièrement du ressort de l’humain. Les procédures d’escalade doivent être clairement définies. Les pistes d’audit doivent indiquer quelles informations ont servi de base à la recommandation. Les collaborateurs doivent suffisamment bien comprendre les limites du modèle pour être en mesure de reconnaître quand une réponse est plausible mais erronée.

Une bonne surveillance fait partie intégrante du processus de travail ; il ne s'agit pas d'une étape supplémentaire ajoutée après le déploiement.

L'utilisation n'est pas synonyme de productivité

Les programmes d'IA sont souvent évalués en fonction de leur adoption.

Les dirigeants suivent le nombre de licences activées, de demandes soumises, de documents générés ou d'employés formés. Ces chiffres indiquent si l'outil est utilisé. Ils ne permettent pas de savoir si l'activité s'est améliorée.

Une entreprise peut enregistrer un taux d'adoption élevé sans pour autant en tirer une grande valeur économique. Les employés peuvent utiliser l'IA pour des tâches qui étaient déjà faciles, générer plus de contenu que l'entreprise n'en a besoin ou passer du temps à peaufiner des résultats qui n'auraient jamais dû être produits.

La mesure à appliquer dépend du processus.

Dans le domaine du service client, l'entreprise peut suivre le délai de résolution, le nombre de contacts répétés et les taux d'escalade. Au niveau des opérations, elle peut analyser les temps d'arrêt, la fréquence des erreurs ou le débit. Dans le domaine commercial, elle peut mesurer le taux de conversion, la rapidité d'élaboration des propositions ou le chiffre d'affaires par collaborateur. En matière de développement de produits, l'accent peut être mis sur les cycles de test, les délais de mise sur le marché ou le nombre de problèmes identifiés avant le lancement.

L'indicateur doit être suffisamment proche du résultat opérationnel pour permettre de déterminer si le système d'IA a modifié les performances.

Cela facilite également l'abandon des projets peu prometteurs. Les expérimentations en matière d'IA sont désormais suffisamment peu coûteuses pour que les entreprises puissent multiplier les projets pilotes sans en ressentir immédiatement le coût. Le coût le plus important se manifeste plus tard, sous la forme de systèmes fragmentés, de doublons dans le travail et d'une attention managériale dispersée entre des initiatives qui n'ont jamais présenté de voie crédible vers la création de valeur.

Un indicateur clair permet d'instaurer la discipline dès le début.

L'écart de productivité est aussi un écart de gestion

Les entreprises qui tirent des bénéfices significatifs de l'IA ne sont pas nécessairement celles qui disposent des budgets technologiques les plus importants.

Elles sont plus susceptibles de disposer d'un processus bien défini, de données exploitables, d'une répartition claire des responsabilités et d'une volonté de faire évoluer l'organisation du travail. La technologie vient en soutien à ces capacités. Elle ne les remplace pas.

Cela place la mise en œuvre de l'IA au cœur de la direction générale plutôt qu'en marge de celle-ci. Les dirigeants d'entreprise doivent déterminer quels résultats sont essentiels, quels processus justifient une refonte et quels risques ils sont prêts à accepter. Les équipes techniques ont besoin d'un contexte opérationnel suffisant pour développer une solution utile. Les services juridiques, de conformité et de sécurité doivent façonner le système avant son déploiement, plutôt que de l'examiner a posteriori, une fois que les décisions les plus importantes ont déjà été prises.

L'organisation a également besoin d'une personne dotée de l'autorité nécessaire pour lever les obstacles qui surgissent entre les services. De nombreux projets d'IA échouent discrètement à ces frontières. Le modèle fonctionne, mais le responsable des données refuse de communiquer les informations. Le flux de travail s'étend sur trois systèmes dépourvus de logique commune. L'équipe chargée de la gestion des risques n'a pas été impliquée. Les employés se sont vu fournir un outil sans avoir de raison de changer leurs habitudes.

Il ne s'agit pas de défaillances techniques. Ce sont des défaillances de coordination.

C'est le système qui entoure le modèle qui garantit un avantage durable

Les modèles d'IA continueront de s'améliorer, et de nombreuses fonctionnalités qui semblent aujourd'hui sophistiquées deviendront des fonctionnalités standard dans les logiciels professionnels courants.

Cette évolution renforcera l'importance de l'organisation qui l'entoure, et non l'inverse.

Lorsque les mêmes informations sont accessibles à tous, c’est la manière dont elles sont exploitées qui fait la différence. Une entreprise disposant de données de meilleure qualité, de processus plus clairs et d’une connaissance plus approfondie de ses clients peut tirer davantage de valeur de la même technologie sous-jacente. Elle peut également s’adapter plus rapidement lorsque les modèles évoluent.

C'est la partie de la stratégie en matière d'IA que les concurrents ne peuvent pas acquérir par le biais d'un simple contrat.

Elle repose sur des années d'expérience opérationnelle, une gestion rigoureuse des données, l'intégration de systèmes et des choix visant à déterminer dans quels domaines l'automatisation permet d'améliorer l'activité et dans lesquels le jugement humain reste indispensable.

L'écart de productivité va donc se creuser entre les entreprises qui considèrent l'IA comme un simple outil et celles qui s'en servent pour repenser le fonctionnement de leur organisation.

Un des deux groupes aura un rendement supérieur.

L'autre mettra au point un meilleur système d'exploitation.