Solutions d'entreprise basées sur l'IA
L’intelligence artificielle est désormais présente dans la plupart des grandes entreprises, mais il ne faut pas confondre cette présence avec une véritable transformation. Les employés peuvent utiliser des « copilotes » pour rédiger des e-mails, les équipes techniques peuvent tester des agents autonomes et les services client peuvent déployer des chatbots, mais de nombreuses entreprises peinent encore à démontrer un retour sur investissement fiable. La question centrale pour les dirigeants d’entreprise n’est plus de savoir s’il faut investir dans l’IA. Il s’agit désormais de déterminer dans quels domaines cette technologie peut améliorer suffisamment un processus métier spécifique pour justifier les données, l’infrastructure, la gouvernance et les changements organisationnels qu’elle nécessite.
L'adoption est très répandue, mais pas à grande échelle
Le marché de l'IA d'entreprise est rapidement passé d'expériences isolées à une utilisation généralisée. Les outils d'IA générative ont réduit les obstacles techniques, permettant ainsi aux employés de résumer des documents, de rédiger des premières ébauches, d'effectuer des recherches d'informations internes et de contribuer au développement de logiciels sans avoir à créer un modèle à partir de zéro.
Cette accessibilité peut donner l'impression que l'adoption de cette technologie est plus avancée qu'elle ne l'est en réalité. Une organisation peut être considérée comme un utilisateur de l'IA simplement parce qu'un de ses services a mis en place un assistant de rédaction, même si cette technologie n'a pas été intégrée aux systèmes centraux ni n'a permis de repenser un flux de travail de bout en bout.
Il existe une différence considérable entre accélérer légèrement une tâche existante et modifier le mode de fonctionnement de l'entreprise. Dans le premier cas, les employés peuvent gagner quelques minutes à chaque fois. Dans le second, cela peut nécessiter de nouvelles responsabilités, de nouveaux processus de validation, une nouvelle architecture de données et de nouveaux indicateurs de performance.
Les entreprises réussissent souvent leurs expérimentations car un projet pilote peut être mené par une petite équipe, avec des données limitées et sans nécessiter une attention particulière de la part de la direction. La mise à l'échelle est plus difficile. Le système doit fonctionner dans différents pays, services, langues et groupes de clients, tout en respectant les exigences en matière de sécurité, de réglementation et d'exploitation.
L'écart entre l'adoption et la valeur ajoutée ne signifie donc pas que l'IA soit un échec. Cela montre simplement que l'achat d'un outil n'est que le début du processus de mise en œuvre, et non sa fin.
Commencez par le flux de travail, pas par le modèle
Un projet d'IA d'entreprise efficace commence par l'identification d'un problème opérationnel précis. Le traitement des demandes des clients prend trop de temps, les ingénieurs ont du mal à trouver la documentation technique dont ils ont besoin, les équipes des achats examinent sans cesse des contrats similaires ou les collaborateurs du service financier passent des journées entières à rapprocher les données provenant de différents systèmes.
L'organisation doit cartographier le flux de travail existant avant de décider comment utiliser l'IA. Cela permet d'identifier les points de ralentissement, les informations nécessaires, les personnes chargées de valider les résultats et les mesures à prendre en cas de dysfonctionnement du processus.
L'IA peut alors être mise en œuvre à une étape du processus. Elle pourrait extraire des documents pertinents, classer les demandes, préparer un projet de réponse ou repérer des transactions inhabituelles à soumettre à un examen humain. L'objectif doit être mesurable : réduction des délais de traitement, diminution du nombre d'erreurs, réduction des retouches ou augmentation de la proportion de demandes résolues dès le premier contact.
Partir de la technologie conduit au résultat inverse. Les équipes se dotent d’un modèle polyvalent puissant, puis cherchent des raisons de l’utiliser. L’application qui en résulte peut s’avérer impressionnante sur le plan technique, sans pour autant résoudre un problème suffisamment important pour justifier la poursuite de l’investissement.
Le service client est un point de départ fiable
Le service client constitue l'un des exemples les plus évidents d'application d'entreprise, car ce travail implique souvent de traiter un grand nombre de questions récurrentes, en s'appuyant sur des politiques bien établies et des informations sur les produits.
Un assistant IA peut effectuer des recherches dans une base de connaissances validée, proposer des réponses et résumer les interactions précédentes. Il peut également classer une demande et la transmettre à l'équipe compétente. L'employé reste chargé de vérifier la réponse et de traiter les cas inhabituels ou sensibles.
Un chatbot destiné aux clients présente un risque plus élevé, car une réponse erronée parvient directement au client. Le système doit donc se limiter aux informations qu’il peut extraire de sources vérifiées, et proposer un chemin d’accès clair vers un interlocuteur humain lorsque le niveau de confiance est faible ou que la demande sort de son champ d’application.
Le succès ne doit pas être évalué uniquement en fonction du nombre de conversations gérées par le bot. Une entreprise doit également vérifier si les clients obtiennent des réponses correctes, si le nombre de réclamations augmente et si les utilisateurs se retrouvent pris dans des boucles automatisées lorsqu’ils tentent de joindre un conseiller humain.
Une automatisation qui réduit le coût du service tout en rendant les problèmes plus difficiles à résoudre ne constitue pas une amélioration significative.
L'IA peut améliorer le travail intellectuel sans se substituer au jugement humain
Les cadres consacrent beaucoup de temps à rechercher des informations, à comparer des documents et à rédiger des premières ébauches courantes. L'IA peut faciliter ces tâches lorsqu'elle est connectée à des sources internes fiables.
Une équipe juridique peut s'en servir pour repérer les clauses qui s'écartent du libellé approuvé. Un analyste financier peut lui demander d'extraire des informations d'un ensemble de rapports. Une équipe de recherche peut s'en servir pour organiser ses résultats avant de procéder à une analyse plus approfondie.
La distinction entre l'assistance et la prise de décision est cruciale. Un modèle peut mettre en évidence des formulations inhabituelles dans un contrat, mais c'est à un avocat qualifié qu'il revient d'en déterminer la portée juridique. Il peut détecter une tendance financière inattendue, mais il appartient à la direction de décider si ce phénomène relève d'une fraude, d'une erreur ou d'une simple exception.
Les employés doivent également savoir quand l'outil n'est pas certain. Un système d'IA qui présente toutes les réponses avec le même degré de confiance favorise le biais d'automatisation, en particulier lorsque les utilisateurs sont très occupés ou partent du principe que la technologie a accès à des informations dont elle ne dispose pas.
L'objectif devrait être de supprimer les tâches administratives de faible valeur tout en préservant la responsabilité professionnelle.
Le développement logiciel présente des avantages évidents, mais aussi de nouveaux risques
Les assistants de programmation peuvent suggérer des fonctions, expliquer du code inconnu, générer des tests et aider les développeurs à repérer les erreurs. Ils sont particulièrement utiles pour les tâches routinières et pour naviguer dans des bases de code volumineuses.
Le résultat doit encore être vérifié. Le code généré peut comporter des failles de sécurité, une logique inefficace ou des dépendances inadaptées aux systèmes de l'entreprise. Une suggestion qui semble fonctionner isolément peut poser des problèmes lorsqu'elle est intégrée dans un environnement de production complexe.
Les entreprises doivent définir quels référentiels et quelles données peuvent être partagés avec un modèle externe. Les développeurs ne doivent en aucun cas copier-coller du code propriétaire, des identifiants ou des informations clients dans un outil public non approuvé.
L'avantage le plus concret n'est pas de remplacer les ingénieurs en informatique, mais de permettre aux développeurs expérimentés de consacrer moins de temps aux tâches répétitives de mise en œuvre et davantage à l'architecture, à la sécurité et à la résolution de problèmes complexes. Pour cela, il faut former les équipes à évaluer le code généré plutôt que de se contenter de l'accepter tel quel.
Les chaînes d'approvisionnement ont besoin de données plus fiables pour établir de meilleures prévisions
L'IA peut aider les entreprises à prévoir la demande, à identifier les perturbations de l'approvisionnement et à optimiser leurs stocks, mais les modèles de chaîne d'approvisionnement reposent sur des données collectées auprès des fournisseurs, des entrepôts, des prestataires de transport et des systèmes internes.
Ces données sont rarement aussi « propres » que le laisse entendre une démonstration. Les codes produit peuvent varier d’une division à l’autre, les registres de livraison peuvent être incomplets et les fournisseurs peuvent communiquer des informations en utilisant des définitions incompatibles. Un modèle sophistiqué entraîné sur des données incohérentes produira une version sophistiquée de cette incohérence.
Les prévisions deviennent également difficiles lorsque l'avenir diffère fortement du passé. Les guerres, les pandémies, les restrictions commerciales et les changements soudains dans le comportement des consommateurs peuvent invalider les corrélations établies à partir des données historiques. Les planificateurs humains restent indispensables pour interpréter les événements auxquels le modèle n'a jamais été confronté auparavant.
L'IA pourrait s'avérer particulièrement utile en tant qu'outil d'analyse de scénarios et de hiérarchisation des priorités. Elle permet d'identifier les éléments qui semblent vulnérables, d'estimer l'impact potentiel d'un retard et d'aider les planificateurs à examiner différentes solutions. Elle ne doit toutefois pas donner l'impression que l'incertitude a été éliminée.
La personnalisation a ses limites
Les services marketing peuvent utiliser l'IA pour segmenter leur clientèle, recommander des produits et personnaliser le contenu. Dans le meilleur des cas, cela permet de réduire les communications non pertinentes et aide les clients à trouver plus rapidement ce qui leur convient.
Dans le pire des cas, la personnalisation se transforme en surveillance intrusive. Les entreprises peuvent croiser des données de navigation, d'achat, de localisation et de comportement d'une manière que les clients ne prévoient pas et ne comprennent pas. Un algorithme peut également en déduire des caractéristiques sensibles ou exercer une discrimination indirecte par le biais d'indicateurs apparemment neutres.
L'entreprise doit se demander si chaque type de données est réellement nécessaire et si le client jugerait leur utilisation raisonnable. Un ciblage plus précis n'entraîne pas toujours une augmentation proportionnelle des ventes, mais il engendre toujours des responsabilités supplémentaires en matière de consentement, de sécurité et de conservation des données.
La personnalisation doit permettre d'améliorer la pertinence sans pour autant priver le client de son autonomie. Les interfaces manipulatrices, l'urgence artificielle et les traitements différenciés fondés sur des prévisions opaques peuvent générer des revenus à court terme, mais nuisent à la confiance.
La cybersécurité nécessite une intervention humaine
L'IA peut aider les équipes de sécurité à analyser les alertes, à identifier les comportements inhabituels et à résumer les incidents potentiels. Elle permet de réduire la quantité d'informations courantes qu'un analyste doit traiter et de mettre en évidence les tendances qui méritent d'être examinées de plus près.
Les cybercriminels disposent eux aussi de cette technologie. Les outils génératifs peuvent faciliter la création de messages de hameçonnage, de codes malveillants et de techniques d'ingénierie sociale, ce qui augmente à la fois le volume et la crédibilité des tentatives de fraude.
Une réponse de sécurité automatisée peut également entraîner des perturbations si elle bloque des utilisateurs légitimes ou met hors service un système essentiel à la suite d'un signal erroné. Les actions ayant un impact important doivent être soumises à des seuils d'approbation bien définis et s'accompagner de procédures de restauration fiables.
L'IA devrait venir renforcer un programme de sécurité global plutôt que de pallier la faiblesse des contrôles d'accès, l'obsolescence des logiciels ou le manque de formation des employés. Une entreprise incapable de gérer ses mots de passe et ses correctifs logiciels a peu de chances de renforcer sa sécurité en se dotant d'un tableau de bord prédictif.
La qualité des données est un investissement caché
Les débats sur l'IA en entreprise portent souvent sur les modèles, alors que l'effort pratique le plus important réside peut-être dans la préparation des données propres à l'entreprise.
Les documents peuvent être obsolètes, en double ou dispersés dans plusieurs systèmes. La responsabilité de leur gestion peut être floue, et certaines décisions importantes peuvent n’exister que dans des fils de discussion par e-mail ou dans la mémoire de collaborateurs expérimentés. L’intégration d’un assistant IA dans cet environnement peut faciliter la récupération d’informations peu fiables, sans pour autant les rendre exactes.
Avant de passer à l'échelle, les entreprises doivent définir des règles précisant quelle source fait autorité, qui est habilité à la modifier et comment les informations obsolètes sont supprimées. Les autorisations d'accès doivent suivre celles des documents sous-jacents afin qu'une interface d'IA ne divulgue pas d'informations confidentielles à des employés qui n'étaient auparavant pas autorisés à les consulter.
La préparation des données peut sembler moins passionnante que le développement de modèles, mais c'est elle qui détermine si un système d'entreprise fournit des réponses utiles. Un modèle plus modeste, mais alimenté par des informations bien gérées, peut s'avérer plus performant qu'un modèle plus puissant fonctionnant sur des données désorganisées.
Qu'est-ce qui vaut la peine d'être payé ?
L'investissement se justifie lorsque l'IA permet de traiter un processus répétitif et coûteux dont le volume est suffisant pour générer une valeur mesurable. Une intégration fiable avec les systèmes internes, les contrôles de sécurité et les mécanismes de surveillance peut s'avérer plus importante que l'accès au modèle le plus récent.
Il convient également d'investir dans les capacités d'évaluation. Les entreprises ont besoin d'ensembles de test reflétant la réalité du travail, notamment les cas complexes, les différentes langues et les groupes susceptibles d'être touchés de manière inégale. Les performances doivent être évaluées avant le déploiement, puis surveillées par la suite, car les modèles et les conditions commerciales évoluent.
La formation des employés ne doit pas se limiter à des ateliers consacrés à la rédaction de messages. Le personnel doit comprendre les notions de vérification, de confidentialité, de partialité, de propriété intellectuelle et les limites de l'automatisation. Les responsables doivent apprendre à repenser les rôles plutôt que de se contenter d'ajouter un outil d'IA à un processus déjà inefficace.
Il peut s'avérer utile de recourir à des conseils juridiques, techniques ou en matière de sécurité prodigués par des experts indépendants lorsque l'application a une incidence sur des décisions soumises à réglementation ou sur des données sensibles. L'assurance donnée par le fournisseur quant à la conformité d'un système ne doit pas se substituer à l'évaluation réalisée par l'entreprise elle-même.
Ce qui pourrait être superflu
Toutes les entreprises n'ont pas nécessairement besoin d'un modèle de base propriétaire. Son apprentissage et sa maintenance sont coûteux, alors que les modèles disponibles dans le commerce ou en open source peuvent s'avérer suffisants pour de nombreuses applications.
Une organisation n'a pas non plus besoin de dizaines de « copilotes » qui se chevauchent et qui sont achetés séparément par différents services. Cela augmente les coûts, fragmente les données et complique la gouvernance. Un portefeuille contrôlé d'outils approuvés est généralement préférable à une expérimentation incontrôlée financée par des budgets locaux.
Les agents autonomes ne doivent pas être mis en œuvre simplement parce qu’ils constituent la dernière évolution du marché. Il peut être utile de permettre à un logiciel d’effectuer des tâches comportant plusieurs étapes et de déclencher des actions, mais chaque niveau supplémentaire d’autonomie accroît le risque opérationnel.
L'entreprise devrait commencer par une assistance en mode lecture seule, puis introduire des actions restreintes une fois que les performances seront bien comprises. L'autonomie totale devrait être réservée aux processus à faible risque, assortis de limites claires, d'un suivi et d'une réversibilité.
La question de la main-d'œuvre ne peut être éludée
L'IA modifie la nature des métiers, même lorsqu'elle ne les supprime pas. Les tâches routinières de rédaction, de classification et d'analyse peuvent nécessiter moins d'heures de travail, tandis que la vérification, la gestion des exceptions et la supervision des systèmes prennent davantage d'importance.
Les entreprises devraient expliquer en quoi la technologie va influencer les fonctions plutôt que de présenter son adoption comme un programme d'innovation abstrait. Les salariés sont plus enclins à s'impliquer lorsqu'ils comprennent quelles tâches vont changer, quelles compétences seront requises et comment les gains de productivité seront répartis.
La formation doit être en lien avec les processus de travail réels et dispensée pendant les heures de travail. Demander aux salariés d’acquérir des compétences en IA tout en conservant la même charge de travail revient à faire porter le coût de la transformation sur le personnel.
La direction doit également décider si le temps ainsi gagné sera consacré à l'amélioration de la qualité, à l'accueil d'un plus grand nombre de clients, à la rationalisation des processus de travail ou à la réduction des effectifs. Éviter d'aborder cette question engendre de l'incertitude et incite les employés soit à s'opposer à la technologie, soit à dissimuler la manière dont ils l'utilisent.
Comment passer d'un projet pilote à une mise à l'échelle
Une entreprise ne devrait passer à l'échelle qu'une fois que le projet pilote aura démontré une amélioration significative par rapport au processus existant. La comparaison doit prendre en compte les coûts logiciels, le temps consacré par les collaborateurs à la vérification, les erreurs, l'intégration et le suivi continu.
La responsabilité doit ensuite passer de l'équipe chargée de l'expérimentation au service en charge du processus. Une application financière devrait, à terme, être gérée par le service financier, avec le soutien de spécialistes en technologie et en gestion des risques, plutôt que de rester indéfiniment au sein d'un laboratoire d'innovation.
Une répartition claire des responsabilités est essentielle. Quelqu’un doit être responsable des résultats commerciaux, quelqu’un d’autre des performances techniques et un autre encore des contrôles juridiques et de gestion des risques. Lorsque les responsabilités sont réparties entre un prestataire, des consultants et plusieurs comités internes, les problèmes risquent de rester sans solution.
L'organisation doit également conserver la possibilité d'arrêter ou de remplacer le système. Les données doivent pouvoir être exportées, les obligations contractuelles doivent être bien comprises et les processus critiques doivent pouvoir se poursuivre si le prestataire venait à ne plus être disponible.
L'IA d'entreprise prend toute sa valeur lorsqu'elle améliore un flux de travail spécifique, plutôt que de servir de simple symbole d'innovation pour l'entreprise. Les entreprises devraient d'abord investir dans les données, l'intégration, les compétences des collaborateurs et la gouvernance, puis ne déployer à grande échelle que les applications qui génèrent des gains mesurables sans compromettre la responsabilité. Cette technologie peut transformer certains aspects d’une multinationale, mais elle ne peut pas pallier des processus flous, des informations de mauvaise qualité ou une direction réticente à prendre des décisions opérationnelles. L’avantage reviendra moins aux entreprises qui achètent le plus d’IA qu’à celles qui l’utilisent de manière suffisamment sélective pour savoir où elle est réellement efficace.
