3 raisons majeures qui empêchent l'application de l'IA à grande échelle !
Et pourtant, le moment est venu pour les décideurs de s'emparer des données qui sont encore inutilisées et souvent éparpillées dans des systèmes disparates.
L’approche des entreprises envers l’intégration d’intelligence artificielle (IA) dans les applications est en train de changer radicalement : il n’y a pas si longtemps, chacune tâtonnait, laissant les data scientists travailler dans leur coin à développer des preuves de faisabilité qui aboutiraient ou non. Cette période d’expérimentation voire de relative insouciance arrive à son terme. Les entreprises sont maintenant convaincues de l’apport de l’IA et en sont à vouloir l’appliquer à grande échelle afin d’en retirer des avantages, comme l’amélioration du service client bien entendu, mais aussi un début de retour sur leur investissement. La pandémie a eu un effet d’accélérateur sur la transformation numérique, ce que l’on projetait de faire sur plusieurs années se fait en quelques mois. Et les entreprises les plus prospères à l’avenir seront celles qui auront misé sur l’IA et la data.
D’une certaine façon, l’IA doit devenir un sujet comme un autre, une technologie parfaitement intégrée au réseau de l’entreprise, rien de plus. Mais nous en sommes encore loin : jusqu’ici les réflexions autour de l’IA se sont concentrées sur les stratégies d’analyse des données, les partenariats et les conditions éthiques d’une application à grande échelle. Mais il manque l’ingrédient principal : l’humain.
Les salariés doivent comprendre et être formés à l’IA. Ils doivent de plus être convaincus que la technologie produira des synergies sans pour autant menacer leur poste.
Paradoxalement peut être, les humains ont un rôle majeur à jouer pour faire le lien entre l’IA, les données et les applications métier. Si l’IA a pu être isolée du reste de l’entreprise pendant la phase d’étude et de développement, le moment est venu pour les décideurs de s’emparer des données et d’en libérer leur potentiel.
Dit autrement, pour que l’utilisation de l’IA puisse être généralisée rapidement - en évitant les écueils courants de la montée en charge - il faut que les professionnels de la data et les opérationnels travaillent main dans la main.
Je vois aujourd’hui, trois raisons majeures qui compliquent l’adoption de l’IA :
1. La science de la data/IA et les métiers sont trop déconnectés
Il faut arrêter de distinguer les fonctions IA et métier. Par exemple, dans le cas de l’expérience client, l’IA devrait être partie intégrante de l’équipe CX. Pour que l’adoption de l’IA soit une réussite, il faut que les data scientists travaillent avec les opérationnels, qu’ils parlent comme eux, qu’ils comprennent la stratégie poursuivie et partagent les mêmes objectifs. Si l’équipe travaille au développement de projets pour accroître les ventes, ce doit aussi être leur objectif. L’IA ne peut produire des résultats que si tout le monde est partie prenante.
2. Le modèle d’IA n’est qu’une première étape
Quand l’IA est isolée du reste de l’entreprise, les data scientists ne mesurent pas nécessairement qu’ils ne sont qu’un rouage de la chaîne de valeur. Il faut que leur modèle soit utilisé en conditions réelles et que 90% de leur temps soit consacré à affiner ce modèle pour gagner en efficacité. Mais pour que le modèle d’IA produise des résultats, il faut que les opérationnels qui l’utilisent disposent de capacités de reporting et d’audit, d’une interface intuitive et de garanties de sécurité. Les data scientists doivent donc absolument se tenir à l’écoute des utilisateurs, leur poser des questions et comprendre l’utilisation qui doit être faite de l’outil pour obtenir les meilleurs résultats.
3. Les systèmes préexistants vous ralentissent
Disons que vous êtes parvenu à mettre en place un projet de CX à base d’IA. Les équipes données et métier ont défini ensemble des bénéfices attendus du projet, parfaitement alignés sur la stratégie visée. L’équipe CX voit l’intérêt d’utiliser l’IA et tout le monde convient que l’expérience client n’en sera que meilleure. Mais il reste encore une étape à franchir : pour alimenter le modèle IA avec les données qui produira des résultats sur le site web, il faut prévoir une modernisation générale des anciens systèmes en silos. Or les entreprises n’en ont généralement pas les moyens. Et c’est là qu’intervient l’automatisation intelligente (AI), qui permet de migrer automatiquement les données entre des systèmes disparates, avec plus d’efficacité et de rapidité.
Les entreprises sont passées de la phase d’étude et de développement de l’IA au cœur du sujet : l’intégration de l’IA aux métiers. Mais sans embarquer data scientists et équipes métier, sans interface intuitive reproduisant la réalité et sans automatisation intelligente à même de migrer les données, l’IA ne produira pas les effets escomptés. Et ce n’est qu’ainsi, que l’IA offrira tout son potentiel pour une gamme d’applications infinies et que cette technologie deviendra un outil comme un autre au service des entreprises.