IA passage de l'enjeu technologique à l'opportunité stratégique

Nous commençons à prendre conscience de plus en plus largement que le principal problème de l’Intelligence Artificielle n’est pas tant dans sa technicité car elle a su prouver depuis maintenant de nombreuses années son efficacité, mais surtout dans sa capacité à créer de la valeur grâce à cette technologie. Cette problématique fut croissante sur ces dernières années avec une économie florissante, mais cela risque de devenir un challenge encore plus important dans un contexte contraint par une épidémie mondiale et une probable période de récession.

“Que faire ” si nos concurrents, et particulièrement les nouveaux entrants, adoptent l’IA avant nous ?

Certaines formes d’IA ont fait leurs apparitions il y a plus de cinquante ans : Arthur L. Samuel a rendu populaire en 1959 le terme « Machine Learning » lorsqu’il développa un programme capable d’apprendre par lui-même le meilleur moyen de jouer au jeu de dames. Nous pouvons facilement imaginer les progrès gigantesques accomplis tout au long de ces nombreuses années pour atteindre un niveau de perfectionnement tel qu’il puisse à présent permettre aux organisations de créer de la valeur de manière considérable. Cependant, le défi réside sur la capacité de déploiement sur de larges périmètres en réponse aux objectifs stratégiques.

Selon une enquête du MIT Sloan et du BCG, 70% des sociétés interrogées ne constate aucun impact ou alors minime depuis l’utilisation de l’IA alors que 90% d’entre elles ont investi dans l’IA. Seulement 2 sociétés sur 5 déclarent avoir constaté des gains sur les 3 dernières années. Ce chiffre passe à 3 sur 5 pour les sociétés ayant investi massivement en IA. En complément, une enquête de New Vantage Partners confirme le pourcentage d’investissement dans l’IA à hauteur de 91% des entreprises sondées et seulement 14% confirme avoir réussi un déploiement des systèmes sur un large spectre de leurs opérations. Ces enquêtes montrent également une baisse du niveau d’investissement (avant crise COVID) passant de 92% en 2018 à 52% en 2019.

Il est donc pertinent de chercher quelles sont les raisons possibles d’un tel recul sur les investissements et les difficultés rencontrées pour déployer largement des technologies dont l’efficacité ne semble plus être à prouver. Dans son rapport « State of Entreprise AI », le cabinet Deloitte a identifié plusieurs challenges exprimés par les dirigeants : l’implémentation des solutions, l’intégration dans les rôles et fonctions existantes, puis la difficulté dans la gestion des données arrivent en tête des raisons exprimées.

Deloitte cite notamment l’exemple d’une solution, basée sur le « Machine Learning » dont le but est de soutenir la force de ventes dans sa prédiction de conversion des prospects en clients finaux. Malgré des résultats satisfaisants, les équipes de ventes - n’ayant pas été préparées suffisamment à l’utilisation de telles recommandations et n’ayant pas été impliquées dans le développement - n’ont jamais approuvé ni fait confiance aux résultats. Ces équipes de vente ont rejeté l’assistance faute d’avoir appris à connaitre et à construire l’outil.

Autre constat, le fonctionnement des solutions d’IA impose aux sociétés de revoir leur politique de gestion de données et d’adopter une culture dite « Data-driven » afin de prendre en compte l’intégration de données en provenance d’une plus grande variété de sources.

La mise en place d’un assistant virtuel pour un service client demande la configuration d’une IA pour utiliser des données en provenance d’un CRM pour la base client, des données financières de l’ERP puis des données métiers de la base de formation. Si la stratégie de l’entreprise n’a pas intégré ces changements - auquel peut se rajouter la diversité des systèmes liée aux rachats ou acquisitions, l’implémentation sera assurément à risque, demandera des efforts considérables et comportera de potentiels retards dans la mise en œuvre.

IA, quelles sont les barrières ?

Les éléments présentés ci-dessus ont tous pour effet de limiter ou de remettre en question le Retour sur Investissement (ROI) des solutions IA mais également de mettre en évidence des points de vigilance à considérer avant de lancer un projet d’IA. Tom Davenport, Professor au Babson College & Research fellow MIT Digital Economy, classe ces facteurs selon quatre catégories : Réingénierie, Organisation et Culture, Algorithmes et Données, et Investissement.

Réingénierie :

« L’objectif est de garantir que l’IA augmente l’homme, plutôt qu’elle ne le supplante. » Isabelle Falque-Pierrotin – Présidente CNIL.

L’IA a besoin d’être considérée comme une opportunité pour revoir et redéfinir l’ensemble des processus au sein d’une organisation. Sachant que chaque IA cible des technologies de plus en plus spécifiques, redéfinir les tâches associées devient plus aisé. Dans une démarche de transformation complète, il sera possible de combiner plusieurs technologies différentes et ainsi développer de nouvelles offres de services, de nouveaux produits et de nouveaux modes de management. Cette réingénierie doit être une opportunité de conduire un changement favorable et pérenne en accord avec les bénéficiaires, les êtres humains composant les sociétés. Oublier l’essentiel - l’humain - conduirait un projet d’IA à l’échec.

Organisation et Culture :

« Il est essentiel que nous comprenions comment les modèles arrivent à leurs conclusions pour pouvoir utiliser l'IA dans notre secteur. » Stefan Hoejmose, responsable des transferts de données, Sky.

L’organisation et la culture d’entreprise jouent un rôle majeur dans les projets de grande envergure au sein des sociétés. L’IA étant un héritage des travaux de « Big data et analytics », elle s’expose aux mêmes problèmes que ses ascendants. Les chiffres montrent d’ailleurs un recul sur les organisations dites « Data-driven » : seulement 31% des entreprises interrogées par NewVantage Partners se déclarent avoir adopté une culture véritablement tournée vers la donnée. Elles étaient 37% en 2017, 32% en 2018 et 28% en 2019. 77% déclarent avoir des difficultés à faire adopter des initiatives de « Big Data » et d’IA. Les dirigeants avancent plusieurs facteurs tels que l’alignement organisationnel, l’agilité, et la résistance : les défis culturels représentent 95% des entraves pour seulement 5% liés à la technologie. Cette absence de culture de la donnée altère autant les projets d’IA que tout autre projet technologique. Dans ce cadre, les dirigeants n’ont pas la motivation ni la connaissance pour promouvoir les projets et développer les compétences nécessaires. La meilleure IA, ou la plus prometteuse, aura le plus grand mal à s’intégrer dans les processus de l’entreprise pour des raisons de structure organisationnelle, de stratégie et de façon plus importante d’une mauvaise gestion du changement. La dimension organisationnelle et culturelle est essentielle pour toute société souhaitant obtenir d’une IA un ROI positif.

Algorithmes et Données :

« Pour être acceptée, l’IA doit interagir avec les personnes de manière naturelle, peu invasive et prévisible : ce n’est pas uniquement du ressort de l’informatique mais aussi de la psychologie, de la sociologie, des neurosciences… » Martin Hébert, Directeur de l'Institut de robotique de l'université Carnegie-Mellon (Pittsburgh, Etats-Unis).

L’algorithme est, sans aucun doute, l’élément technique fondamental d’une IA. Il est inconcevable de traiter séparément la donnée de l’algorithme car ce dernier se nourrit de la donnée pour s’améliorer notamment dans le cas du « Machine Learning ». Le principal obstacle pour obtenir un algorithme efficace sera une donnée sans caractéristique, de qualité médiocre et en quantité insuffisante.

D’autres défis sont également à considérer avant de lancer un projet :

• Transparence - Créer des IA plus transparentes est devenu un véritable enjeu : le gouvernement français l’a élevé au rang des grands défis de l’innovation. Certains algorithmes manquent définitivement de transparence, leur complexité ne permettant pas à tout observateur d’en saisir le contenu, comme dans le cas du « Deep learning » pouvant avoir des milliers de fonctionnalités et de variables différentes. Google tente de répondre à ce point par des expérimentations telles que « Explainable AI » qui permet de bâtir l’intelligibilité directement dans la conception du modèle. Maintenir une opacité peut engendrer une perte de confiance de la part des utilisateurs mais également de la part des sponsors, des régulateurs et des consommateurs, qui expriment naturellement de la méfiance face à cette récente évolution technologique, si souvent présentée comme opposée à l’humain.
• Biais - Les algorithmes peuvent être biaisés dans leur conception ou leurs jeux de données, et ainsi agir contre des groupes ou des individus particuliers. Le biais algorithmique est le plus souvent dérivé d'ensembles de données ou d'échantillons biaisés. Un exemple réside dans les banques de données visuelles sur le leadership où il est bien plus fréquent de retrouver des hommes en posture de leaders que des femmes. Les algorithmes vont en déduire que le leader est un élément plus masculin que féminin que par la fréquence de représentation à l’instant « t ».
• Maintenance - Les algorithmes doivent être correctement documentés pour des raisons de clarté vis-à-vis des concepteurs et des motifs de leur création. Au fil du temps, il peut surgir des dérives (perte de l’adéquation avec les données) par une maintenance trop complexe ou absente. Un algorithme est créé à un instant « t » et doit être alimenté en fonction des évolutions du domaine représenté.

Investissement :

« L’IA promet de créer une économie plus productive et efficace. Si elle est bien exploitée, cela peut générer énormément de prospérité et d’opportunités. » Barack Obama.

Un des principaux facteurs du manque de rendement de l'IA est le défaut d’investissements. Les résultats des différentes enquêtes citées dans cet article montrent que les entreprises n'investissent pas encore suffisamment.

Le problème n'est pas seulement le niveau d'investissement, mais également la manière dont ces investissements sont suivis et analysés avant et après la mise en œuvre. Pour beaucoup, l’IA étant considérée comme expérimentale, l’évaluation des revenus ou des bénéfices reste un exercice difficile. Les entreprises les plus agiles, notamment les plateformes, ont mis en place des contrôles intermédiaires sur l’analyse des changements de comportement des utilisateurs, la performance des tâches, les changements de processus afin d’anticiper une amélioration des résultats financiers et de démontrer des corrélations. Ces indicateurs restent encore rarement déployés dans les business modèles traditionnels.

IA, confronter la théorie et la pratique.

A titre d’exemple, j’ai récemment accompagné une start-up dont le produit, basé sur une IA, permet de faciliter la gestion du S&OP (Sales & Operations Planning). Les fondateurs souhaitaient obtenir un avis sur leur produit et trouver des leviers d’acceptation et d’adoption par les entreprises du secteur ciblé.

Les principaux freins cités par les clients se situent autour des quatre axes listés ci-dessus, à savoir une réticence à changer les processus opérationnels de planification industrielle, une culture qui n’est pas orientée sur la donnée, un manque de transparence sur les algorithmes de la startup et un budget d’investissement qui ne prend pas en compte l’expérimentation des projets d’IA.

Mes conseils auprès de cette startup ont été les suivants :

• Définir des objectifs clairs avec le client sur les performances attendues pour permettre de comparer les résultats actuels et ceux améliorés par l’IA. Les résultats provenant du « Machine Learning » s’améliorant dans le temps, il est donc essentiel de mettre en place des indicateurs consistants pour traquer les résultats et le retour sur investissement.
• Adopter une approche « Crawl, Walk, Run » en plusieurs phases capable d’atteindre les objectifs fixés :
  • Phase 1 : Impliquer le client et son organisation pour élaborer un modèle auto-adaptatif, prendre en compte des paramètres basiques (saisonnalité, tendances…), et sélectionner des jeux de données de taille réduite pour établir le modèle de référence.
  • Phase 2 : Mesurer l’impact sur les activités marketing : promotions, évènements, lancement de produit, etc. Améliorer le modèle de référence en utilisant l’IA sur les données issues de l’historique.
  • Phase 3 : Intégrer les données externes de type météorologique, localisation des points de ventes, réseaux sociaux, etc. Trouver des corrélations supplémentaires sur le modèle prévisionnel.
  • Phase 4 : Faire intervenir des compétences spécifiques, telles que les ventes, le marketing et les opérations (S&OP). Il est également possible d’introduire des connaissances externes du marché.

Ce processus itératif permet de déterminer quelles sont les données les plus pertinentes dans le modèle. Il offre également l’opportunité d’adapter le modèle au fur et à mesure de l’apprentissage et d’élaborer les corrélations à chaque étape.

• Comprendre les 3Vs du Big data :
  • Volume - Le « Big data » joue un rôle critique dans une solution d’IA. Il est essentiel d’utiliser un volume de données adapté pour obtenir la meilleure pertinence statistique, sans sous-estimer la valeur des données historiques.
  • Variabilité - Plus les données d’entrées sont variées, plus les résultats de planning seront fiables.
  • Vélocité - La fréquence, la collecte et le partage de données permettent au modèle d’obtenir une granularité suffisante et de générer des corrélations, ce qui induit un renforcement itératif du modèle.
• Penser long terme. Rendre le modèle le plus opérationnel possible pour faciliter la création de valeur et un retour sur investissement. Opter pour des modèles auto-adaptatifs qui réclament le minimum d’intervention, à défaut de quoi des interventions et changements manuels rendent le modèle peu fiable.

Pour exploiter cette opportunité stratégique offerte par l’IA, il est donc nécessaire de passer d’une boîte noire statique à un modèle beaucoup plus ouvert, évolutif et compréhensible de tous. Une telle démarche doit permettre d’expliquer clairement quel maillon ne fonctionne pas correctement de manière transparente. L’explicabilité des approches d’IA est indispensable à tout projet pour en garantir son succès. Une plus grande transparence sur l’IA, accompagnée d’une meilleure pédagogie, doit permettre d’accélérer son appropriation et de renforcer la conviction des dirigeants sur la valeur perçue. L’IA doit se positionner comme une nouvelle compétence au service des métiers de l’entreprise. 

Olivier Guerinault
olivier.guerinault@alfalfaz.com

Télécharger la Lettre de XMP-Consult n°8 (juin 2020) en .PDF