Transformation IA: Guider à travers les débuts difficiles d'une transformation de l'IA

Augmenter ses compétences en matière de données & d'IA

La compétence en matière de données peut être décrite comme la capacité d'explorer, de comprendre et de communiquer les données de manière pertinente. Les compétences IA se concentrent, elles, sur les avantages stratégiques et les cas d'utilisation rendus possibles par ces nouvelles technologies. Dans certaines entreprises, ces compétences ne sont considérées que comme une formation supplémentaire proposée par le service des ressources humaines ou le développement du personnel. Dans le contexte de la transformation IA, l’histoire n’est pas la même. 

L'amélioration des compétences en matière de données et d'IA de votre organisation apportera son lot d'avantages supplémentaires. L'avantage le plus évident consiste bien entendu en une meilleure compréhension des questions liées aux données et à l'IA. Cette «meilleure compréhension» du processus ne doit toutefois pas être considérée comme une capacité passive de quelques participants à la formation : c'est bel et bien un outil stratégique susceptible de susciter de nombreux nouveaux cas d'application. 

Avec une compréhension accrue des capacités de l'IA, les experts commencent à explorer leur environnement de travail d'une nouvelle manière, davantage axée sur les données : «Qu'adviendrait-il si je pouvais améliorer le processus sur lequel je travaille en prenant des décisions et en réalisant des tâches assisté(e) de l'IA» 

Cette approche ascendante d'acquisition de cas d'utilisation de données et d'IA les rend d'emblée plus pertinents pour les utilisateurs finaux, tout en exploitant les connaissances que les collaborateurs ont de ce domaine. Une fois que vous avez mis en œuvre avec succès un cas d'utilisation qui améliore le contenu d'un travail concret, beaucoup d'autres suivront. 

Un deuxième avantage de l'amélioration des compétences en matière de données et d'IA est la capacité de mener des discussions sur les données au sein de l'entreprise ; de parler des données et des cas d'utilisation de l'IA avec l'équipe d'analyse d'une manière qui facilite la résolution des problèmes de développement typiques tels que les objectifs ou les attentes supplémentaires. En outre, la modification du vocabulaire des données/de l'IA peut également donner à l'organisation l'impulsion dont elle a besoin afin que cette dernière parvienne à s'axer davantage sur les données elles-mêmes.

Assurer la crédibilité des données et des cas d'application

Le vieux mantra «Garbage in - Garbage out» est encore plus pertinent dans le nouveau monde des services et dans celui des prises de décision pilotées par l'IA. Nous avons ici une formidable opportunité de faire évoluer la prise de décision intelligente par le biais d’outils jusqu’ici inédits et cette opportunité se voit pour sa part contrebalancée par le risque de faire évoluer des décisions initialement stupides. 

Quel que soit l’outil, la qualité du résultat dépend des matières premières avec lesquelles vous devez travailler. Dans le cas de l'IA, les matières premières sont les données et les processus dont dispose votre organisation. La problématique relative aux modèles biaisés et à la prise de décision est très importante pour une bonne raison : fermer les yeux sur les exigences en matière d'éthique et de conformité n'est pas de mise dans le monde compétitif d'aujourd'hui.

Mais bien avant d'atteindre ce niveau de problèmes, nous devons en affronter un beaucoup plus simple, celui du niveau de crédibilité. Il est en effet difficile de présenter à une organisation une nouvelle méthode de travail ou de prise de décision sans tenir compte de sa crédibilité ou de sa qualité intrinsèque. 

Si la vision actuelle de la qualité des données de l'organisation est mauvaise, les décisions ou les prévisions basées sur ces données seront perçues à l'identique. Ceci doit être évité à tout prix. Même si vos scientifiques sont à même de démontrer que telle ou telle analyse réalisée est de bonne qualité, un «Garbage in - Garbage out» avéré nullifiera le résultat final. Point de raccourcis dans ce domaine; la qualité des données est un problème au sein de nombreuses organisations et celui-ci ne peut être résolu que par un travail systématique et continu. Chaque organisation a sa propre approche, certes. Toutefois, la visibilité des problèmes connus et la propriété des sources et des systèmes de données clés sont les principaux facteurs dont il faut tenir compte en matière de crédibilité des données.

Cette thématique est appelée à gagner en importance, tant il est vrai que les nouveaux grands modèles de langage (pensez à ChatGPT) ont montré que leurs capacités sont en corrélation directe avec les données avec lesquelles ils ont été entraînés. La qualité des données est peut-être le prochain facteur clé qui différenciera les entreprises convoitant le même territoire. 

En tant que cadre, votre rôle est de veiller à ce que les données soient traitées comme un actif essentiel et que les questions de propriété et de qualité des données fassent partie des priorités OKR, tant pour l'entreprise que pour son service informatique.

Instaurer la confiance en l'IA

Si vous avez déjà suivi un débat concernant l'IA au travail ou si votre organisation a déjà initié la transformation IA, un sujet vous a certainement paru évident, voire récurrent : celui de la confiance qu'inspire l'IA.

Le plus souvent, ce thème est abordé dans le cadre de discussions sur la thématique «Responsible» ou «Explainable AI», c'est-à-dire la confiance qu'inspirent les résultats des modèles d'IA ou d'apprentissage automatique.

Dans ce paragraphe, l'accent sera davantage mis sur la perspective organisationnelle : réduire les craintes que l'on éprouve face à l'IA. 

L'un des cas d'application IA des plus représentatifs dans les organisations à l'écoute de leurs clients est celui du chatbot, l'assistant virtuel en libre-service analysant le texte qu'on lui soumet et pouvant résoudre des problèmes simples en quelques étapes rapides. Le développement d'un tel service est cependant une épée à double tranchant. Si les collaborateurs du service client sont tout d'abord nécessaires pour soutenir le développement des chatbots, ces mêmes collaborateurs sont ceux qui risqueront de voir leur rôle devenir inutile à l'avenir étant donné que de plus en plus de tâches pourront être prises en charge par des assistants virtuels... qui s'améliorent sans cesse, qui plus est. 

Dans ces situations, il est absolument nécessaire de souligner l'importance stratégique des chatbots et autres cas d'utilisation similaires de données et d'IA pratique. 

Si, sur de nombreux marchés, les attentes des clients en matière d'aide et de service deviennent un facteur de différenciation clé pour les entreprises, on constate en même temps une pression croissante visant à réduire les coûts d'exploitation. Dans le contexte des chatbots, l'opportunité d'améliorer l'expérience client est là et l'opportunité de réduire les coûts (par rapport à la forte augmentation de la taille des centres d'appels actuels) et d'améliorer la satisfaction au travail en permettant au collaborateur du service client d'être plus efficace est tout aussi présente. Le collaborateur en question pourra, pour sa part, se concentrer sur des tâches plus exigeantes, tandis que les chatbots se chargeront des plus routinières. 

C'est là une excellente occasion pour l'organisation de se faire une idée de la valeur de l'expertise du domaine "développement IA" et pour les professionnels du service client d'être confrontés à des problèmes plus intéressants. La vitesse à laquelle l'IA est appelée à s'implanter et son impact dans de nombreuses organisations seront inédits. La première tâche de tout cadre consistera donc à gérer ce processus et à l'expliquer à tête reposée. Votre rôle sera donc de vous assurer que l'ensemble de l'organisation comprendra la valeur stratégique et les avantages des nouvelles capacités que l'IA est à même d'implémenter, mais aussi de réduire le stress et l'anxiété de ceux qui n'ont pour l'instant pas encore trouvé leur place au sein de cette transformation.

Ce qu’il faut retenir

Lors d'une transformation IA, il est important d'aborder les changements à venir en formant une équipe soudée ayant une vision commune du sujet traité et des possibilités offertes. Dans cet article, nous avons présenté trois façons de soutenir la transformation IA en tentant de réduire certaines craintes et d'éviter toutes éventuelles frictions :

• Les compétences en matière de données et d'IA créent un vocabulaire commun et aident l'organisation à comprendre le sujet et à identifier les opportunités qui s'offrent à elle. 
• La qualité des données confère aux cas d'application IA la crédibilité nécessaire pour que l'organisation puisse accepter la nouvelle approche axée sur les données. 
• La confiance dans l'IA peut être améliorée en révélant à la fois la justification stratégique derrière la transformation IA, les cas d'utilisation et l'implication de l'organisation dans le cycle de développement.