La recherche de Gartner indique qu’en 2030, 80 % des tâches de gestion de projet seront gérées par l’IA. Quel sera le pourcentage de projets utilisant l’IA pour accomplir des tâches – cela reste à voir. Cependant, il est déjà utile de réfléchir à la manière d’intégrer l’IA dans la stratégie opérationnelle d’une entreprise.
La première étape consiste à comprendre le potentiel et les limites de cette technologie. L’intelligence artificielle excelle dans l’analyse des tendances et des modèles, mais échoue dans des domaines tels que le raisonnement en plusieurs étapes et la prise de décision morale. Elle crée des visuels sensationnels, mais obtenir des matériaux qui correspondent de manière cohérente à l’image d’une marque nécessite une compétence considérable. C’est pourquoi, lorsque nous commençons à travailler sur un projet d’IA, nous ne pouvons pas supposer avec une probabilité comparable à d’autres projets s’il produira des résultats concrets et mesurables.
Un bon point de départ est donc d’analyser les avantages et les inconvénients :
Pour obtenir une réponse crédible à ces questions, il est préférable de sélectionner des projets d’IA simples qui apportent une valeur considérable, sont facilement mesurables et s’intègrent dans la stratégie de l’entreprise. Une startup offrant des services de messagerie peut servir d’exemple. Son objectif est d’améliorer le service client et d’augmenter la flexibilité de la chaîne d’approvisionnement. Un projet d’IA simple mais précieux, par exemple, est la mise en œuvre d’un chatbot qui gère les demandes des clients. Un tel assistant virtuel traitera plus de demandes qu’un centre d’appels traditionnel, augmentant la satisfaction des clients grâce à des réponses rapides aux demandes et à une qualité de communication constante. En revanche, un système avancé qui optimise les itinéraires de livraison correspond à l’objectif d’améliorer la flexibilité des livraisons, mais est complexe et comporte des risques beaucoup plus élevés.
Une fois les projets d’IA initiaux déterminés, la startup doit évaluer leur faisabilité, par exemple, en termes de budget dans lequel le projet d’IA doit s’inscrire.
La mise en œuvre d’une solution SaaS prête à l’emploi ou d’une IA en tant que service (AIaaS), ou ce qu’on appelle “IA prête à l’emploi”, présente de nombreux avantages. L’un d’eux est le coût prévisible de l’utilisation de l’outil et le coût relativement facile à estimer de la mise en œuvre d’un projet d’IA. Vous pouvez choisir parmi des solutions telles que :
Pour des projets d’IA à plus grande échelle, leurs coûts peuvent souvent être sous-estimés. Surtout en ce qui concerne les ressources et le temps nécessaires à la collecte et à la préparation des données. Par exemple, selon Arvind Krishna d’IBM, la phase de préparation des données pour l’apprentissage de l’IA peut représenter jusqu’à 80 % de la durée d’un projet.
Source : DALL-E 3, prompt : Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
De plus, plus nous exigeons des modèles d’IA personnalisés pour un projet, plus nous devons collecter des données qualitatives. Par exemple, les réseaux neuronaux profonds pour l’apprentissage nécessitent des centaines de milliers d’exemples. Cela soulève le coût d’acquisition et de nettoyage de tels ensembles de données énormes. Heureusement, le développement rapide de l’intelligence artificielle signifie que de plus en plus de projets d’IA peuvent être mis en œuvre sans avoir besoin d’un apprentissage coûteux d’un modèle personnalisé.
Cependant, une entreprise planifiant un projet d’IA doit considérer non seulement la phase de développement de la solution, mais aussi la préparation des données et le fonctionnement continu du système, y compris le coût de maintenance, de mise à jour ou de collecte de nouvelles données. Ce n’est qu’alors que vous pourrez évaluer le véritable retour sur investissement dans l’IA.
Un défi clé dans les projets d’IA est la donnée – sa disponibilité, sa quantité et sa qualité. Que faire alors ? Avant de commencer un projet d’IA, vous devez :
Un problème courant est que les données sont éparpillées sur plusieurs systèmes et formats. Il peut être difficile de les fusionner, de les nettoyer et de les préparer pour l’apprentissage de l’IA. Une bonne pratique est que l’équipe d’IA travaille en étroite collaboration avec le département informatique ou les analystes de données. Ensemble, ils doivent s’assurer que l’infrastructure et les processus d’acquisition de données appropriés sont en place.
L’IA n’est pas seulement des algorithmes d’apprentissage automatique. Pour les faire fonctionner dans la pratique, une infrastructure informatique entière est nécessaire. Pendant ce temps, l’intégration de nouveaux systèmes d’IA avec ceux existants d’une entreprise peut être difficile. Cela nécessite souvent d’adapter les anciens systèmes commerciaux, ce qui pour de nombreuses entreprises signifie des coûts de mise à niveau considérables.
De plus, les projets d’IA nécessitent une expertise en science des données et en ingénierie des données. Pendant ce temps, le monde connaît une pénurie de spécialistes dans ce domaine. Selon le rapport “Technology Trends Outlook 2023” de McKinsey, le ratio des offres d’emploi par rapport aux spécialistes disponibles est de 7 pour 100, et la demande ne cesse de croître.
La question de la sécurité des données n’est également pas négligeable. Les systèmes d’IA traitent d’énormes quantités d’informations sensibles, qui doivent être correctement sécurisées contre les fuites. Pendant ce temps, les violations de données ont considérablement augmenté ces dernières années. C’est donc un autre risque important à garder à l’esprit lors de la mise en œuvre de projets d’IA.
Une barrière courante à la mise en œuvre d’un projet d’IA peut être la mauvaise connaissance de l’intelligence artificielle parmi les gestionnaires et les décideurs d’entreprise. Sans une compréhension approfondie des capacités de la technologie, il est difficile d’évaluer la viabilité de projets spécifiques et de prendre des décisions éclairées. C’est pourquoi il est essentiel d’investir dans l’amélioration des connaissances des gestionnaires dans le domaine des nouvelles technologies.
La reconversion des employés actuels peut également aider. On parle de plus en plus de ce qu’on appelle des “analystes de données citoyens” (“Citizen data scientists”). Ces spécialistes exploitent des technologies de pointe pour résoudre des problèmes commerciaux spécifiques auxquels ils sont confrontés quotidiennement. Ils ont une connaissance approfondie de l’industrie dans laquelle ils travaillent. En faisant partie de l’équipe travaillant sur un projet d’IA, ils permettent aux spécialistes de l’IA de se concentrer sur les problèmes de mise en œuvre en répondant à des questions spécifiques à l’industrie.
En plus des compétences techniques, telles que l’évaluation des recommandations de l’IA et la prise de décisions, les compétences interpersonnelles sont également importantes, y compris le leadership et la pensée stratégique. C’est une autre façon de répondre à la pénurie de compétences en IA dans les entreprises.
Il existe une rumeur non fondée (et probablement fausse) circulant sur Internet selon laquelle jusqu’à 87 % des projets d’IA n’atteignent jamais la phase de production. Bien que nous n’ayons pas pu accéder à des études fiables sur les projets réussis, une définition précoce des moyens de mesurer le succès est essentielle pour évaluer l’impact réel de la mise en œuvre de l’IA.
Une bonne pratique ici est un petit expériment. Cela implique de tester les performances de l’IA, par exemple, sur un échantillon aléatoire d’utilisateurs et de comparer les résultats avec un groupe de contrôle utilisant une solution standard. Un tel test A/B vous aide à vérifier si le nouveau système d’IA peut apporter les résultats attendus, comme une augmentation des conversions ou de la satisfaction client.
Source : DALL-E 3, prompt : Marta M. Kania (https://www.linkedin.com/in/martamatyldakania/)
Les tests A/B valent la peine d’être répétés périodiquement même après la mise en œuvre de l’IA, car les modèles peuvent perdre en précision et en pertinence dans la résolution des problèmes. Cela vous permettra d’identifier rapidement les anomalies émergentes et le besoin de recalibrer le système afin qu’il continue à fournir les résultats commerciaux attendus.
Bien que l’IA offre d’énormes opportunités, les projets dans ce domaine comportent des défis significatifs. Pour réussir, vous devez évaluer de manière réalisable les coûts et les avantages de l’IA, prendre soin de l’acquisition et de la qualité des données, développer des compétences internes et parier sur la mise en œuvre progressive de nouvelles technologies. Il est également crucial de mesurer l’impact commercial tangible des mises en œuvre et de réagir rapidement aux problèmes émergents. Ce n’est qu’alors que l’IA deviendra un atout plutôt qu’une menace pour l’entreprise.
Si vous aimez notre contenu, rejoignez notre communauté de abeilles occupées sur Facebook, Twitter, LinkedIn, Instagram, YouTube, Pinterest, TikTok.
Expert en JavaScript et instructeur qui forme les départements informatiques. Son objectif principal est d'améliorer la productivité de l'équipe en enseignant aux autres comment coopérer efficacement lors du codage.
Les entreprises luttent pour gérer une vaste quantité de contenu publié en ligne, des publications…
À l'ère de la transformation numérique, les entreprises ont accès à une quantité sans précédent…
Saviez-vous que vous pouvez obtenir l'essence d'un enregistrement de plusieurs heures d'une réunion ou d'une…
Imaginez un monde où votre entreprise peut créer des vidéos engageantes et personnalisées pour n'importe…
Pour tirer pleinement parti du potentiel des grands modèles de langage (LLMs), les entreprises doivent…
En 2018, Unilever avait déjà entrepris un voyage conscient pour équilibrer les capacités d'automatisation et…