Peu de pilotes IA passent à l'échelle. Le vôtre le peut.

Vos meilleurs talents passent encore trop de temps sur des tâches à faible valeur ajoutée : ils passent des heures à traiter manuellement des documents de routine, consacrent des semaines entières à l'examen juridique de contrats types, et perdent un temps considérable à saisir des données dans différents systèmes. Pendant ce temps, votre équipe de sécurité croule sous un flot d'alertes qu'elle doit traiter une par une.
 

Ce n'est pas un problème de ressources, ni un manque de technologies adaptées. Comme l'explique Ben Kus, le DSI de Box : « Lorsque nous discutons avec nos clients Box, beaucoup d'entre eux nous disent qu'ils n'ont pas vraiment de problème avec l'IA. Ils ont plutôt un problème de données ».

 

Lorsque nous discutons avec nos clients Box, beaucoup d'entre eux nous disent qu'ils n'ont pas vraiment de problème avec l'IA. Ils ont plutôt un problème de données.

Ben Kus, DSI de Box

Ben Kus a vu des centaines d'entreprises se heurter au même obstacle. Elles investissent des millions dans des projets pilotes d'IA. Elles testent des concepts. Elles font la démonstration d'outils impressionnants. Pourtant, rien n'est déployé à grande échelle.
 

Dans un épisode récent du podcast Intelligence Squared, intitulé « Practical AI Implementation in the Workplace: Beyond the Hype » (Mise en œuvre pratique de l'IA sur le lieu de travail : au-delà du battage médiatique), Ben Kus aborde un enjeu clé : comment les entreprises peuvent dépasser le discours théorique autour de l'IA pour mettre en place des actions concrètes et industrialiser leurs projets pilotes avec succès..

 

Points essentiels :

  • Quand l'IA échoue, c'est d'abord un problème de données : la plupart des projets pilotes n'aboutissent pas parce que l'IA ne peut pas accéder aux données commerciales stratégiques stockées dans des systèmes hérités
  • Commencez par consolider les fondations de vos données, plutôt que d'utiliser des outils sophistiqués : vérifiez où se trouvent vos données et mettez en place une gouvernance avant de déployer l'IA
  • Les petites victoires mènent à la transformation : identifiez un goulot d'étranglement, suivez les indicateurs réels et créez une dynamique à partir de là

 

La véritable raison pour laquelle les pilotes d'IA échouent est liée aux données, pas à la technologie

Tous les cadres supérieurs savent que l'IA pourrait transformer leurs flux de travail, mais après avoir investi des millions dans des projets pilotes et des preuves de concept, la plupart des entreprises restent bloquées en mode expérimentation, incapables de déployer à grande échelle leurs initiatives d'IA au-delà de cas d'utilisation isolés. Le problème ne vient pas de l'IA, mais de la capacité de l'IA à accéder aux données et aux systèmes appropriés.
 

Les entreprises achètent des outils d'IA comme si elles embauchaient des employés surdoués censés résoudre leurs problèmes. Puis, elles bloquent l'accès de ces « employés » à tous les systèmes importants. Votre IA ne peut pas accéder aux données de vos clients (qui se trouvent dans un ancien CRM). Elle ne peut pas toucher aux documents financiers (qui sont éparpillés dans différents services). Elle ne peut pas passer en revue les contrats (qui sont bloqués dans des serveurs de fichiers obsolètes).
 

Aucun employé humain ne pourrait réussir dans ces conditions, et il en va de même pour votre IA. Pourtant, la plupart des entreprises tentent de résoudre ce problème à l'envers. Elles démarrent avec l'outil d'IA le plus en vogue et se concentrent sur les flux de travail les plus complexes, puis se demandent pourquoi rien ne fonctionne à grande échelle.

 

Bâtir un socle data solide avant de déployer l'IA

Ben Kus raconte l'histoire d'une certaine société financière qui a d'abord essayé l'approche traditionnelle. Cette entreprise voulait utiliser l'IA pour générer un rapport permettant à ses conseillers de bien préparer leurs rendez-vous clients et de formuler des recommandations adaptées. Ce fut un échec, et voici pourquoi.
 

Lorsque l'entreprise a lancé le projet, elle s'est heurtée à un obstacle inattendu : il n'existait aucun moyen efficace, que ce soit pour les humains ou pour l'IA, de comprendre rapidement la situation financière de ses clients. Les clients avaient fourni toutes leurs données, mais celles-ci se présentaient sous forme de relevés financiers, de relevés boursiers et de fichiers de toutes sortes, tous présentant un format extrêmement hétérogène. Comme l'explique Ben Kus : « Même les personnes au sein de l'entreprise n'avaient aucun moyen de comprendre rapidement la situation de leurs clients ».

 

Une approche progressive, en développant d'abord des capacités fondamentales, s'avère généralement plus efficace qu'une tentative d'implémentation directe de systèmes d'IA complexes.

L'entreprise a pris du recul et, au lieu de créer un générateur de rapports basé sur l'IA, elle a commencé par quelque chose de beaucoup plus simple : utiliser l'IA pour extraire et structurer les données issues des documents clients dans des formats standardisés. Comme l'explique Ben Kus :« Nous nous sommes rendu compte que la vraie difficulté était avant tout de comprendre la situation des clients, compte tenu de la diversité des données disponibles ».
 

La deuxième tentative de l'entreprise s'est déroulée en plusieurs étapes :

L'extraction de données est devenue le point de départ, qui a permis de poser les bases de la vision originale de l'entreprise en matière d'IA. Une approche progressive, en développant d'abord des capacités fondamentales, s'avère généralement plus efficace qu'une tentative d'implémentation directe de systèmes d'IA complexes.

 

5 étapes éprouvées pour industrialiser l'IA avec succès

Après avoir étudié cet exemple ainsi que d'autres déploiements d'IA réussis, voici les pratiques qui permettent réellement de passer à l'échelle :
 

  1. Faire l'état des lieux de leurs données : avant de mettre en œuvre un outil d'IA, les entreprises évaluent où se trouvent réellement leurs données. Pour la plupart d'entre elles, 90 % des données sont des contenus non structurés, dispersés dans différents systèmes et arborescences de dossiers. Ce cloisonnement des données empêche d'appliquer l'IA de manière efficace et sécurisée à l'automatisation des flux de travail.
     
  2. Créer une source unique de vérité : vous n'avez pas besoin de remplacer tous vos systèmes du jour au lendemain, mais votre outil d'IA doit pouvoir accéder aux informations essentielles. Une fois qu'une source unique de vérité est en place pour vos contenus non structurés, vous pouvez définir des structures d'autorisation afin de garantir une bonne gouvernance et d'éviter les fuites de données. N'oubliez pas : l'IA ne garde pas les secrets. Sans gouvernance, elle partage tout avec tout le monde. Comme le souligne Ben Kus : « Il est absolument essentiel de ne pas donner à l'IA accès à des informations auxquelles une personne n'aurait normalement pas accès ».
     
  3. Commencer petit (vraiment petit) : Ben Kus cite l'exemple d'une procurement manager qui a automatisé l'analyse des documents fournisseurs, faisant passer le temps de traitement de 10 heures à 20 minutes. Elle est ensuite devenue la référente IA de son entreprise, déployant cette approche à l'échelle de toute l'organisation. Choisissez un goulot d'étranglement. Désignez un responsable. Définissez des indicateurs clairs.
     
  4. Déployer des agents, pas des chatbots : la vraie valeur apparaît lorsque l'IA cesse de simplement répondre à des questions et commence à accomplir des tâches. Les agents d'IA modernes traitent les flux de travail de manière asynchrone, accèdent à plusieurs systèmes et peuvent fonctionner sans supervision. L'IA est désormais capable de développer des fonctionnalités entières de façon autonome.
     
  5. Mesurer la valeur réelle : oubliez les indicateurs de façade. Documentez des gains concrets : 10 heures → 20 minutes. Calculez les économies réalisées sur chaque flux de travail. Mesurez la satisfaction des employés. Accumulez ces victoires tactiques, et la transformation suivra.

 

Passer à une mise en œuvre concrète de l'IA au quotidien

L’écart entre les entreprises qui expérimentent l'IA et celles qui l'exploitent réellement ne cesse de se creuser. Les entreprises qui voient l'IA comme un simple projet technologique, plutôt que comme un véritable levier de transformation de leur activité, continueront à prendre du retard.
 

Ben Kus insiste : « Voyez grand, mais commencez petit. C'est l'un des principes que l'on retrouve le plus souvent chez ceux qui réussissent réellement leurs projets ».
 

La puissance de votre IA dépend directement des données auxquelles elle a accès. Le mode d'emploi existe. Les outils fonctionnent. Mais avant tout, vous devez consolider les fondations de vos données. Si vous y parvenez, vous ne vous contenterez pas d'automatiser le travail existant : vous débloquerez de toutes nouvelles façons de travailler.
 

Retrouvez le podcast sur Apple Podcasts ou surSpotify.