Les clés de réussite d’un projet d’IA en entreprise

L’implémentation de l’IA en entreprise est un choix structurant et stratégique qui doit être envisagé dans toutes ses dimensions transformatrices. Plus qu’une simple technologie, l’IA modifie et bouscule les process établis, les relations homme/machine, voire le cœur même du business model. Si chaque organisation travaille le sujet différemment en fonction de sa culture et de sa maturité numériques, des socles communs de réussite sont reconnus pour favoriser la performance liée à l’IA.

Inscrire l’IA dans une stratégie d’entreprise claire

Une stratégie d’IA doit s’inscrire dans la stratégie globale de l’entreprise avec une approche systémique. Cette technologie n’est pas une solution miracle, son implémentation doit être réfléchie en amont, dans le cadre d’un plan d’action clair et complet. L’IA n’est pas une finalité en soi, mais un outil pour atteindre des objectifs stratégiques cohérents avec la globalité de chaque entreprise. Cela signifie aborder l’IA avec un regard pragmatique, conscient des forces et des limites de cette technologie. C’est une des conditions pour que les équipes puissent en tirer pleinement parti.

L’implication de la direction générale de l’entreprise est indispensable pour fixer les objectifs de l’ambition liée à l’IA, et pour arbitrer les investissements en termes financiers ou de ressources humaines.
Il est primordial d’identifier et de prioriser les cas d’usages les plus pertinents, ceux qui ont une potentialité de transformation business. Intégrée au sein des projets stratégiques métiers, l’IA peut être source de valeur ajoutée : l’analyse préalable peut déceler des gains potentiels de compétitivité, d’amélioration de la productivité ou de la qualité du service ou du produit que l’entreprise propose.
Mais pour une prise de décision il faut également examiner la faisabilité des solutions techniques au regard notamment de la valeur apportée au métier, de la qualité et quantité des données à disposition, du coût, des délais et des compétences nécessaires.

Organiser la donnée et tester la pertinence de l’IA

L’IA se nourrit de données. Mais l’IA a besoin de données structurées, nettoyées, conservées efficacement pour les exploiter correctement. Un travail préalable à l’implémentation de l’IA est donc nécessaire pour auditer les bases de données disponibles dans l’entreprise, organiser leur gouvernance, leur architecture et leur traitement, et acculturer les collaborateurs à cette nouvelle approche normative. La performance et la pertinence des outils à base d’IA se fondent avant tout sur la qualité des données que l’entreprise lui donne à apprendre et à analyser. Mal anticiper le temps et le budget, parfois importants, nécessaires à cette étape peut nuire à la mise en place de l’IA. La gouvernance des données est un enjeu tant au niveau business qu’éthique.

L’entreprise doit définir également ses orientations technologiques, notamment choisir entre concevoir la solution d’IA en interne ou acheter une solution existante, plus économique et prête à utiliser et à configurer. Décision complexe qui repose entre autres sur le budget alloué au projet et les compétences en interne.
L’enjeu dans tous les cas est de démontrer que l’IA est créatrice de valeur. Ce qui amènent de plus en plus d’entreprises à développer des POC (Proof Of Concept) voire des POV (Proof Of Value) sur des cas d’usages vus comme stratégiques et transformateurs au niveau métier. Le but du POC est de démontrer en amont de l’implémentation de l’IA à l’échelle que l’opportunité en termes de performance est réelle et que la réalisation technique est faisable. Le POV va un cran plus loin afin de prouver ou mesurer quantitativement la valeur du projet IA en l’appliquant en condition réelle sur un périmètre limité.

Développer l’esprit de collaboration et d’itération dans les projets d’IA

Pour piloter et animer les cas d’usages, il est nécessaire de monter une équipe agile, pluridisciplinaire, qui réunisse à la fois des représentants des métiers et des profils IA. Les interactions entre toutes les parties prenantes sont primordiales pour apporter un éclairage métier ou technique et valider l’avancement du projet. Le cas d’usage est développé à partir d’une source de nouvelle valeur potentielle, qui se trouve être au cœur des process métiers. Il doit donc être conçu avec les métiers pour s’assurer de la cohérence de l’outil. D’autre part, les collaborateurs doivent bénéficier de formations pour savoir comment fonctionne l’algorithme, afin d’appréhender ses capacités et limites et de comprendre son fonctionnement pour mieux, s’approprier cette innovation technologique, et en toute intelligence C’est le meilleur moyen d’embarquer les équipes et de les faire adhérer à la démarche stratégique d’IA.

Enfin, une culture de l’itération doit voir le jour dans les organisations. L’innovation passe forcément par des expérimentations. Cela implique parfois de se confronter à des échecs, qui sont autant d’apprentissages pour la suite, si les cas d’usages sont suffisamment documentés. Mettre en place les conditions de l’expérimentation tout en incitant les collaborateurs à exercer leur regard critique face à l’IA est un changement culturel qui peut prendre du temps, mais qui constitue l’une des bases d’une évolution organisationnelle propice à l’implémentation de l’IA.

L’implémentation de l’IA et notamment son passage à l’échelle sont encore des sujets complexes à appréhender pour beaucoup d’entreprises. Mais au-delà des aspects techniques, le succès des projets d’IA repose sur une stratégie et une vision cohérente pour guider les équipes, une structuration de la donnée comprise et partagée par toutes les parties prenantes, et un état d’esprit d’itération et de collaboration porté par la culture de l’entreprise.