Comment encourager les initiatives d’intelligence artificielle dans les organisations ?

L’intelligence artificielle (IA) est en plein essor. Elle oriente et influence maintenant beaucoup de décisions, allant de l’exécution manufacturière aux prêts bancaires, et des utilisations comme le service à la clientèle entièrement automatisé sont à l’horizon. En effet, McKinsey estime que l’IA ajoutera 13 billions de dollars à l’économie mondiale au cours de la prochaine décennie. Pourtant, les organisations peinent à augmenter leurs efforts en matière d’IA. La plupart n’ont exécuté que des projets ad-hoc ou appliqué l’IA sur un seul processus d’affaires.

La clé est de comprendre les obstacles organisationnels et culturels auxquels font face les initiatives d’IA et de chercher à les réduire. Cet article présente les aspects organisationnels et culturels à traiter lors de la mise en place d’investissement en intelligence artificielle.

———-

L’intelligence artificielle est en train de remodeler les affaires, mais pas au rythme effréné que beaucoup supposent. Certes, l’IA oriente désormais toutes les décisions, partant l’exécution manufacturière jusqu’aux prêts bancaires, et quand des perspectives illusoires telles qu’un service client totalement automatisé s’annoncent déjà. Les technologies qui permettent l’IA, comme les plateformes de développement et la puissance de traitement et de stockage de données, progressent rapidement et deviennent de plus en plus abordables. Le moment semble donc propice pour les organisations de tirer profit de l’IA. En effet, McKinsey estime que l’IA ajoutera 13 billions de dollars à l’économie mondiale au cours de la prochaine décennie.

Pourtant, malgré la promesse de l’IA, de nombreuses organisations n’y parviennent pas malgré leurs efforts. McKinsey a interrogé des milliers de dirigeants sur la façon dont leurs organisations utilisent et s’organisent pour l’IA.  Les données montrent que seulement 8% des organisations s’engagent dans des pratiques de base qui soutiennent une adoption généralisée. La plupart des organisations n’ont mené que des projets pilotes ad-hoc ou appliquent l’intelligence artificielle en un seul processus opérationnel.

Pourquoi progressons-nous si mal ? Au plus haut niveau, c’est le reflet d’un échec à rebrancher l’organisation. Dans des enquêtes et des travaux menés avec des centaines de clients, il s’avère que les initiatives d’IA se heurtent à de formidables barrières culturelles et organisationnelles. Mais il a été également constaté que les leaders qui, au départ, prennent des mesures pour éliminer ces obstacles peuvent saisir efficacement les opportunités de l’IA.

Prendre le virage

Une des plus grandes erreurs que les leaders font est de voir l’IA comme une technologie plug-and-play avec des retours immédiats. En décidant de lancer quelques projets, ils commencent à investir des millions dans l’infrastructure de données, les outils logiciels d’IA, l’expertise en matière de données et le développement de modèles. Certains pilotes réussissent à réaliser de petits gains pour les organisations. Mais ensuite, des mois ou des années passent sans apporter les grands bénéfices tant attendus par les dirigeants. Les organisations ont du mal à passer des programmes pilotes aux programmes plus généraux au niveau des organisations, et à mettre l’accent sur les problèmes d’affaires discrets, comme l’amélioration de la segmentation de la clientèle, aux grands défis d’affaires, comme l’optimisation de l’ensemble du parcours client.

Les leaders pensent trop souvent aux exigences en matière d’IA. Bien que la technologie de pointe et le talent soient certainement nécessaires, il est tout aussi important d’harmoniser la culture, la structure et les méthodes de travail d’une organisation pour favoriser l’adoption globale de l’IA. Mais dans la plupart des organisations qui ne sont pas nées à l’ère numérique, les mentalités traditionnelles et les façons de travailler vont à l’encontre de celles nécessaires pour l’IA.

Pour accroître l’IA, les organisations doivent apporter trois changements :

1. Du travail en silo à la collaboration interdisciplinaire.

L’IA a un impact plus grand lorsqu’elle est développée par des équipes inter-fonctionnelles avec un mélange de compétences et de perspectives. Le fait que dirigeants d’organisations et employés opérationnels travaillent en étroite collaboration avec des experts en analyse garantira que les initiatives répondent aux grandes priorités organisationnelles, et pas seulement aux problèmes d’exploitation isolés. Diverses équipes peuvent également réfléchir aux changements opérationnels que les nouvelles applications peuvent nécessiter. Elles sont plus susceptibles de reconnaître, par exemple, que l’introduction d’un algorithme qui prédit les besoins de maintenance doit s’accompagner d’une refonte de processus de maintenance. Et lorsque les équipes de développement impliquent les utilisateurs finaux dans la conception des applications, les chances d’adoption augmentent considérablement.

2. De la prise de décision basée sur l’expérience et pilotée par les dirigeants à la prise de décision basée sur les données en première ligne.

Lorsque l’IA est adoptée à grande échelle, les employés de haut en bas dans la hiérarchie augmenteront leur propre jugement et intuition avec des recommandations d’algorithmes pour arriver à de meilleures réponses que les humains ou les machines pourraient atteindre par eux-mêmes. Mais pour que cette approche fonctionne, les gens à tous les niveaux doivent faire confiance aux suggestions des algorithmes et se sentir habiles à prendre des décisions, ce qui signifie d’abandonner l’approche traditionnelle descendante. Si les employés doivent consulter un supérieur avant d’agir, cela nuira à l’utilisation de l’IA.

3. De rigide et averse au risque à agile, expérimental et adaptable.

Les organisations doivent se débarrasser de l’optique selon laquelle une idée doit être entièrement raffinée ou qu’un outil de travail doit comporter tous les gadgets possibles avant d’être déployés. Lors d’un premier essai, les applications d’IA ont rarement toutes les fonctionnalités souhaitées. Une mentalité de test et d’apprentissage recadrera les erreurs en tant que source de découvertes, réduisant ainsi la peur de l’échec. Obtenir les premiers retours des utilisateurs et les intégrer à la prochaine version permettra aux organisations de corriger les petits problèmes avant qu’ils ne deviennent plus grands. Le développement s’accélérera, permettant aux petites équipes d’IA de créer des produits minimums viables en quelques semaines plutôt qu’en quelques mois.

De tels changements fondamentaux ne se produisent pas facilement. Ils exigent des leaders qu’ils préparent, motivent et équipent la main-d’œuvre pour apporter le changement. Mais les dirigeants doivent d’abord être préparés eux-mêmes. Nous avons vu des échecs causés par le manque de compréhension fondamentale de l’IA chez les cadres supérieurs.

Préparer au succès

Pour impliquer les employés et faciliter la réussite des lancements d’initiatives en IA, les dirigeants doivent apporter une attention particulière à plusieurs tâches :

1. Expliquer pourquoi.

Une histoire captivante aide les organisations à comprendre l’urgence des initiatives de changement et la façon dont elles profiteront à tous. Ceci est particulièrement critique avec les projets d’IA, car la peur que l’IA supprime des emplois augmente la résistance des employés.

Les leaders doivent fournir une vision qui rassemble tout le monde autour d’un objectif commun. Les travailleurs doivent comprendre pourquoi l’IA est importante pour l’organisation et comment ils s’intégreront dans une nouvelle culture axée sur l’IA. En particulier, ils ont besoin d’être rassurés sur le fait que l’IA améliorera plutôt que diminuer ou même éliminer leurs rôles.

2. Partager la vision et changer les mentalités

Lorsqu’une grande entreprise de distribution a voulu rallier ses employés à sa stratégie d’IA, la direction l’a présentée comme un impératif existentiel. Les dirigeants ont décrit la menace que représentaient les détaillants numériques et comment l’IA pourrait aider à la repousser en améliorant l’efficacité opérationnelle et la réactivité de l’organisation. En lançant un appel aux armes dans une lutte pour la survie, la direction a souligné le rôle essentiel que les employés devaient jouer.

En partageant leur vision, les dirigeants de l’organisation ont mis en lumière les travailleurs qui avaient piloté un nouvel outil d’IA qui les a aidés à optimiser les assortiments de produits des magasins et à augmenter les revenus. Cela a inspiré d’autres travailleurs à imaginer comment l’IA pourrait augmenter et améliorer leur performance.

3. Anticiper les barrières au changement.

Certains obstacles, tels que la peur des travailleurs de devenir obsolètes, sont communs à toutes les organisations. Mais la culture d’une organisation peut aussi avoir des caractéristiques distinctives qui contribuent à la résistance. Par exemple, si une organisation a des chargés de clientèle qui sont fiers d’être à l’écoute des besoins des clients, ils peuvent rejeter l’idée qu’une machine pourrait avoir de meilleures idées sur ce que veulent les clients et ignorer les recommandations de produits personnalisés d’un outil d’IA. Et les responsables des grandes organisations qui pensent que leur statut est basé sur le nombre de personnes qu’ils supervisent pourraient s’opposer à la prise de décision décentralisée ou à la réduction des rapports que l’IA pourrait autoriser.

Dans d’autres cas, les processus cloisonnés peuvent empêcher l’adoption généralisée de l’IA. Les organisations qui attribuent des budgets par fonction ou unité commerciale peuvent avoir du mal à réunir des équipes agiles interdisciplinaires.

Comprendre les obstacles au changement peut non seulement informer les dirigeants sur la façon de communiquer avec la main-d’œuvre, mais aussi les aider à déterminer où investir, quelles initiatives d’IA sont les plus réalisables, quelle formation devrait être offerte, quelles incitations peuvent être nécessaires, et plus encore.

4. Budgétiser autant pour l’intégration et l’adoption que pour la technologie (sinon plus).

Dans l’une des enquêtes McKinsey, près de 90 % des organisations qui s’étaient engagées dans des pratiques de mise à niveau réussies avaient consacré plus de la moitié de leurs budgets d’analyse à des activités qui ont conduit à l’adoption, telles que la refonte du flux de travail, la communication et la formation. Pour les organisations ayant eu des échecs, seulement 23 % des organisations avaient engagé des ressources similaires.

5. Équilibrer entre faisabilité, investissement en temps et valeur.

La poursuite d’initiatives excessivement difficiles à mettre en œuvre ou nécessitant plus d’un an pour être lancées peut saboter les projets actuels et futurs d’IA.

Les organisations n’ont pas besoin de se concentrer uniquement sur les gains rapides ; ils devraient développer un portefeuille d’initiatives avec des horizons temporels différents. Les processus automatisés qui ne nécessitent pas d’intervention humaine, tels que la détection des fraudes assistée par l’IA, peuvent générer un retour en quelques mois, tandis que les projets nécessitant une implication humaine, tels que le service client assisté par l’IA, sont susceptibles de porter leurs fruits sur une plus longue période. La hiérarchisation doit être basée sur une vision à long terme (généralement sur trois ans) et prendre en considération la manière dont plusieurs initiatives avec des délais différents pourraient être combinées pour maximiser la valeur. Par exemple, pour obtenir une vue des clients suffisamment détaillée pour permettre à l’IA d’effectuer une micro-segmentation, une organisation peut avoir besoin de mettre en place un certain nombre d’initiatives de vente et de marketing. Certaines, telles que les offres ciblées, peuvent générer de la valeur en quelques mois, tandis qu’il peut s’écouler entre 12 et 18 mois pour que l’ensemble de la suite de fonctionnalités atteigne son plein impact.

6. La maturité des capacités d’IA.

Lorsqu’une organisation est au début de son parcours d’IA, il est souvent logique que les responsables, les scientifiques/ingénieurs de données, les concepteurs d’interface utilisateur, les spécialistes de la visualisation qui interprètent graphiquement les résultats de l’analyse, etc., se réunissent à l’aide d’un réseau centralisé et soient déployés au besoin des unités d’affaires.

Dans notre prochain article, nous discuterons de la façon dont les rôles et les responsabilités de l’IA peuvent être partagés entre un groupe dédié d’IA (hub) et les champions d’affaires dans l’organisation.

Cet article est inspiré de la version anglaise “Building the AI-Powered Organization”  paru dans le numéro de juillet-août 2019 (pp.62-73) de Harvard Business Review.