Gouvernance de l’Intelligence Artificielle – Aspects humains

Gouvernance de l’Intelligence Artificielle – Aspects humains

Nous avons vu dans cette série d’articles sur l’intelligence artificielle, comment les organisations encouragent les initiatives d’Intelligence Artificielle (1) auprès de leurs équipes, et les aspects organisationnels nécessaires à son implantation (2). Dans ce 3ème article, nous expliquerons en détails les aspects humains nécessaires à l’implantation de l’Intelligence Artificielle (IA), et plus particulièrement les volets liés à la formation et à la gestion du changement au sein de l’organisation.

A) Former tous les collaborateurs au sein de l’organisation

Pour assurer l’adoption de l’Intelligence Artificielle (IA), les organisations doivent former tous les collaborateurs, quel que soit leur niveau hiérarchique. Dans cette optique, certains lancent des académies internes de l’IA, qui intègrent généralement des travaux en classe (en mode présentiel ou à distance), des ateliers, de la formation en cours d’emploi et même des visites sur place à des pairs expérimentés de l’industrie. En premier lieu, la plupart des académies embauchent des formateurs externes pour rédiger et mettre en œuvre les programmes de formation, mais également, elles instaurent des processus pour renforcer les capacités internes des collaborateurs.

Les académies diffèrent, mais la plupart offrent quatre grands types de formation :

  • Leadership : La plupart des académies s’efforcent de donner à leurs cadres supérieurs et aux chefs d’unités d’affaires une compréhension de haut niveau du fonctionnement de l’IA et des moyens d’identifier et de prioriser les opportunités. Ils fournissent également des discussions sur l’impact sur les rôles des travailleurs, les obstacles liés à l’adoption et au développement des compétences, et offrent des conseils pour inculquer les changements culturels sous-jacents nécessaires.
  • Analytique : Ici, l’accent est mis sur le perfectionnement constant des soft skills et des compétences techniques des scientifiques de données, des ingénieurs, des architectes et des autres employés responsables de l’analyse des données, de la gouvernance des données et de l’élaboration des solutions d’IA.
  • Traducteur: Les traducteurs de données proviennent souvent du personnel administratif et ont besoin d’une formation technique fondamentale, par exemple, sur la façon d’appliquer des approches analytiques aux problèmes opérationnels et de développer des cas d’utilisation de l’IA. Leur instruction peut comprendre des tutoriels en ligne, des stages sous la supervision des traducteurs expérimentés et un « examen » final dans lequel ils doivent réussir à mettre en œuvre une initiative d’IA.
  • Utilisateur final.  Les travailleurs de première ligne n’auront besoin que d’une introduction générale aux nouveaux outils d’IA, suivie d’une formation en cours d’emploi et d’un encadrement sur la façon de les utiliser. Les décideurs stratégiques, tels que les spécialistes du marketing et le personnel du département financier, peuvent avoir besoin de sessions de formation de niveau supérieur qui intègrent des scénarios de travail réels dans lesquels de nouveaux outils améliorent les décisions concernant, par exemple, les lancements de produits.

B) Renforcer le changement

La plupart des transformations de l’IA prennent de 18 à 36 mois, et certaines durent jusqu’à cinq ans. Pour les empêcher de perdre l’élan de départ les dirigeants doivent faire quatre choses :

1. Joindre le geste à la parole.

La modélisation des rôles est essentielle. Pour commencer, les leaders peuvent démontrer leur engagement envers l’IA en suivant une formation académique.

Mais ils doivent aussi encourager activement de nouvelles façons de travailler. L’IA nécessite l’expérimentation, et souvent les premiers essais ne fonctionnent pas comme prévu. Lorsque cela se produit, les dirigeants devraient mettre en évidence ce que les leçons apprises. Cela favorise une prise de risque appropriée.

Les modèles de rôle les plus efficaces que nous avons vus sont humbles. Ils posent des questions et renforcent la diversité des perspectives. Ils rencontrent régulièrement le personnel pour discuter des données et poser des questions comme « À quelle fréquence avons-nous raison ? » et « De quelles données disposons-nous pour appuyer la décision d’aujourd’hui ? »

2. Rendre les organisations responsables.

Il n’est pas rare de voir le personnel d’analyse devenir les propriétaires de produits d’IA. Cependant, l’analytique n’est qu’un moyen de résoudre les problèmes opérationnels, ce sont les unités opérationnelles qui doivent diriger les projets et être responsables de leur réussite. La propriété doit être attribuée à quelqu’un de l’organisation concernée, qui doit définir les rôles et guider un projet du début à la fin. Parfois, les organisations attribuent différents propriétaires à différents stades du cycle de développement (par exemple, pour la preuve de valeur, de déploiement et de progression). C’est une erreur aussi, parce que cela peut entraîner des pertes ou rater des occasions.

Une fiche de pointage (« scorecard ») qui saisit les mesures de rendement des projets pour tous les intervenants est un excellent moyen d’harmoniser les objectifs des équipes d’analyse et d’affaires. Une compagnie aérienne, par exemple, a utilisé une fiche de pointage commune pour mesurer le taux d’adoption, la vitesse à atteindre la pleine capacité et les résultats commerciaux d’une solution d’intelligence artificielle qui optimise les prix et les réservations.

3. Suivre et faciliter l’adoption.

La comparaison des résultats des décisions prises avec et sans l’IA peut encourager les employés à l’adopter. Par exemple, dans une société de produits de base, les négociants ont appris que leurs prévisions non appuyées par l’IA n’étaient généralement exactes que la moitié du temps. Cette découverte les a rendus plus ouverts aux outils d’IA pour améliorer leurs prévisions.

4. Les unités opérationnelles en tant que responsables de projets d’IA.

Les équipes qui surveillent la mise en œuvre peuvent adapter les cours suivant le contexte. Chez un détaillant nord-américain, un propriétaire de projet d’IA a vu des directeurs de magasin avoir du mal à intégrer les résultats d’un projet pilote dans leur suivi des résultats de performances du magasin. L’interface utilisateur de l’IA était difficile à naviguer, et les renseignements sur l’IA générés n’étaient pas intégrés dans les tableaux de bord sur lesquels les gestionnaires comptaient chaque jour pour prendre les décisions. Pour résoudre le problème, l’équipe de l’IA a simplifié l’interface et reconfiguré la sortie afin que le nouveau flux de données apparaisse dans le tableau de bord.

C) Offrir des incitations au changement.

Sur le long terme, la reconnaissance au travail inspire les employés. Le PDG du détaillant spécialisé commence les réunions par tourner le projecteur vers un employé (comme un chef de produit, un scientifique des données ou un travailleur de première ligne) qui a contribué au succès du programme d’IA de l’organisation.

Enfin, les organisations doivent vérifier que les incitations des employés sont vraiment alignées sur l’utilisation de l’IA. Ce n’était pas le cas chez le détaillant physique qui avait mis au point un modèle d’IA pour optimiser les prix à rabais afin de pouvoir écouler les vieux stocks. Le modèle a révélé qu’il était parfois plus rentable de se débarrasser du vieux stock que de le vendre à rabais, mais le personnel du magasin avait des incitations à tout vendre, même à des rabais élevés. Parce que les recommandations de l’IA contredisent leur norme, pratique récompensée, les employés sont devenus méfiants de l’outil et l’ont ignoré. Étant donné que leurs incitatifs à la vente étaient aussi étroitement liés aux contrats et qu’ils ne pouvaient pas être facilement modifiés, l’organisation a fini par mettre à jour le modèle d’IA afin de reconnaître le compromis entre les profits et les incitatifs, ce qui a contribué à favoriser l’adoption par les utilisateurs et à améliorer les résultats.

CONCLUSION

Les actions qui favorisent la progression dans l’IA créent un cercle vertueux. Le passage des équipes fonctionnelles aux équipes interdisciplinaires rassemble au départ les diverses compétences et perspectives ainsi que la contribution nécessaire des utilisateurs à l’élaboration d’outils efficaces. Avec le temps, les travailleurs au sein de l’organisation absorbent de nouvelles pratiques de collaboration. À mesure qu’ils travaillent en étroite collaboration avec leurs collègues d’autres fonctions et d’autres régions, les employés commencent à voir plus grand. Ils passent de la résolution de problèmes distincts à la réinvention complète des modèles opérationnels. La vitesse de l’innovation augmente alors que le reste de l’organisation commence à adopter les approches d’essai et d’apprentissage qui ont propulsé les pilotes avec succès.

À mesure que les outils d’IA se répandent dans l’ensemble de l’organisation, les personnes les plus proches de l’action deviennent de plus en plus capables de prendre des décisions une fois prises par les personnes au-dessus d’elles, aplanissant ainsi les hiérarchies organisationnelles. Cela encourage la collaboration et la réflexion.

Les manières dont l’IA peut être utilisée pour augmenter la prise de décision ne cessent de croître. Les nouvelles applications créeront des changements fondamentaux et parfois difficiles dans les flux de travail, les rôles et la culture, dont les dirigeants auront besoin pour guider leurs organisations avec soin. Les organisations qui excellent dans la mise en œuvre de l’IA dans l’ensemble de l’organisation auront un grand avantage dans un monde où les humains et les machines travaillant ensemble surpassent les humains ou les machines travaillant seules.