Catégories
@work Toolbox Trends

Adopter l’IA ne s’achète pas, cela se cultive

La notion d’intelligence artificielle (IA) date des années 1950 quand Alain Turing, à la suite de ces travaux de cryptanalyse durant la seconde guerre mondiale, soumet l’idée que les machines ainsi créées pour résoudre des problèmes, deviendront à terme capable de “penser par elles-mêmes”. C’est de cette idée d’ailleurs qu’il présentera son fameux test éponyme, visant à tester une IA sur sa faculté à imiter la conversation humaine.

Depuis une décennie maintenant, l’IA promet des merveilles à notre monde actuel et futur. Même si le décalage avec la réalité est pour le moment tout aussi grand que l’idée du futur qu’il se faisait dans les années 60/70 à travers par exemple le film “2001, l’Odyssée de l’espace”, nous commençons à voir les résultats de traitement en masse de certaines activités “sans plus-value humaine”. Citons par exemple les bots des centres de services pour le premier niveau de prise en charge ou encore la recherche de pattern dans des masses de données toujours aussi grandissantes. Cette dernière application de l’IA à la Big Data a d’ailleurs permis dernièrement le diagnostic de cancer via l’imagerie médicale. Cependant, nous sommes encore assez loin d’une intelligence autonome à penser par elle-même, et ce n’est d’ailleurs pas plus mal comme le pensent aussi certains entrepreneurs, scientifiques et scénaristes. En effet, la civilisation humaine, en tant qu’ensemble, n’est à ce jour pas assez mature et bienveillante, pour qu’il en sorte une IA autonome par la pensée sans vices et sans danger pour l’ensemble des individus.

Les IA d’aujourd’hui sont largement issues du modèle de la machine de Turing (imaginé en 1936 !), où leurs buts sont avant tout de répondre à des problématiques via des algorithmes de plus en plus complexes. Or, un algorithme doit suivre cinq propriétés, selon l’informaticien et mathématicien Donald Knuth:

  • Finitude : doit toujours se terminer
  • Définition précise : chaque étape doit être clairement définie et sans ambiguïté
  • Entrées : nécessaires pour commencer
  • Sorties : ayant une relation avec les entrées
  • Rendement : toutes les opérations doivent être assez basiques pour être réalisables dans une durée finie par un homme en utilisant un papier et un crayon

C’est sur cette dernière priorité que les puissances de calcul informatique sont fondées les IA d’aujourd’hui : remettre à une machine des multitudes d’opérations coûteuses en temps de calcul pour un homme. D’ailleurs, Gérard Berry, chercheur en science informatique, en donne la définition suivante : “Le but est d’évacuer la pensée du calcul, afin de le rendre exécutable par une machine numérique. On ne travaille donc qu’avec un reflet numérique du système réel avec qui l’algorithme interagit”.


En revanche, la “pensée humaine” ne peut par définition ni se terminer, ni se définir tant que l’individu est en vie. C’est donc à cause de ces deux propriétés que les IA d’aujourd’hui, du moins sous leur développement algorithmique actuel, n’arriveront jamais à “penser par elles-mêmes”. Même si le développement des réseaux neuronaux donne l’illusion d’une infinité de possibilités, il en reste toujours un enchevêtrement de plusieurs algorithmes ayant des relations les uns avec les autres et devant se terminer. Il n’en reste pas moins que les intelligences artificielles transforment notre quotidien, tant à la maison avec par exemple les assistants personnels (Google, Alexa et consort), que dans les entreprises avec par exemples des outils d’aide à la décision de plus en plus performants via justement les Big Data.

Toutefois, cela reste encore un usage très spécifique à un problème donné que l’on cherche à résoudre avec un “outil informatique”. Ainsi beaucoup d’entreprises n’utilisent l’IA que dans un processus métier indépendamment des autres. Or le bénéfice serait d’autant plus grand si l’ensemble des processus métiers d’une organisation fonctionnait à la manière d’un réseau neuronal : c’est à dire interconnectés entre eux de manière multidimensionnelle et continuelle communication. Or, peu d’entreprises possèdent une telle maturité de fonctionnement. D’un point de vue macro, cela traduit une incapacité à reconnecter l’entreprise souvent liée à des barrières culturelles et organisationnelles.

Comme pour la digitalisation où il ne suffit pas d’acheter un ordinateur pour commencer à dématérialiser les processus, il ne suffit pas non plus d’acheter un logiciel d’IA pour résoudre un problème métier. Il ne faut pas aborder l’IA comme l’achat d’une technologie prête à l’emploi mais bel et bien comme un projet d’entreprise en deux étapes importantes impliquant des changements profonds tant dans l’organisation que les mentalités.

Préparer l’organisation

Pour se faire, trois changements principaux sont nécessaires.

  1. Passer d’un travail en silos à un travail collaboratif interdisciplinaire : plus les équipes et groupes de travail sont pluridisciplinaires en regroupant des compétences et points de vue différents, plus les résultats de l’IA répondront à des priorités de l’entreprise et pas seulement à des enjeux isolés.
  2. Passer d’un processus décisionnel Top-Down à un processus décisionnel Bottom-Up : les résultats de l’IA seront d’autant plus acceptés par les collaborateurs, si ces derniers font confiance aux suggestions d’algorithme et ont le sentiment d’être habilités à prendre des décisions. Il faut donc que les personnes de terrain contribuent à définir les paramètres et contraintes de l’application.
  3. Passer d’une mentalité rigide à une mentalité Agile : croire qu’une idée doit complètement être aboutie avant sa mise en œuvre n’apportera que frustrations et regrets. Il ne faut pas avoir peur de l’erreur, au contraire nous apprenons beaucoup plus par nos échecs. Les premiers résultats de l’IA apporteront rarement satisfaction, mais en appliquant la méthode de “test-and-learn”, l’application se bonifiera à chacune de ses itérations. La méthode Agile est souvent utilisée par les équipes IA afin de se focaliser sur la livraison d’une solution viable en quelques semaines plutôt qu’en quelques mois.

Préparer les équipes

Afin de mettre toutes les chances de son côté d’un lancement de projets d’IA réussi, il faut :

  1. Expliquer le « pourquoi » : raconter une histoire convaincante et parlant à tout le monde dans le but que chacun puisse y trouver un bénéfice à tirer des changements à venir. Et comme du temps de la robotisation, il faut absolument faire disparaitre l’idée que la technologie, l’IA en l’occurrence, remplacement la « main d’œuvre intellectuelle ». Il faut présenter l’IA comme une aide à l’optimisation tout en garantissant qu’elle améliora la fonction de chacun plutôt que de la diminuer voire la supprimer.
  2. Désamorcer les obstacles au changement : en puisant dans les projets passés, il sera possible de trouver comment certaines résistances ont pu être levées. En effet, les challenges de la gestion du changement trouvent souvent leurs racines dans la culture même de l’entreprise, par son histoire ou d’échecs de projets passés, qu’ils soient techniques ou non. Ces obstacles sont d’autant plus importants à gérer dans les entreprises qui ne sont pas par essence numériques, où les mentalités et méthodes de travail traditionnelles vont à l’encontre de celles requises par l’IA. Comprendre ces résistances permettra d’ajuster et de personnaliser les discours à tenir, mais aussi de prévoir quelles formations pourraient être proposées, et déceler les initiatives « Quick-Win » afin de positiver tout au long du projet.

Les dirigeants ont également un rôle non négligeable à jouer afin de renforcer le changement qui se décline en quatre actions :

    • Donner l’exemple : en suivant eux-mêmes les formations, appliquer les nouvelles façons de travailler, cultiver les prises de risques adéquates, etc.
    • Rendre les services/divisions plus responsables : en les laissant mener les projets et en assurer leur réussite.
    • Suivre et faciliter l’adoption : en décelant au plus tôt les ajustements nécessaires aux priorités et objectifs de livrables en cours de projet.
    • Inciter au changement : par la reconnaissance verbale ou financière en lien directe avec l’utilisation de l’IA.

 

  1. Budgéter autant dans l’adoption et l’intégration que dans le produit : un projet d’IA, aussi bien mené qu’il soit par l’équipe projet en termes de livrables, restera un échec si l’équipe opérationnelle n’est pas armée pour faire vivre la technologie. Il ne faut donc pas lésiner sur les moyens à mettre en œuvre pour que l’ensemble du personnel, dirigeants compris, soit éduqué à cette culture de l’IA.

Quatre grands groupes sont en général mis en place :

    • Les dirigeants : ils doivent être capables d’identifier les possibilités en matière d’IA, tout en ayant conscience de l’impact sur les rôles des collaborateurs et en mettant en œuvre les changements culturels nécessaires.
    • Les spécialistes analytiques : ce sont les nouveaux métiers émergents (data scientists, data engineers, data architects, etc.) avec l’adoption de l’IA en entreprise, dont l’objectif est d’établir une gouvernance des données et d’élaborer des solutions d’IA.
    • Les « Business Partner » : ce sont les référents métiers qui permettent de faire l’interface entre les spécialistes et les utilisateurs finaux.
    • Les utilisateurs finaux : ceux qui sont sur le terrain au cœur du métier de l’entreprise et qui useront des outils d’IA sans forcément avoir besoin de connaitre la « machinerie à l’arrière ».

L’adoption de l’IA permet à terme aux employés de l’entreprise d’adopter de nouvelles pratiques collaboratives et d’élargir leur point de vue au-delà leur périmètre. De facto, ils pourront même prendre des décisions auparavant prises par leur hiérarchie. Un cercle vertueux va alors s’opérer car tous auront une vision d’ensemble dans un monde où les humains et les machines travailleront de pairs plutôt que chacun de leur côté.