Transformation IA : évitez les pièges ! Transformation IA : évitez les pièges !

Après plusieurs « faux départs » au cours des dernières décennies, l’intelligence artificielle (ou IA) connaît aujourd’hui son envol et commence à être réellement exploitée par les entreprises : 97% des grandes entreprises utilisent l’intelligence artificielle ou envisagent de le faire[1]. La digitalisation de l’économie a permis une explosion de la quantité de données disponibles, nécessaires à la construction de modèles d’IA. Les capacités de stockage et de calcul ont connu une croissance exponentielle, dont l’accès aux entreprises a été facilité par l’essor du « cloud computing ». Les expériences menées dans le domaine ces dernières années, ont également permis d’avoir suffisamment de recul pour savoir aujourd’hui quelles sont les approches qui offrent les meilleurs résultats.

Si l’on excepte quelques entreprises du secteur technologique pour lesquelles l’exploitation des données est depuis toujours au cœur du modèle économique, l’IA reste largement à un niveau expérimental : seules 15% des entreprises disent avoir déjà mis à l’échelle des algorithmes d’intelligence artificielle[2]. Les entreprises rencontrent encore des difficultés à développer une vision globale de l’IA et à l’intégrer dans leur stratégie.

Dans le contexte actuel de pandémie de la COVID-19, 59% des dirigeants ressentent le besoin d’accélérer leur transformation grâce aux nouvelles technologies, dont l’intelligence artificielle, avec pour objectif principal de contribuer à la survie même de leurs entreprises[3]. Alors que les entreprises rentrent dans une logique de contrôle des coûts beaucoup plus strict, les investissements dans le domaine devront pourtant être faits avec un budget maîtrisé sur les douze prochains mois.

Pour répondre à ce défi, les entreprises ont tout d’abord besoin d’articuler une stratégie autour de l’exploitation de l’intelligence artificielle et de leurs données. Mais quels sont les pièges et la méthode pour les éviter ? Que doit couvrir une stratégie IA ? Et comment la mettre en œuvre ? Nos experts KPMG en transformation IA vous répondent.

Notre expérience montre que les entreprises qui se lancent dans une transformation IA tombent dans six principaux pièges qui peuvent provoquer un échec relatif de la démarche. 

De nombreuses entreprises ont lancé des initiatives sur l’IA sans avoir clarifié, en amont, le budget, ni précisé les attentes financières sur l’impact de la démarche. Pénalisées par une absence d’historique ou d’abaques existants, elles rencontrent des difficultés à définir un business case.

De ce fait, plusieurs programmes ont déjà pu être stoppés pour mettre fin à une envolée des coûts, ou du fait de l’incapacité des équipes à évaluer in fine le ROI des initiatives.

Au moment de lancer une transformation IA, il est donc important de définir un budget à moyen terme en s’appuyant sur des hypothèses. Elles peuvent être révisées par la suite en fonction des retours d’expérience. Il est recommandé d’estimer autant que possible un objectif de ROI pour chaque cas d’usage développé, ou, a minima, de définir les métriques pour évaluer leur impact. Ce besoin est devenu beaucoup plus important au cours des derniers mois, dans un contexte de pandémie et de crise économique, où les entreprises doivent être plus sélectives dans leurs investissements. 

Un autre risque est de porter dès le début une ambition sur des problématiques très complexes, faisant appel à des approches expérimentales à fort risque d’échec, souvent sans application directe et immédiate pour l’entreprise, et sans l’expérience nécessaire pour les exécuter efficacement. Ce type de comportement s’observe, notamment, lorsque les décideurs, bien qu’intéressés par l’IA à travers des lectures ou des présentations, n’ont pas (encore) conscience de la complexité de la démarche faute d’une acculturation suffisante.

En procédant ainsi, les entreprises prennent le risque d’investir dans des projets qui n’aboutiront pas, ou qui ne créeront pas la valeur suffisante pour justifier a posteriori leur investissement. Elles risquent également de voir une perte d’intérêt pour l’intelligence artificielle, faute de résultats visibles lors des premiers projets de mise en œuvre.

Ce risque peut être évité grâce à :

• Une logique de portefeuille de cas d’usage d’intelligence artificielle, visant à lancer en même temps plusieurs projets de mise en place de solutions répondant à des besoins business, comprenant à la fois des « quick wins » et des sujets plus complexes, pour s’assurer que certaines initiatives réussiront, tout en gagnant de l’expérience.
  
  
• Une approche projet pragmatique et incrémentale matérialisée, dans un premier temps, par des "Minimum Viable Products", afin de permettre la livraison rapide de composantes fonctionnelles y compris sur les initiatives les plus complexes, et de faciliter une évaluation régulière des travaux pour stopper rapidement les initiatives qui mènent à une impasse.

Certaines entreprises sont tentées de construire une équipe de praticiens de l’IA largement séparée des autres composantes de l’entreprise, en particulier des représentants des business et de la DSI, sur le modèle d’une équipe de recherche fondamentale. Cette solution est en effet considérée comme rapide et simple à mettre en œuvre, parce qu’elle n’a pas d’impact sur l’organisation et sur le cadre technologique en place.

Dans la pratique, cette solution ne mène que rarement à la réalisation des objectifs attendus. Les praticiens de l’IA livrés à eux-mêmes risquent de développer des applications éloignées des préoccupations du business, ou alors difficilement industrialisables faute d’avoir été conçus dans cette optique.

Un contact permanent entre les praticiens de l’IA et les parties prenantes de l’entreprise est au contraire nécessaire, afin de prioriser les cas d’usage en fonction des priorités du business, puis de les concevoir en fonction de leur mode d’exploitation futur et en cohérence avec le cadre technologique proposé par la DSI.

Un autre risque, souvent lié au précédent, consiste à prévoir le lancement de cas d’usage sans prendre suffisamment en considération les enjeux de qualité des données ou de conduite du changement. Par exemple, certaines entreprises peuvent considérer la qualité des données comme suffisante, car elles permettent de traiter des actes de gestion quotidiens, alors qu’elle est en vérité bien en-deçà des standards nécessaires pour une démarche IA efficace.

En conséquence, le manque de fiabilité des analyses peut altérer la confiance des parties prenantes dans la transformation IA.

Pour répondre à ce risque, il est donc nécessaire de :
 

• Mener une approche de data management rigoureuse en parallèle de l’exécution des cas d’usage
  
  
• Penser, dès le début de l’exécution d’un cas d’usage, à son impact sur les processus métier et à l’expérience de ses utilisateurs.
  

L’une des tentations de la part des décideurs est de faire développer en interne toutes les solutions d’IA en partant d’une feuille blanche, y compris pour traiter certains besoins courants tels que la traduction, la reconnaissance de voix ou d’image. Pourtant, les grands prestataires de solutions cloud (tels que Amazon, Microsoft ou Google) sont en mesure de proposer des solutions performantes et exploitables presque immédiatement, à travers des « Application Programming Interface » (ou API), sur de nombreuses problématiques.

Les décideurs justifient ce choix par une volonté de « maîtriser la solution » et par l’existence, selon eux, de problématiques tellement spécifiques au sein de leur entreprise qu’elles ne pourraient être traitées par des solutions standard de marché.

Bien que ces objections puissent parfois être légitimes sur des cas d’applications faisant appel aux données les plus sensibles, ce type de position mène souvent à des résultats plus coûteux, plus longs à mettre en œuvre, et in fine, moins performants qu’en exploitant les solutions de marché.

Au moment de construire une stratégie IA, il est nécessaire d’affirmer une position justifiée par rapport aux solutions proposées par des prestataires internes : qualifier dans quelles circonstances et sur quels types de cas d’application les exploiter, et au contraire dans quelles situations privilégier des solutions internes. 

Un dernier risque majeur est de permettre la mise en production de solutions insuffisamment testées ou maîtrisées. Celles-ci peuvent comporter des biais, liés à la reproduction de comportements passés tels qu’ils sont observables sur les données historiques, ou à des faiblesses de conception des algorithmes. Les entreprises peuvent ainsi faire face à un risque de réputation ou un risque légal en cas d’exploitation de modèles biaisés.

Elles peuvent aussi s’appuyer sur un écosystème technologique insuffisamment robuste ou résilient. Cela peut créer des ruptures dans l’exploitation des modèles et de leurs résultats, et générer un risque opérationnel. Ce risque devient majeur lorsque des processus essentiels de l’entreprise ont été automatisés avec des solutions d’IA.

Pour prévenir ces risques, les entreprises ont besoin d’affirmer une position sur les limites qu’elles observeront sur la mise en place future de solutions d’IA. Par exemple, elles peuvent imposer l’exploitation des solutions comme de simples outils d’aide à la décision sur des processus clés ou critiques. Il leur est également nécessaire de définir une approche pour contrôler les solutions avant de les mettre en production, et pour les suivre.

Une stratégie IA doit répondre à trois objectifs prioritaires, consistant non seulement à définir et à partager une vision, mais aussi à anticiper la mise en œuvre future de la démarche.

Il est tout d’abord nécessaire de développer une vision de l’IA pour l’entreprise, afin de comprendre sa contribution future à la stratégie globale et à la chaîne de valeur, et permettre, par la suite, de communiquer sur la démarche auprès des parties prenantes internes et externes.

La construction de cette vision consiste plus particulièrement à définir les axes de développement prioritaires pour l’entreprise, c’est-à-dire, de déterminer, compte tenu de la stratégie de l’entreprise, des enjeux de son secteur et des problématiques posées par l’impact de la pandémie du COVID-19 :

▪ Quels sont les domaines de l’entreprise où l’application de l’IA doit prioritairement répondre à des enjeux d’optimisation de l’existant. Faut-il par exemple privilégier le marketing, les ventes et la relation client en vue de soutenir la croissance, ou la supply chain pour optimiser les coûts ou mieux anticiper les risques de rupture de la chaîne logistique ?

▪ Si l’entreprise doit explorer de nouveaux business models liés à l’exploitation de l’IA.

Une fois ces axes de développement connus, il s’agit d’identifier, de qualifier et de prioriser les cas d’usage précis de l’IA qui pourront être mis en œuvre pour les matérialiser, et d’initier l’estimation du potentiel impact de l’IA sur la performance financière de l’entreprise. 

Afin d’anticiper les actions à lancer pour matérialiser la vision définie, d’en valider la faisabilité, et de commencer à quantifier le coût de la transformation, le deuxième objectif d’une stratégie IA vise à déterminer les besoins à couvrir pour la mise en œuvre des cas d’usage identifiés.

Cette analyse vise plus particulièrement à répondre aux questions suivantes :

▪ Quelles sont les données internes et externes nécessaires pour répondre aux besoins ? Quelle gouvernance, quels modes de fonctionnement faut-il mettre en place pour assurer la mise à disposition de données de qualité, tout en respectant les enjeux réglementaires (GDPR …) et / ou éthiques ? Quels partenariats nouer pour acquérir des sources de données externes ?

▪ Quelles sont les technologies nécessaires pour extraire, stocker, préparer puis exploiter la donnée ? Quelle architecture mettre en place pour assurer un cadre cohérent ? Comment se positionner par rapport aux solutions de marché existantes (« make or buy ») ?

▪ Quelles sont les nouvelles compétences, et comment les acquérir ? Comment faire monter en compétence les personnes de l’entreprise ?

Enfin, une stratégie IA nécessite d’anticiper l’intégration future des solutions qui seront développées avec les processus métier de l’entreprise. Cette anticipation permet d’assurer leur exploitation effective, la matérialisation de l’impact attendu et le contrôle des risques liés à l’exploitation des algorithmes.

Cette analyse consiste notamment à définir dans quels cas automatiser les processus avec des algorithmes d’IA, et dans quels cas les utiliser seulement comme des outils d’aide à la décision, en fonction de la criticité du processus, du niveau d’économie potentiel en cas d’automatisation du processus, etc.

Elle consiste également à anticiper les actions à mettre en œuvre afin d’assurer la confiance en la démarche et un niveau de contrôle adéquat, à travers l’accompagnement et la formation des personnes impactées par les solutions d’IA, la préparation de mécanismes d’audit des algorithmes et de leur mode d’exploitation, etc.

KPMG a développé une démarche de stratégie IA répondant à ces trois objectifs, et visant à éviter les principaux risques liés à la transformation IA.

Elle commence tout d’abord par l’établissement d’un diagnostic de la situation. Il est maintenant très rare qu’une entreprise qui lance une démarche structurée de transformation IA soit entièrement novice dans le domaine. Les expériences passées peuvent donc être une riche source d’enseignement, et même révéler des « pépites » qui faciliteront considérablement la suite. Les échecs déjà rencontrés apportent un retour d’expérience qui doit permettre de comprendre ce qui n’a pas marché : l’absence de données de qualité montre qu’un effort particulier est nécessaire dans le domaine ; la non-utilisation d’une solution opérationnelle par ses destinataires indique cependant un problème de conduite du changement. Au contraire, certaines entreprises ont déjà pu mener des travaux avec succès, leur offrant des retours d’expérience positifs sur lesquels communiquer, et des moyens de mise en œuvre sur lesquels s’appuyer.

Une deuxième étape consiste à définir, valider et partager l’ambition de l’IA pour l’entreprise, consistant à expliciter et à partager les objectifs de la transformation l’IA, l’étendue de son mandat d’intervention, mais aussi les principes généraux de mise en œuvre sur les dimensions d’éthique, de sécurité et de relation avec les fournisseurs de solutions tierces. Elle permet de s’assurer de l’alignement des principales parties prenantes sur la question, et offre un moyen de communiquer plus largement sur la transformation dans l’entreprise. Elle définit un cadre d’analyse pour prioriser les cas d’usage potentiels de l’IA pour l’entreprise, et donc la constitution d’un portefeuille de cas d’usage à lancer, qui permettra également de poser les bases d’une analyse de l’impact potentiel de la transformation IA pour l’entreprise.

La troisième étape consiste à mener une évaluation des moyens nécessaires pour mettre en œuvre les cas d’usage souhaités, et donc des investissements à mener, que ce soit sur l’acquisition et la mise en qualité des données, le développement de nouvelles compétences ou la mise en œuvre des technologiques pour mettre à disposition les données, les analyser puis restituer les résultats. Les résultats de cette évaluation permettent ensuite de développer un budget et une feuille de route de mise en œuvre donnant une visibilité sur l’effort financier à consentir et sur l’échéance à laquelle les premiers résultats pourront être attendus.

A l’issue de cette phase, les premiers travaux d’exécution des cas d’usage et d’acquisition des moyens de mise en œuvre doivent être lancés, en vue d’obtenir des premiers résultats tangibles en quelques semaines, et d’alimenter les dernières étapes de la réflexion stratégique avec les premiers retours d’expérience tangibles de la transformation. Il s’agit en conséquence de suivre l’exécution de ces premiers travaux dans une logique de gestion de portefeuille.

La dernière étape consiste à définir, au cours de l’exécution des premiers cas d’usage, les procédures détaillées à suivre sur la conception, le développement puis la mise en production des cas d’usage, pour s’assurer de la qualification de leur intégration future dans les processus de l’entreprise et de la qualité de conception et de mise en œuvre. La réalisation de ces travaux au fil de l’eau permettra une réponse pragmatique aux principaux pièges de la transformation IA.

Enfin, en parallèle de l’ensemble de ces travaux, il convient de définir puis de mettre en place un plan de communication et de conduite du changement, visant à identifier les profils de personnes qui seront impactées par la transformation, et à définir les actions à mener pour les accompagner.