5 conseils gagnants pour intégrer l'IA

"Si le potentiel de création de valeur de l'IA est immense encore faut-il savoir combiner des éléments pour pouvoir capter ce potentiel", estime Stéphane Bout, leader of QuantumBlack, l'entité IA de McKinsey Digitallors d'une présentation le jeudi 10 octobre dernier sur la journée Cegid Connections Finance à la Maison de la Chimie. Mais avant toute chose, il rappele qu'il convient de "différencier l'automatisation (1er step) avec l'augmentation (2e step) que permet l'IA".

Ne pas (trop) segmenter les cas d'usages

Selon l'expert, "seulement une vingtaine de cas d'usage représenteraient 80 à 90% du potentiel de création de valeur de l'IA". C'est d'ailleurs dans une trop grande segmentation de ces cas d'usages, que les entreprises se perdent. Il s'agit donc de les identifier et de se focaliser là-dessus avant de lancer tout projet lié à l'IA. Une fois ces cas d'usages définis, une autre clé est de partir des indicateurs métiers pour les piloter, estime l'expert.

Il rappelle qu'il existe 4 grands types de cas d'usage : la collecte des données (structurées ou non) avec pour objectif de les synthétiser, la création de contenu (texte, image, video), le client (capacité d'interaction et de conversation) et enfin l'informatique pour générer du code et du reporting. Enfin, il distingue 3 façons de travailler ces cas d'usage : à savoir les "takers" - ceux qui s'appuient sur des solutions integrées avec des prologiciels d'IA, les "shakers" - ceux qui s'appuyent sur les LLM externes pour développer des applications d'IA générative (comme Open BI ou Mistral) et enfin, les "makers" - ceux qui développent leurs propres LLM pour leurs cas d'usages.

Industrialiser la démarche

"50 à 70% des techniques sont communes à tous les cas d'usage. Il s'agit donc de réutiliser ces composantes connues et communes et de ne pas les redéfinir à chaque fois", selon Stéphane Bout. Cette industrialisation réduirait de "60 à 70% le coût de ces cas d'usages". Cette industrialisation des techniques doit aussi s'appliquer l'accès à la donnée. Ainsi, les champions de l'IA mettent en place des stocks data product avec des data communes pour de nombreux cas d'usage. On appelle data product (ou produit de données), un produit ou service numérique qui combine généralement des données brutes, des analyses, des algorithmes, et des fonctionnalités interactives pour offrir des informations, des recommandations ou des actions spécifiques basées sur les données.

Investir dans la conduite du changement

Une autre clé de réussite d'un projet IA est l'investissement fait dans la conduite du changement et la formation des équipes. "C'est bien simple, les champions de l'IA s'ils investissent 1 euro dans l'outil, investissent en parallèle entre 1,5 à 2 euros dans la conduite du changement", explique Stéphane Bout.

Recruter (uniquement) des data scientists : une fausse bonne idée

Aujourd'hui, recruter des data scientists semble être la solution miracle pour bon nombre d'entreprises dans un projet d'IA. Or, selon l'expert : "les data scientists ne représentent que 15 à 20% de l'effort global dans un projet d'IA". Le focus sur ce métier est une erreur, il faut selon lui recruter des profils complémentaires comme des data engineers (développeurs informatiques dont la principale mission est de mettre en place la collecte de données brutes) ou des ingénieurs LLM, ...

Avoir une équipe centrale dédiée à l'IA

Enfin, les entreprises qui ont réussi l'intégration de l'IA ont mis en place une petite équipe centrale, souvent baptisée IA lab ou IA factory. Si l'idée est bonne, "cela n'est pas suffisant car il y a un risque de déconnection avec les métiers, voire d'isolement" pour Stéphane Bout qui préconise de recourir "à des centres d'expertise et d'avoir des relais dans les métiers".