L’opérationnalisation de l’IA en entreprise exige une approche rigoureuse alliant gouvernance, expertise opérationnelle et innovation continue. Elle repose sur l’intégration fluide des modèles d’IA dans les processus métier, tout en assurant la sécurité des données, la transparence des systèmes, et la conformité éthique pour générer des gains de productivité et de compétitivité durables.

Le programme IA Booster France 2030 lancé récemment par le gouvernement résulte d’un intérêt grandissant des entreprises françaises pour le déploiement de l’IA. Cette dernière est une technologie pleine de promesses et d’ambitions, certaines déjà réalisées, d’autres en voie de l’être. À terme, l’IA permettra aux organisations de fonctionner, d’innover et de rester compétitives en exploitant les capacités de raisonnement, d’évaluation et de créativité de cette technologie afin de se transformer, de devenir plus performantes et de gagner en résilience. L’IA ouvrira la voie à de nouvelles fonctions et connaissances pour améliorer l’expérience client, devancer la concurrence, optimiser les processus et même prédire les vulnérabilités futures pour mieux s’y préparer. Mais pour réaliser ces ambitions et voir l’IA atteindre son plein potentiel, les sociétés doivent également prendre en compte les conditions concrètes de son opérationnalisation.

C’est donc à ces compagnies qu’il revient d’intégrer l’IA dans leurs fonctions et workflows essentiels, sans oublier de mettre en place une gouvernance et une supervision humaine solides pour s’assurer que les cas d’utilisation, les idées et les actions restent conformes à leurs valeurs, leurs objectifs et leur éthique. En outre, les modèles d’IA ne doivent pas rester des exercices théoriques : il est essentiel de les intégrer dans les processus concrets pour en dégager une valeur tangible et les mettre au service de la productivité et de l’efficacité des experts métier et fonctions de l’entreprise.

De nombreux obstacles à franchir

Au cours des deux dernières années, de nombreuses organisations ont placé les initiatives liées à l’intelligence artificielle en tête de leurs priorités. Toutefois, ces projets se sont souvent heurtés à plusieurs obstacles récurrents. Parmi eux, la qualité et la disponibilité des données, l’intégration complexe avec les systèmes existants, ainsi que les performances des modèles d’IA. De plus, la pénurie de personnel qualifié, la résistance psychologique au changement au sein des équipes, et les enjeux éthiques et juridiques ont freiné le bon déroulement de ces initiatives.

Se pose également la question de l’évaluation des progrès réalisés. Quels sont les KPI à retenir ? Comment définir des objectifs commerciaux raisonnables ? Il ne faut pas non plus oublier les utilisateurs finaux : cette technologie leur inspirera-t-elle confiance ? En comprendront-ils le fonctionnement ? Auront-ils le sentiment que leurs données sont en sécurité ? Il s’agit là d’éléments majeurs à prendre en compte dès les premières étapes de la définition des projets d’IA.

Définir des projets d’intelligence artificielle

L’opérationnalisation de l’IA implique, d’une part, qu’un problème réel susceptible d’être résolu entièrement ou en partie par l’IA a été identifié et, d’autre part, que cette IA peut bien être mise au service de l’objectif ou du résultat souhaité. Une fois un problème identifié, l’évaluation des solutions envisageables doit inclure une approche axée sur l’IA tenant compte des pistes possibles en termes d’automatisation, d’optimisation des processus et d’amélioration des modèles de données. Cette réflexion doit se faire en collaboration avec les experts métiers et parties prenantes des différentes fonctions, tout en veillant à garder les objectifs de l’entreprise au premier plan.

Les entités opérationnelles jouent un rôle unique en faisant le lien entre plusieurs fonctions, avec un effet positif sur la qualité de conception de la solution et son déploiement, mais aussi et surtout une augmentation de la valeur générée par ces améliorations. Les nouveaux modèles nécessiteront une évaluation des données et des processus d’assurance qualité pour plus d’efficacité et de stabilité. Les audits de processus aident à cerner les lacunes et les inefficacités susceptibles de bénéficier d’une correction par l’IA. Enfin, un plan de gestion du changement est essentiel pour permettre aux experts métier de l’entreprise de s’engager dans cette nouvelle voie dans de bonnes conditions. Tous ces aspects doivent être pris en compte simultanément dans la conception d’une solution.

Dans leur rôle d’agents de liaison, les équipes chargées des opérations commerciales sont expertes dans la gestion et la coordination efficaces des différents workflows, des relations avec les fournisseurs, des budgets, des délais, de la résolution des problèmes, de la gestion du changement, et autres, nécessaires à la production des biens et services de l’entreprise. Ces agents sont véritablement le moteur de l’entreprise.

Le rôle des équipes opérationnelles dans l’intégration de l’IA

Un personnel opérationnel compétent peut ainsi jouer un rôle décisif dans la réussite du déploiement et de l’intégration de l’IA en imposant des processus correctement ordonnés, cohérents et supervisés. En face, un tel service peut superviser des plans de projet détaillés et gérer l’implication des parties prenantes, mais aussi mettre en place des équipes interfonctionnelles composées d’experts techniques, de dirigeants et d’utilisateurs finaux. Confier la direction des projets d’IA aux unités d’exécution permet de bénéficier de résultats à grande échelle. Enfin, ces groupes sont aussi à même d’assurer durablement une supervision du projet tout en sollicitant des retours d’information afin de continuer à améliorer les performances des outils mis en place au fil du temps.

Pour implémenter l’intelligence artificielle dans une structure, il est conseillé de partir d’un cas d’utilisation spécifique, identifié par une personne de l’unité d’exécution en collaboration avec un responsable de l’activité concernée. Ensuite, il est essentiel de travailler à rebours pour définir les besoins en termes de champ d’application, de personnel, et de calendrier. Par exemple, un cas d’utilisation pourrait consister à optimiser le trajet des véhicules de livraison en fonction du trafic, de la météo et des préférences des clients.

La résolution du cas peut nécessiter la personnalisation d’algorithmes, l’utilisation de solutions du marché ou l’exploitation de capacités existantes souvent sous-utilisées. Il est crucial d’examiner les outils et processus existants, notamment pour le traitement des données et le machine learning, afin d’éviter que le projet ne stagne.

Il faut également analyser les résultats fournis par l’algorithme pour comprendre pourquoi ils se produisent et être prêt à ajuster ou améliorer les modèles si nécessaire. Il est recommandé de commencer par des tâches simples, comme l’automatisation de tâches routinières ou le nettoyage des données, afin d’obtenir des gains rapides en productivité.

Un autre point important est d’évaluer l’architecture cloud de l’établissement pour s’assurer qu’elle peut répondre aux exigences de latence de l’algorithme d’IA. Enfin, la mise en œuvre de l’IA doit être responsable, en tenant compte des valeurs éthiques, de la transparence et des politiques internes, afin de garantir la sécurité, l’inclusivité et la confiance dans la technologie.

En donnant aux services chargées des opérations commerciales les moyens d’élaborer des stratégies pour relever tous ces défis, les entreprises peuvent améliorer leurs chances de réussir leur adoption de produits et de capacité d’IA dans tous leurs pôles d’activité.

Enfin, l’opérationnalisation de l’IA n’est pas un événement ponctuel, mais un processus continu d’apprentissage, d’adaptation et d’amélioration. Elle repose sur des dirigeants capables d’encourager une culture d’innovation et un appétit pour les solutions inédites. Elle nécessite la confiance entre les équipes, un état d’esprit collaboratif et une infrastructure solide. En opérationnalisant l’IA, les organisations internationales peuvent s’ouvrir au potentiel presque illimité de cette technologie en matière de génération de valeur et de gains de compétitivité.
_______________________________________

Par Michelle Carbone, Vice-présidente senior des opérations chez BMC Software

 

À lire également :

Rapidité, agilité et optimisation : les atouts de l’IA en entreprise

Une IA rapide et responsable : un travail d’équilibriste pour la DSI ! 

SIEM + IA générative : le SOC de demain ?

Les défis de l’interopérabilité : Comment l’IA révolutionne l’industrie…

Comment l’hyperautomatisation dopée à l’IA enrichit les approches BPM traditionnelles ?