L'IA est passée du stade de l'expérimentation à celui de la productivité.
Ce qui nous oblige désormais à nous poser une question fondamentale : qu'est-ce que l'entreprise en retire ?
À ce stade, la plupart des organisations ont investi dans des modèles, des infrastructures, des applications et des agents. Ces investissements commencent à se traduire par des flux de travail plus rapides, des capacités de nés et des cas d'utilisation prometteurs. Mais ils peuvent également créer une charge de travail supplémentaire autour de l'IA elle-même.
Les équipes préparent les données, réconcilient les enregistrements contradictoires, rassemblent le contexte manquant, valident les résultats et examinent comment l’IA est parvenue à ses conclusions. La technologie peut accélérer une partie d’un processus tout en créant un nouveau flux de travail de validation autour de celui-ci.
Cet effort caché constitue la « taxe de confiance de l’IA ». Et il peut discrètement absorber une partie de la valeur que l’IA était censée créer.
Pour lutter contre ce « coût de confiance », la prochaine étape consiste à réduire le travail évitable lié à l’IA. Ainsi, une plus grande partie de l’investissement se traduira par une valeur mesurable.
Commencez par la décision que l’agent doit améliorer
Il est tentant de lancer une initiative d’IA en se demandant où l’on pourrait déployer un agent. En commençant par la décision ou le flux de travail que l’on souhaite améliorer, on donne au projet un objectif plus clair.
Qu’est-ce qui devrait se faire plus rapidement ? Où une plus grande cohérence pourrait-elle créer de la valeur ? Quelles étapes manuelles ralentissent le processus aujourd’hui ? Que signifierait un meilleur résultat pour l’entreprise ?
À partir de là, déterminez ce dont l’IA aura besoin pour prendre ou soutenir cette décision :
- Quels domaines de données sont concernés ?
- Quelles règles métier et politiques s’appliquent ?
- Quel niveau de vérification humaine est approprié ?
- De quels éléments faudrait-il disposer pour expliquer ou justifier le résultat ?
- Comment l'entreprise évaluera-t-elle si le flux de travail s'est amélioré ?
Un agent crée de la valeur en améliorant un processus pertinent grâce à une combinaison adéquate de rapidité, de cohérence, de contexte et de contrôle. L'autonomie peut faire partie de cette équation, mais elle ne doit pas être le seul critère de réussite.
Donnez à l’IA une vision globale de l’activité
La qualité des données reste fondamentale. À mesure que l’IA prend des décisions à l’échelle de l’entreprise, elle a également besoin des relations et du contexte reliant les enregistrements individuels.
Prenons l’exemple d’un agent chargé de prendre une décision relative à un produit. Les données sur le produit sont certes essentielles, mais l’agent pourrait également avoir besoin d’informations sur les fournisseurs, les attentes des clients, l’état des stocks, les données de localisation, les clauses contractuelles ou les exigences réglementaires.
Sans ces liens, l’IA risque de fournir une réponse qui semble raisonnable, mais qui manque du contexte nécessaire pour être utilisée en toute confiance.
Le défi lié aux données de l’IA s’étend désormais à la qualité, aux relations, au contexte et au contrôle.
Cela implique de donner à l’IA accès à des données précises et à la signification métier qui leur est associée. Elle doit comprendre :
- Comment les produits, les clients, les fournisseurs, les sites et les actifs sont liés entre eux
- Quelles sont les définitions, classifications et hiérarchies utilisées par l’entreprise
- Quelles politiques et règles régissent une décision
- Qui peut accéder aux informations, les modifier, les approuver ou agir en fonction de celles-ci
- D'où proviennent les données sous-jacentes
- Comment le résultat peut être retracé et expliqué
Ensemble, ces éléments transforment un ensemble d’enregistrements en contexte métier. Ils permettent également de réduire le travail de préparation, de rapprochement et d’analyse effectué par les équipes après la génération d’un résultat par l’IA.
Choisissez où utiliser l'IA et où la créer
Il n’existe pas de voie unique pour intégrer les agents dans l’entreprise.
Certains cas d'utilisation sont courants et reproductibles. Une fonctionnalité prête à l'emploi, configurable en fonction de votre modèle de données, peut constituer le moyen le plus rapide d'obtenir de la valeur.
D'autres flux de travail peuvent refléter vos processus, vos données et votre expertise spécifiques, ce qui peut nécessiter la mise en place d'agents personnalisés, conçus en fonction du fonctionnement réel de votre entreprise.
La plupart des organisations auront probablement recours à une combinaison des deux.
Dans tous les cas, les agents doivent fonctionner dans le respect des mêmes règles de gouvernance et des mêmes contrôles d'entreprise que les données qu'ils utilisent.
Les exigences en matière d’autorisations, de sécurité, d’orchestration, de traçabilité et de contrôle doivent être intégrées dès le départ dans la conception de l’agent. Les ajouter ultérieurement alourdit la charge de travail et peut limiter la confiance avec laquelle l’entreprise utilise cette fonctionnalité.
Cela revêt une importance encore plus grande lorsque les agents opèrent sur plusieurs domaines. Un agent exploitant des données relatives aux produits, aux clients, aux fournisseurs et aux sites doit respecter les règles, les responsabilités et les autorisations régissant ces enregistrements.
Une plus grande autonomie nécessite des garde-fous plus solides.
Évaluez le retour sur investissement et le travail nécessaire pour pouvoir vous y fier
Il est relativement facile de mesurer l'adoption de l'IA. Les organisations peuvent compter les déploiements, les utilisateurs, les interactions, les tâches accomplies et le temps gagné.
Une évaluation plus complète de la valeur de l’IA tient également compte du travail nécessaire pour obtenir ces résultats.
Envisagez de suivre :
- Le temps consacré à la préparation des données pour l’IA
- Temps consacré à la validation ou à la correction des résultats
- Enregistrements et sources rapprochés manuellement
- Résultats nécessitant une intervention humaine
- Capacité à remonter d’un résultat à ses données sous-jacentes
- Temps nécessaire pour mener à bien le workflow cible
- Améliorations en termes de productivité, de coûts, de chiffre d’affaires ou d’expérience utilisateur
Prises dans leur ensemble, ces mesures permettent d’avoir une vision plus claire du retour sur investissement.
Un workflow peut sembler plus rapide jusqu’à ce qu’une équipe chargée des données passe des heures à résoudre des incohérences avant que quiconque puisse utiliser le résultat. Un agent peut accomplir davantage de tâches sans pour autant créer plus de valeur si les employés doivent vérifier et corriger son travail à plusieurs reprises.
Le jugement humain restera essentiel, en particulier lorsque les décisions ont des conséquences importantes sur le plan financier, réglementaire, opérationnel ou en matière de relation client. Des données, un contexte et une gouvernance de meilleure qualité aident les personnes à concentrer ce jugement là où il apporte le plus de valeur.
L’objectif est de réduire le nombre de problèmes évitables à corriger et de disposer de meilleures données factuelles pour étayer les décisions que les personnes doivent encore prendre.
Faire évoluer l’activité de l’IA vers une intelligence digne de confiance
L'IA a déjà démontré qu'elle était capable de générer davantage d'intelligence. La prochaine étape consiste à rendre cette intelligence suffisamment fiable pour permettre des actions concrètes.
Cette évolution commence par des données fiables. Elle se poursuit grâce à un contexte métier connecté, une gouvernance claire, l’explicabilité et la traçabilité. Ensemble, ces éléments créent une intelligence fiable : une intelligence sur laquelle les personnes et l’IA peuvent s’appuyer en toute confiance pour agir.
Les coûts liés à l’IA ne cessent d’augmenter. Pour améliorer le retour sur investissement, il est temps d’examiner ce que produit l’IA, ce qu’il faut pour se fier à ses résultats, et quelle valeur subsiste une fois le travail de validation terminé.
La véritable mesure des progrès de l’IA va au-delà du nombre d’agents déployés.
C'est la confiance avec laquelle ces agents peuvent contribuer à des décisions qui tiennent la route.
