IA en entreprise : pourquoi il est urgent de passer des tests à une vraie stratégie

IA en entreprise : pourquoi le retour sur investissement tarde à se concrétiser

Le storytelling de l’IA nous a vendu une destruction massive d’emplois à venir. Son implantation significative dans les entreprises depuis les 3 dernières années montre tout le contraire. L’IA ne détruit pas les emplois. Ceci pose un problème majeur, autant pour les vendeurs de solutions que pour les entreprises. Pour les 1ers, cela remet en cause un argumentaire de vente bien huilé sur les bienfaits financiers futurs des produits qu’ils proposent. Pour les entreprises, notamment les grands groupes, c’est une rupture profonde avec plus de 20 ans de stratégies de transformations bâties autour de l’action sur les structures.

Qu’elle soit la cause ou la conséquence, une baisse des effectifs est classiquement associée chez eux à toute transformation d’envergure, validant ainsi son retour sur investissement. C’est ainsi une situation inédite à laquelle les entreprises se retrouvent confrontées avec cette absence de « source de productivité » que représentait la baisse des effectifs. Elles ont conscience de l’importance d’investir dans l’IA, avec pour beaucoup une conviction sur son potentiel. Le problème, c’est que le temps presse pour générer les retours sur investissement. Elles n’ont par ailleurs pas de visibilité claire sur comment générer les productivités attendues et à quelle échéance.

Pourquoi les entreprises doivent passer d’une logique tactique à une stratégie IA

Ainsi les stratégies actuelles se résument trop à la volonté de ne pas rater ce train de l’innovation ou encore parce qu’il serait difficile de faire machine arrière avec les investissements déjà réalisés. On est ici dans la tactique, pas la stratégie. Il y a un besoin urgent de stratégies clarifiées si les entreprises veulent voir des résultats probants dans leurs comptes. Pour cela il faut sortir de cette obsession historique de recherche d’efficacité de court terme. On a compris très vite qu’une des forces de l’IA, c’est son potentiel de création de valeur. La définition de la création de valeur la plus adaptée ici est sans doute « améliorer et ou rendre possible » (ou encore ouvrir le champ des possibles). La force de l’IA est donc de soutenir une stratégie qui tend vers l’innovation, l’amélioration plus que chercher à coller à l’existant.

Ce n’est pas le seul problème de taille à traiter. Indépendamment des stratégies à clarifier, l’IA demande une approche particulière qui se différencie significativement de ce qui a été produit jusqu’à présent.

À lire aussi

« Les méta-compétences portent sur la vitesse d’apprentissage » : les formations à l’épreuve de l’IA

Pourquoi le « test and learn » ne suffit plus pour déployer l’IA à grande échelle

L’approche d’une transformation dépend avant tout de la stratégie qu’elle soutient. Pour simplifier, elle ne sera pas la même selon que l’organisation privilégiera la maitrise des coûts ou l’amélioration de la qualité, ou encore les deux. Elle est liée également à la nature même de ce qui va en priorité guider la transformation. La combinaison des deux offre les bases d’une stratégie organisationnelle solide et efficiente. La nature de l’IA issue de la Tech a logiquement conduit les entreprises à utiliser une approche « startup » avec le test and learn. Son implantation massive ces derniers mois montre en fait le besoin d’une approche radicalement différente. Cette dernière devrait plutôt s’inspirer de la logique industrielle.

L’IA permet d’aller vite, très vite. Et pourtant cette vitesse ne se retrouve pas dans les comptes de résultat. On peut faire ici l’analogie avec l’industriel. La cadence d’une ligne de production est conditionnée par la vitesse de la machine la moins rapide de la ligne. En résumé, il ne sert à rien d’accélérer une tâche, même considérablement, si les tâches suivantes ne peuvent pas s’aligner sur la rapidité de la première. C’est la théorie des contraintes. Elle est particulièrement appropriée à l’IA.

Le monde industriel nous enseigne également un autre principe. Il s’agit de l’opposition entre la recherche de plus de productivité et son impact négatif sur la qualité de ce qui est produit. Le second vient annuler les effets du 1er dans les résultats de l’entreprise s’il n’est pas traité dès le début. Cest ce qu’Edgar Morin a appelé la dialogique, à savoir réconcilier des objectifs divergents. Les seuls gains qui comptent sont ceux en « end to end », au bout de la chaîne. C’est quelque chose qui n’est pas si évident pour des organisations qui fonctionnent en silo depuis parfois plus d’une génération.

Performance de l’IA : pourquoi la qualité compte autant que la productivité

Le troisième enseignement concerne la qualité du service proposé. On a vu aux débuts des LLM à quel point le problème de ce qui a été très judicieusement nommé hallucination plutôt que d’utiliser le mot erreur, a été très largement sous-estimé dans son impact dans les organisations.

Dans une logique de startup, un ratio de 65% de qualité est très largement suffisant en phase de développement. On parie concrètement sur les innovations futures qui viendront gommer ce qui est estimé comme étant juste un irritant. A titre de comparaison, une usine avec une performance moyenne de 70% est considérée comme n’étant pas sous contrôle. Quel serait alors un taux performant ? Pour les promoteurs de l’IA une évolution de la performance des LLM à 90% semble particulièrement satisfaisante. Comparativement, la performance moyenne de ponctualité des trains chez la SNCF est de 90%. On doute fortement que les utilisateurs réguliers de la SNCF se satisfassent d’un tel taux.

L’approche startup est une approche d’apprentissage et de progression. L’approche industrielle est une approche de performance élevée et d’excellence. C’est au prix de l’excellence que l’IA répondra à l’urgence désormais de montrer des résultats visibles dans les comptes de résultat.

Qui croit encore aujourd’hui à la nouvelle innovation qui arrive et qui cette fois va vraiment tout changer ? Ce type de storytelling ne survit pas longtemps à l’épreuve du réel. Surtout quand une innovation comme l’IA est très largement diffusée dans les entreprises et exploitée depuis de long mois. Le temps de l’apprentissage est passé pour de nombreuses entreprises.

L’enjeu est clair. Soit l’IA démontre rapidement sur le terrain un potentiel que personne ne lui conteste, soit elle risque de rentrer dans le rang des outils tech classiques. Elle sera dans ce cas soumise aux arbitrages financiers qui pourraient fortement compromettre son intégration dans les organisations.