CMO LEADERS

Microsoft : du premier cas d’usage au passage à l’échelle

3 min
CMO LEADERS
temps de visionnage :
3 min

Microsoft : du premier cas d’usage au passage à l’échelle

Ecouter cet article
Partager cet article
No items found.
No items found.
No items found.
En partenariat avec
L’intelligence artificielle prend de plus en plus d’importance dans l’activité des entreprises. Pour autant, certaines font encore face à des freins pour s’y lancer efficacement ou aborder l’industrialisation, virage clé de l’IA. Dans son étude, Microsoft développe des solutions pour tirer des résultats durables de l’IA, poser les bases de l’industrialisation, accélérer et réussir son passage à l’échelle.

Les organisations accélèrent leur adoption de l’IA

L’intelligence artificielle gagne du terrain depuis maintenant plusieurs années. Les projets se multiplient : pour preuve, “en 2020 plus de 80% des entreprises ont expérimenté ou adopté le Machine Learning, une forme d’IA, contre 55 % en 2019.” De plus, 63% des entreprises usant de l’IA dans la gestion de leur chaîne d'approvisionnement ont vu leur chiffre d’affaires augmenté. L’IA permet également l’automatisation de nombreuses tâches routinières et 69% de celle-ci devraient l’être d’ici 2024. 

Les 4 grandes démarches IA

Du standard au sur-mesure, les entreprises n’ont pas tous la même utilité de l’IA, parfois contraint par l’enveloppe budgétaire restreinte : 

  • Exploiter les outils de Business Intelligence : Sans représenter de coût supplémentaire pour l’entreprise, ces outils permettent d’analyser et d’avancer des dimensions prédictives grâce à la data pour une mise à jour quasi instantanée des tableaux de bords.
  • Solution SAAS couplée à l’IA : Il s’agit d’une solution développée pour un contexte ou un secteur spécifique : chatbot, optimisation de la consommation énergétique des bâtiments, automatisation, ou analyse de documents contractuels… les utilisations sont multiples.  
  • Accélérateurs d’IA : concernent la mise en place accélérée de cas d’usage. Grâce à du Machine Learning ou encore des API, l’IA permet de développer des cas d’usage sur la base d'algorithmes afin de tester des cas d’usages et de ne pas commencer de zéro. 
  • La personnalisation : Les projets d’IA personnalisés permettent de coller au plus prêt des besoins métiers. Leur nature est vaste mais ils peuvent inclure des processus innovants ou d’optimiser les techniques existantes selon un cahier des charges spécifique. 

IA : les grands enjeux à adresser 

5 enjeux : 

photo
  1. Établir sa stratégie d’entreprise : Avant d’inclure l’IA dans les projets de l'entreprise, il faut évaluer son environnement externe (comportements et tendances lié à son secteur d’activité) tout comme interne (capacité de l’entreprise : outils, compétences..). Enfin, il sera possible de définir quelle valeur ajoutée l’IA peut apporter.
  2. Besoins de nouvelles compétences : L’intégration de l’IA dans une entreprise nécessite de nouvelles compétences dans ce domaine mais aussi une compréhension des enjeux de la part de l’ensemble des équipes pour une exploitation optimale. 
  3. Gouvernance, rôle & responsabilités : Chaque métier d’une entreprise doit non seulement comprendre les actions liées à l’IA, mais aussi se sentir impliqué dans son développement. L’objectif à terme est que chacun l’adopte pour la faire évoluer et l’appliquer à ses actions. 
  4. Transformation culturelle : “la conduite du changement” : l’innovation technologique n’est pas seulement question d’application mais aussi d’acceptation.  ​​« Il faut demander aux métiers où cette IA pourrait être appliquée et les inviter à se projeter, cela favorise l’acceptation et l’adoption derrière. » affirme Eneric Lopez, Directeur Intelligence Artificielle de Microsoft France.
  5. Éthique : Pour adopter de l’IA à grande échelle, il est important de s’assurer que les enjeux qui y sont liés soient clairs et respectés en commençant par la transparence.   
Il est possible de faire dire aux données beaucoup de choses. Il est important de savoir d’où vient la donnée car plus on passe à l’échelle, plus les biais se feront sentir dans les résultats. 

- Luc Vo Van, Architecte Solutions Data & IA chez Microsoft France
 

Deux approches pour passer à l’échelle

“Passer à l’échelle : Pour l’organisation, cela suppose un alignement entre sa stratégie, sa culture IA, sa valeur métier et son modèle opérationnel.”  Deux approches pour se faire : 

  • L’approche programmatique : Ce modèle holistique et opérationnel est souvent développé grâce à une cellule d’innovation qui centralise tous les besoins de l’IA. C’est une première étape afin d’acculturer les collaborateurs, identifier les cas d’usage et donner envie à chacun de l’appliquer à son échelle. En revanche, cette cellule d’innovation doit être décentralisée par la suite afin d’avoir une IA gérée par les personnes dont c’est le métier. A ce moment, l’organisation sensibilisée par la cellule d’innovation pourra alors l’adopter facilement.  
  • L’approche modulaire : Elle consiste à appliquer l’IA à des cas d’usage précis dès le début. Chaque division détient ses propres besoins et compétences en IA. “Cela implique d’avoir défini une stratégie IA en amont appliquée aux différentes divisions ou aux différents produits de l’organisation.” L’IA s’applique alors indépendamment à chaque projet mais le tout doit s’inscrire dans une stratégie d’IA globale pour assurer une cohérence au sein de l’organisation. 
En conclusion, à mon sens, l’industrialisation d’un projet d’IA passe par la combinaison harmonieuse de trois aspects : technique, organisationnel et culturel. S’il en manque un, l’industrialisation ne pourra pas se faire complètement.

- Ygal Levy, Directeur Division Conseil de Microsoft France

Newsletters du HUB Institute