ETUDE

En bref

En bref

  • Pour professionnaliser leur approche de l’IA, les entreprises doivent définir des rôles clairs et mettre en place de nouveaux standards.
  • Exiger une formation adaptée, ainsi que des qualifications et des standards clairs pour les professionnels, afin de susciter la confiance en l’IA.
  • Définir des processus qui permettent une collaboration pluridisciplinaire efficace en vue de fournir les meilleurs produits et services possibles.
  • Démocratiser les connaissances relatives à l’IA et aux données, afin de préparer les collaborateurs à cette technologie qui progresse rapidement.


L’intelligence artificielle (AI) est devenue une priorité pour les entreprises, qui mesurent l’importance de ses enjeux. Au cours des trois dernières années, elles ont ainsi investi 306 milliards de dollars dans les applications d’IA. Et celles qui mettent en œuvre l’IA à l’échelle de toute l’entreprise peuvent quasiment tripler leur retour sur investissement. Cependant, elles sont encore trop nombreuses à ne pas obtenir les résultats attendus.

Afin d’être efficace sur le long terme, la montée en charge de l’IA nécessite la professionnalisation du secteur. Les parties prenantes (des experts aux dirigeants des secteurs public et privé) doivent travailler de concert, afin de définir des responsabilités et des rôles clairs pour les professionnels de l’IA ; exiger le niveau d’éducation et de formation adéquat pour lesdits professionnels ; définir des processus pour le développement, le déploiement et la gestion de l’IA ; et démocratiser les connaissances relatives à l’IA dans toute l’entreprise.

Pour les entreprises, le fait de formaliser l’IA en tant que métier, avec son ensemble de normes et de principes partagés, se traduira par une meilleure valorisation de cette technologie. Elles seront ainsi prêtes à définir clairement les responsabilités, qui permettront à leur tour d’éviter des risques de biais, d’insatisfaction des clients et autres conséquences inattendues.

Cela explique d’ailleurs pourquoi, dans des domaines professionnalisés comme la médecine, le bâtiment et même la restauration, on observe un niveau inhérent de confiance entre les clients et les entreprises (ou les professionnels) de ces secteurs. Cette confiance découle des normes qui définissent les niveaux d’attente de toutes les parties.

Par exemple, vous tenez pour acquis que les architectes, les électriciens et autres professionnels du bâtiment sachent construire une maison. Ils ont suivi les formations requises et connaissent leur rôle et leurs responsabilités, ainsi que les normes et protocoles de sécurité à suivre d’un bout à l’autre du processus de construction. Il est peu probable que vous accordiez votre confiance à un « citoyen architecte » et que vous lui confiez la construction de votre maison, de la même manière que vous ne consulteriez pas un « citoyen médecin » si vous êtes malade.

Pourtant, dans un nombre croissant d’entreprises, des « citoyens data scientists » viennent étayer les équipes de data science. Il s’agit souvent de collaborateurs qui développent des modèles grâce à des analyses prédictives, mais qui n’appartiennent pas au domaine des data sciences, et à qui l’entreprise ne fournit pas les standards et les garde-fous qui leur permettent de réussir. De plus, même parmi les data scientists qualifiés et diplômés, il existe différents degrés de standards. Enfin, au-delà de la nécessité de formaliser et de standardiser la formation, on observe parfois dans les entreprises un cloisonnement de ces professionnels, qui travaillent en silo, et sont par là-même dans l’impossibilité de tenir les promesses de l’IA. Or, une véritable valorisation de l’IA n’est possible que si des professionnels de l’IA dûment formés collaborent étroitement avec l’entreprise pour atteindre les objectifs qu’elle s’est fixés, et que des standards, des règles et des processus sont là pour guider ces équipes pluridisciplinaires.

1,5-2,5x

Les entreprises adeptes du déploiement à l’échelle sont 1,5 à 2,5 x plus susceptibles de mettre en place des équipes pluridisciplinaires dédiées.

Pourquoi professionnaliser l’IA sans attendre ?

Trois dirigeants d’entreprise sur quatre sont convaincus que s’ils ne déploient pas l’IA à l’échelle de leur entreprise au cours des cinq prochaines années, ils risquent de cesser leurs activités. Selon une étude Accenture menée auprès de 1 500 cadres dirigeants, les entreprises qui réussissent le déploiement massif de l'IA (afin de doper leur ROI) ont recours à des stratégies de professionnalisation. Ces adeptes du déploiement à l’échelle sont 1,5 à 2,5 x plus susceptibles de mettre en place des équipes pluridisciplinaires dédiées et des formations, mais aussi de définir clairement les responsabilités de chacun. La professionnalisation doit donc être vue comme un préalable au déploiement à l’échelle réusside l'IA.

La pandémie de COVID-19 a encore accentué l’écart qui sépare ceux qui ont professionnalisé l’IA et opéré leur montée en charge, et les autres. Alors que, dans l’espoir d’une reprise et d’un retour à une croissance durable, les entreprises se dépêchent d’adopter de nouvelles capacités en matière de données et d’IA, il est important qu’elles associent la professionnalisation à leur déploiement à l’échelle.

Comment professionnaliser l’IA ?

Les technologies d’IA et les cas d’utilisation qui y sont associés progressent trop rapidement pour que les gouvernements et les organismes de régulation aient le temps de mettre en œuvre les réformes et les normes sectorielles de base. C’est donc aux entreprises de prendre en main la professionnalisation du secteur. Pour mieux se préparer à une montée en charge de l’IA et capitaliser au maximum sur cette technologie en perpétuelle évolution, les entreprises doivent suivre ces étapes de standardisation, et les appliquer aux professionnels et aux processus.

1. Distinguer clairement les rôles IA.
Dans un secteur ou un métier professionnalisé, les spécialistes qui les constituent connaissent les différentes fonctions qui interviennent dans la création du produit final. Prenons l’exemple de la restauration. Les agriculteurs cultivent des légumes et élèvent du bétail. Les fournisseurs contribuent à l’approvisionnement des marchés. Les effectifs des restaurants accomplissent chacun leur tâche, afin de préparer, d’emballer et de servir les repas.

80%

des adeptes du déploiement à l’échelle en France affirment que leurs salariés connaissent parfaitement la façon dont l’IA s’applique à leur fonction.

De même, des équipes pluridisciplinaires aux approches et aux compétences diverses doivent collaborer, afin d’innover et de fournir des produits ou services d’IA. Comme le montre notreétude en France, 78% des adeptes du déploiement à l’échelle intègrent des équipes pluridisciplinaires dans toute l’entreprise. De plus, 80 % d’entre eux affirment que leurs salariés connaissent parfaitement la façon dont l’IA s’applique à leur fonction.

Ces entreprises démontrent à quel point il est important de définir des rôles clairs au sein des équipes pluridisciplinaires. Elles évitent ainsi les responsabilités redondantes et clarifient la mission de chacun. Ces équipes, souvent dirigées par un CAIO, un CDO ou un CAO (respectivement, Chief AI Officer, Chief Data Officer et Chief Analytics Officer), comprennent des data modelers, des ingénieurs en machine learning et des spécialistes de la qualité des données, pour ne citer que quelques fonctions. L’éventail et le nombre de fonctions représentées dépendra des cas d’utilisation qui vous intéressent lors de la mise en place de l’équipe et pourront varier d’un projet à l’autre. S’appuyer sur les connaissances de vos partenaires et/ou définir un blueprint pour encadrer le mode de fonctionnement des équipes permet d’accélérer le processus au fil du temps et de le rendre plus rapidement opérationnel. Mais quel que soit le projet, ils ont tous un point en commun : la nécessité de définir la responsabilité et les attentes dès le départ.

Prenons un exemple concret : dans une usine, une pompe présente des signes d’usure prématurée, et personne ne comprend pourquoi. Alors qu’un moniteur IA signale un dysfonctionnement, il est incapable d’identifier l’origine mécanique du problème. L’équipe d’ingénierie effectue des recherches plus poussées et découvre que la pompe en question présente une fuite et que de l’huile goutte sur le sol la nuit, perdant ainsi du lubrifiant. En fait, un membre du personnel se contentait chaque matin d’éponger l’huile au sol et de réalimenter la pompe, ne laissant ainsi aucune trace visuelle de la fuite, ni de la baisse du niveau d’huile. Avec l’intégration d’un ingénieur dans l’équipe, l’application d’IA a finalement pu tenir compte de tous les paramètres nécessaires pour identifier les problèmes.

Autre exemple, qui montre cette fois l’importance de définir des responsabilités au sein d’une équipe : dans une entreprise de l’industrie pétrolière et gazière, une équipe a dû interrompre son travail sur l’IA pendant 10 semaines, pour la simple raison que ses membres ne parvenaient pas à désigner le responsable des données du projet.

Les entreprises peuvent éprouver des difficultés à professionnaliser l’IA pour de nombreuses raisons, comme entre autres le manque de talents adaptés et leur incapacité à résoudre ce problème. De plus, même si elles parviennent à identifier les compétences qui leur manquent, il peut s’avérer difficile de trouver et d’embaucher un nombre suffisant de collaborateurs qualifiés et expérimentés pour combler ce manque rapidement. L’une des solutions consiste à nouer un partenariat (voire à acquérir) une entreprise professionnalisée qui dispose des compétences recherchées, mais qui s’est aussi entourée d’équipes dont les méthodes orientées production sont éprouvées. C’est ainsi qu’au cours de l’année passée, Accenture a fait l’acquisition de différentes sociétés de logiciels et de services, afin de renforcer sa position sur le marché.

2. Exiger une éducation et une formation dans le domaine de l’IA.
À mesure que les entreprises investissent dans l’IA et les données, les salariés comprennent l’influence croissante qu’ont ces technologies sur leur entreprise et sur leur métier. Mais malgré toute leur bonne volonté et les efforts qu’ils déploient, bon nombre d’entre eux n’auront ni la formation, ni les qualifications adaptées pour travailler efficacement avec l’IA.

Il est important que les entreprises définissent des exigences en matière d’éducation et de formation pour leurs professionnels de l’IA. Les qualifications des data scientists sont inégales et tous ne disposent pas du bagage mathématique ou informatique nécessaire aux projets d’IA. Même un titulaire de Ph.D. peut s’être spécialisé dans un domaine précis qui ne répond pas aux besoins spécifiques d’une entreprise. D’autre part, les entreprises qui réussissent à déployerl’IA à l’échelle veillent à disposer de la bonne combinaison de compétences et de qualifications. Ainsi, 67% de ces adeptes en France affirment que leurs salariés ont suivi une formation officielle, axée sur l’IA et les données.

Pour mettre en place des équipes professionnalisées et efficaces, les entreprises doivent évaluer les compétences dont elles ont besoin, celles dont elles manquent, et les qualifications dont elles disposent, afin de les associer aux rôles adéquats. Si, comme nous l’avons vu plus haut, l’une des manières de combler le manque de compétences consiste à acquérir une société professionnalisée ou à collaborer avec elle, une autre approche peut être de nouer un partenariat universitaire. En effet, les entreprises ont la possibilité d’établir des partenariats avec des établissements universitaires ou de recherche, ce qui leur permet d’assurer le reskilling de leurs salariés ou de renforcer leur vivier de talents.

Par exemple, Accenture est en train de nouer une relation stratégique avec le Berkeley Institute for Data Science (BIDS) de l’université de Californie, afin de faire progresser le domaine des data sciences. L’objectif du programme : permettre la collaboration de chercheurs, d’étudiants et du pôle Applied Intelligence d’Accenture, afin d’étudier des problèmes complexes auxquels est confrontée la société et partager mutuellement des connaissances par la même occasion.

Lorsqu’elles recrutent de nouveaux talents, les entreprises opèrent souvent une sélection technique, afin d’évaluer si un candidat dispose du niveau de connaissances requis pour remplir sa mission. Mais pour une plus grande responsabilisation des spécialistes de l’IA et pour une confiance accrue, les entreprises devraient mettre en place des évaluations régulières tout au long de la carrière des salariés. Cela leur permettrait de tester leurs connaissances et de continuer leur formation technique. De même que les travailleurs du bâtiment ou les professionnels de santé doivent renouveler leurs certifications à mesure que les techniques et théories évoluent, les entreprises devraient évaluer et réévaluer les compétences professionnelles des spécialistes de l’IA, pour s’assurer qu’ils respectent les standards et la confiance, mais aussi pour leur dispenser les formations dont ils ont besoin pour faire évoluer ces standards.

Et pour une approche cohérente de la formation, les entreprises devraient définir des parcours professionnels clairs pour leurs spécialistes de l’IA. Chaque niveau professionnel devrait être associé à des prérequis clairement définis (cours et formations, par exemple), afin de permettre le développement des compétences. Ces prérequis devraient être définis par une équipe constituée de responsables intervenant dans différents domaines (technologie, données et ressources humaines), et pourraient même bénéficier des conseils de partenaires universitaires. Cette transparence et cette cohérence permettent de définir clairement les attentes en matière de formation pour tous les intervenants des projets d’IA – depuis les architectes de données jusqu’aux développeurs de tests, en passant par les ingénieurs en machine learning. Autre avantage du parcours professionnel ainsi défini : une amélioration de la rétention des talents et du perfectionnement des salariés, ainsi qu’une pratique professionnalisée, à la pointe du marché.

3. Définir les processus IA.
Si certains soutiennent que la formalisation des processus et de la gouvernance risque de freiner l’innovation, notre étude démontre le contraire. Les entreprises qui pilotent énormément de projets innovants sur la durée affirment qu’elles s’attendent à doubler leur chiffre d'affaires en cinq ans.

Dans les secteurs professionnalisés, on constate qu’il existe une approche standard des phases de test et de benchmarking lors de la création (ou de l’optimisation) de produits et services. De même, que l’entreprise fabrique de petits appareils ou qu’elle développe des modèles de data science en vue d’améliorer l’expérience d’achat en ligne, la mise en place de systèmes et de processus visant à soutenir le développement du produit ou de la solution d’IA permet aux équipes d’innover de manière prévisible et efficace.

Lorsqu’un patient est malade, il consulte des infirmiers, des médecins et autres spécialistes pour obtenir un diagnostic et le traitement le plus adapté. Il en va de même pour les entreprises. Une fois qu’elles ont clairement identifié les rôles de leurs équipes IA, elles doivent suivre l’exemple du corps médical : c’est-à-dire établir des processus bien définis, qui formalisent le développement, le déploiement et la gestion des solutions d’IA. Ceux-ci doivent renseigner sur l’organisation de la collaboration des salariés, sur la façon dont ils doivent choisir les technologies qui permettront la production de la solution d’IA et sur leurs interactions avec ces technologies. Par exemple, lorsqu’un groupe de data scientists crée un nouvel algorithme, une entreprise professionnalisée met en place un système permettant de le tester, afin de s’assurer qu’il fonctionne comme prévu de manière sûre, prévisible et systématique.

Prenons l’exemple d’une entreprise de télécommunications qui a établi une structure organisationnelle pour l’IA et l’automatisation, en définissant clairement les rôles et les responsabilités associés. L’équipe de gestion de projets est responsable de certaines tâches, dont l’amélioration continue, le reporting financier, le suivi, ainsi que la définition d’objectifs chiffrés. Le modèle de travail de l’entreprise fournit un cadre clair aux intervenants qui développent des solutions d’IA, depuis la preuve de concept jusqu’à la solution, en passant par le produit minimum viable (MVP).

4. Démocratiser les connaissances relatives à l’IA dans toute l’entreprise.
Bien que les dirigeants d’entreprise manifestent indéniablement un intérêt croissant pour les technologies IA, une véritable professionnalisation doit se traduire par une généralisation des connaissances relatives à l’IA dans toute l’entreprise – et même en dépendre.

Les entreprises se doivent de fournir à leurs salariés une forme ou une autre d’éducation à l’IA, et cela rejaillit sur leurs bénéfices. Selon une étude Accenture, 62 % des salariés pensent que l'IA aura un impact positif sur leur travail, et 67 % d'entre eux affirment qu’il est important de développer des compétences qui leur permettront de travailler avec des machines intelligentes. Clairement, les salariés sont conscients de l’impact que peut avoir l’IA sur leur métier et sont désireux d’en savoir plus. Les entreprises ont donc l’occasion – Accenture dirait même la responsabilité – de rendre cela possible.

Pour commencer, elles doivent définir le niveau minimal de connaissances en IA qu’elles requièrent de leurs salariés. Permettre à l’ensemble des effectifs de comprendre ce qu’est l’IA, en quoi elle impacte leur travail et comment elle bénéficie à l’entreprise, cela permet d’instaurer la confiance et de favoriser l’adoption et l’utilisation de cette technologie.

Pour poursuivre notre analogie avec le corps médical, dans un hôpital, chaque salarié joue un rôle important auprès des patients. Depuis les brancardiers jusqu’aux techniciens, chaque intervenant sait qu’il contribue à la santé et à la sécurité des patients, même s’il n’a pas suivi d’études médicales très poussées. De même, exiger un niveau de connaissances de base en IA pour chaque fonction, préparera l’entreprise à une montée en charge réussie sur le long terme.

La démocratisation des connaissances relatives à l’IA peut : armer les équipes marketing des connaissances qui leur permettront de communiquer clairement au sujet des services d’IA auprès des clients, mais aussi de comprendre comment les vendre ; permettre aux équipes juridiques de mieux saisir les implications réglementaires et de veiller à ce que leur entreprise ne s’expose pas à des risques qui peuvent lui coûter cher ; permettre à l’équipe en charge du recrutement d’affiner ses processus d’embauche et ses exigences lorsqu’elle recherche des professionnels de l’IA.

Cela va sans dire, la mise en place de cette culture de l’IA doit se faire sous l’angle interfonctionnel. L’instauration de la confiance en l’IA grâce à la démocratisation doit aller bien au-delà du CAO, des responsables technologiques et de leurs équipes. Comme le montre notre étude, lorsqu’on réduit la distance qui sépare les cadres dirigeants des professionnels de l’IA, on augmente les chances de générer de la valeur. Une fois que tous les effectifs ont acquis des connaissances plus poussées sur l’IA, ils accomplissent leurs tâches de manière plus productive, mais surtout, ils sont mieux armés pour soutenir le déploiement de l’IA dans toute l’entreprise.

Nous voyons donc à quel point la professionnalisation fait partie intégrante du déploiement de l’IA et des données à l’échelle de l’entreprise. Et cette montée en charge promet de faire de votre entreprise une entreprise plus connectée et plus agile. Mais alors... Pourquoi attendre ?

Les entreprises qui ont devancé leurs pairs n’ont pas attendu le secteur, ni les organismes de régulation pour prendre le leadership en matière de professionnalisation de l’IA. Nous collaborons avec elles pour définir clairement des rôles, exiger une éducation et une formation adaptées, mettre au point des processus et démocratiser les connaissances relatives à l’IA dans leurs murs.

Et vous, êtes-vous prêt à devenir un pro de l’IA ? Parlons-en.

Les avantages de la professionnalisation de l’IA

Les coûts
Comme évoqué, des entreprises ont investi 306 milliards de dollars dans les applications d’IA en à peine trois ans, tandis que certaines peuvent dépenser des millions pour des projets qui restent au stade de l’expérimentation. La professionnalisation vous permet d’optimiser la valeur de vos investissements dans l’IA de différentes manières. L’une d’elles consiste à mettre en place des équipes pluridisciplinaires dûment formées et des processus bien définis pour la mise en production de ces applications. L’industrialisation de solutions efficaces, puis leur déploiement à l’échelle et leur ajustement pour d’autres cas d’utilisation, vous permet de recycler et de réutiliser vos données et modèles de données, générant ainsi des retours sur investissement exponentiels à partir de dépenses incrémentielles.

La qualité
Lorsqu’un consommateur achète un véhicule neuf, il s’attend à ce que ce dernier fonctionne comme annoncé et qu’il respecte les réglementations environnementales et de sécurité les plus récentes. Il en va de même avec la professionnalisation de l’IA. L’objectif est que l’on puisse s’attendre à de meilleurs résultats, grâce à la qualité des données, aux standards de codage et à des paramètres clairement définis (éthiques et autres) pour le développement technique. De nombreuses entreprises prennent le problème en main et décident de mettre en place des batteries de tests supplémentaires et de renforcer la gouvernance, ce qui permet d’améliorer certains résultats. Mais pour faire évoluer le paysage de l’IA et sortir de la jungle que nous connaissons aujourd’hui (qualité variable en fonction des entreprises, voire en fonction des business units), ces ingénieurs et technologues hautement qualifiés auront besoin de standards reconnus dans un secteur, ce qui permettra d’évaluer leur travail et donc de doper l’innovation.

La répétabilité
Les entreprises qui se sont professionnalisées assurent le déploiement de l’innovation à l’échelle grâce à la répétabilité. En d’autres termes, elles obtiennent systématiquement les mêmes résultats lorsqu’elles effectuent des actions identiques ou semblables plusieurs fois de suite. Tout individu, toute entreprise et la société dans son ensemble pourraient bénéficier de la répétabilité, dans un contexte où des data scientists, des ingénieurs et autres spécialistes dûment formés et validés assurent le développement, les essais et la création de technologies de pointe pour l’ensemble des cas d’utilisation – le tout, en s’appuyant sur des méthodes cohérentes qui donnent des résultats fiables.

La confiance
Adossée à des standards et des systèmes de responsabilisation, la professionnalisation de l’IA contribuera à des applications plus éthiques et plus transparentes de la technologie. Il en résulte une « IA responsable », qui répond aux attentes des utilisateurs et des clients en matière d’éthique et de protection de la vie privée, ce qui, au final, facilite l’instauration d’une relation de confiance. Comme le montre une étude Accenture, les entreprises qui réussissent le déploiement de l’IA à l’échelle ont saisi toute l’importance d’une IA responsable et l’implémentent 1,7 fois plus souvent que leurs pairs. Or, la mise en place de cette IA responsable va de pair avec la responsabilisation, la formation et les processus qui accompagnent la professionnalisation. Les entreprises en auront donc besoin.

Inscription
Abonnez-vous à nos dernières publications Abonnez-vous à nos dernières publications