Il induit un changement de paradigme : passer d’un modèle ou l’on vend des objets, à un modèle ou l’on vend de l’espace media. Grâce à la technologie, il se différencie du Trade Marketing par une double promesse de performance, grâce à un usage intensif de la data distributeur, et d’autonomie des annonceurs, via la plateformisation des solutions.

Il représente 11 % de la publicité digitale en France en 2024, avec 1,22 Mds d’euros, soit 3 fois plus qu’en 2019. Le marché français suit en cela les tendances internationales et en particulier les dynamiques observées outre atlantique où l’activité Retail Media a atteint près de 54 Mds $ en 2024 (+23% VS 2023).

Aujourd’hui, principalement digital, son extension au magasin nécessite de trouver des clés pour créer un modèle adapté.
Nous vous proposons notre éclairage sur :

• les spécificités des enseignes qui ont déployé avec succès une activité Retail Media ;l
• Les difficultés rencontrées par les distributeurs majoritairement traditionnels et les clés de succès.

Un marché capté par les e-commerçants et en particulier par les marketplaces

La dynamique fulgurante du Retail Media cache une très forte disparité de l’activité qui est très majoritairement captée par « les pure players » digitaux. Amazon, qui a créé le standard du Retail Media online, enregistre à lui seul plus de 50 Mds $ sur Retail Media à l’échelle mondiale en 2024, et capterait 60 à 75% de l’activité Retail Media en France.
Derrière le géant de Seattle, on retrouve d’autres « pure players » comme Cdiscount, et des acteurs omnicanaux à forte empreinte digitale, comme Fnac Darty, qui ont développé leurs propres plateformes de Retail Media. La part résiduelle des budgets Retail Media captée par les autres distributeurs est marginale.
Les acteurs qui réussissent à développer une activité de Retail Media forte se distinguent par deux caractéristiques structurelles :

• une activité exclusivement ou largement online, le digital permettant une grande souplesse dans l’insertion de publicités tout le long du parcours d’achat et permettant une exploitation intensive des données client (données de navigation en particulier) ;
• Une marketplace forte, le Retail Media offrant aux vendeurs une possibilité nouvelle de mettre en avant leurs offres, alors que pour les fournisseurs des produits vendus en propre par les distributeurs, le Retail Media vient s’ajouter aux dispositifs déjà intégrés dans le Trade Marketing.

Un modèle à repenser pour les distributeurs majoritairement physiques

Pour capter la croissance de cette nouvelle activité publicitaire, les grands noms de la distribution se sont positionnés sur le terrain du Retail Media ces dernières années. En témoignent les lancements de Unlimitail par Carrefour et Publicis, Valiuz par la galaxie AFM, Infinity par Intermarché et Casino ou encore Retailium par But et Conforama.
Mais cette activité née du digital et des marketplaces n’est pas aisée à retranscrire chez ces distributeurs à vocation majoritairement physique, au-delà de leur activité e-commerce souvent minoritaire :

• l’intégration dans un parcours d’achat physique de publicités supplémentaires, idéalement digitales, n’est pas simple et l’exploitation à la volée de la donnée client pendant les parcours est une gageure ;
• le Retail Media vient s’ajouter pour leurs fournisseurs aux dispositifs de Trade Marketing déjà en place sur des formats parfois proches. Cela complexifie la communication auprès des fournisseurs et génère de la cannibalisation entre les deux dispositifs.

Pourtant, le Retail Media, adossé à une plateformisation et une autonomisation des annonceurs, et à un usage intensif de la data et donc une promesse de performance accrue, apporte une réelle plus-value dans tous les secteurs de la distribution par rapport aux dispositifs traditionnels du Trade Marketing par nature plus figés.
Walmart, a en particulier réussi à faire de Walmart Connect, son entité dédiée au Retail Media, un pilier de sa rentabilité. Walmart Connect pesait pour un quart du résultat d’exploitation du groupe au quatrième trimestre 2024 (4,4 Mds $ de revenus publicitaires en 2024, en croissance de 27% par rapport à 2023). Ce succès n’a été possible que grâce à des investissements majeurs : déploiement de 150 000 écrans en magasin, développements informatiques pour faciliter l’interconnexion avec les annonceurs et les agences, rachat d’une marque de télévisions connectées etc.

Comment inventer un modèle Retail Media adapté à la réalité des distributeurs majoritairement physiques ?

Pour un distributeur majoritairement physique dont les fournisseurs ont déjà des pratiques ancrées de mise en avant de leurs produits, le modèle du Retail Media reste à ré-inventer sous peine de se limiter à une activité Retail Media adossé à la seule activité e-commerce. Faut-il digitaliser le magasin à outrance pour dupliquer le Retail Media online au risque de se brûler les ailes à grands coups de CAPEX ? Faut-il au contraire exploiter au maximum les dispositifs déjà intégrés au parcours (caisses, applications…) ? Faut-il sortir du magasin en étendant le media distributeur comme semble vouloir le faire Walmart avec le rachat de Vizio, fabriquant de télévisions connectées ? La réponse ne sera pas unique, et les distributeurs qui sortiront leur épingle du jeu sont ceux qui arriveront à retranscrire les promesses du Retail Media pour les annonceurs, performance et autonomie, dans le cadre de leur parcours d’achat et de la réalité des pratiques de leurs clients.
Pour avancer de manière maîtrisée, une phase d’expérimentation est nécessaire pour faire émerger le modèle gagnant. Les facteurs clefs de réussite de cette approche sont selon nous les suivants :

• intégrer dès la conception de la proposition de valeur une sélection de fournisseurs pour garantir l’émergence d’une offre Retail Media magasin adaptée aux besoins des annonceurs ;
• s’associer avec un partenaire technologique pour porter les enjeux techniques et tester des solutions innovantes​ ;
• mettre en place un système de co-financement clair et équilibré entre le distributeur, les fournisseurs et le partenaire technologique ;
• caler les modalités de partage de la valeur entre les parties prenantes dans le cadre des expérimentations, et réfléchir au mode de gouvernance .

Participer à l’émergence d’un modèle Retail Media physique de référence : une opportunité à saisir

Sous bien des aspects, le développement du Retail Media n’est pas sans rappeler les évolutions tractées par l’émergence du modèle Marketplace. Comme le Retail Media, les Marketplaces sont nées dans l’univers digital, avant que les distributeurs majoritairement traditionnels ne s’en saisissent. Parmi ces derniers, ce sont ceux qui se sont le plus tôt saisi du sujet qui aujourd’hui ont la plus forte activité marketplace.
Le Retail Media, vecteur de performance publicitaire et levier de valorisation des enseignes de distribution, va continuer de se développer. Il y a fort à parier que les distributeurs qui se positionneront au plus tôt sur cette activité contribueront à créer le modèle de référence au-delà de la seule sphère du e-commerce. Ils prendront alors un coup d’avance vis-à-vis de leurs mais aussi, et c’est peut-être le plus important, dans les habitudes des annonceurs.  

L’article Le Retail Media, un modèle gagnant à inventer par les distributeurs traditionnels est apparu en premier sur Kéa.

Quels sont ces freins invisibles, souvent sous-estimés bien que déterminants pour construire une IA utile, légitime et durable au sein des organisations ?

Nous vous proposons une lecture stratégique de trois d’entre eux :

• l’humain, au travers de la culture et l’adhésion des équipes,
• la qualité et la gouvernance des données,
• l’absence d’une véritable mesure de la valeur créée.

La culture et l’adhésion des équipes

Dans l’entreprise, l’IA suscite encore beaucoup de craintes. Certaines sont très concrètes : peur de perdre son emploi, difficulté à comprendre les bénéfices réels, inquiétude face à un futur trop « IA-first ». D’autres sont plus diffuses, liées à la vitesse du changement ou à un sentiment de perte de contrôle. Face à cela, l’enjeu n’est pas de « convaincre » les réticents mais de créer un cadre d’usage clair, légitime, distribué — dans lequel chacun trouve sa place.

Cela suppose d’abord de reconnaître que les outils IA ne sont pas des outils classiques. Ils ne sont ni neutres ni instantanés : ils demandent un apprentissage mutuel. Les IA doivent apprendre les règles, les usages, la culture de l’entreprise. Et les collaborateurs doivent apprendre à collaborer avec elles, à comprendre leurs limites, à s’en faire des alliés plutôt que des concurrents. Ce travail d’ajustement dans le dialogue « homme-agent » est essentiel, mais souvent sous-estimé.

Dans ce processus, les écarts générationnels jouent un rôle structurant. La GenZ adopte l’IA avec aisance, de manière ludique et intuitive. Des outils, tels que celui de Character.ai qui permet de créer et de converser avec des agents personnalisés, séduisent une nouvelle génération qui ne cherche pas à « optimiser un processus » mais à explorer de nouvelles formes de relations, de travail et même d’identité numérique où l’IA intègre le quotidien comme compagnons, copilotes, voire des extensions de soi. Les cadres plus expérimentés peuvent être plus prudents — ce qui ne veut pas dire fermés, mais souvent plus exigeants sur le sens, la valeur ou la fiabilité. Il ne s’agit pas de lisser ces différences, mais de créer des ponts entre ces postures, pour favoriser la transmission, l’expérimentation et la montée en compétence collective.

Tout cela implique une acculturation à l’IA co-construite, progressive et ancrée dans les usages réels. Par exemple, un de nos clients a mis en place avec succès des « DOJO* IA ». Ce sont des espaces d’apprentissage collaboratif, où une équipe se réunit pour pratiquer et s’améliorer ensemble sur sa pratique de dialogue avec les agents IA. Cela permet aux collaborateurs de monter en compétence mais aussi d’accélérer l’engagement et, par extension, cela contribue également à améliorer la collaboration au sein des équipes concernées.

La qualité et la gouvernance de la donnée

Les projets d’IA, y compris générative, échouent rarement à cause des modèles eux-mêmes. Ce sont la qualité et la gouvernance des données qui posent problème. Selon le Sqream 2024 State of Big Data Analytics Survey, ils représentent à eux seuls près de 40 % des échecs (19 % une mauvaise préparation des données, 19 % une qualité des données dégradées), loin devant l’autre cause principale d’échecs qui est le budget insuffisant (29 %).

Sans une gouvernance claire, les données peuvent être incomplètes, mal structurées ou contradictoires. À la clé : des erreurs opérationnelles, des inefficacités, et parfois des biais massifs — problématiques à la fois sur le plan éthique et réglementaire, notamment dans le cadre de l’IA Act.

Cette problématique est particulièrement importante pour les groupes ayant une présence internationale. A titre d’exemple, nous sommes intervenus pour un groupe construit en partie par rachats externes, qui ne disposait pas d’une nomenclature client unifiée. Résultat : impossibilité de consolider des reportings fiables ou de lancer des analyses transverses, notamment pour avoir une vision de ses clients au niveau monde. Nous avons débuté par l’établissement d’un socle commun et la reconstruction d’une gouvernance de la donnée, autour de référentiels partagés, pour rendre l’analytics possible et performant.

Dans un modèle vertueux, l’IA elle-même peut devenir un levier de gouvernance. On peut l’utiliser pour automatiser la détection d’anomalies, améliorer la classification des données, ou faciliter leur gestion à grande échelle. À plus long terme, l’IA permettra aussi d’enrichir les jeux de données via des sources externes et de faciliter leur interopérabilité, en posant les bases d’un système de données plus dynamique, plus intelligent — et donc plus gouvernable.

L’absence d’une véritable mesure de la valeur créée

Sans indicateurs clairs, sans lecture financière, opérationnelle et humaine, on ne peut ni arbitrer, ni piloter, ni justifier les investissements. Il est difficile de fixer un cap partagé, et encore plus de capitaliser sur les succès passés. Un objectif stratégique, aussi ambitieux soit-il, doit pouvoir se traduire en résultats concrets, visibles à court ou moyen terme pour les équipes. Sinon, le progrès reste abstrait — et ce qui ne se voit pas ne mobilise pas, le changement devient flou — et donc subi. Les collaborateurs peinent à en percevoir l’utilité, surtout si les effets ne sont pas tangibles dans leur quotidien.

Il est donc essentiel de mettre en place un dispositif de mesure cohérent dès les premières étapes. Chaque POC doit être conçu comme une brique contributive : avec ses propres KPIs, mais aussi aligné sur des objectifs plus larges, pour pouvoir être comparé, capitalisé et intégré dans une trajectoire de passage à l’échelle. Tant qu’on reste dans une logique de POCs isolés, on reste dans l’expérimentation et non dans la transformation.

Enfin, il faut aussi élargir la notion de valeur. Un projet IA peut générer des gains business directs, mais aussi améliorer des processus, libérer du temps, renforcer l’engagement ou accélérer l’apprentissage collectif. Ces effets sont plus diffus, parfois plus longs à mesurer, mais essentiels pour embarquer durablement les équipes. Passer à l’échelle, c’est créer les conditions pour que l’IA produise de la valeur à tous les niveaux de l’organisation.

Nous avons notamment appliqué cette approche chez un acteur majeur de l’industrie, afin de l’aider à analyser et prioriser les 150 projets data lancés au moment de l’intervention. Cela suppose de proposer un regroupement des différents projets en fonction des principaux attendus (augmentation des revenus, amélioration de l’efficacité opérationnelle, satisfaction des usagers etc.) et de mettre en place une approche globale pour offrir une première mesure de la valeur (financière et stratégique) en fonction des différents secteurs, afin de pouvoir proposer rapidement une base de comparaison.

Conclusion

Ces trois enjeux sont au cœur d’un déploiement efficace de l’IA, générative ou non, et doivent être pris en compte dès la conception de la stratégie IA et des premiers tests. Cela demande la mise en œuvre de méthodologies de transformation (i) construites autour des équipes (ii) permettant d’identifier rapidement les problèmes liés à la qualité des données (iii) et de mesurer les principaux ROI associés au projet.

*terme emprunté au japonais, signifiant littéralement « lieu de la voie »

L’article Dépasser les POCs pour se transformer est apparu en premier sur Kéa.

Découvrez le premier livre blanc réalisé par et pour les dirigeants d’ETI, coproduit par Kea & Partners et Kea Euclyd, pour le METI – organisation professionnelle regroupant les entreprises de taille intermédiaire.

Télécharger le livre blanc

Les ETI, terreau fertile de la transformation digitale

Bien que spontanément moins associées à la « nouvelle économie », les ETI – premier vivier de création d’emplois en France – prennent aujourd’hui la transformation digitale à bras le corps : optimisation du modèle opérationnel, digitalisation de l’offre, modernisation de l’image ou pivotement radical du business model, les transformations des ETI portées par le digital, sont multiples et refaçonnent souvent l’entreprise.

Le dirigeant, au cœur de la transformation digitale de l’ETI

Plus que dans les grands groupes, il est la clef de voûte de la transformation de l’entreprise, qu’il doit à la fois initier, porter et guider.

Conçu comme un guide pratique, le livre blanc balise les 6 étapes associées – en amont, pendant et dans la continuité du projet de transformation, inspirées du voyage du héros, fil de narration mis en évidence par le mythologue américain Joseph Campbell. Comment entendre l’appel, lever les doutes, franchir les premières étapes, s’entourer des bonnes personnes et mettre en place les conditions nécessaires à la réussite du projet, enfin faire aboutir celui-ci et se fixer de nouveaux défis ? Autant d’étapes clefs que le livre aborde, fondé sur le retour d’expérience de 40 dirigeants d’ETI recueilli à l’occasion d’un atelier de co-design à The Camp ainsi que sur les récits exclusifs de 26 dirigeants.

Illustrant la modernité et le dynamisme d’ETI championnes du digital, ce livre constitue une source d’inspiration pour les dirigeants d’ETI et des PME de croissance qui se lancent dans une telle aventure.

Les principales conclusions

Il ressort de ces échanges que la conversion au digital d’une ETI est souvent déclenchée par une expérience personnelle de ses dirigeants et que leur conviction intime joue un rôle majeur dans le processus. Il ressort également qu’au-delà des aspects techniques, c’est une aventure profondément humaine, faite de parcours singuliers selon la personnalité des dirigeants et l’histoire des entreprises qu’ils dirigent.

Le premier point mis en avant, sans surprise, est la transformation de l’expérience client, clef de voûte de la digitalisation des ETI, notamment dans les entreprises de services. Dans d’autres ETI c’est la digitalisation du cœur de l’offre, c’est-à-dire la conception d’une version connectée de leurs produits qui engage l’organisation dans une transition : le digital impacte dans ce cas le cœur de son activité. L’optimisation du modèle opérationnel par le digital a quant à elle été mise en œuvre majoritairement à ce jour par les ETI industrielles.

Les facteurs de réussite

Les dirigeants d’ETI interrogés insistent sur l’importance du facteur humain dans la réussite de la transition digitale. Cela passe notamment par la diffusion d’un état d’esprit digital dans toute l’entreprise : agilité, coopération, droit à l’erreur, esprit start-up… L’enquête souligne l’impact des initiatives de digitalisation des ETI sur leur image de marque, dans le sens de la modernisation et de l’innovation.

Il importe également de bien choisir le rythme de la digitalisation, notamment en prenant en compte le niveau de maturité du marché, celle des équipes en interne, ainsi que le rapport coûts-bénéfices d’une technologie à un instant donné. Les dirigeants interrogés estiment enfin que les ETI étant généralement très bien intégrées à leur écosystème régional, le rôle de ce dernier est primordial dans la réussite de la digitalisation, tant il est vrai que ses impacts dépassent largement les frontières de l’entreprise.

Les entreprises ayant répondu à l’enquête :

ASMODEE DIGITAL / AT INTERNET / CIPRES ASSURANCES / Groupe DECAYEUX / ELCIMAÏ / ERAM / Groupe ETAM / FITNESS BOUTIQUE / Groupe GAUTIER / Groupe HEPPNER / INNOTHERA / INSEEC U. / KAPORAL / Groupe KERIA / LACROIX Group / LIM Group / MANUTAN / NATURE & DÉCOUVERTES / PIERRE & VACANCES-CENTER PARCS / PRODWARE / SEPTODONT / SOCOMORE / THOM EUROPE

L’article Transformation digitale des ETI : l’Odyssée du dirigeant est apparu en premier sur Kéa.

Derrière leurs allures de progrès technologique, le développement éclair des solutions d’IA et leur popularisation sont l’étincelle d’un changement de paradigme profond qui agite tous nos modèles économiques, sans limite de secteur. Désintermédiation, réduction des barrières à l’entrée, optimisation des chaînes de valeur… les impacts sont multiples, les réactions s’enchaînent.  Et les questions sont nombreuses et légitimes :  coûts, retour sur investissement, fiabilité, cadre juridique… Autant de points d’attention qui peuvent freiner ou paralyser, faute de cap clair.

Cette zone grise entre lucidité stratégique et dispersion opérationnelle favorise la multiplication d’initiatives sans vision d’ensemble et sans réelle perspective d’industrialisation ni d’impact mesurable.

Face à cette dynamique, les entreprises s’interrogent : comment concilier impératif d’action et incertitude persistante ?

Cet article propose une grille de lecture pour dépasser ce flottement et mettre en œuvre une approche cohérente :

• comprendre pourquoi tant de stratégies IA échouent à passer à l’échelle,
• puis, prendre le temps de structurer les bons choix en amont pour gagner en clarté, en impact et en vitesse d’exécution.

Car dans un contexte aussi mouvant, c’est souvent le cadrage initial qui fait la différence entre expérimentation sans lendemain et trajectoire de transformation durable.

Pourquoi une stratégie IA est souvent mal cadrée ?  

Nous observons 4 principaux écueils :  

1. L’attrait irrationnel pour l’IA qui conduit à des investissements mal orientésDans un contexte où l’IA est perçue comme une avancée « à la mode », de nombreuses entreprises lancent des initiatives coûteuses mais peu structurées. Ces dépenses deviennent rapidement des gouffres budgétaires faute d’une approche stratégique claire.  
2. L’illusion du « quick win » et la multiplication des POCs sans ROI mesurableSi les preuves de concept (POCs) sont souvent présentées comme des moyens rapides de tester l’IA, elles conduisent fréquemment à une simple exploration. Le risque est grand d’accumuler des cas d’usage opportunistes, répondant à des besoins ponctuels sans s’inscrire dans une transformation globale. Résultat : des projets qui ne passent jamais à l’échelle et dont l’impact sur le P&L reste marginal.  
3. Une approche techno-centrée au détriment de la vision business et data  Trop souvent, l’IA est abordée sous l’angle technologique avant même d’être alignée avec la vision de l’entreprise et sa déclinaison dans la transformation data. Or, sans vision stratégique et socle data robuste, les algorithmes ne peuvent pas produire de résultats fiables et industrialisables.  
4. Une sous-estimation du potentiel disruptif de l’IAAu-delà d’un simple levier d’optimisation, l’IA redessine profondément les modèles économiques. Elle reconfigure les filières industrielles et servicielles, transforme les interactions entre humains et agents, renforce la cyber-résilience et la fiabilité des informations, tout en favorisant la plateformisation des marchés.  

Le remède ? Prendre le temps de structurer sa stratégie IA de manière globale, ancrée dans ses priorités business, intégrant l’ensemble de son organisation, et qui s’accompagne d’indicateurs mesurant les impacts sur votre P&L. 

Comment se doter d’une stratégie IA globale et alignée sur les objectifs business de l’entreprise ?

Trois étapes clés, menées en quelques mois, permettent de passer de l’exploration à l’industrialisation — en transformant les intentions en leviers concrets de création de valeur durable.

1ère étape : Acculturer et ouvrir aux potentiels de l’IA  

Nous l’avons évoqué, l’IA va bien au-delà d’un ensemble de solutions techniques : elle transforme les modes de production, la relation client et même le modèle économique des entreprises. La stratégie doit donc commencer par un travail d’acculturation et de projection

• Cartographie de la maturité IA : évaluation du niveau d’avancement de l’entreprise dans sa capacité à intégrer l’IA de manière stratégique, opérationnelle et scalable.
• Exploration des niveaux de maturité : du simple levier d’efficacité opérationnelle à la refonte complète du business model grâce à l’IA.  
• Immersion dans les innovations à venir : anticipation des évolutions technologiques et de leur impact sur l’entreprise.  

2ème étape : Analyser l’entreprise et construire des scénarios stratégiques  

L’IA doit être pensée à l’échelle de l’organisation dans son ensemble. Un diagnostic approfondi des réalisations et des opportunités doit être structuré autour de trois streams :  

• Les chaînes de valeur ajoutée (relation client, supply chain, production) pour identifier les opportunités d’optimisation et de réinvention.  
• Les fonctions supports (RH, finance, juridique) afin de détecter les leviers d’efficience et d’automatisation.  
• L’innovation et les business de demain, en évaluant le potentiel de disruption et les nouvelles sources de revenus possibles.  

En parallèle, il faut s’attaquer à la modélisation des impacts économiques de l’IA car « ce qui ne se mesure pas n’existe pas » … :  

• ROI estimé, coûts cachés, gains d’efficience, pour donner une vision claire des bénéfices attendus.  
• Construction de scénarios d’intégration de l’IA, en fonction du degré de transformation souhaité, du niveau de disruption acceptable et des effets prévus sur le P&L.  

3ème étape :  Activer : structurer un plan d’action et enclencher le passage à l’échelle  

À l’issue du diagnostic, la feuille de route opérationnelle et actionnable doit être construite et intégrée :  

• Une trajectoire IA alignée avec les priorités stratégiques et la transformation data.  
• Des feuilles de route par stream permettant une mise en œuvre progressive et cohérente.  
• Un plan de transformation global, garantissant une intégration harmonieuse des initiatives IA dans l’organisation.  
• La réalisation immédiate de 1 ou 2 cas d’usage concrets, pour démontrer rapidement la valeur et embarquer les équipes.  

L’ensemble de la démarche aboutit à une feuille de route claire, actionnable et pilotable, avec des impacts mesurables sur le P&L. 

Conclusion

L’IA n’est plus une option mais un impératif stratégique qui exige une approche construite et intégrée. Au-delà des expérimentations isolées, c’est par une vision globale – ancrée dans les priorités business et soutenue par un socle data robuste – que les entreprises transformeront cette technologie en avantage concurrentiel durable. L’heure n’est plus à l’hésitation mais à la prise de recul pour structurer leur approche : ceux qui sauront articuler acculturation, analyse stratégique et déploiement méthodique créeront une valeur mesurable et pérenne. Dans cette révolution, les leaders seront ceux qui transforment aujourd’hui l’IA en catalyseur d’une nouvelle et profonde dynamique de leur organisation et business model, plutôt qu’en simple vitrine d’innovation.

L’article Comment intégrer l’IA dans une transformation cohérente de l’entreprise et génératrice de valeur ? est apparu en premier sur Kéa.

• Comment la digitalisation et la data aident-elles à répondre aux enjeux de traçabilité et de création de valeur ?
• Quels sont les leviers à actionner ?

1. Comment la digitalisation et la data aident-elles à répondre aux enjeux de traçabilité et de création de valeur ?

Dans un monde où l’information circule rapidement et où les consommateurs et les entreprises sont de plus en plus attentifs à la qualité et au devenir des produits qu’ils consomment, les industriels font face à un premier enjeu qui est l’impératif de transparence et de traçabilité. Répondre à ce double impératif est essentiel pour instaurer la confiance avec les clients et entre les différents acteurs et ainsi créer des marchés robustes pour les produits issus de l’économie circulaire.

Pour les entreprises qui mettent sur le marché des produits fabriqués à partir de matières premières recyclées, il est crucial de savoir si ces matières sont disponibles en quantité suffisante et de bonne qualité. De même, les consommateurs veulent être assurés que les produits qu’ils achètent, notamment ceux ayant plusieurs vies, sont sûrs et de qualité.

Exemples :

• La consigne pour réemploi des bouteilles, qui fera son retour en 2025 dans certaines régions de France, nécessite une traçabilité rigoureuse pour garantir que les bouteilles retournées sont correctement lavées et réutilisées. Cela implique de tracer chaque bouteille depuis sa mise en marché jusqu’à son retour pour réemploi.
• Dans un secteur très morcelé comme celui des pièces détachées automobile et où la question de la fiabilité des produits est clé car elle répond à un enjeu de sécurité pour le client final, la traçabilité permet de connaître l’origine des pièces et leur état de fonctionnement, de donner plus de valeur aux produits issus de l’économie circulaire et de rassurer les consommateurs.

Dès lors que la traçabilité est assurée, il est possible de garantir des niveaux de qualité. Etre en capacité de donner cette assurance aux clients est une condition sine qua none au développement du marché : c’est ce qui permettra de toucher un nombre plus large d’acheteurs et d’atteindre des volumes plus importants.

Deuxième enjeu clé : la création de valeur qui passe par l’efficience pour que les produits soient attractifs pour les consommateurs et pérennes pour les metteurs en marché. En effet, la principale motivation d’achat des produits issus de l’économie circulaire est le prix. Le consommateur s’attend à des tarifs de 25 à 30 % moins cher que pour un produit neuf. Or, ces produits s’inscrivent dans des chaînes de valeur plus longues et trop coûteuses parce qu’elles ne sont pas encore massifiées.

Le digital et la data permettent de répondre à ces enjeux : la digitalisation permet de connecter les différents acteurs de la chaîne de valeur de l’économie circulaire qui est un modèle multi-acteurs et la data permet d’optimiser les processus de traitement puis de facilite la gestion des stocks de matières recyclables ou de réemploi.

Exemples :

• Des grands acteurs de l’hôtellerie traitent leur linge via des services de collecte et de lavage qui sont digitalisés. Ces services sont équipés de portiques qui lisent les puces RFID fixées sur le les draps, serviettes, etc…  Un grand groupe hôtelier affirme avoir mieux maîtrisé ses stocks de linge grâce à ce système et a vu son coût de gestion du linge baisser de plus de 30 %.
• Dans le secteur du réemploi d’emballages, la digitalisation permettrait centraliser les données des multiples acteurs – émetteurs en marché, distributeurs, opérateurs de collecte, de tri, de lavage- et de donner l’assurance à un metteur en marché que ses emballages ont bien suivi le circuit de retraitement et qu’ils sont de qualité. Une telle fiabilité permettrait d’élargir les systèmes actuels très locaux aux leaders de l’agro- alimentaire et de la distribution.

Enfin, les industriels, et notamment les constructeurs automobiles, sont très demandeurs de traçabilité pour répondre aux obligations RSE pour développer des sources de matières premières alternatives. C’est en développant la digitalisation et le traitement de la data que les industriels pourront mettre en place des filières d’économie circulaire efficaces à même d’alimenter leur production.

2. Quels sont les leviers à actionner ?

Nous l’avons vu, la digitalisation et la data impliquent le déploiement d’outils communs ou interconnecté qui autorisent le partage des informations entre acteurs. Il est donc vital de rassembler tous les acteurs de la chaîne de valeur autour d’un objectif commun. La cohésion est le premier levier. Elle permet de construire une filière au sein de laquelle chaque acteur aura sa place et pourra se coordonner avec les acteurs amont et aval. La cohésion et la structure de la filière sont les garants de son efficacité.

L’accès à des outils communs pose la question de la différenciation des acteurs et du jeu concurrentiel. Il doit faire l’objet d’une gouvernance assortie d’un cadre juridique qui définit qui accède à la donnée, l’utilise, l’achète ou la vend, etc… C’est un pré-requis à l’existence d’une filière.

Le deuxième levier est réglementaire. En fixant des objectifs de recyclage, la loi AGEC a donné l’impulsion de départ qui a permis aux filières de recyclage d’exister. Mais pour qu’elles perdurent, il faut que leur modèle économique se pérennise et que le marché se structure.

Conclusion

L’économie circulaire est essentielle pour atteindre les objectifs climatiques fixés par les accords de Paris. Le développement de chaque filière de l’économie circulaire nécessite de relever un double défi d’une transparence de l’information entre les acteurs et d’efficience économique. Le digital et la data sont des éléments clés pour relever ces challenges et passer à l’échelle pour contribuer à un avenir plus durable.

Regarder le replay :

L’article Le digital et la data : deux accélérateurs pour l’économie circulaire est apparu en premier sur Kéa.

La procédure utilisée par les collectivités territoriales pour sélectionner leurs délégataires est un appel d’offres sous pli cacheté.

Il est essentiel pour les entreprises candidates à ces appels d’offres de :

• maîtriser ce mode opératoire particulier ;
• comprendre les critères de sélection
• et de mettre en place une stratégie d’anticipation des offres concurrentes.

1. Un mode opératoire particulier où les candidats disposent d’informations limitées 

À ce jour, la procédure principalement utilisée par les collectivités pour désigner un délégataire se déroule en 4 temps :

1. l’autorité concédante émet un cahier des charges précisant les modalités techniques et les attendus du prestataire
2. les candidats remettent leur offre (incluant l’offre financière) sous pli cacheté
3. l’autorité concédante sélectionne les candidats avec lesquels elle va entrer en négociation
4. suite à la négociation, ces candidats remettent leur meilleure offre

Les offres restant cachetées, les candidats ne disposent pas d’informations sur les offres concurrentes. Dans ce contexte, il est clé d’anticiper la stratégie des concurrents pour mieux positionner son offre. À tel point que lorsque l’offre de Suez pour l’assainissement des eaux de Paris, d’un montant de 4,3 milliards d’euros sur 12 ans, a fuité, le candidat a dû faire appel à la justice pour invalider la sélection.

2. Un cadre contraint où le critère financier est le seul discriminant final

Grâce à l’expérience accumulée, les autorités concédantes tendent à spécifier précisément leurs attentes et cadrent fortement leur marché, ne laissant pas de place à une différenciation qualitative dans la réponse sous pli cacheté. Il ne reste alors aux candidats que l’offre financière pour se démarquer.

Dans ce contexte, on peut considérer que ces appels d’offres correspondent tout à fait au cadre théorique des enchères au 1er prix sous pli cacheté dans lequel le contrat est attribué à celui qui a fait la meilleure offre. Les candidats doivent arbitrer entre la probabilité de remporter l’enchère et le prix payé en cas d’attribution :

• d’une part, le candidat peut être tenté de faire une offre haute pour dégager un profit important en cas d’attribution,
• d’autre part, il doit faire une offre suffisamment basse pour remporter le marché.

        La première étape pour le candidat est d’estimer la valeur qu’il accorde à cette délégation de service public en considérant les paramètres financiers et extra-financiers : coûts estimés pour opérer le contrat, potentiels revenus, évolution des tendances, priorité stratégique du contrat, bénéfice réputationnel lié au contrat, …

La valeur est indépendante des interactions stratégiques. Déterminer la valeur consiste uniquement à évaluer la valeur de la prestation une fois les coûts afférents retranchés. C’est un pur travail technique, de calcul.

L’offre intègre la valeur déterminée, les informations connues sur les concurrents, des paramètres propres à l’entreprise candidate (état du carnet de commandes, stratégie de croissance, …) et ce que le candidat est prêt à mettre sur la table des enchères.  Il y a là une notion de stratégie.

Dans un contexte où le candidat dispose d’informations sur ses concurrents, il peut proposer une offre légèrement inférieure à la valeur de ses concurrents et s’assurer la victoire sans pour autant atteindre sa propre valeur. A titre d’exemple, un acteur A estime pouvoir réaliser le marché pour un minimum de 100 tandis que l’acteur B estime pouvoir le faire pour un minimum de 80. Sans aucune information sur l’acteur A, l’acteur B est susceptible de proposer une offre proche de 80, soit la meilleure offre et remporte le contrat. Au contraire, si l’acteur B estime bien la valeur de l’acteur A (à savoir 100), il peut proposer une offre à 99 et tout de même remporter le marché. En proposant une offre proche de 80, il ne maximise pas son profit.

Le processus de remise d’offre sous pli cacheté permet à l’autorité concédante d’inciter les candidats à proposer une offre au plus proche de la valeur qu’ils accordent au contrat (à savoir 80 dans l’exemple ci-dessus) lui permettant d’optimiser ses propres bénéfices.

Ce faisant, les prix étant tirés vers le bas, chaque renouvellement de délégations de service public peut faire l’objet d’une baisse de prix (notamment dans la mobilité ou dans le secteur de l’eau)  

3. Une stratégie d’anticipation des offres concurrentes à mettre en place pour maximiser les chances de réussite

La stratégie d’anticipation passe par l’analyse de la concurrence et la modélisation de leur stratégie qui permettent de bien faire l’arbitrage mentionné plus haut, en se positionnant au bon niveau pour maximiser les chances de remporter l’enchère tout en optimisant son profit.

La clé est d’anticiper au mieux les enchères des concurrents pour définir sa propre stratégie d’offre. Cette étape doit permettre au candidat d’estimer les intervalles de prix proposés dans les offres concurrentes pour créer les scénarios potentiels et en déduire une stratégie optimale.

Plusieurs méthodologies sont possibles pour estimer au mieux l’enchère d’un concurrent. Pour ce faire, le candidat peut regarder les enchères passées d’un concurrent, ses déclarations publiques, …

Un concurrent peut faire l’objet de plusieurs hypothèses probabilisées, l’ensemble de ces hypothèses formant un scénario. À titre d’exemple, dans un contexte où le candidat a deux concurrents avec trois hypothèses pour le premier et deux pour le second, six scénarios sont possibles.

Le gagnant étant celui proposant l’offre la plus basse, si le candidat propose :

• Une offre à 99 : il a 40% de chance de gagner (Scénario n°1)
• Une offre à 89 : il a 64% de chance de gagner (Scénario n°1 et n°3)
• Une offre à 79 : il a 80% de chance de gagner (Scénario n°1, n°3 et n°5)
• Une offre à 69 : il a 100% de chance de gagner (offre plus intéressante que les 6 scénarios)

Au regard des différents scénarios, le candidat doit :

• Construire ses propres stratégies de réponse : quelles réponses sont acceptables et souhaitables ?
• Simuler en croisant les différents scénarios adverses avec les différentes stratégies possibles pour le candidat : quels scénarios seraient à éliminer car le gain serait incompatible avec les objectifs du candidat ?
• Sélectionner la meilleure stratégie en étudiant les résultats des simulations et en prenant en compte ses propres objectifs : quel arbitrage entre soutenabilité financière et autres objectifs ?

Une telle stratégie d’anticipation dépasse le seul cadre de l’estimation de sa propre valeur et prend en compte le positionnement des concurrents.

Conclusion

De notre expérience auprès d’acteurs de l’énergie, de l’audiovisuel, du spectre hertzien et d’autres secteurs dans l’accompagnement de leur stratégie de réponse lors d’enchères aux enjeux financiers considérables, la stratégie d’offre exige une préparation minutieuse et une bonne compréhension du marché. Malgré la confidentialité des soumissions, les entreprises doivent inclure les dynamiques concurrentielles dans leur stratégie. En simulant divers scénarios, les entreprises peuvent mieux anticiper les réactions des concurrents, évaluer les risques et optimiser leurs propositions. Ces simulations permettent de tester différentes approches et de choisir celle qui maximisera les chances de succès tout en optimisant la rentabilité. Nous sommes convaincus qu’en intégrant cette pratique dans leur processus de préparation, les entreprises sont mieux armées pour répondre aux appels d’offres et pour atteindre leurs objectifs de manière efficace et pérenne.

L’article Logique d’enchères : la botte secrète pour maximiser ses chances de remporter les AO publics est apparu en premier sur Kéa.

Comment retirer le plein potentiel de la donnée et en faire un véritable avantage business et concurrentiel ?

Nous vous proposons une approche qui, de notre expérience, permet d’obtenir un ROI très rapide, de moins de deux ans. Pour nous, l’idée phare est de remettre les métiers, le cœur business et le dirigeant au cœur du processus, en :

• développant de nouvelles compétences ;
• instaurant une gouvernance orientée Stratégie
• et en intégrant une dose d’économie dans les réflexions.  

La Data Intelligence en quelques mots

La Data Intelligence comprend l’ensemble des outils, des méthodes et des processus, permettant d’extraire des informations pertinentes, à forte valeur ajoutée, à partir de données brutes. Le spectre d’application est extrêmement large, en particulier dans les modèles d’optimisation : optimisation du pricing ou de la décote, allocation des ressources rares, optimisation des stocks, études d’impacts… avec des sauts de performance significatifs, les récentes technologies ayant profondément changé la donne en matière de prise de décision.

Cette utilisation massive de la donnée se traduit concrètement aujourd’hui dans les entreprises pionnières par une industrialisation du processus d’extraction de la Data Intelligence. Cette industrialisation provoque l’apparition de nouvelles spécialités, pour la collecte des données, leur mise en qualité, leur analyse et la visualisation : data engineer, data stewart, data scientist, data analyst, data architect… Elles sont nombreuses.

Heureusement, cette nième industrialisation technologique n’est pas une parfaite inconnue. Nos entreprises ont déjà absorbé la révolution de l’informatique, puis celle du digital. Il est donc aisé d’en identifier le principal risque : celui de la dépossession des Métiers de ce nouveau potentiel.

Les métiers au cœur du processus industriel de la Data Intelligence et les ingrédients associés

​La Data Intelligence reste un moyen, non une fin. Et comme tout moyen, elle doit trouver un usage. Un usage que seuls les Métiers peuvent définir, délimiter et valider.

C’est peut-être là que le bât blesse dans de nombreuses transformations en cours que nous analysons : des spécialistes technologiques s’approprient la gouvernance, sous couvert d’expertise rare et chère, en oubliant la finalité de leur action, et surtout le Métier qui est le financeur in fine de l’investissement. Pour générer de la valeur et de la performance, il est essentiel que le Business s’implique.

C’est donc à la Direction Générale et aux Métiers de s’emparer pleinement de ce sujet et cela, de plusieurs manières : développement de nouvelles compétences, gouvernance orientée Stratégie et introduction d’une dose d’économie dans les réflexions.

1. Développer au sein des Métiers et de la Direction Générale trois nouvelles compétences :

a) Une acculturation forte, centrée sur l’usage. De la même manière que nous ne connaissons pas le fonctionnement intime de notre smartphone, nous en maîtrisons l’usage, le prix et les limites. Il en va de même avec la Data Intelligence.

Cette acculturation peut s’acquérir aisément au moyen de processus d’apprentissage, combinant interventions d’experts orientés business, visites de labos, présentation de cas d’usage éprouvés ou bien encore de podcasts / lectures choisies dans ce sens. Nous constatons une durée moyenne de 2 à 3 mois pour qu’une équipe de direction ou métier soit en mesure d’appréhender les tenants et aboutissants de la Data Intelligence.

 b) Le sens des données et leur juste utilisation par les experts technologiques, car data science sans conscience des données n’est que ruine de l’investissement.

 Ce sont les experts métiers qui possèdent la connaissance nécessaire pour interpréter les données dans un contexte spécifique.

Cette compréhension est indispensable à tous les stades du processus d’industrialisation et d’élaboration des modèles d’optimisation. Elle permet de limiter les biais d’interprétation et de cerner l’historique des données employées.

 Néanmoins, force est de constater que cette connaissance « intime » des données est fréquemment éparpillée, dispersée et faiblement capitalisée dans les équipes. L’entreprise doit donc travailler son capital Data auprès des équipes Métiers.

c) L’expression des besoins réels et non supposés ou imaginés par des acteurs technologiques qui cherchent un problème pour la solution qu’ils viennent de développer. 

Ce sont les métiers qui définissent les informations dont ils ont besoin pour améliorer leurs prises de décision et qui doivent les prioriser.

 C’est ce qui permet de déterminer quels sont les algorithmes à développer, quels outils utiliser et les données complémentaires qu’il est nécessaire de collecter pour améliorer la qualité des recommandations.

L’expression des besoins permet également de définir les tableaux et les graphiques dont les métiers ont besoin dans l’étape de visualisation. Elle est enfin cruciale pour organiser le travail, prioriser les efforts, gérer les projets et allouer les budgets. C’est en réalité l’objet même de toute la chaîne de la Data intelligence qui se doit de répondre aux besoins des métiers et d’améliorer la performance de l’entreprise.

2. Une gouvernance Stratégique par et pour les Métiers

Ces compétences également doivent entrer en forte synergie avec les experts de la filière Data Intelligence. L’intelligence des données ne peut porter ses fruits que si une collaboration étroite s’établit entre les métiers et les équipes IT. Les équipes métiers orientent les efforts des experts technologiques, en fonction des objectifs opérationnels des métiers et de la stratégie de l’entreprise.

C’est ainsi qu’à l’image d’une gouvernance des investissements SI établie de longue date, il convient de mettre en place une gouvernance des investissements Data, sous l’égide des Métiers et de la Direction Générale.

Les équipes techniques ont pour mission de mettre en place les infrastructures et les modèles d’analyse, mais ce sont les métiers qui orientent ces efforts en fonction des objectifs opérationnels.

 Sans une réelle collaboration entre les équipes, une compréhension mutuelle et une gouvernance claire qui définit le rôle de chacun dans la chaîne de valeur, il n’est pas possible de tirer bénéfice de la Data Intelligence.

3.      Une dose d’économie dans tout cela

Dans cet environnement de plus en plus complexe, introduire dans la chaîne de valeur de l’intelligence des données des approches venant de l’économie permet d’être plus performant.

Les métiers doivent tout d’abord s’impliquer pour comprendre quelle information est contenue dans les données. Cette étape est indispensable pour éviter des biais (biais de mesure, biais de sélection, biais de non-réponse, biais de confirmation…) qui sont particulièrement fréquents dans les processus de collecte des données. Or cette connaissance, nous l’avons indiqué, se trouve au sein des métiers. Il est donc indispensable qu’ils comprennent quelles données sont utilisées, comment et dans quel but, afin que ces biais ne viennent pas fausser les analyses et les conclusions qu’on en tire.

Les métiers doivent également s’impliquer dans l’étape de modélisation. En IA, l’objectif est prédictif. L’accent est souvent mis sur la précision des prévisions, sans nécessairement expliquer les mécanismes sous-jacents. L’IA peut parfois être une « boîte noire » où les algorithmes produisent des résultats sans que les relations causales ne soient explicitement comprises. En économétrie au contraire, l’accent est souvent mis sur la compréhension des relations causales entre les variables. On cherche à savoir pourquoi un phénomène se produit.

Combiner les deux approches permet ainsi aux métiers de garder la maîtrise des algorithmes. Les métiers n’ont évidemment pas besoin de connaître les techniques statistiques sous-jacentes aux modèles. En revanche, tout modèle reposant sur des hypothèses et des données, celles-ci doivent être explicitées, comprises et validées par les métiers. C’est uniquement à cette condition que les équipes vont pouvoir s’approprier les résultats, croire aux recommandations et les appliquer.

L’entreprise réussira ainsi à se transformer en levant les freins associés à ces changements profonds.

Comment conduire la transformation de l’entreprise par la Data Intelligence

Cette transformation peut être qualifiée, sans exagération, de globale, 360, holistique, tant elle requiert d’agir simultanément sur de nombreuses dimensions, stratégiques, opérationnelles et technologiques, de la stratégie d’entreprise à l’implémentation.

Piloter une telle transformation, sur 3-4 ans, requiert méthodologie et outillage. C’est pourquoi nous avons développé le canevas ETBAI©, Enterprise Transformation By AI. Cette approche permet à l’équipe dirigeante d’élaborer un plan de transformation complet, de faire monter en puissance progressivement les équipes, en respectant leur biorythme, tout en maîtrisant le ROI global.

Canevas ETBAI©

Les métiers sont ainsi au cœur de la transformation.

La Data intelligence est avant tout l’affaire de l’équipe dirigeante et des métiers. En prenant le lead, ils peuvent véritablement transformer durablement les données en un puissant levier d’innovation et de performance. Nouvelles compétences, gouvernance adaptée et approche intégrant une dose d’économie sont les ingrédients à développer dans le cadre d’un plan de transformation élaboré au moyen du canevas ETBAI©.

L’article Les ingrédients de la réussite de la Data Intelligence : le business au coeur est apparu en premier sur Kéa.

L’IA, qu’elle soit générative ou décisionnelle, rebat les cartes des modèles organisationnel et économique des entreprises. Repenser les processus à l’aune de l’IA générative est de plus en plus perçu comme un usage réaliste de l’IA et à fort potentiel de création de valeur : réduction des coûts via le remplacement des coûts de main d’œuvre par des coûts machine inférieurs, gains de productivité, voire dans certains cas, amélioration de la fiabilité des processus et de la qualité des résultats obtenus. Le potentiel est immense, mais la réalité terrain en est encore loin.

L’utilisation actuelle la plus courante et spontanée consiste à circonscrire le recours à l’IA aux parties des processus qui sont en adéquation avec ses capacités telles qu’observées et à construire les nouveaux processus en fonction de ce qu’on a perçu de ses limites.

Cette approche, prudente mais limitative, freine la pleine utilisation de l’IA. Au vu de la rapidité d’évolution de la technologie, son potentiel est largement inexploité et ses usages sont encore à inventer.

Dès lors se posent trois questions :

1. Comment repousser les limites que nous fixons à l’IA générative ?
2. L’IA générative pourrait-elle nous aider à la rendre plus efficace ?
3. Quelle nouvelle approche adopter ?

1. Comment repousser les limites que nous fixons à l’IA générative ?

L’approche actuelle consiste à comprendre le fonctionnement et l’entraînement du modèle d’IA générative, dans un souci de maîtrise, puis de mener des tests « en conditions réelles » en utilisant des prompts rédigés par des humains.

Nous observons que cette approche conduit à surestimer ses limites et donc à ne pas lui confier certaines tâches.

Elle nous semble également restrictive au regard des enseignements récents de la recherche :

• la performance statistique d’un modèle d’IA générative s’améliore  en augmentant la taille du modèle, son entraînement et la taille du jeu de données d’entraînement utilisé ;
• cette amélioration de la performance provoque l’apparition de nouvelles capacités encore difficiles à prédire et en particulier l’intelligence « générale ».

Cet axe de développement permettrait d’après les spécialistes d’obtenir des nouvelles générations de modèles significativement plus intelligents dans les prochaines années.

Dit autrement, l’IA s’améliore par l’expérience et surtout, peut développer de nouvelles capacités insoupçonnées. Mais en l’absence de cette prise de recul, les expérimentations actuelles sont limitantes.

2. L’IA générative pourrait-elle nous aider à la rendre plus efficace ?

Un modèle d’IA générative de la génération actuelle a une intelligence globale comparable à celle d’un « adolescent intelligent ». Cette analogie, évoquée récemment par Mira Murati, CTO d’OpenAI, lors d’une conférence, permet de prendre conscience de deux réalités :

• son niveau d’intelligence est déjà significatif, il est donc possible de lui confier des processus ou tâches complexes ;
• son niveau d’expérience est limité, il faut donc lui donner toutes les informations nécessaires pour répondre correctement à la question posée, y compris celles que nous ne pensons pas spontanément à lui donner car elles relèvent de l’évidence pour nous.

Les IA génératives sont donc des adolescents à fort potentiel, mais à l’expérience limitée. Si nous nous rappelons que les modèles progressent par l’apprentissage en continu, faisons donc tout d’abord l’effort de mieux découper le processus de réflexion en sous-tâches. Tel l’adolescent, qui résout par étapes un problème complexe de mathématiques.

Par ailleurs, il faut que notre adolescent apprenne le savoir de base nécessaire à la résolution du problème. Il faut lui fournir la connaissance de fond, y compris la définition des termes utilisés s’ils sont spécifiques, les consignes précises pour réaliser les sous-tâches, les exemples de résultats attendus, etc.

C’est ainsi que l’expérience peut se transmette à notre « IAdo ».

Nous avons par ailleurs observé qu’un prompt rédigé par un humain est moins performant qu’un prompt rédigé par une IA : moins complet, souvent sans exemple, moins bien formulé, etc.

L’IA peut donc aider l’IA. Il suffit alors d’écrire un prompt pour demander à l’IA de rédiger un prompt pour une IA, puis exécuter le prompt obtenu[1].

3. Quelle nouvelle approche adopter ?

Notre démarche s’inspire de l’une des branches de la recherche intitulée « agentic AI ». Elle consiste à améliorer et spécialiser des IA généralistes pour en faire des agents capables de réaliser une tâche de façon « autonome ». En passant ainsi de l’adolescent au jeune adulte, il est observé que le niveau d’efficacité de l’IA générative augmente significativement.

Concrètement, voici quelques bonnes pratiques à mettre en oeuvre :

• concevoir un programme global qui découpe la tâche confiée à l’IA en sous-tâches et orchestre leur réalisation ;
• mettre ce découpage à l’épreuve de la réalité : si j’avais à réaliser cette tâche, par quelles étapes élémentaires passerais-je ?
• utiliser l’IA dans différents rôles : pour répondre à une question, mais aussi pour évaluer la qualité de la réponse, pour imaginer des tests pour valider sa fiabilité, pour la relire ou encore la corriger, etc. La performance humaine provient de l’itération : il est très rare d’obtenir un niveau de qualité excellent dès la première tentative ;
• attacher de l’importance à la formulation de chaque prompt, en respectant les bonnes pratiques de prompt engineering, en particulier en s’appuyant sur l’IA pour la rédaction de prompts.

En conclusion

La technologie d’IA générative actuelle possède déjà un potentiel de performance intrinsèque qui est sous-exploité par notre vision limitative de l’IA et nos approches.

La nouvelle approche que nous avons adoptée chez Kéa exploite deux qualités méconnues de l’IA : sa capacité à s’améliorer si on lui fournit méthode et contenu (découpage des tâches complexes ; transmission du savoir) et sa capacité à mieux formuler les prompts.

Avec une conviction : notre adolescent a du potentiel. Libérons-le !

[1] Par exemple, nos équipes techniques utilisent systématiquement cette bonne pratique dans le cadre de leurs travaux de développement.

L’article Et si nous devions aider l’IA générative, cet adolescent intelligent, mais sans expérience ? est apparu en premier sur Kéa.

Intégrer une IA dans une entreprise revient à intégrer quelque chose qui a à la fois les traits d’un humain et ceux d’une machine. Le déploiement d’une intelligence artificielle nécessite la combinaison de 2 compétences bien distinctes : savoir intégrer un nouvel humain dans l’organisation et savoir intégrer une application dans son operating system. C’est totalement nouveau, cela n’a jamais été fait ni pensé. Claire Gourlier, co-fondatrice de Kea Euclyd, cabinet de conseil en stratégie numérique et Thomas Laborey, co-fondateur de Blooming Partners, cabinet de conseil en innovation managériale, partagent leur approche de l’utilisation de l’IA dans l’entreprise.

L’article Les 3×3 de Kéa – IA générative : évitons les faux départs est apparu en premier sur Kéa.

Les opportunités liées à l’utilisation de l’IA sont indéniables et les organisations ne se posent plus vraiment la question d’y recourir ou non. Si les biais potentiels d’une IA semblent de plus en plus identifiés, trop de décisions en la matière sont prises sans connaître les facteurs préalables de succès ou d’échec. Cela pose la question de la gestion de ces activités : comment prendre la main sur ces projets ? et comment créer les conditions du bon passage à l’échelle ?

En effet, pour une entreprise, intégrer une IA revient à intégrer quelque chose qui a à la fois les traits d’un humain et ceux d’une machine. C’est totalement nouveau, cela n’a jamais été fait ni pensé. L’IA serait-elle un collaborateur pas comme les autres ?

Sans réelle démarche managériale, l’équilibre entre automate et humain est difficile à trouver, l’algorithme est souvent perçu comme une alternative rapide, docile et bon marché aux forces vives en place et l’utilisation de l’IA ne crée pas de valeur.

Ce qui est si particulier et surtout si nouveau dans les déploiements d’intelligences artificielles, c’est qu’ils nécessitent la combinaison de 2 compétences bien distinctes : savoir intégrer un nouvel humain dans l’organisation et savoir intégrer une application dans son operating system.

Le défi, pour intégrer ce collaborateur pas comme les autres et créer les conditions du passage à l’échelle, est triple :

• atteindre le bon équilibre Machine / Humain en considérant l’IA comme un partenaire susceptible de générer de la productivité avec vos collaborateurs ;
• intégrer efficacement l’IA dans son système d’informations ;
• trouver le bon mix entre le modèle économique de l’IA généraliste et celui de l’IA plus verticalisée.

1er défi : Atteindre le bon équilibre Machine / Humain, en considérant l’IA comme un partenaire susceptible de générer de la productivité avec vos collaborateurs

Les entreprises ont commencé à utiliser l’IA en réaction à sa diffusion massive dans le grand public. Une grande majorité d’entre elles ont recensé les cas d’usage pour leur organisation. Nombreuses sont celles qui sont allées un cran plus loin, en construisant leur Roadmap IA pour se projeter dans un futur augmenté. Beaucoup d’initiatives ont été mises en œuvre par les équipes elles-mêmes pour créer la dynamique, dans une logique agile et de test & learn. Ainsi 63 % des entreprises dans le monde prévoient d’adopter l’IA à l’échelle mondiale d’ici 2025[1] et 91 % des plus grandes entreprises prévoient d’investir dans ce type de solution au cours des cinq prochaines années[2].

Le revers de cette adoption rapide sans réelle démarche managériale structurée est que l’équilibre entre automatisation et humain a parfois été difficile à trouver et que l’IA n’a pas toujours créé de valeur. Certains dirigeants n’ont pas pris toute la mesure des enjeux et des risques liés à ces projets. Des dérapages ou des biais liés à l’IA sont souvent évoqués, que ce soit pour le grand public ou pour les entreprises.  Ils peuvent avoir de forts impacts réputationnels, opérationnels et financiers et déstabiliser l’activité d’une entreprise.

Deux exemples en témoignent :

• Téléperformance a vu son action chuter de plus de 30 % en novembre 2022 à la Bourse de Paris suite à l’ouverture d’une enquête du Ministre du travail Colombien sur les conditions de travail des employés chargés de modérer les contenus choquants pour entraîner et améliorer l’IA ;
• la crédibilité de la mission et des valeurs d’AMAS, l’équivalent autrichien de France Travail, a été mise à mal par l’utilisation de son chatbot « Berufsinfomat » qui refusait d’orienter les femmes vers les métiers de l’informatique.

A bien des égards, l’IA a des attributs qui la rapprochent du fonctionnement humain. Pour cadrer une IA, l’une des clés serait peut-être de la considérer comme un stagiaire, brillant mais jeune, qu’il faudra accompagner. Pour l’intégrer, il faut la former, la faire monter en compétences, l’encadrer, lui donner du feedback, écrire son plan de développement, créer les conditions de son accomplissement au sein de l’organisation, la faire progresser, lui transmettre des valeurs…. ce que l’on ne dirait pas pour une Machine. Il faut considérer l’IA comme un partenaire qui va générer de la productivité avec vos collaborateurs.

C’est cette articulation avec les équipes qui fera de l’intégration de l’IA une nouvelle force vive de l’entreprise et un avantage concurrentiel.

On peut détailler ainsi les principes directeurs de l’organisation à mettre en place :

• Management – Analyser en profondeur le volet managérial avant tout lancement d’un cas d’usage.  Tant de questions se posent :
  • quelles sont les conséquences managériales de déployer tel cas d’usage sur une population d’utilisateurs donnée ?
  • quels sont les nouveaux enjeux, pour moi, en tant que manager ?
  • comment accompagner mes collaborateurs dans la transition ? Comment vont-ils s’appuyer sur l’IA et faire évoluer (au moins pour partie) leur travail vers plus de valeur ajoutée ?
  • quels nouveaux processus de vérification mettre en place ?
• Encadrement – Nous recommandons de conserver des collaborateurs à des postes même « col bleu » car ils pourront contrôler les résultats de la machine et parfaire son apprentissage. Face à la tentation d’augmenter toujours plus la productivité et de supprimer des postes, il est nécessaire de prendre du recul et de conserver ces compétences au moins dans un premier temps et pourquoi pas dans la durée, pour en faire des garde-fous de la machine
• Transmission  – Mettre en place des boucles de feedbacks entre l’IA et ses utilisateurs. Ces boucles organisées et systématisées amélioreront la performance de l’IA et optimiseront ses collaborations au sein de l’organisation, la confirmation ou l’invalidation des résultats de IA par l’utilisateur étant essentielle.

2è défi : Intégrer efficacement l’IA dans son système d’informations

L’enjeu d’intégration de software est sûrement le plus intuitif. Il convient de mettre en place un outil omnicanal, avec la bonne organisation compatible avec l’IA, d’avoir l’expertise liée à cet outil, d’être en mesure de l’opérer, de le faire évoluer et de maîtriser les risques qui y sont associés (régulation, complexité, culture et humain).

• Définir la bonne organisation compatible avec l’IA

Pour co-construire, mettre en place et gérer cette IA, il faut mobiliser une équipe pluridisciplinaire (des profils tech, des prospectivistes, des collaborateurs au fait des enjeux business, règlementaires…). Avec les nouvelles organisations en mode produit, beaucoup d’entreprises ont expérimenté les bienfaits de la poly-disciplinarité. Ce principe d’organisation polycompétente est particulièrement pertinent pour les projets d’IA.

• Considérer l’IA comme le nouvel avatar de l’operating system Bien définir la répartition des rôles entre les différents acteurs :
  • Qui connaît l’outil ? Qui sait l’opérer à sa guise ? Qui sait le modifier si besoin ?
  • Qui, au contraire, est simple utilisateur et ne maîtrise que l’interface utilisateur ?
  • Qui, enfin, sait y trouver des alternatives ou sait le challenger ?
• Conserver la maîtrise des risques liés à ces projets d’IA
  • Risque de régulation : ne pas s’installer dans une dépendance excessive vis-à-vis de l’IA et garder de l’expertise en interne, dans un contexte où les exigences en termes de normes et de règlementation sur l’IA pourraient augmenter. Et surtout, rester en veille très active sur ces problématiques pour anticiper les évolutions et non les subir.
  • Risque de complexité : enrichir des architectures techniques dont la seule mise en place a été un défi pour bon nombre d’organisations.
  • Risque culturel et humain : gérer la résistance au changement des employés. Ces projets pourront susciter de la peur et une démotivation qu’il faut anticiper pour y apporter les réponses adaptées.

Cadre méthodologique, guide de bonnes pratiques, référentiel des compétences nécessaires, KPIs à piloter et modèles d’évaluation du succès… de multiples outils doivent être mis en place pour monitorer ces risques.

3è défi : Trouver le bon mix entre le modèle économique de l’IA généraliste et celui de l’IA plus verticalisée

Le modèle économique de l’IA appelle un cash-flow massif pour soutenir la recherche mais les usages grand public gagnent à être abordables pour favoriser leur démocratisation et la collecte massive de données. Même si, nous en sommes persuadés, le modèle économique va largement évoluer, il dépendra probablement de l’adoption massive (et du financement) par les entreprises.

On observe 2 modèles économiques d’IA pour les organisations : les IA généralistes et les IA ciblées :

• la mise à disposition des IA généralistes et grand public dans les entreprises peut être onéreuse par rapport à leur valeur ajoutée. Le coût utilisateur mensuel d’IA telles que Copilot ou Bard freinent les passages à l’échelle dans de larges organisations. Il conviendra donc d’analyser finement les usages et les besoins pour sélectionner les populations à équiper dans un premier temps.

• Tant que les modèles économiques de ces IA généralistes n’évolueront pas (ce qui se fera probablement), le passage à l’échelle semble plus réaliste pour des IA plus spécifiques, plus verticalisées par métier, mieux adaptées aux besoins de l’entreprise et donc, avec des ROI plus assurés. On voit déjà Google développer des IA verticalisées comme AMIE dans la santé.

Nous sommes persuadés que les entreprises devront se doter d’un mix réfléchi et équilibré entre les 2 modèles. Elles devront s’équiper d’un nombre restreint d’IA généralistes soigneusement sélectionnées et investir dans des IA ciblées par verticale métier.

En conclusion

Les technologies doivent être utilisées avec discernement et au service de l’Humain, nous en sommes convaincus depuis toujours et cela est plus évident que jamais sur ces sujets d’Intelligence Artificielle. Il nous faut, aux côtés des entreprises, adapter les modes d’actions pour intégrer cette transformation d’une manière inédite entre incorporation technologique et intégration humaine, car en effet, la valeur générée par cette transformation viendra de l’articulation de l’IA avec les équipes.

Nous le constatons auprès de nos partenaires et de nos clients, une telle transformation nécessite la mise en œuvre d’une stratégie construite dans la durée et basée sur une expérience directe et approfondie des outils.

Pour que cette “machine-humaine” se développe et s’accomplisse dans votre entreprise, il faut créer les conditions et mettre en place le bon parcours d’intégration. Il y a un certain nombre de questions incontournables à se poser que nous pourrons partager avec vous, autour de l’organisation, des compétences, des méthodes de gestion des risques, du modèle économique, … Mais comme tout bon parcours d’intégration, il devra être personnalisé pour être adapté à la culture, aux valeurs et aux enjeux de votre entreprise.

La transformation est en marche et l‘IA est sans conteste une source d’avantages majeurs pour l’entreprise… encore largement à inventer et à découvrir au cas par cas.

[1] McKinsey, 2022

[2] Gartner, 2023

L’article IA générative : évitons les faux départs est apparu en premier sur Kéa.

Transformer l’entreprise pour transformer le monde

A l’occasion de la COP27 en Egypte, nous avons réfléchi aux enjeux, modes d’action et pistes concrètes pour faire de l’entreprise un levier clé de la transition climatique, à travers un cycle de webinars.

11 replays pour mettre en action l’entreprise face au défi climatique :

A l’heure des choix, les 9 clés pour faire pivoter son modèle d’entreprise vers une économie souhaitable

Transition climatique et gouvernance : gouverner la complexité et embarquer ses parties prenantes (par Ylios du Groupe Kéa)

Concilier performance & durabilité : les enjeux d’une stratégie de filière en grande consommation / distribution

Quel modèle opérationnel bas carbone pour le secteur de la construction ?

Accélérer sa transition bas carbone plus efficacement et à moindre coût grâce à la data science et la cartographie (par Veltys du groupe Kéa)

L’ancrage territorial comme accélérateur d’une production industrielle durable

Un monde en pleine mutation : un devoir d’action pour les Achats

Économie circulaire : comment travailler ensemble pour des modèles économiquement et environnementalement soutenables ?

Bascule écologique : engager tous ses collaborateurs, clé de voûte d’une stratégie bas carbone réussie (par MySezame et Arkos du Groupe Kéa)

L’agriculture au service du défi climatique : fermes de la transition, nouvelles missions des coopératives…

La Raison d’être, en quoi est-elle un accélérateur pour intégrer les nécessaires transitions ? (par Nuova Vista du Groupe Kéa)

L’article La COP27 en actions concrètes pour l’entreprise est apparu en premier sur Kéa.

En imposant la non-destruction des stocks de produits non-périssables, la loi anti-gaspillage du 1er janvier 2022 place la refonte des modèles marchands et l’optimisation des stocks résiduels au cœur des préoccupations des marques et enseignes.

Si ces dernières ont apporté des premiers éléments de réponse via des solutions de consommation circulaire, elles devront s’attaquer à l’origine même du problème -la surproduction- pour répondre pleinement aux enjeux écologiques, logistiques et financiers portés par les stocks résiduels.

Au-delà de l’application de la loi, c’est une véritable transformation en profondeur des modèles qui attend les acteurs de la filière pour répondre au triptyque :

Quel produit ? Quand ? Et où ?

La donnée pour objectiver, calibrer et mieux acheter

Pour répondre à cette équation, la donnée est essentielle. En objectivant les intuitions des équipes terrain, les modèles statistiques permettent la transition d’un modèle centré sur les volumes à une nouvelle équation de création de valeur, et se traduisent par une meilleure maîtrise de la structuration de l’offre avec des achats calibrés sur la demande. Ils offrent également des outils pour « mieux acheter » et sortir de la logique d’achat au minimum de quantité pour une logique d’achat au potentiel.

Applicable à tous les acteurs du secteur, la transformation du modèle marchandise par la donnée implique également une transformation des pratiques métiers des équipes Offre, Gestion, Achats « amplifiées » par la data. L’expérience nous montre qu’une transformation culturelle des équipes est essentielle.

Découvrez nos convictions et notre approche d’optimisation des stocks résiduels Kea – Veltys

L’article La donnée, atout clé des Marques & Enseignes pour optimiser les stocks résiduels est apparu en premier sur Kéa.