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 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.

Des transformations de l’entreprise par l’IA au service de la compétitivité… et du bien commun ?

Les premières promesses de la GenIA sont grandes : de l’automatisation des tâches répétitives et à faible valeur ajoutée jusqu’aux travaux complexes d’analyse, de création ou d’écriture, elle vient ainsi percuter de nombreux métiers et même décaler les leviers de compétitivité sur certains secteurs. Selon une étude récente de Goldman Sachs[1], c’est 300 millions d’emplois auxquels pourrait se substituer une GenIA d’ici à 2040.

Si le risque est grand de basculer dans le technosolutionnisme – qui a déjà montré ses limites –, il est en revanche intéressant de sortir de l’opposition Homme / Machine pour penser les grandes transformations de l’entreprise pour des usages au service de (et non en substitution de) l’humain, la société, et le bien commun. Cette réflexion suppose toutefois de lever certains freins en entreprise lorsqu’on sait que 40 % des professionnels pensent que l’IA serait vécue comme une concurrence pour les équipes, un sentiment partagé par 52 % des actifs qui voient dans cette technologie une menace pour leur propre emploi (selon notre étude[2]).

Qu’en est-il aujourd’hui ? Nos clients[3] nous remontent déjà des champs d’application et cas d’usage fréquents lorsque nous discutons de leur projet d’IA : maximisation de la performance commerciale et marketing (prévision de ventes, satisfaction client, hyper personnalisation des produits…) ou optimisation des process industriels (jumeau numérique, robotisation, automatisation du contrôle qualité, stockage prédictif ou maintenance prédictive, réduction des dépenses énergétiques). Ces retours d’expérience témoignent d’une capacité pour toute entreprise, indépendamment de sa taille ou son secteur, à adopter l’IA à divers niveaux de maturité et de fonctions de l’entreprise. Dès lors, par où commencer ?

01 Développer un questionnement rigoureux et laisser le temps aux POC

Quel que soit le parcours ou le but recherché concernant l’IA, un questionnement rigoureux est clé. Notre conviction intime est que tout projet IA et plus spécifiquement GenIA s’articule autour de deux grands thèmes : à quels objectifs business doit-il répondre (cas d’usages, ROI, volume de données) ? Mais également, comment opérer en responsabilité (confidentialité, souveraineté, adhésion des équipes opérationnelles). En tant que dirigeants, il est donc pertinent de prendre le temps pour poser les objectifs, informer, sensibiliser, embarquer et décider, en se posant les bonnes questions (ici, chuchotées par ChatGPT) :

• Quels sont les objectifs poursuivis par l’entreprise à travers la GenAI (générer du lead, améliorer la productivité ou le service client, …) ? Quels KPI associés seront à suivre dans la durée ?
• Quelles seront les données à injecter dans l’IA pour son bon fonctionnement avec quel niveau de qualité ? Sont-elles disponibles et doivent-elles être collectées et retraitées en amont ?
• Quelle équipe est la plus adaptée pour orchestrer ce déploiement ?
• Quel est l’accès des équipes à la GenIA (intégration ou non), et quelles sont les modalités de travail ?
• Comment embarquer les équipes dans ce nouvel usage ? De quoi ont-ils besoin ? Comment mettre une formation en continu intégrant les évolutions de l’IA ?
• Quels garde-fous juridiques et quelles mesures de confidentialité sont à anticiper pour limiter les risques ?

Auxquelles nous ajoutons le questionnement, à notre avis essentiel, de l’impact et d’agir en responsabilité :

• Comment gérer la confidentialité et la souveraineté des données ?
• Quel management mettre en place pour garantir à la fois l’adhésion des équipes au projet et aux technologies, en plus de leur formation ?

La réussite d’un projet est toujours fortement conditionnée par sa bonne préparation et la constitution de son équipe. Dès lors, il faut savoir prendre le temps pour les premiers POCs afin d’apprendre de la technologie, de monter en compétences et d’atteindre plus tard un passage à l’échelle : s’adapter aux caractéristiques inhérentes à l’entreprise sans vouloir dupliquer le succès d’une autre et trouver son chemin pour contribuer au bien-être des collaborateurs et à la société.

02 Identifier les cas d’usage différenciants et contributifs de cette double logique économique / bien commun

Cet exercice de mise à plat et de sélection des cas d’usage avec une analyse éclairée est intéressant pour éviter des déploiements coûteux, lourds et susceptibles de dégrader la fidélité client en cas d’erreur. Ils s’échelonnent tout au long de la chaîne de valeur d’une entreprise et peuvent concerner :

• Marketing (contenus) et service client (analyse automatique de feedbacks, automatisation de réponse et informations)
• Collaboration (à l’image de Microsoft Co-pilot : amélioration de slides PowerPoint, rédaction de comptes-rendus de réunions, synthèses, …)
• Recrutement (automatisation des tâches, recherche de candidats, onboarding automatisé) et formation (création de programmes et contenus personnalisés)
• Analyse de données (notamment sur de grands volumes non-structurés)
• Opérations (identification d’erreurs, liste de tâches, comparaison de documents)
• Juridique, risque (création de document, analyses, …)
• IT (autour du code : écriture, correction, documentation)

Selon les professionnels que nous avons interrogés[4], officiant dans les secteurs numériques et nouvelles technologies, la pertinence des IA réside principalement dans la substitution de travaux répétitifs (63 %), la recherche documentaire ou la traduction (62 %) et la détection des fraudes (56 %). Les travaux de rédaction automatique et le développement de la relation client ne sont jugés respectivement pertinents qu’à 29 % et 24 %. À court terme, l’automatisation permet des gains de productivité, avec un besoin humain pour opérer la demande, monitorer et finaliser le travail. À moyen terme, les GenIA permettront de réinventer des business modèles par l’innovation à laquelle elles permettent d’accéder.

03 Adapter / reconfigurer son modèle

Le déploiement de GenAI dans l’entreprise suppose inexorablement une adaptation sinon une transformation de son modèle organisationnel, managérial et opérationnel.

Le projet peut notamment requestionner la répartition des rôles et responsabilités, la structuration (équipes dédiées ou non) et les interactions entre départements pour une collaboration efficace et le besoin en nouvelles compétences tout de suite et à moyen terme. Les GenIA sont par ailleurs des outils puissants pour aider vos salariés dans leur quotidien en réduisant la charge des travaux rébarbatifs ou répétitifs pour se consacrer aux projets à forte valeur ajoutée, améliorer leur qualité de vie au travail, voire dégager du temps pour les former sur de futurs outils.

Avec des métiers percutés, le rôle du manager se décale également avec une préoccupation majeure autour de l’articulation entre l’humain et l’IA pour sécuriser la cohérence et l’interprétation des résultats. Si l’IA peut répondre à une quête de sens au travail par l’automatisation des tâches à faible valeur, elle ne pourra pas apporter de réponse à la demande de reconnaissance. Le manager et l’entreprise plus globalement doivent également jouer un rôle dans la sécurisation d’une utilisation éthique et adaptée de l’IA dans l’entreprise, en cohérence avec la culture de l’entreprise et ses valeurs (notamment par l’embarquement, l’information, la formation, …).

Enfin, d’un point de vue opérationnel, deux chantiers clés seront à impulser : le système de données et son intégration avec l’IA ainsi que la protection des données, pour notamment limiter les problèmes de cybersécurité, de désinformation et de confidentialité.

Devenues une opportunité pour les entreprises de transformer les business modèles, les IA vont également largement refaçonner certaines interactions avec la société au sens plus large. Les entreprises ont un rôle clé à jouer pour orienter ces transformations. Des arbitrages sont à mener pour positionner l’IA sur les bons cas d’usage permettant différenciation, compétitivité et contribution au commun.

Est-ce qu’un moratoire de 6 mois serait utile, comme le demande certains dirigeants de la tech[5] ? Il n’est pas certain que la course au perfectionnement des GenAI soit arrêtée pour autant ; cela laissera éventuellement le temps au régulateur de s’adapter, car il est impératif de poser le cadre pour ces nouvelles technologies. Cela pourrait également être une opportunité pour la France ou l’Europe de dessiner un projet commun d’IA générative, pensé en filière, avec un cadre commun pour respecter régulations et souveraineté des données, comme c’est le cas pour les grands projets de recherche nucléaire (CERN), cybersécurité (ENISA) ou de Cloud (GAIA-X).

[1] Les Echos, 28/03/23, « ChatGPT et l’IA menacent 300 millions d’emplois dans le monde, selon Goldman Sachs », https://www.lesechos.fr/tech-medias/intelligence-artificielle/chatgpt-et-lia-menacent-300-millions-demplois-dans-le-monde-selon-goldman-sachs-1919968 [2] Etude Odoxa pour Kea et BFM business réalisée du 2 au 6 février 2023, auprès d’un panel représentatif de 1005 Français. [3] Enquête Kea Apax pour le METI « Intelligence Artificielle : l’expédition du dirigeant » juin 2022.

[4] Etude Odoxa pour Kea réalisée du 2 au 6 février 2023, auprès d’un panel représentatif de 320 professionnels de la tech et du numérique.

[5] Les Echos, 29/03/23, « IA : Elon Musk et des experts appellent à une pause, évoquant des risques majeurs pour l’humanité », https://www.lesechos.fr/tech-medias/hightech/ia-elon-musk-et-des-experts-appellent-a-une-pause-evoquant-des-risques-majeurs-pour-lhumanite-1920243

L’article IA générative : quels impacts pour l’entreprise et quelles questions se poser ? est apparu en premier sur Kéa.

Ce succès, l’équipe le doit à un savant dosage

• Une ambition assumée, redevenir une nation majeure du rugby mondial,
• Une stratégie singulière : « Arrêtons de copier [les Anglo-Saxons], car on ne les rattrapera pas. On va couper à travers champs comme les Gaulois que nous sommes. »[1],
• Une équipe dirigeante expérimentée et soudée, incarnée par le binôme Galthié – Ibanez, qui a réfléchi à son projet et qui l’a tenu, avec, sublime hérésie rugbystique, un Anglais dans le staff [2],
• Un projet de jeu où les joueurs ont leur part de voix, un choix issu des stratégies gagnantes du handball et du rugby irlandais,
• Un état d’esprit : la famille, l’amour du maillot,
• Une coopération de l’ensemble de la filière rugby,
• Le sens du projet avec une flèche du temps, conceptuelle et s’inscrivant dans le temps long donc décriée, raillée, incomprise, mais ô combien puissante [3].

Des joueurs boostés à la Data Science

Au-delà d’avoir su réunir ces ingrédients et d’en faire une recette du succès, la véritable innovation de Fabien Galthié réside dans le rôle central de la Data Science dans son projet.

Le rugby français, sport de puissance collective et de muscles individuels, mâtiné d’un indiscipliné esprit gaulois, utilise désormais pleinement la puissance de la Data. Le staff de l’équipe de France ne s’en cache pas :

• Les capteurs sont omniprésents : les joueurs sont équipés de centrales inertielles ; des drones sont présents aux entraînements ; un simulateur de mêlée a été développé.
• Tous les joueurs sont monitorés avant, pendant, après les matchs, en équipe de France et dans leurs clubs. Dans de nombreuses dimensions (physique, positionnement…)
• Les matchs des équipes adverses sont décortiqués grâce à la Data Science. Les stratégies de jeu sont établies en mixant intuition, expérience, faits et modèles Data
• Les modèles prédictifs et prescriptifs aident à la prise de décision pour composer l’équipe de départ et faire rentrer les finisseurs (que ce terme est magique).
• Les données et analyses sont partagées avec tous, joueurs et clubs, en toute transparence.

Nos joueurs ont-ils pour autant été transformés en robots décérébrés ? En complément d’une dynamique d’entraînement et de préparation physique basées sur la Data, Didier Retière le constate comme nous sur le terrain : les joueurs sont restés libres. La Data Science n’est donc pas synonyme de la fin de l’individu lorsqu’elle est intelligemment mise au service d’un projet stratégique.

Fabien Galthié et toute son équipe, staff et joueurs, ont réussi à devenir des Centaures, au sens que donne la philosophe Gabrielle Halpern [4], dans un monde où tout s’hybride : une alliance inédite entre sport de haut niveau et Data Science, un rugby 2.0.

Nul doute que le staff de l’équipe sera fortement sollicité par les entreprises pour comprendre comment il a réussi à allier French Flair et Data Science. Pour nous, l’équipe Kea et Veltys, ils sont déjà une source d’inspiration.

[1] Le Figaro – interview de Fabien Galthié – automne 2021

[2] Depuis novembre 2019, Shaun Edwards est l’entraîneur de la défense de l’équipe de France de Rugby.

[3] Didier Retière, dans son article « La révolution copernicienne qui replaça le xv de France au Centre de la planète rugby » évoque la nécessité de penser son projet comme un bâtisseur de cathédrale. Avouons que cela est plutôt osé dans le rugby et dans une société de licornes ! – Le journal de l’école de Paris du management » 2022/1 N° 153 | pages 8 à 14

[4] « Tous Centaures. Eloge de l’hybridation » – Gabrielle Halpern – Editions Le Pommier

L’article La Data Science est-elle soluble dans le French Flair ? est apparu en premier sur Kéa.