Pourquoi les IA vont (continuer à) bouleverser l’économie (comme elles le font depuis de nombreuses années)

En à peine un an, l’intelligence artificielle est devenue le nouveau sujet à la mode, celui dont tout le monde parle et que toutes les startups mettent dans leur pitch. Au-delà du buzzword, les implications de l’adoption d’intelligences artificielles en entreprise sont bien supérieures aux défis technologiques que cela représente. En synthèse : c’est extrêmement complexe et pas forcément rentable à court terme, mais tout le monde va devoir y passer. Oui, le sujet n’est pas simple, voilà pourquoi je lui consacre mon dernier article de la rentrée.

AI-cats.jpg

L’IA a atteint le pic des attentes démesurées, mais ne mérite pas de tomber dans la fosse de la désillusion

Je ne sais pas pour vous, mais j’ai vraiment l’impression que le nombre d’articles sur les IA croit de façon exponentielle. Dernièrement, nous avons encore vu un florilège de racolage avec l’IA qui fait de la musique (The World’s First Album Composed and Produced by an AI Has Been Unveiled), celle qui recrute (Unilever pré-sélectionne ses salariés grâce à une intelligence artificielle) et celle qui fait vendre du parfum (AI is so hot right now researchers are posing for Yves Saint Laurent).

J’ai beaucoup de respect pour Alexandre Robicquet, son parcours est exemplaire, mais cette surmédiatisation risque de nous faire atteindre le point de saturation alors que nous ne faisons qu’explorer la partie visible de l’iceberg. Même le gouvernement s’y met (Intelligence artificielle : 4 enjeux, 5 atouts et 1 mission, selon Edouard Philippe), c’est dire !

Certes, toutes les planètes sont alignées pour que les IA se développent rapidement (progrès des algorithmes et des processeurs dédiés, puissance de calcul à bas coûts, disponibilité de larges jeux de données…), mais méfions-nous du retour de bâton, car considérer les IA comme des gadgets et en négliger l’impact serait une faute terriblement grave. Il y a donc urgence pour éduquer le marché et faire en sorte que les entreprises françaises ne se fassent pas distancer.

Il existe de nombreuses études qui décrivent l’importance des IA et la façon dont elles vont transformer notre économie. La dernière en date est celle du BCG en partenariat avec le MIT : Reshaping business with artificial intelligence. Non seulement cette étude nous fournit des statistiques très intéressantes, mais elle est en plus très pédagogique. On y apprend ainsi que 3/4 des professionnels sondés estiment que les IA vont avoir un impact majeur sur leur entreprise, mais que seulement 1/5 ont commencé à exploiter les IA sur leurs processus industriels ou offres.

Il y a donc un écart énorme entre la perception réelle du potentiel des IA et celle affichée en façade : « Oui oui, les IA vont tout changer, mais là je me concentre sur mon vrai business avec mes vrais clients, pas des robots virtuels« . Ça ne vous rappelle rien ? C’est exactement le même état d’esprit qui existait il y a 10 ans avec le web et qui persiste aujourd’hui avec le mobile : tout le monde est d’accord pour dire que l’impact va être énorme… pour les autres. Du coup, personne n’a la volonté ou le courage de remettre en question son offre ou sa façon de travailler. Ce qui est très étrange dans le cas des intelligences artificielles, car elles existent depuis 30 ans, notamment dans les systèmes experts. Comme toujours, les marques et organisations sont tellement préoccupées par leurs résultats trimestriels qu’elles en oublient de s’intéresser à la viabilité de leur marché à moyen terme.

Jusqu’ici, tout va bien…

Les IA sont déjà là, mais vous ne vous en étiez pas rendu compte

Le plus gros problème de l’intelligence artificielle, c’est le terme en lui-même. Nous en avons fait une notion fourre-tout qui brouille sa compréhension. Pour bien appréhender ce qui se cache derrière, il faut se plonger dans une littérature complexe et essayer de décrypter les prérequis du machine learning, les limitations du deep learning, les subtilités du transfer learning… Autant dire que c’est un chantier pédagogique dantesque.

Pourtant, les domaines d’applications sont nombreux et très concrets. Il est ainsi possible de lister les différentes fonctions d’une IA :

  • le dialogue automatique (ex : disques vocaux) ;
  • la traduction automatique, en temps réel ou très légèrement différée (ex : Skype Translator) ;
  • le traitement automatique du langage naturel (ex : chatbots) ;
  • la reconnaissance de formes, des visages (autrement appelé computer vision) ;
  • l’intégration d’informations hétérogènes (fusion de données) ;
  • l’aide au diagnostic ou à la décision (les systèmes experts qui s’appuient sur l’identification de schémas récursifs) ;
  • la résolution de problèmes complexes (ex : optimisation de l’allocation de ressources) ;
  • l’automatisation de tâches (ex : trier ou classer des données)…

Vous noterez que ces domaines d’applications ne s’appliquent pas que à l’industrie (nous parlons plus ici d’automatisation), mais également au secteur tertiaire. Prenons l’exemple d’un cabinet d’avocat : un chatbot pourrait fournir un premier niveau de service aux clients du cabinet souhaitant avoir des réponses rapides ; un agent intelligent pourrait prétraiter les dossiers les plus simples (ex : divorces…) ; enfin, un système expert pourrait assister les avocats à traiter de grands volumes de données (la jurisprudence) et à procéder à des arbitrages (évaluation des dommages et indemnités).

Ceci n’est qu’un exemple parmi d’autres. De façon générale, vous pouvez considérer que tous les secteurs d’activité sont concernés. À partir du moment où vous avez des cols blancs qui trainent à la machine à café, il existe des processus industriels qui peuvent être optimisés ou automatisés par des IA.

AI-functional-aeras.jpg

Les IA ne font pas de meilleures publicités, mais des segments plus fins

En ce qui concerne le marketing et la publicité, là encore, il existe de nombreuses applications des IA :

  • optimisation des enchères pour les campagnes de mots-clés ou de bannières ;
  • analyse du contexte d’une page ou d’une vidéo pour y associer la publicité la plus pertinente (How computer vision may impact the future of marketing) ;
  • automatisation des tests A/B ou multivariables (accroches d’emails ou pages d’entrée) ;
  • Personnalisation de contenus (sur la base de scénarios prédéfinis et de microsegments) ;
  • Calcul de l’attribution (analyse de nombreuses sources d’information)…

Et il existe également de nombreuses promesses toutes plus délirantes les unes que les autres : les publicités générées automatiquement, les boîtes magiques qui doublent le taux de clic dès la première semaine… J’ai déjà eu l’occasion de vous expliquer ces utilisations possibles (Les IA sont-elles l’avenir du marketing ? Certainement…), aussi je n’insiste pas.

Il est néanmoins intéressant de préciser que les IA peuvent apporter beaucoup de choses aux pratiques de e-marketing, mais elles s’appliquent également à la publicité traditionnelle. Il existe en effet des capteurs qui analysent la réaction des passants devant une vitrine ou une affiche et en déduisent sa valeur média en fonction de la contribution probable de cette publicité à une vente (cf. Détection des émotions dans la publicité). Tout ceci peut vous sembler être de la science-fiction, mais sur un marché qui perd en moyenne 10% de sa valeur tous les ans, je doute que l’on puisse se permettre de négliger ces innovations. Formulé autrement : qui est aujourd’hui dans une position suffisamment forte pour ne pas chercher par tous les moyens possibles à revaloriser son inventaire publicitaire ? (cf. Les grands médias français se lancent dans la bataille de la data, vous devriez aussi !)

En a peine deux ans, un vaste écosystème de prestataires s’est constitué autour des promesses des IA, mais uniquement des usages bien précis qui reposent sur l’exploitation de la force brute des machines. Comme le dit l’adage : « les machines peuvent pelleter le charbon plus vite qu’un mineur, mais elles sont incapables de trouver un nouveau gisement par elles-mêmes ». Cette citation reflète bien la situation dans laquelle nous nous trouvons actuellement : une infinité d’offres soi-disant miraculeuses qu’il faut trier, évaluer, choisir et implémenter. En d’autres termes : c’est la jungle et nous n’avons pas de carte ni de guide pour nous y retrouver.

Dans tous les cas de figure, gardez bien en tête que les machines ne remplacent pas l’homme, en aucun cas, elles lui permettent d’automatiser des tâches répétitives ou de procéder à des ajustements en temps réel à partir de nombreux inputs. Donc, au cas où il subsisterait un doute dans votre esprit : non, les IA ne vont pas détruire des emplois, elles vont accélérer leur évolution : We Survived Spreadsheets, and We’ll Survive AI. Pour être plus précis : les IA vont bien faire disparaitre certains postes, mais les collaborateurs qui les occupent vont avoir la possibilité d’évoluer vers d’autres fonctions. Ce sujet est d’ailleurs largement abordé dans l’étude du BCG : moins d’1/3 des sondés craignent que les IA leur prennent du travail, tandis que plus des 2/3 espèrent qu’elles vont les soulager de tâches à faible valeur ajoutée.

AI-effect.jpg

Tout est donc question de flexibilité : ceux qui ne veulent pas se remettre en question et luttent pour le statu quo ont du souci à se faire. Même son de cloche chez Cap Gemini avec une étude qui met l’accent sur les bénéfices opérationnels : Turning AI into Concrete Value.

CapGemini-AI-benefits.jpg

J’ai eu de nombreuses occasions de débattre de ces questions dans mon entourage personnel et professionnel, et à chaque fois, le débat s’enlise sur la question de la ré-employabilité : « s’ils perdent leur emploi, ils ne pourront pas en retrouver un« . Ce à quoi je réponds invariablement : plutôt que d’essayer de lutter contre le progrès, faites confiance à l’être humain et sa faculté d’adaptation. Car c’est là un des enjeux-clés de l’adoption des IA et de la transformation digitale : accepter le changement comme source d’opportunités, de création de valeur, et non comme une menace. La bonne nouvelle, c’est que tout ne va pas se faire en quelques mois. Ainsi, lors des précédentes révolutions industrielles (celles de la vapeur, de l’électricité, du pétrole et des ordinateurs), les entreprises n’ont pas été immédiatement transformées. Elles ont commencé par expérimenter des innovations pour améliorer leur productivité. Puis, face à l’émergence de nouveaux concurrents, elles ont eu la possibilité de faire évoluer leur offre. Avec l’intelligence artificielle, c’est la même chose : nous parlons d’une évolution sur le long terme et non d’une révolution soudaine. Les entreprises vont avoir le temps de bien comprendre leurs enjeux des transformations induites par les IA et de s’y préparer. Et comme les IA ne sont pas neuves, elles sont apparues dans le monde universitaire dans les années 50 et sont exploitées depuis près de 20 ans dans le monde des entreprises, nous commençons à avoir un peu de recul sur les nombreux cas d’usage des intelligences artificielles.

CapGemini-AI-cases.jpg

Rassurez-vous, la « révolution » des IA va s’étaler sur de nombreuses années à mesure que les IA vont participer à la reconfiguration des secteurs. Encore une fois, la question n’est pas « si », mais « quand ». Plus tôt vous commencerez, plus faible sera la pression concurrentielle.

Pourquoi et par où commencer ?

Le rapport du BCG liste un certain nombre de raisons en fonction de leur importance aux yeux des personnes sondées :

AI-reasons.jpg

De toutes les raisons d’adopter les IA citées dans le rapport du BCG, j’en retiendrais trois : améliorer la productivité (développer ou consolider un avantage compétitif), sécuriser les parts de marché (se protéger face aux nouveaux entrants) et conquérir de nouveaux marchés (développer de nouvelles offres). Ces trois objectifs devraient à eux seuls motiver n’importe quelle entreprise, mais tout n’est pas si simple. Les intelligences artificielles sont en effet des systèmes informatiques extrêmement sophistiqués qui nécessitent beaucoup de données et surtout des compétences « métiers »De l’importance des données (et des humains) pour le machine learning.

La dure réalité est la suivante : ce n’est pas parce que vous lancez une initiative de machine learning que vous allez forcément gagner en productivité, ou du moins gagner suffisamment pour rembourser les investissements initiaux. Et c’est encore plus vrai pour les initiatives de deep learning qui fonctionnent comme des boîtes noires (pas d’optimisation manuelle possible, la machine fonctionne en autonomie).

Certes, il existe des solutions « clé en main » qui permettent d’optimiser les pages de catégories ou les listes de résultats de recherche comme Target2sell (#cocorico), mais elles ne s’appliquent que sur une petite partie d’un site marchand. Pour pouvoir couvrir tous les aspects d’une entreprise, il faudrait avoir recours à un nombre important de fournisseurs de solutions et engager de gros moyens pour intégrer ces solutions de façon effective et faire en sorte qu’elles ne se perturbent pas mutuellement. En synthèse : injecter de l’intelligence artificielle dans l’ensemble des fonctions et processus internes, mais de façon cohérente et maitrisée. C’est un chantier de très grande envergure, équivalent à une ré-urbanisation du système d’informations, mais avec une forte dimension humaine en prime : la résistance au changement.

Ce sujet est également abordé dans le document du BCG (puisque je vous dis que ça vaut le coup de le lire !). Les barrières à l’adoption sont nombreuses et somme toute assez proches de celles de la transformation digitale. IA et transition numérique sont deux sujets interdépendants, l’un n’allant pas sans l’autre (au même titre que le mobile ou les interfaces naturelles qui ont été abordés précédemment). Les entreprises à la traine dans l’adoption des IA invoquent un manque de vision ou de leadership. Il est donc primordial d’inclure les intelligences artificielles dans vos réflexions sur l’évolution de votre entreprise / secteur d’activité.

AI-barriers.jpg

Pour vous aider dans votre processus d’adoption, je vous recommande les étapes suivantes :

  1. Amasser des données (car les algorithmes sont incapables d’apprendre sans une masse conséquente de données) ;
  2. Développer une culture data / numérique (cela permettra de raffiner les données déjà collectées et de les enrichir de façon pertinente) ;
  3. Lancer des projets pilotes pour susciter l’adhésion (rien de tel qu’une victoire rapide pour lever les doutes des plus récalcitrants et pour identifier les collaborateurs les plus motivés sur le sujet afin de créer des groupes de travail) ;
  4. Identifier les nouveaux entrants et les offres des concurrents (afin de fixer des échéances et de faire tomber les derniers bastions de résistants au changement) ;
  5. Définir des usages-clés, des domaines d’applications spécifiques à votre activité ou au contexte de votre entreprise (sur la base des ateliers de réflexion des groupes de travail) ;
  6. Impliquer les équipes déjà en place plutôt que d’en recruter de nouvelles.

Le dernier point est essentiel, car dans tous les cas de figure, les gains de performance ne se feront que si les collaborateurs et les machines travaillent de concert. Dans l’immédiat, votre priorité est donc de rassurer les collaborateurs (réduire la résistance au changement) et de les faire monter en compétences pour qu’ils puissent entrainer, superviser ou bénéficier des intelligences artificielles.

S’il y a bien une chose que vous devez retenir dans cet article, c’est la suivante : vous ne devez pas craindre les intelligences artificielles, car au final elles amélioreront votre quotidien personnel et professionnel (The Fourth Industrial Revolution is about empowering people, not the rise of the machines). Ne vous y trompez pas : adopter l’intelligence artificielle ne se résume pas à implémenter une innovation technologique, mais à changer de mentalité. Car cette fameuse quatrième révolution industrielle amorce un déplacement de la valeur dans les entreprises : elles ne doivent plus chercher à développer leur capacité de production (les automates et algorithmes sont disponibles pour tous), mais à cultiver leur capacité d’innovation. Traduction : pour qu’une entreprise prospère, elle ne doit pas être plus productive, mais plus créative, sauf si vous voulez vous contenter du rôle de sous-traitant. Et pour cela, il faut une vision forte et fédératrice. Et ça, ce ne sont pas les machines qui vont vous la fournir…

Ainsi s’achève ma série de trois articles de la rentrée, correspondant à trois chantiers prioritaires : terminaux mobiles, interfaces naturelles et intelligence artificielle. À ce sujet, je vous invite à écouter ce podcast qui aborde l’exploitation des IA pour le marketing : Il y a trop de charlatans sur l’intelligence artificielle.

5 réflexions sur “Pourquoi les IA vont (continuer à) bouleverser l’économie (comme elles le font depuis de nombreuses années)

  1. Un seul mot : bravo !

    Même dans la cybersécurité, on nous sort de l’IA à l’envi. Rien ne remplacera l’intuition et l’expérience de hackers et d’experts en sécurité offensive !!

    J'aime

    1. Oui où nous pouvons également envisager un tandem algorithmes / experts. Les algo pour les tâches de surveillance subalternes, les experts pour calibrer le tout et traiter manuellement les cas particuliers

      J'aime

  2. Rien à ajouter, résumé remarquable des enjeux du sujets et des prérequis pour engager le chantier de l’intégration des process IA dans nos organisations : une vision forte et fédératrice

    J'aime

  3. Tout comme le big data du marketing correspond aux technos noSql des developpeur.

    Sur la partie machine intelligente, je séparerais cela en 2 outils .D’un coté les IA qui sont globalement des arbres de décisions . On a un état initial et un contexte, l’IA prend une décision en parcourant un arbre de regle et la déclenche. Ce qui la fait passer dans un autre état. Dans ce cas, le programme ne fait qu’exécuter un programme défini par le programmeur. Cela existe depuis 50 ans dans les jeux videos. Mais on commence a penser a de nouvelles utilisations.

    De l’autre, le machine learning qui a une phase d’apprentissage avant d’être utilisable. La machine prend alors ses propres décisions. Cela peut sembler génial mais il faut beaucoup d’exemples d’apprentissage pour que l’outil progresse. De plus, il y a un taux d’erreur car ce n’est pas déterministe comme un algo classique.

    J'aime

Laisser un commentaire

Entrez vos coordonnées ci-dessous ou cliquez sur une icône pour vous connecter:

Logo WordPress.com

Vous commentez à l'aide de votre compte WordPress.com. Déconnexion / Changer )

Image Twitter

Vous commentez à l'aide de votre compte Twitter. Déconnexion / Changer )

Photo Facebook

Vous commentez à l'aide de votre compte Facebook. Déconnexion / Changer )

Photo Google+

Vous commentez à l'aide de votre compte Google+. Déconnexion / Changer )

Connexion à %s