L’IA est la récompense de la discipline opérationnelle, mais elle ne la créera pas
Défis de l’IA: Les dirigeants sont souvent induits en erreur sur les capacités de l’IA, ignorant les problèmes organisationnels fondamentaux qui affectent son déploiement.
Problèmes de données: Les principaux obstacles à une intégration efficace de l’IA sont l’adhésion des dirigeants, la qualité des données et la culture organisationnelle sur ces questions.
Besoins en infrastructure: Les applications d’IA réussies nécessitent une infrastructure solide, impliquant généralement une feuille de route de 12 à 18 mois pour la mise en œuvre.
Alignement du leadership: La collaboration au niveau du comité de direction est essentielle pour s’attaquer aux problèmes communs au lieu de poursuivre des stratégies isolées par département.
Discipline opérationnelle: Le véritable succès durable de l’IA découle d’une discipline opérationnelle, et non simplement de nouvelles technologies ou d’outils innovants.
Quelque part au cours des deux dernières années, la plupart des cadres dirigeants se sont convaincus qu'ils avaient un problème d'IA. Le conseil d'administration veut une stratégie. Les concurrents annoncent des projets pilotes. Le directeur financier demande des calendriers de retour sur investissement. Alors ils ont embauché un Chief AI Officer (directeur de l'intelligence artificielle), créé un groupe de travail, et commencé à consulter des fournisseurs.
Aucune de ces actions ne résout le véritable problème.
Eric Gonzalez a passé des années au sein d'organisations en tant que chief data officer fractionné, aidant les entreprises à démêler l'écart entre ce que les dirigeants pensent que l'IA pourra faire et ce que leurs opérations peuvent véritablement supporter.
Keep Reading—and Keep Leading Smarter
Create a free account to finish this piece and join a community of forward-thinking leaders unlocking tools, playbooks, and insights for thriving in the age of AI.
Have an account? Log In
Toujours les trois mêmes réponses
Il raconte une anecdote à propos d'un panel qu'il a animé il y a quelques années, où l'on a demandé au public — une salle de responsables des données et technologies — d'identifier les principaux obstacles bloquant une infrastructure de données saine. Les résultats sont revenus sous forme de nuage de mots. Les mêmes trois facteurs sont systématiquement ressortis : l'implication des dirigeants, la qualité des données et la culture data au sein de l'entreprise.
« Si vous posiez la même question en 2005, » a déclaré Gonzalez lors de la conférence Optimized AI à Atlanta, « ces mêmes problèmes seraient ceux qui tourmentent les organisations. »
Il a raison. Et les implications sont plus inconfortables que ce que la plupart des dirigeants veulent bien reconnaître.
La dette organisationnelle qui rend le déploiement de l'IA si difficile n'a pas été créée par l'IA. Elle est le résultat d'années de systèmes fragmentés, de questions de gouvernance non résolues, d'équipes isolées et d'incitations mal alignées, que personne n'a voulu corriger car le coût d'une telle correction a toujours semblé plus élevé que celui de contourner le problème.
Puis l'IA générative est arrivée et, soudain, ces mêmes problèmes sont devenus très coûteux à ignorer.
Le schéma décrit par Gonzalez se retrouve dans tous les secteurs et à tous les niveaux de direction. Assistez à des conférences sur l'IA, l'exploitation ou les ressources humaines, et vous entendrez probablement une version de ceci : Les organisations courent après une nouvelle technologie dans l'espoir qu'elle résoudra des problèmes qui sont fondamentalement liés aux personnes et aux processus.
On l'a vu en ingénierie des données. On l'a constaté quand la data science était qualifiée de métier le plus sexy des États-Unis. Et cela recommence. La technologie évolue. Les dysfonctionnements sous-jacents, eux, demeurent.
Le défi de l'IA
Ce qui rend ce moment différent, c'est l'ampleur des enjeux. Les investissements dans l’IA sont plus importants, plus rapides et plus visibles que tout ce qui a précédé.
Lorsque qu’un projet pilote échoue, c’est le plus souvent parce que les données alimentant le système ne sont pas fiables, ou parce que personne n’a défini clairement qui possède les modèles déployés, ou encore parce que deux départements fonctionnaient avec des hypothèses complètement différentes sur ce que l’outil était censé réaliser.
Gonzalez cite un exemple révélateur. Un assureur santé avec plus de 25 millions de membres a déployé l'IA générative, non pas pour l'analyse des demandes de remboursement, mais pour rédiger des lettres de refus — une obligation réglementaire qui nécessitait auparavant un énorme travail manuel. Résultat : une réduction de 80 à 90 % des frais généraux sur ce processus. Pas d’agent multimodal. Pas de système autonome couvrant toute l'entreprise. Un problème précis, bien défini, avec des données suffisamment propres pour être effectivement résolu.
Le travail peu valorisé est arrivé en premier. C’est ainsi que se réalisent presque toujours les vrais succès.
Les conditions pour créer de la valeur
Les dirigeants qui progressent réellement partagent une même discipline : ils ont cessé de demander où l'IA pouvait être utilisée, et ont commencé à se demander ce qui doit être en place pour qu’elle apporte de la valeur ici. La distinction semble subtile. Elle ne l’est pas.
La première question amène à une prolifération de pilotes qui ne dépassent jamais le stade du concept. La seconde question oblige à vérifier honnêtement si la base — qualité des données, gouvernance, alignement inter-fonctions, responsabilité claire — existe vraiment.
La plupart du temps, ce n’est pas le cas. Et la réponse honnête à « qu’est-ce qui doit être en place » est une feuille de route de 12 à 18 mois qui commence par une infrastructure que personne ne veut financer car elle ne se voit pas dans une démonstration.
C’est là que l’alignement des C-level compte plus que la stratégie de n’importe quelle fonction seule. Le DRH s'inquiétant de la perturbation des effectifs, le DSI gérant la dette technique, le directeur des opérations reconcevant les flux de travail, le directeur financier évaluant les rendements — ils ne regardent pas des problèmes différents. Ils considèrent le même problème sous des points de vue distincts.
Lorsque ces perspectives ne se rejoignent pas, les investissements en IA sont mal séquencés, la responsabilité est diluée, et l’écart entre attentes et résultats se creuse jusqu’à ce qu’un budget soit coupé.
Gonzalez formule clairement la contrainte principale.
La technologie est rarement ce qui bloque les organisations, a-t-il affirmé. Ce sont la structure politique, la gestion cloisonnée, les priorités concurrentes et les incitations mal alignées qui les freinent. Ce sont des problèmes de leadership. Ils exigent des solutions de direction, pas un fournisseur de plus, pas un meilleur modèle, pas un outil plus tape-à-l'œil.
Le progrès durable semble ennuyeux de l’extérieur. C’est la réarchitecture des plateformes, la résolution de questions de gouvernance des données qui traînent depuis des années, la prise de décisions difficiles qu’implique la centralisation de la responsabilité du développement et du déploiement de l’IA. Rien de tout cela ne fait bonne impression lors d’un bilan trimestriel. Mais tout cela s’accumule dans le temps.
Mais l’IA récompense la rigueur opérationnelle. Elle ne la crée pas.