Pourquoi chaque organisation devrait investir dans l’IA prédictive

David Rice : Les entreprises investissent des millions dans l’IA générative. Elles créent des agents, courtisent la tendance. Et bien souvent, elles ignorent l’autre moitié de la pile IA, celle qui apporte réellement de la valeur mesurable au business. L’IA prédictive n’est pas glamour. Elle n’écrit pas des poèmes, ne génère pas d’images. Elle se contente de prédire qui va cliquer, qui va acheter. Elle cible votre marketing, détecte la fraude avant qu’elle ne se produise, et automatise les décisions à grande échelle sans intervention humaine. Si vous la laissez de côté, c’est souvent parce qu’elle paraît moins humaine.

L’invité du jour est Eric Siegel, auteur de "The AI Playbook" et fondateur de Machine Learning Week. Selon lui, la plupart des organisations devraient investir au moins autant dans l’IA prédictive que dans l’IA générative, mais la hype autour de la gen IA occupe tout l’espace, et c’est une perte pour tout le monde. Voici le problème qu’il observe régulièrement : Les entreprises traitent l’IA prédictive comme un simple projet de data science.

Ils envoient un data scientist construire un modèle, ils fêtent la fin du travail, et considèrent que la valeur est là. Mais le modèle en lui-même n’est pas la valeur. C’est l’action sur les prédictions qui crée la valeur. L’intégration opérationnelle, voilà la vraie valeur. Et cela nécessite une réelle collaboration avec les parties prenantes métier tout au long de six étapes que va détailler Eric, pas seulement trois étapes techniques.

La plupart des entreprises zappent complètement les étapes côté business. Elles oublient de définir ce qui est prédit et ce que l’on en fait. Elles négligent l’intégration opérationnelle. Puis elles s’étonnent que leurs investissements IA ne rapportent pas. Aujourd’hui, nous allons voir pourquoi l’IA prédictive est moins sexy, mais plus autonome que l’IA générative.

Comment l’IA prédictive deviendra la couche de fiabilité qui rendra l’IA générative véritablement viable. Les six étapes du cadre biz ML et lesquelles vos parties prenantes business ont le plus tendance à zapper. Pourquoi un taux de précision de 95 % paraît impressionnant, mais peut rendre votre système inutile. Et ce que les décideurs doivent vraiment comprendre des probabilités. Ne vous inquiétez pas, ce n’est pas de la science des fusées.

Je suis David Rice. Voici People Managing People. Et si vous vous précipitez sur l’IA générative tout en laissant l’IA prédictive de côté, cette conversation va vous montrer exactement ce que vous ratez. Alors allons-y.

Eric, bienvenue ! Ravi de vous avoir dans l’émission aujourd’hui.

Eric Siegel : Merci, David. C’est un plaisir d’être là.

David Rice : L’IA générative capte beaucoup de lumière des projecteurs, mais vous avez qualifié l’IA prédictive de moitié oubliée de la pile IA, n’est-ce pas ? Pourtant, c’est elle qui génère de la vraie valeur métier. Je suis curieux : pourquoi pensez-vous que les organisations sont beaucoup plus excitées par les modèles génératifs, et qu’est-ce qui manque lorsqu’on met ces systèmes prédictifs en second plan dans leur réflexion ?

Eric Siegel : Oui, j’aime bien la façon dont vous l’avez formulé. L’IA prédictive est plus ancienne, mais ce n’est pas de l’école ancienne. La majorité de sa valeur n’a pas encore été exploitée. C’est un peu l’autre IA, l’originelle. En un sens, c’est ce que la plupart des gens entendaient par IA avant l’avènement de ChatGPT et d’autres solutions génératives ces dernières années. Il s’agit d’apprendre à partir des données pour prédire, afin de cibler et d’améliorer toute opération à grande échelle. Prédire qui va cliquer, acheter, mentir ou mourir, commettre une fraude — n’importe quel résultat ou comportement précieux pour une organisation qui gère des grandes opérations. Votre question est : pourquoi la Gen IA accapare-t-elle autant l’attention ?

La réponse est très simple : elle est beaucoup plus sexy et bien plus facile à utiliser. Rien de tout cela ne signifie qu’elle est forcément plus précieuse, et je vais aborder ces deux aspects. Permettez-moi de donner une affirmation un peu provocatrice pour notre époque, qui se focalise tant sur la gen IA, non sans une bonne dose de hype sur sa valeur potentielle.

Même si elle a une immense valeur, et je ne critique pas la technologie elle-même — elle me fascine ! Je critique certaines histoires et la hype à son sujet. Mais voilà la phrase subversive : la plupart des organisations devraient investir au moins autant dans l’IA prédictive que dans la générative, car elles répondent à des problèmes différents et ne devraient pas être en compétition, comme un parc aquatique et une station de ski.

Et pourtant, elles se disputent très concrètement l’attention, le temps des data scientists, les ressources. C’est hélas un jeu à somme nulle. À notre détriment, trop d’oxygène est aspiré par la gen IA, et c’est disproportionné. C’est une perte pour tous. L’IA prédictive va cibler le marketing en prédisant qui va acheter, diriger la détection de fraude en prédisant quelle transaction sera frauduleuse.

Et plus précisément, décider quelle transaction bloquer, retenir ou auditer. Donc dès qu’on a des opérations à grande échelle, toujours des ressources limitées. Le business, c’est du calcul. Pas de boule de cristal magique mais on peut améliorer nos chances en prédisant mieux que le hasard, et c’est le principe du jeu des chiffres avec l’IA prédictive.

C’est-à-dire, elle calcule à partir du passé des probabilités. La probabilité, ce n’est pas le sujet de conversation le plus glamour, mais si la valeur vous intéresse et si vous voulez améliorer vos opérations à grande échelle, c’est là qu’il faut aller. La sexyness de la gen IA vient de son apparence humaine, et de la manière dont elle s’inscrit dans le récit de long terme sur l’IA.

Depuis même l’invention du terme dans les années 1950, et bien sûr tous les films très divertissants, donc elle paraît tellement humaine, et c’est fascinant. Et cela n’est pas entièrement dissocié de sa valeur potentielle pour offrir un partenariat intellectuel, des premiers jets de texte, du code, tout ce qu’elle fait très bien. Mais, dans la grande majorité des cas, vous avez absolument besoin d’un humain dans la boucle.

Ironiquement, parce qu’elle semble plus humaine, on l’applique à des tâches que les humains feraient normalement, et où les erreurs sont moins tolérées. Tandis que l’IA prédictive, moins humaine en apparence, est souvent plus autonome, capable par exemple de décider automatiquement de bloquer une transaction potentiellement frauduleuse sur une carte de crédit.

C’était mon petit monologue sur la différence entre les deux domaines.

David Rice : Ah, pas de problème. C’est amusant, car c’est comme… C’est comme la personne de votre groupe d’amis qui organise toujours les meilleurs dîners, mais personne ne les considère comme de vrais gastronomes parce qu’ils ne postent pas sur Instagram comme Food Network.

Mais c’est intéressant, comme vous le dites, ça existe depuis longtemps. Je pense que beaucoup d’entreprises, en particulier à l’échelle de l’entreprise, travaillent sur ces systèmes depuis un moment. J’ai reçu récemment quelqu’un à ce sujet et on discutait du fait que si vous avez déjà mis en place certains de ces systèmes et vous avez fait le travail…

La révolution des agents qui s’annonce ne va peut-être pas tant vous concerner, car beaucoup de tâches sont déjà automatisées.

Eric Siegel : J’ai quelques réserves sur le terme "IA agentique" ou "agents IA". J’ai écrit plusieurs articles dans Forbes où j’explique que je trouve ce terme principalement trompeur et peu utile.

C’est un terme à la mode. Il ne fait pas référence à une technologie fondamentalement nouvelle. Il ne désigne que l’intention, qui est d’automatiser davantage, ce qui est… assez évident, non ? C’est pourquoi l’on crée des machines : faire des choses qu’autrement un humain ferait.

Donc ce n’est pas parce qu’on ajoute le mot "agentique" que c’est nouveau. On retrouve alors des cas d’usage qu’on essaierait avec la gen IA, mais très vite, dès que l’ambition du projet dépasse certaines limites, il faut un humain dans la boucle.

Ce qui m’amène à une idée clé, là où les univers se rejoignent, là où l’IA prédictive et la gen IA se complètent réellement : l’application phare de l’IA prédictive sera, selon moi, de servir de couche de fiabilité pour l’IA générative.

Plus nos ambitions avec la gen IA grandissent, qu’on l’appelle agent ou autrement, plus on attend qu’elle soit agent de service client, puisse interagir directement avec les consommateurs sur divers sujets ou effectuer des transactions.

L’idée d’automatiser totalement cela atteint vite des limites : peut-être 5 % des cas aboutiront à une erreur critique. Elle divulguera une info confidentielle ou réalisera une transaction qu’elle ne devrait pas. Il y a mille et une manières dont ça peut mal tourner. Si elle se trompe que 5 % du temps, c’est incroyable, c’est du jamais-vu par rapport à il y a quelques années. Mais dans les faits, le système est inutilisable, il ne sera pas déployé.

Un taux d’erreur de 5 % est trop élevé. Que faire ? On peut attendre que la techno s’améliore, mais c’est bien plus complexe que ce qu’on imagine. La différence restante entre IA générative et humains se situe justement dans ces 5 %, et cette différence sera de plus en plus visible. Progressivement, il y a des rendements décroissants dans l’amélioration.

Mais on peut réaliser une grande part de la promesse d’autonomie si l’on ajoute une couche prédictive. Imaginons utiliser l’IA prédictive pour apprendre à repérer automatiquement les cas les plus risqués — moments, transactions, interactions avec les clients — et en détourner les cas vers une intervention humaine coûteuse.

Par exemple, pour les 15 % de cas les plus risqués lors d’échanges avec des clients via un chatbot, on met en pause et une personne intervient. Si on cible 15 % pour essayer d’attraper 5 % d’erreur, cela pourrait suffire pour en capturer la majorité ; le taux d’erreur global passe alors à 1 %, ce qui selon les contextes devient acceptable. On réalise alors 85 % de la promesse d’autonomie, bien plus que 0 % si le système n’est pas déployé.

David Rice : Vous avez évoqué la couche machine par-dessus, et je suis curieux : vous venez de sortir un nouveau livre récemment, "The AI Playbook — Maîtriser l’art rare du déploiement machine learning". Pourquoi est-ce si rare ?

Eric Siegel : Oui, c’est une vérité qui dérange. Le déploiement du machine learning évoqué dans le sous-titre du livre, c’est pour les projets d’IA/prédictive, d’analytique prédictive, de machine learning en entreprise. Vous créez un modèle prévisionnel depuis vos données.

C’est ce que fait le machine learning : apprendre à partir de données, encapsuler cela sous forme de règles, formules, dans un modèle. Précisons que la gen IA comme l’IA prédictive reposent sur le machine learning. Ce sont tous deux des catégories d’usage du machine learning, mais qui produisent des systèmes très différents.

Dans le cas de l’IA prédictive, chaque prédiction s’applique à une unité d’organisation — client, patient, transaction potentiellement frauduleuse, satellite à risque de panne, puits pétrolier, roue de train etc. Les usages sont quasiment infinis. Pourtant, même si ce domaine existe depuis les années 1960 (avec la régression pour cibler marketing/fraude, scoring de crédit…), il reste immature sur un point crucial : le passage de la technique au métier.

C’est pourquoi j’ai écrit ce livre et cofondé Gooder AI pour combler ce dernier maillon entre la technique et le business, ce fameux "last mile". Tech et métier, c’est une fracture notoire — entre les techs/data scientists et leur client, la personne qui dirige les opérations à améliorer grâce aux prédictions du modèle. Cet écart tue les projets maintes fois.

Typiquement, le data scientist vient vous voir : voici le modèle machine learning demandé pour prédire quels clients vont résilier (le churn modeling). Vous pouvez cibler des offres de rétention que vous n’offriez pas à tous, mais seulement aux clients à haut risque, ce qui optimise les chiffres.

Beaucoup de cas d’usage consistent à prédire le négatif pour pouvoir intervenir : prévenir une interaction IA qui tournera mal, bloquer une fraude, éviter une démission, etc. HP l’a fait pour ses 300 000 employés. Le data scientist dit : voici le modèle, il prédit très bien, j’ai fait toutes les vérifications techniques, allez-y, déployez ! Le business demande : OK, mais quel est son vrai niveau de qualité ? On sait qu’il n’y a pas de boule de cristal, on fait que jouer les probabilités. Le data scientist répondra presque toujours par une mesure technique : « L’aire sous la courbe ROC est de 0,837. » Gênant…

Les data scientists sont formés surtout à mesurer la performance technique : précision, rappel, F-score, lift, area under curve, même l’accuracy n’est qu’une mesure technique. Elles ne disent rien de la valeur business potentielle, comme combien ce modèle pourrait rapporter ou économiser en ciblant le marketing, la fraude, la maintenance prédictive, etc. Pour savoir combien rapporterait l’usage concret de ce modèle, cet exercice n’est toujours pas la norme dans la data science aujourd’hui.

Même après 30 ans dans le domaine, c’est encore incompréhensible. On y vient par passion technologique, mais on fétichise la technologie de base, on est plus excités par le "rocket science" que par le lancement réel de la fusée.

Après la construction, il faut tester selon des KPIs qui importent. Il s’agit de diriger la fusée, prévoir ses performances concrètes. Cette étape, calculer des métriques business (profit, économie, KPI métier), est quasi inexistante. C’est pourquoi Gooder AI existe ; c’est aussi une idée clé de mon livre.

La mauvaise nouvelle, c’est que dans le domaine, la majorité des modèles prédictifs ne sont jamais déployés dans l’entreprise. La bonne nouvelle, c’est qu’il ne reste que le dernier kilomètre à franchir. On profite déjà de décennies de progrès du machine learning. Un simple ajustement organisationnel suffit, une collaboration poussée entre techs et métiers, pour généraliser la valeur ajoutée.

David Rice : Développer une équipe internationale ne devrait pas signifier jongler avec cinq systèmes pour RH, paie, et IT. Deel centralise tout pour que vous puissiez embaucher, intégrer, payer et équiper vos collaborateurs, où qu’ils soient, sans chaos. Que vous embauchiez dans 10 pays ou que vous gériez des freelances à travers les fuseaux horaires, Deel s’occupe de la conformité, des avantages et de la paie, au même endroit : moins d’outils, moins de maux de tête, plus de temps pour votre équipe.

Prêt à voir à quoi ressemble vraiment le recrutement sans frontières ? Rendez-vous sur deel.com/pmp. C’est deel.com/pmp pour réserver une démo. Deel, embauchez, gérez et payez qui vous voulez, où que vous soyez.

Juste par curiosité, quel est le changement le plus dur à opérer pour les entreprises si elles veulent dépasser les métriques business ou la façon dont elles mesurent la technique, et se concentrer sur l’impact organisationnel ?

Eric Siegel : C’est une excellente question. Les métriques ne sont qu’un élément à ajuster. Plus largement, définir un projet IA prédictive revient à spécifier une paire : ce qu’on prédit, et ce qu’on fait de la prédiction. Sur quoi porte la probabilité ? Qu’est-ce qu’on va prédire exactement (qui va acheter si on le contacte, quelle transaction sera frauduleuse, etc.), et que fait-on avec cette info (intervention, déclenchement d’action…) ? Cette paire, ce qui est prédit et ce qui est fait, définit le projet — mais ce n’est que la première étape sur les six du cadre Biz ML exposé dans mon livre "AI Playbook".

L’élément clé des six étapes, c’est une collaboration étroite entre techs et métiers. Les data scientists ne peuvent pas avancer seuls. Les projets d’IA prédictive ressemblent à du consulting, pas à de la simple installation technique. Ce n’est pas un "plug and play" comme installer une nouvelle base de données. Ici, manipuler des probabilités dans une opération à grande échelle, c’est un grand bouleversement. C’est avant tout un projet business utilisant le machine learning — il faut donc le cadrer comme tel. La collaboration métier/tech est essentielle tout au long des étapes. Un des plus grands défis, c’est la montée en compétence côté business, mais seulement sur l’essentiel, accessible et pertinent, pas sur la mécanique interne du modèle. Il suffit d’apprendre à conduire, pas à changer les bougies.

C’est l’un des objectifs principaux de mon livre : permettre une montée en compétence concrète, pas trop technique, une forme de culture business utile sur le machine learning. Cela ne demande pas une année d’études, c’est une question de quelques heures, d’un livre, pour acquérir la compréhension accessible sur les projets IA prédictive, savoir ce qu’on prédit, ce qu’on en fait, quelles métriques regarder. Et les métriques ne sont que de l’arithmétique — juste la bonne arithmétique pour que tous parlent le même langage et qu’on mène à bien ces projets jusqu’au déploiement. Déploiement = intégration dans les opérations. Sans ça, rien ne change, aucune amélioration n’est apportée.

David Rice : Plus tôt, vous disiez que IA générative et IA prédictive se croisent, s’interfacent. Vous parlez d’hybridation, chaque approche comblant les limites de l’autre. Un exemple concret ? Et quels obstacles les équipes rencontrent-elles dans cette intégration ?

Eric Siegel : Merci, c’est une excellente relance. Je parle d’hybridation dans mes textes et keynotes. "Hybride" peut recouvrir d’autres sens, mais ici je veux parler de combiner IA prédictive et générative. Premièrement, on l’a vu : l’IA prédictive sert de couche de fiabilité pour un système génératif.

Autre cas, la gen IA accompagne un projet IA prédictif. La gen IA attire car elle est "sexy" et facile. Elle s’appelle modèle de langage car elle traite le langage humain, donc on peut lui parler en anglais et peu de formation est requise pour s’y mettre. Si vous n’avez pas essayé, qu’attendez-vous ? C’est bluffant. Cela facilite aussi le pont entre technique et business. Par exemple, dans notre logiciel Gooder AI, elle sert de console métier pour les projets IA prédictive, avec une visualisation clé : deux axes, l’axe X correspondant au nombre de cas ciblés (marketing, blocage transaction, maintenance…), ordre dicté par le modèle prédictif — il s’agit toujours de trier/prioriser les cas selon la probabilité.

Sur l’axe Y, c’est de l’argent : quels gains ou économies attendus selon le réglage du seuil ? Le visuel montre en général une courbe qui monte puis redescend, illustrant la "zone dorée" optimale. C’est fondamental, deux dimensions business ; ce n’est pas de la science des fusées mais ce visuel est encore rare dans le domaine — même chez les quants — car la plupart ne calculent pas de métriques business, seulement techniques.

La nouveauté, c’est de pouvoir poser sans crainte un million de questions à un data scientist — grâce à une interface chat intégrée à notre outil, ceux qui veulent comprendre posent des questions, la gen IA répond avec des explications, même des analogies pour enfants (par exemple, sur la courbe d’optimisation via un stand de limonade). Voilà comment la gen IA peut aider à démocratiser l’IA prédictive.

David Rice : De plus en plus, on entend que les modèles prédictifs peuvent servir de garde-fous, en particulier quand les systèmes génératifs "hallucinent" ou deviennent imprévisibles.

Comment voyez-vous la structuration de l’IA prédictive comme couche de sécurité dans les workflows opérationnels ?

Eric Siegel : Voilà des exemples classiques que je citais déjà dans la 1re édition de mon livre "Predictive Analytics" (2013, réédition 2016) : Shell prédit quels équipes sont les plus exposées à un incident sur les plateformes pétrolières — sécurité au travail équipe par équipe, cas par cas. Cela entre exactement dans la logique de l’IA prédictive.

La différence entre usage prédictif et la "prévision" classique ? Les deux estiment le futur, mais la prévision anticipe une unique variable (ex : économie en hausse ou baisse ? Nombre de glaces vendues au trimestre ?), alors que l’analytique prédictive fait une estimation pour chaque cas individuel (qui va acheter une glace ? quel électeur est persuadable ?). C’est son application large échelle qui apporte tant de valeur, grâce à la loi des grands nombres qui stabilise les probabilités individuelles. On n’aura jamais de certitude, seulement des probabilités, mais pour piloter du volume, c’est l’outil le plus puissant disponible.

Au lieu d’une boule de cristal, on a un nombre entre 0 et 100 : voilà la chance que ce cas réussisse — et c’est ce qui permet de prioriser, trier, arbitrer entre les cas. L’idée de probabilités et de tri est centrale pour tout décideur souhaitant tirer profit de l’IA. Cela nécessite une vraie participation au projet — pas juste isoler les data scientists ! C’est l’erreur fatale, celle de fétichiser la techno. Or, il ne suffit pas d’utiliser la meilleure techno, il faut l’exploiter dans un vrai projet business, intégrer les prédictions dans les opérations — c’est là que la valeur se crée, et cela n’arrive qu’avec une collaboration étroite tech/métier.

David Rice : De nombreux cadres IA prédictive insiste sur la modélisation des données. Mais vous mettez l’accent sur d’autres aspects : la définition des prédictions, l’intégration opérationnelle, l’itération continue. Quelles sont les étapes critiques et moins évidentes, souvent ignorées par les entreprises, et quel est leur impact ?

Eric Siegel : J’aime bien la façon dont vous demandez : quelles étapes sont oubliées ? En réalité, la plupart des entreprises sautent presque toutes les étapes business, espérant que les data scientists feront tout… mais ils n’ont que la formation technique et évaluent le projet uniquement via des metrics techniques. J’encourage activement les data scientists — y compris à Machine Learning Week, la conférence que j’organise (anciennement Predictive Analytics World), où plus de la moitié des participants sont des data scientists — à franchir le pas, à calculer des métriques business, à travailler avec leurs partenaires métier.

Côté business, il faut répondre à une triple question : qu’est-ce qui est prédit, la qualité de la prédiction, et l’action qui en découle. C’est ce trio (qu’est-ce qu’on prédit, la performance, qu’en fait-on) qui cadre tout projet et ses besoins, mais aucune étape n’est de la science des fusées. Les six étapes du Biz ML Framework, présentées dans le livre "AI Playbook", se divisent en deux tiers : trois étapes finales qui sont les classiques "préparer les données, entraîner le modèle, déployer le modèle" (la base du data science depuis les années 60) — c’est le cœur technique. Mais les trois premières, dites "pré-production", sont essentielles, et toutes impliquent une vraie collaboration business/technique.

Comme dans Star Wars, le trio originel est au milieu (4-5-6) ; or le projet commence bien avant, par un vrai cadrage métier. Les trois premières étapes définissent précisément ce que l’on veut prédire, quelle qualité minimale et quelles actions on en tirera. Un article dans Harvard Business Review en donne aussi un aperçu. Le livre offre non seulement un guide détaillé de ces six étapes, mais aussi une montée en compétence business accessible sur tout le projet IA prédictive.

David Rice : Bon, nous arrivons à la fin, malheureusement, Eric. Merci d’être venu, c’était passionnant.

Eric Siegel : Merci, David. J’ai beaucoup apprécié.

David Rice : Chers auditeurs, si ce n’est pas déjà fait, rendez-vous sur peoplemanagingpeople.com/subscribe pour recevoir la newsletter : podcasts comme celui-ci, derniers articles, tout droit dans votre boîte mail. Pour approfondir ce sujet, lisez "AI Playbook", cela en vaut vraiment la peine !

Et d’ici la prochaine fois, restez curieux sur l’IA prédictive — ne vous perdez pas uniquement dans les promesses de la generative AI.