Activer les données pour combler l’écart de ROI de l’IA : 4 étapes pour réaliser la valeur commerciale grâce à l’IA agente

Alors que nous entrons dans la quatrième année consécutive de l’« ère de l’IA », de nombreux dirigeants d’entreprise se posent deux questions apparemment opposées. Premièrement, l’IA générative est-elle la technologie la plus transformatrice du 21e siècle ? Deuxièmement, l’IA est-elle surévaluée ? Je répondrais de manière paradoxale oui à ces deux questions. Mais je pense que ce sont les mauvaises questions. Au lieu de cela, je crois que ces dirigeants devraient se poser une autre question : comment mon organisation peut-elle obtenir une valeur commerciale de l’IA dès maintenant ?

La réalité est que de nombreuses entreprises ont dépensé les trois dernières années en investissant dans de nouvelles technologies d’IA et en expérimentant de nouveaux outils d’IA, mais elles n’ont pas encore récolté les récompenses envisagées. Malgré la pression des PDG pour « tout mettre en IA », les organisations ne voient pas le retour sur investissement qu’elles aimeraient. Cela ne devrait pas être surprenant. L’histoire nous enseigne que les innovations techniques les plus profondes prennent du temps avant de payer. Il y a un décalage entre l’invention technique et l’innovation commerciale.

Thomas Edison a présenté la puissance de l’électricité à Manhattan en 1882, mais ce n’est qu’en 1913 que Ford a présenté la chaîne de montage électrique, marquant la fin de la vapeur dans la fabrication. Pouvez-vous imaginer un dirigeant d’entreprise en 1885 exhortant ses ouvriers à expérimenter l’énergie électrique ? Pourtant, l’énergie électrique a prévalu et a ouvert la voie à de nombreuses innovations révolutionnaires du 20e siècle, des transmissions radio aux ordinateurs numériques.

Plus récemment, le Web s’est démocratisé au début des années 90. L’utilisation des consommateurs a explosé immédiatement, mais l’adoption commerciale a traîné. Il a fallu un demi-décennie avant que la plupart des entreprises établies ne commencent à bénéficier du Web grâce au commerce électronique. Pourtant, le Web a ouvert la voie aux médias sociaux, à l’engagement mobile, au cloud computing et, finalement, à l’IA. La valeur commerciale est générée de manière incrémentale à partir de nouvelles technologies.

Si l’ère de l’électricité a commencé avec la chaîne de montage, et l’ère du Web a commencé avec le commerce électronique, quelle sera l’application tueuse pour l’ère de l’IA commerciale ? Le lancement de ChatGPT à la fin de 2022 a présenté la puissance des grands modèles de langage au grand public. En raison de sa popularité, le « chatbot qui me comprend et qui sonne humain » est devenu l’archétype de la façon dont l’IA pourrait être appliquée. En conséquence, de nombreuses entreprises ont commencé avec l’IA en introduisant des assistants similaires accordés pour être leur version de ChatGPT. Dans de nombreux cas, les résultats ont été bien accueillis par les utilisateurs, mais les rendements commerciaux de la productivité sont difficiles à mesurer.

L’une des applications les plus abouties de l’IA pour les entreprises est dans le domaine des assistants de codage. Claude Code, Cursor et d’autres outils ont gagné une popularité généralisée, montrant des résultats presque magiques. Cependant, des études indiquent que les gains de productivité des développeurs individuels n’ont pas encore été traduits en productivité globale de l’organisation. De plus, accélérer le développement n’aide pas à la performance commerciale d’une organisation si ce qui est produit ne livre pas de valeur commerciale. Les assistants de codage aideront à accélérer l’adoption de l’IA au fil du temps, mais ils ne sont pas l’application tueuse.

Pour trouver l’application la plus impactante de l’IA, les organisations doivent se concentrer sur les rouages qui alimentent leurs propres modèles commerciaux. Dans notre livre Débundler l’entreprise, Stephen Fishman et moi examinons le concept de « dynamique de valeur », une méthode pour décomposer les modèles commerciaux en un ensemble d’échanges de valeur interconnectés. Les échanges de valeur impliquent plusieurs « devises », notamment les frais, les économies de temps, la portée et la qualité améliorée. La devise la plus unique est les données. Dans le livre, nous montrons comment des entreprises comme Google et Meta ont transformé l’accumulation de données en dominance numérique. Leur succès est venu en fournissant des liens en temps réel et automatisés dans leurs échanges de valeur. Ils ont lié la collecte de données à la génération de revenus dans un cercle vertueux. Les deux entreprises ont contextualisé les données des clients sous la forme de ciblage publicitaire, puis ont utilisé cela pour stimuler leur revenu principal et collecter encore plus de données grâce à l’engagement des utilisateurs.

Alors que de nombreuses organisations ont dépensé les deux dernières décennies à collecter et à affiner les données, elles n’ont pas encore pleinement capitalisé sur le potentiel de rendement des données à travers un tel volant. Au cœur, un grand modèle de langage n’est qu’une donnée appliquée. Il a le potentiel d’être le moteur qui alimente un tel volant de valeur pour les organisations, mais ce moteur a besoin de carburant sous la forme de données contextualisées, et doit être connecté aux rouages du modèle commercial de l’organisation. Ce « processus d’activation des données » rend les données fiables et disponibles à grande échelle, établissant les fondements d’une automatisation plus dynamique dans l’entreprise, et dévoilant finalement l’application tueuse de l’IA pour de telles organisations.

Quelles seront les organisations qui ont activé leurs données pour l’ère de l’IA ? Considérez les scénarios suivants :

• Une entreprise pharmaceutique qui doit actuellement faire des paris de plusieurs millions de dollars sur de nouveaux médicaments pendant des années à une entreprise plus agile avec des cycles d’essais cliniques plus courts et parallèles, rendus possibles grâce à l’automatisation dynamique et à l’IA
• Une banque de détail qui envoie actuellement des offres de produits « espérance et prière » à tous ses clients avec peu de réponses et de remises manuelles en amont à des offres personnalisées avec une origination de crédit rationalisée, conduisant à une adoption plus élevée de produits de prêt rentables
• Un détaillant dont le système actuel de gestion des stocks est encombré à la fois de stocks excédentaires et de stocks insuffisants à une entreprise qui comprend sa position de stock en temps réel, grâce à des connexions directes avec les détaillants, les entrepôts et les fournisseurs analysées par des agents IA toujours actifs

La voie vers le ROI décrite dans ces scénarios suit cette nouvelle forme d’automatisation dynamique, et elle est alimentée par l’activation des données.

Comment les organisations peuvent-elles commencer ce voyage ? Voici quatre étapes pour commencer…

Étape 1 : Comprendre la dynamique de valeur de votre organisation

Décomposer le modèle commercial d’une organisation en ses échanges de valeur sous-jacents est inestimable pour plusieurs raisons. La carte d’échange de valeur résultante montre quelles capacités alimentent l’entreprise, quelles fonctions commerciales sont les plus critiques et comment chaque élément dans une organisation contribue à la création, à la capture et à la distribution de la valeur. À nos fins, la carte d’échange de valeur peut être utilisée pour visualiser les processus commerciaux de base qui seront des candidats pour l’automatisation dynamique. Comme une couche supplémentaire, vous pouvez mapper chaque échange de valeur et chaque composant à la façon dont ils sont opérationnalisés au sein de l’organisation. Cela peut être sous la forme d’applications logicielles, de magasins de données ou même de tâches des employés. Les opportunités d’automatisation peuvent alors être pesées par impact et complexité de mise en œuvre afin de cibler l’endroit où appliquer l’IA et l’activation des données.

Étape 2 : Propager l’optionnalité à travers une couche d’activation des données

La capacité d’une organisation à activer les données dépend de l’optionnalité de son paysage numérique. L’optionnalité abonde lorsque les actifs numériques – les fonctions logicielles, les sources de données, les services tiers – sont accessibles en temps réel. Dans un contexte d’IA, cela signifie deux choses. Premièrement, une organisation doit être en mesure de synthétiser les données provenant de sources disparates afin de fournir un contexte précis aux modèles de langage qui conduisent à une raison précise et évitent l’hallucination. Deuxièmement, les composants logiciels qui exécutent les fonctions commerciales de base – telles qu’un service d’adjudication de prêt bancaire ou un système d’inventaire en temps réel d’un détaillant – doivent être appelables par des applications basées sur les modèles de langage afin de remplir l’automatisation. Dans les deux cas, les API sont le meilleur mécanisme pour rendre les données et les fonctions accessibles de manière appropriée. Le protocole de contexte de modèle (MCP) gagne en popularité en tant que protocole d’API de choix pour l’activation des données. Cette série de capacités accessibles peut être transformée en une plate-forme contextuelle pour votre organisation. Transformer votre paysage numérique d’un ensemble d’applications et de données siloïsées en une couche d’API alignée sur les affaires est crucial pour atteindre le ROI grâce à l’activation des données.

Étape 3 : Adopter le paradigme agente des solutions numériques

L’architecture logicielle prédominante de l’ère de l’IA émerge. Les solutions logicielles optimisées nécessitent un équilibre entre les composants d’IA et les composants non-IA. Les agents d’IA – les composants d’IA dans cette architecture émergente – utilisent un raisonnement basé sur les modèles de langage ancré dans la conscience contextuelle pour exécuter des tâches à l’aide d’outils à leur disposition. Ils sont les instruments de l’activation des données et de l’automatisation dynamique. Un paysage numérique optionalisé par les API (y compris les outils MCP) est le terrain le plus fertile pour que de tels agents prospèrent. L’architecture agente permet de nombreux modèles qui combinent les composants logiciels déterministes de l’infrastructure existante avec de tels agents d’IA. Ces modèles vont des chatbots et des agents de travail simples aux flux de travail agents et jusqu’aux systèmes multi-agents autonomes. Les organisations qui adoptent cette approche architecturale seront en mesure de récolter la plus grande valeur de leurs actifs numériques existants tout en adoptant l’IA à un rythme qui leur permet de gérer la complexité croissante des solutions qui apportent plus de valeur.

Étape 4 : Utiliser l’IA comme outil de productivité pour construire des automatisations agentes

L’application de l’IA pour la productivité des travailleurs peut ne pas apporter les rendements les plus élevés pour une entreprise en soi. Cependant, utiliser les gains de productivité de l’IA pour activer les données d’une organisation et fournir une automatisation agente peut accélérer les rendements réels. Cela ne signifie pas seulement utiliser l’IA pour accélérer le travail des développeurs. Même avant l’explosion de l’IA, l’un des plus grands obstacles à la livraison était l’écart organisationnel entre les experts du domaine commercial qui comprennent l’application de la technologie et les équipes IT qui construisent des solutions. Les tendances organisationnelles comme DevOps ont aidé à combler cet écart, mais l’IA peut aider de manière plus tangible. En tant que technologie basée sur le langage, les modèles de langage sont capables de traduire entre les exigences et les solutions d’une manière sans précédent. L’IA multimodale permet de capturer des croquis commerciaux qui peuvent générer des artefacts utilisables pour le développement en aval. Les transcriptions peuvent être transformées en prototypes. Il s’agit d’un nouveau type d’activation des données : transformer les connaissances du domaine commercial en échafaudage de solution en temps réel.

En suivant ces quatre étapes, les organisations peuvent activer leurs données et commencer à voir des rendements sur leurs investissements dans l’IA. De plus, elles seront mieux préparées pour les nouveaux écosystèmes, les emplois et les opportunités créés par l’économie de l’IA. En comprenant la dynamique de valeur de votre entreprise, en transformant vos actifs numériques en options exerçables et en vous orientant vers l’architecture agente, vous préparerez votre organisation à l’avenir de l’IA en l’inventant vous-même.