Avant plus de modèles, l’IA dans le commerce a besoin d’une révolution des infrastructures

La mise en œuvre de l’intelligence artificielle dans le commerce se déroule à un rythme remarquable. Les investissements dans l’IA dans le secteur de la vente au détail sont en pleine accélération, avec un marché qui devrait passer de 11,6 milliards de dollars en 2024 à plus de 40 milliards de dollars d’ici 2030.

De même, de nouveaux modèles sont publiés à un rythme rapide, les fournisseurs continuent d’étendre leurs capacités, et les détaillants sont sous une pression croissante de la part de leurs conseils d’administration et de leurs investisseurs pour démontrer qu’ils intègrent activement l’IA dans leurs opérations.

En surface, cela crée l’impression d’un secteur qui subit une transformation rapide et décisive. Pourtant, sous cette activité, la plupart de ces initiatives sont superposées à des systèmes qui n’ont jamais été conçus pour les supporter.

La limitation n’est ni la disponibilité ni la qualité des modèles. C’est l’état de l’infrastructure qui se trouve en dessous.

Lors de la mise en œuvre de l’IA, le premier budget ne devrait pas aller à l’IA elle-même. Il devrait aller à ce que nous appelons la « confiance des données », qui est l’infrastructure des données. Il s’agit des connexions entre les systèmes, de la déduplication des données et des mises à jour en temps réel.

Ne pas le faire est la raison pour laquelle l’IA échoue dans le commerce, et pourquoi tant d’efforts commencent avec de l’élan mais peinent à se traduire en un impact durable. Pour mettre en œuvre avec succès l’IA, nous devons commencer par l’infrastructure.

À l’opposé, dans le commerce, la conversation elle-même tend à commencer un niveau trop élevé, en se concentrant sur le choix des modèles ou l’identification des cas d’utilisation à fort potentiel. Ce qui reçoit beaucoup moins d’attention, c’est si l’architecture des données sous-jacente peut soutenir de manière significative ces décisions.

Si les données sous-jacentes sont fragmentées, l’IA ne générera que des sorties qui peuvent être nuisibles ou trompeuses.

Dans les grandes organisations, cette tendance est renforcée par le besoin de signaler les progrès. « Faire quelque chose avec l’IA » devient un objectif en soi, et l’introduction d’un modèle est souvent le moyen le plus immédiat de l’atteindre, quel que soit le fait qu’il produise une valeur mesurable.

Au niveau du conseil d’administration, les attentes concernant l’IA sont en accélération sous la forme d’une meilleure personnalisation et d’améliorations mesurables de l’efficacité et de la marge. Au niveau du système, la préparation n’est pas à la hauteur. Plus cette lacune persiste, plus il devient coûteux de la corriger, car des couches de technologie sont ajoutées au-dessus de fondations qui restent inchangées.

À quoi ressemble « pas prêt pour l’IA » dans la pratique

Un problème majeur est le manque de cohérence entre les systèmes. Par exemple, un client unique peut exister simultanément sur une plate-forme ERP, un environnement de commerce électronique et un système hors ligne ou de fidélité, chaque instance portant des historiques et des hypothèses différents.

Les données sur les produits, bien que techniquement complètes, sont limitées en termes de fourniture de contexte qui permettrait à un modèle d’interpréter ou de raisonner à leur sujet de manière efficace. La mauvaise qualité des données seule est estimée coûter aux organisations près de 13 millions de dollars par an, soulignant à quel point ces contraintes sont devenues fondamentales.

Les équipes humaines apprennent à naviguer dans ces incohérences avec le temps, en construisant des ponts informels entre les systèmes. Un modèle, en revanche, fonctionne strictement dans la structure qui lui est donnée, et les sorties qu’il génère sont limitées en conséquence.

Lorsque l’IA est introduite dans cet environnement, le résultat n’est pas un manque de sortie, mais une dégradation progressive de sa qualité.

Un modèle peut traiter les données et produire des sorties, mais il ne connectera pas les systèmes par lui-même.

Dans la pratique, cela peut se manifester par un moteur de personnalisation qui commence à offrir des recommandations de produits très spécifiques qui catégorisent un client de manière qui ne reflète pas ses préférences ou ses intentions réelles.

Dans les systèmes alimentés par l’IA, les expériences client deviennent souvent plus précises mais moins pertinentes.

Ce passage d’une pertinence générale à une irrélevance spécifique peut être plus préjudiciable qu’il n’y paraît, car il modifie la façon dont les clients perçoivent la marque elle-même. Dans les pires cas, ces systèmes ne sous-performent pas simplement. Ils dégradent activement l’expérience client.

Pourquoi la plupart des pilotes d’IA sont au point mort, et quel est le coût

Cette dynamique est l’une des principales raisons pour lesquelles une grande proportion de pilotes d’IA dans le commerce ne parviennent pas à aller au-delà de l’expérimentation. Les données de l’industrie suggèrent qu’environ la moitié des initiatives d’IA parviennent à passer de l’expérimentation à la production, laissant une proportion importante bloquée au stade de l’expérimentation.

Le problème n’est rarement l’absence d’investissement ou d’intention. La contrainte émerge lorsqu’il s’agit de justifier l’extension des systèmes.

À ce stade, les organisations sont confrontées à un choix entre continuer à investir dans l’optimisation ou abandonner l’initiative tout à fait. Dans de nombreux cas, ils choisissent la seconde option, car l’environnement dans lequel il est déployé ne peut pas soutenir des résultats cohérents.

À travers l’industrie, les mêmes lacunes d’infrastructure se répètent. Les données client restent fragmentées plutôt que unifiées. Les informations sur les produits existent, mais manquent de la profondeur nécessaire à l’interprétation. Les systèmes fonctionnent en parallèle plutôt qu’en un flux d’information cohérent. Lorsque des modèles sont introduits dans cet environnement, ils amplifient ces problèmes.

Le coût de cette approche va au-delà des dépenses directes. Il se manifeste sous la forme d’une accumulation de recommandations qui ne se concrétisent pas, d’une personnalisation qui semble incohérente et d’une automatisation qui amplifie les erreurs existantes.

Au fil du temps, cela crée une érosion subtile mais significative de la confiance au sein de l’organisation. Les équipes commencent à remettre en question la fiabilité des systèmes qu’elles construisent, et des couches de technologie sont introduites pour compenser. Le résultat est un retard dans l’atteinte de la clarté nécessaire pour construire des systèmes qui fonctionnent.

La raison pour laquelle de nombreuses entreprises construisent des pilotes d’IA mais ne dépassent jamais cette étape est qu’elles construisent ces pilotes sur des fondations faibles, ce qui est comme cuisiner avec de mauvais ingrédients.

Vous pouvez avoir une recette de Gordon Ramsay et un excellent équipement, mais si les ingrédients sont de mauvaise qualité, le résultat sera toujours négatif.

La différence entre les startups et les grandes entreprises

Les petites organisations, en particulier celles du secteur intermédiaire, démontrent souvent une plus grande capacité à mettre en œuvre l’IA de manière efficace. C’est parce que leurs systèmes sont moins fragmentés et que leurs processus de prise de décision sont plus directs.

Dans les grandes organisations, la structure elle-même introduit des obstacles potentiels. Les initiatives sont souvent motivées par le besoin de répondre aux attentes externes, et l’IA devient une catégorie qui doit être abordée plutôt qu’une capacité qui est soigneusement intégrée.

Dire « nous voulons mettre en œuvre l’IA » est comme introduire l’électricité dans une usine sans machines. Les lumières s’allument, mais la production n’améliore pas, car vous avez investi dans la technologie sans savoir ce qu’elle fera réellement.

Le passage des modèles à l’infrastructure

Une approche alternative commence à prendre forme parmi les organisations qui ont rencontré ces limites directement.

Au lieu d’allouer des budgets initiaux aux modèles d’IA, elles investissent dans ce que l’on peut appeler la « confiance des données », qui est la création d’une fondation où les données sont cohérentes, connectées et mises à jour en continu. L’objectif est de garantir que les données utilisées peuvent soutenir des décisions significatives.

La préparation des données peut prendre jusqu’à 80 % du temps passé sur les projets de machine learning, soulignant à quel point le travail se situe dans la couche de données sous-jacente plutôt que dans les modèles eux-mêmes.

Ce processus commence généralement par une cartographie détaillée des systèmes existants et l’identification des lacunes dans le flux et l’intégrité des données. Les 30 à 60 premiers jours sont souvent consacrés à la compréhension de la façon dont l’information se déplace ou ne se déplace pas au sein de l’organisation. Cela est suivi d’une période d’intégration et de normalisation, au cours de laquelle les données sont nettoyées, dédoublonnées et alignées sur les plateformes.

Au cours des trois à six mois suivants, les entreprises se concentrent sur la construction de pipelines de données fiables et la connexion de systèmes à haute valeur de manière à soutenir des cas d’utilisation réels. Ce n’est qu’une fois que cette fondation est en place qu’il devient possible d’introduire l’IA dans des flux de travail qui peuvent produire des résultats cohérents et mesurables.

Au sein d’un horizon de six à neuf mois, les organisations qui suivent cette approche commencent généralement à voir des résultats significatifs sous la forme de processus alimentés par l’IA qui influencent des métriques telles que la conversion, la rétention et l’amélioration de la marge. À ce stade, les modèles cessent d’être des expériences et deviennent partie intégrante des opérations. Leurs performances se stabilisent et leurs sorties deviennent actionnables au point que les équipes peuvent commencer à s’appuyer sur elles.

L’accélération des investissements dans l’IA dans le commerce est peu susceptible de ralentir à court terme. Ce qui reste incertain est si la préparation des infrastructures suivra et sera en mesure de la soutenir. L’écart croissant entre ce que les organisations attendent de l’IA et ce que leurs systèmes peuvent supporter est déjà visible dans le nombre croissant de pilotes qui ne parviennent pas à atteindre la production. Combler cet écart nécessite un passage de l’attention portée aux modèles à la construction de ces infrastructures critiques.

Le passage de la conversation des modèles à l’infrastructure ne comporte pas la même urgence ou visibilité. Mais c’est là que résident de nombreuses contraintes actuelles. Et c’est là que la prochaine phase de progrès significatifs dans le commerce alimenté par l’IA est susceptible d’émerger.