La phase de lune de miel de l’IA est terminée, que vient-il ensuite ?

De nombreuses discussions sur le potentiel transformateur de l’IA ont eu lieu au cours des deux dernières années depuis la sortie initiale de ChatGPT, qui a généré beaucoup d’excitation. Les dirigeants d’entreprise ont été impatients d’utiliser la technologie pour réduire les dépenses opérationnelles. Peut-être de manière surprenante, cependant, pour de nombreux dirigeants, le principal indicateur utilisé pour évaluer le succès d’un outil d’IA n’est pas le rendement sur investissement (ROI) à vie. C’est la vitesse du ROI.

Au milieu d’une tolérance au risque en baisse et d’une pression accrue sur les revenus, les dirigeants s’attendent à ce que les investissements déclenchent des changements et rapportent rapidement. Dans le même temps, l’hype autour de l’IA se dissipe, laissant place à des conversations plus pragmatiques autour du retour sur les investissements dans l’IA.

La prochaine phase : devenir réaliste sur où l’IA fonctionne

Le succès sur le marché d’aujourd’hui, où les abonnements sont rois, repose sur la façon dont vous conservez les clients, et non sur la façon dont vous les acquérez. Dans la plupart des secteurs, le marché est saturé et de nombreuses organisations offrent des services de qualité presque identique. Ajoutez à cela une baisse de la loyauté des clients, des attentes croissantes et une volonté accrue de changer de marque, et les organisations se retrouvent avec aucune marge d’erreur pour suivre la concurrence féroce. L’expérience client (CX) est le facteur qui détermine si les organisations à abonnement prospèrent ou échouent.

Dans cet environnement, les organisations peuvent concurrencer au mieux en s’appuyant sur des améliorations incrémentielles plutôt que de s’en écarter. Chaque choix que fait l’organisation doit être orienté vers des objectifs spécifiques et axés sur le client — même si cela coûte un peu plus au début. Cela s’étend à la mise en œuvre de l’IA. Les organisations se demandaient comment l’IA pouvait récupérer son coût en la utilisant comme remplacement des ressources existantes. Maintenant, ils doivent se demander comment l’IA peut créer de la valeur pour l’organisation en améliorant la façon dont ils travaillent avec les clients.

La réponse est assez simple. L’IA a de nombreuses applications potentielles qui améliorent l’expérience client à la fois directement et indirectement. Les outils alimentés par l’IA peuvent améliorer la personnalisation en utilisant les données de comportement des clients pour garantir que les utilisateurs voient le bon message ou la bonne promotion au bon moment. Les mêmes données peuvent aider à guider le développement de produits, en mettant en évidence les lacunes sur le marché que l’organisation pourrait exploiter pour mieux servir les besoins des clients. Ils peuvent également rendre les organisations plus proactives, en les aidant à anticiper les perturbations, à activer les plans de continuité et à communiquer les informations nécessaires aux utilisateurs.

Cependant, ce travail se déroule principalement en coulisses et ne peut pas se produire du jour au lendemain.

Vous voulez l’IA à son meilleur ? Commencez avec des applications « invisibles »

La seule façon de savoir avec certitude si un cas d’utilisation back-end ou front-end donnera les résultats escomptés est de tirer parti des capacités plus discrètes et en coulisses de l’IA.

Derrière les gros titres sur la transformation instantanée se trouve la capacité de base de l’IA : l’analyse. Les grands modèles de langage (LLM) comme ChatGPT ont attiré l’attention pour leur apparente flexibilité, mais ils ne réalisent qu’une seule tâche, quelle que soit leur zone d’action. Ils résument les informations. C’est aux organisations de rendre les bonnes informations disponibles, et cela prend du temps. Ce sont deux faits qui ont souvent été perdus dans la conversation, et ils représentent la fin de la réputation de « solution rapide » que l’IA a acquise.

La prochaine ère sera définie par les améliorations « invisibles » facilitées par l’IA, à mesure que les organisations construisent leurs fondations techniques. Les organisations peuvent commencer par les LLM qui aident à :

1. Intégrer les bases de données existantes et briser les silos pour fournir une visibilité de bout en bout – et le contexte qui l’accompagne.
2. Mettre en œuvre des outils de collecte de données en temps réel pour garantir que les informations sont à jour et reflètent les dernières tendances, modèles et perturbations.
3. Accélérer la réconciliation et la gestion pour garantir l’exactitude et libérer les travailleurs pour se concentrer sur des tâches de niveau supérieur qui nécessitent une touche humaine.

Le changement organisationnel est la première étape de la mise en œuvre efficace et s’étend aux systèmes et au personnel. À ce stade, les dirigeants devraient également considérer les moyens par lesquels les déploiements d’IA pourraient affecter le personnel et travailler pour anticiper les obstacles potentiels. Le développement de programmes de recyclage et de formation permettra de garantir que le personnel est prêt à travailler efficacement aux côtés des nouvelles technologies. L’IA elle-même peut aider dans ces efforts — une autre de ses applications « invisibles ». Par exemple, elle peut mettre en évidence les lacunes de connaissances individuelles en fonction des données d’utilisation. Ce type d’informations peut guider les programmes de formation pour s’assurer que les travailleurs ont tout ce dont ils ont besoin pour prospérer.

Une fois que les organisations ont des dossiers intégrés, exacts et à jour, ainsi qu’un personnel qui comprend comment et quand utiliser l’IA, elles peuvent ajouter une autre couche d’outils « invisibles ». La prochaine vague de solutions devrait se concentrer sur l’analyse qui aide à cultiver une compréhension approfondie de la façon dont fonctionne l’entreprise, ce que veulent les clients et quels obstacles se dressent sur leur chemin. Ces solutions s’appuient les unes sur les autres, chaque étape révélant un nouveau niveau de compréhension.

Plus précisément, l’analyse descriptive utilise des données historiques pour identifier des modèles historiques ; elle indique aux organisations ce qui s’est passé. L’analyse diagnostique utilise des données supplémentaires pour contextualiser ce qui s’est passé, identifier les causes et mettre en évidence les effets des incidents et des changements ; elle indique aux organisations pourquoi les choses se sont passées de la manière dont elles se sont produites. L’analyse prédictive utilise les informations issues d’événements passés pour modéliser les impacts des changements proposés et suivre les tendances ; elle montre aux organisations ce qui pourrait se produire. L’analyse prescriptive utilise toutes ces sorties pour prendre des décisions éclairées ; elle indique aux organisations ce qu’elles doivent faire ensuite.

Bien que les solutions d’analyse comme celles-ci puissent puiser dans les capacités plus avancées de l’IA, il est important de noter que — au début — presque tous ces processus se déroulent en coulisses. Éventuellement, les algorithmes prédictifs et prescriptifs peuvent faire leur chemin dans les solutions orientées client, mais cela ne peut se produire qu’une fois que cette fondation interne critique est posée.

Alors que la phase de lune de miel de l’IA se termine, sa réputation en tant que solution miracle disparaîtra également — mais perdre cette perception est crucial pour réaliser le plein potentiel de la technologie. Les dirigeants qui veulent faire les gros titres demain avec des applications d’IA innovantes doivent d’abord terminer ce travail fondamental, qui peut être un remède difficile à avaler au milieu de la pression pour des rendements plus rapides. Cependant, passer à des évaluations plus holistiques, incrémentales et à long terme de la valeur de l’IA permettra aux organisations d’accélérer les rendements. Cette approche donne aux dirigeants les outils et le temps nécessaires pour développer une image claire de ce qui doit être corrigé, une compréhension des petits changements qui auront le plus grand impact et la capacité de développer des stratégies solides qui rapportent aujourd’hui sans nuire à la rentabilité de demain.

Pragmatisme de bout en bout

Les cas d’utilisation spectaculaires peuvent attirer les clients au premier regard, et les opportunités de réduction des coûts peuvent attirer l’œil des dirigeants d’entreprise, mais ni l’un ni l’autre ne définira probablement l’impact de l’IA à long terme. Au lieu de cela, la technologie deviendra synonyme de travail en coulisses qui conduit à des améliorations tangibles à grande échelle.

La fin de la phase de lune de miel marque le début d’une relation plus mature avec l’IA, qui nécessite une considération soigneuse de la façon dont elle peut vraiment améliorer l’expérience client et stimuler la rentabilité. En fin de compte, la clé est de considérer l’IA non comme une solution rapide, mais comme un partenaire stratégique dans la poursuite de la loyauté des clients, d’expériences satisfaisantes et de solutions simples dans les opérations de plus en plus complexes d’aujourd’hui.

Dans les mois et les années à venir, les organisations qui excelleront seront celles qui creuseront plus profondément, s’engageront dans le changement et reconnaîtront le potentiel de l’IA à la fois comme investissement à court et à long terme.