Corey Spencer, GM et GVP de l’IA chez UKG – Série d’entretiens

Corey Spencer est Vice-Président Général et Directeur Général de la Gestion de Produit pour l’IA et la Plateforme chez UKG. Il dirige la stratégie de produit et l’innovation à travers les initiatives d’IA, de plateforme et d’intelligence de la main-d’œuvre d’UKG, aidant les organisations à transformer les données de la main-d’œuvre en insights actionnables qui façonnent des résultats commerciaux positifs. Avec plus de 20 ans d’expérience, Spencer est un leader de pensée respecté sur l’avenir de l’IA, l’intelligence de la main-d’œuvre et l’application de l’IA au travail de première ligne.

UKG est un fournisseur mondial de logiciels de gestion des ressources humaines, de paie et de gestion de la main-d’œuvre conçus pour aider les organisations à gérer et à soutenir leurs employés de manière plus efficace. Sa plateforme combine les ressources humaines, la paie, la planification, les heures et la présence, la conformité, l’analyse et les insights de la main-d’œuvre alimentés par l’IA, servant des entreprises allant des petites entreprises aux grandes entreprises mondiales. Avec 50 ans d’expérience dans l’industrie, UKG soutient plus de 80 000 organisations dans 150 pays, avec des dizaines de millions de personnes utilisant ses solutions chaque jour.

Vous avez passé plus de deux décennies à aider les entreprises à comprendre les données des clients, des analyses et de la main-d’œuvre dans des entreprises comme Adobe, Alteryx et UKG. Qu’est-ce qui vous a convaincu que les travailleurs de première ligne, plutôt que les travailleurs de la connaissance, représentent l’une des opportunités les plus importantes et négligées pour l’IA aujourd’hui ?

Ce qui m’a convaincu est simple : la ligne de front est où l’économie fonctionne réellement.

Nous avons vu des progrès considérables dans l’application de l’IA au travail de la connaissance. Mais la plus grande partie de la main-d’œuvre a souvent été négligée. Les travailleurs de première ligne représentent la majorité des travailleurs dans le monde – jusqu’à 80 % selon certaines estimations – et ils alimentent les industries dont nous dépendons tous chaque jour : les soins de santé, la vente au détail, la fabrication, la logistique, l’hôtellerie et les services publics.

Pour de nombreuses entreprises, la ligne de front est également l’une des plus grandes parties du compte de résultat. C’est là que les coûts de main-d’œuvre, l’expérience client, la conformité, la sécurité, la qualité du service et l’engagement des employés se rencontrent tous. Et pourtant, il s’agit de l’une des parties les moins optimisées de l’entreprise.

Non parce que le travail est simple. Parce que c’est incroyablement complexe.

Le travail de première ligne peut être planifié par semaine ou par mois, mais il change chaque minute de chaque quart de travail. Quelqu’un appelle pour signaler son absence. La demande augmente. La charge de travail d’un patient change. Un envoi est retardé. Une règle de conformité s’applique différemment en fonction du rôle, de l’emplacement, de la certification ou des heures travaillées.

Les systèmes d’entreprise traditionnels ont été conçus pour enregistrer ce qui s’est passé. La ligne de front a besoin d’une technologie qui puisse aider les organisations à agir pendant que la décision est encore pertinente.

C’est pourquoi l’IA est si importante. L’IA agente peut comprendre le contexte, l’intention et les contraintes, puis aider à orchestrer l’action à travers la planification, les heures, la paie, les ressources humaines et les opérations – avec les personnes en contrôle.

Pour moi, l’opportunité est de combler le fossé entre la planification de la main-d’œuvre et l’exécution de la main-d’œuvre. Lorsque nous faisons cela, les employés obtiennent de meilleures expériences, les gestionnaires obtiennent un soutien à une échelle que personne ne peut gérer seul, et les entreprises peuvent fonctionner avec plus de rapidité, de précision et de confiance.

Ceci n’est pas seulement une histoire de productivité. C’est une histoire d’exécution.

Les employés de première ligne constituent la majorité de la main-d’œuvre mondiale, mais une grande partie de l’essor de l’IA s’est concentrée sur les outils de productivité de bureau. Pourquoi pensez-vous que l’industrie a sous-estimé la complexité et l’importance des environnements de première ligne pendant si longtemps ?

Je pense que l’industrie a sous-estimé la ligne de front parce qu’il était plus facile de construire de l’IA pour le travail qui était déjà numérisé.

Le travail de bureau se déroule dans des documents, des e-mails, des réunions, des calendriers et des outils de collaboration. Cela a rendu plus naturel la première vague de l’IA. Mais la ligne de front est différente. C’est physique, distribué, fortement réglementé, sensible au temps et en constante évolution. Et pourtant, il représente jusqu’à 80 % de la main-d’œuvre mondiale – des personnes qui ne sont généralement pas assises à des bureaux, mais qui font fonctionner les entreprises, les communautés et les économies chaque jour.

La complexité ne concerne pas seulement le travail lui-même. C’est les données autour du travail. Nous sommes chanceux car UKG s’est toujours concentré sur la ligne de front, nous avons donc une longueur d’avance de plusieurs décennies dans ce domaine.

Les données de la main-d’œuvre de première ligne sont incroyablement à haute volume et bruyantes. Elles proviennent de la planification, des horloges, des pointages, des règles de paie, des certifications, des prévisions de main-d’œuvre, des absences, des signaux de demande, des exigences de conformité, des décisions de gestion, des préférences des employés et des changements opérationnels qui se produisent dans des milliers d’emplacements et de quarts de travail. Ces signaux sont constamment en mouvement et sont profondément dépendants du contexte – rôle, emplacement, compétence, politique, réglementation, demande et timing.

Cela a rendu les environnements de première ligne beaucoup plus difficiles à analyser de manière significative. Au moment où de nombreuses organisations peuvent comprendre ce qui s’est passé, le moment d’influencer le résultat a déjà passé. Un écart de dotation, un risque de temps supplémentaire, un problème de conformité, une exception de paie ou un signal de couverture manquante n’a pas d’importance une semaine plus tard. Cela compte pendant qu’il est encore temps d’agir.

C’est pourquoi l’IA de première ligne doit être fondamentalement différente de l’IA de productivité de bureau. Elle ne peut pas simplement résumer les informations ou générer du contenu. Elle doit comprendre le contexte opérationnel, interpréter les signaux bruyants de la main-d’œuvre et aider les personnes à prendre des décisions en temps réel.

Pour UKG, c’est le cœur de l’opportunité de notre entreprise et de solutions comme le UKG Workforce Intelligence Hub. La ligne de front n’a pas besoin d’un autre système d’enregistrement. Elle a besoin d’un système d’action – un système qui aide les organisations à transformer les données de la main-d’œuvre en meilleures décisions, une exécution plus rapide et des résultats plus fiables pour les employés, les gestionnaires et l’entreprise.

Pendant des années, les logiciels d’entreprise ont été conçus autour du travail qui était plus facile à numériser : bureaux, documents, réunions, flux de travail et travail de la connaissance. Mais le travail de première ligne est différent. C’est physique, distribué, réglementé, sensible au temps et très spécifique à l’industrie.

Un associé de détail, une infirmière, un technicien de fabrication, un travailleur d’entrepôt et un gestionnaire d’hôtel sont tous des employés de première ligne, mais l’environnement opérationnel autour de chacun d’eux est complètement différent. Les équipes de détail peuvent avoir besoin d’ajuster la main-d’œuvre en fonction de la circulation, des promotions, du temps ou des événements locaux. Les équipes de soins de santé ont besoin de la bonne personne avec la bonne certification dans la bonne unité à mesure que les besoins des patients changent tout au long de la journée. Les équipes de fabrication équilibrent les compétences, la sécurité, les heures supplémentaires, les horaires de production et les règles de main-d’œuvre.

C’est la véritable complexité. Le travail peut être planifié par semaine ou par mois, mais il change chaque minute de chaque quart de travail. Un horaire qui semblait correct lundi peut être incorrect mercredi. Un plan de dotation qui fonctionnait à 8 heures du matin peut être rompu à midi.

Historiquement, la plupart des systèmes ne pouvaient que consigner ce qui s’est passé après coup. La ligne de front a besoin de plus que des rapports. Elle a besoin d’une action dans l’instant.

C’est pourquoi l’IA est un vent arrière si important. L’IA agente peut comprendre le contexte, l’intention, les contraintes et les règles commerciales, puis aider les gestionnaires et les employés à prendre des décisions à travers la planification, les heures, la paie, les ressources humaines et les opérations.

Nous avons passé des décennies à travailler sur ces défis de première ligne. Ce qui est différent maintenant, c’est que l’IA nous donne un moyen de les transformer à un nouveau niveau de rapidité, de précision et de pertinence pour l’industrie.

L’opportunité n’est pas de faire que le travail de première ligne ressemble au travail de bureau. C’est de construire une technologie qui respecte la façon dont le travail de première ligne se déroule réellement – et qui aide les personnes et les entreprises à prendre de meilleures décisions en temps réel.

Construire de l’IA pour un associé de détail, une infirmière, un travailleur d’entrepôt ou un employé d’hôtellerie est très différent de la construction d’IA pour les travailleurs de bureau. Quelles sont les plus grandes différences techniques et opérationnelles entre ces environnements ?

La plus grande différence est que l’IA de première ligne ne peut pas simplement vivre dans un document, une boîte de réception ou une fenêtre de chat. Elle doit vivre dans le flux de travail.

Pour les travailleurs de bureau, l’IA aide souvent à créer, à résumer, à rechercher ou à analyser des informations. Pour les travailleurs de première ligne, l’IA doit comprendre ce qui se passe dans l’opération en ce moment – qui travaille, qui est qualifié, qui est disponible, à quoi ressemble la demande, quelles règles s’appliquent et quelle action doit être prise ensuite. C’est un problème technique très différent.

L’IA doit donc être contextuelle, sensible à l’industrie et axée sur l’action. Elle doit comprendre les rôles, les politiques, les règles de main-d’œuvre, les implications de paie, les horaires, les certifications et les priorités commerciales – et elle doit le faire avec confiance, explicabilité et surveillance humaine.

La différence opérationnelle est tout aussi importante. Les gestionnaires de première ligne n’ont pas le temps d’interpréter des tableaux de bord pendant que le quart de travail est en cours. Les employés ne veulent pas un autre système à naviguer. L’IA doit être intégrée, rapide, intuitive et utile dans l’instant.

C’est pourquoi l’IA de première ligne n’est pas simplement un copilote pour le travail. C’est une intelligence qui aide les organisations à détecter, à décider et à agir en temps réel.

Vous avez parlé de l’importance des données de main-d’œuvre en temps réel, notamment les quarts de travail, la planification, la paie et les signaux de dotation. Pourquoi l’exécution en temps réel est-elle particulièrement critique pour les systèmes d’IA de première ligne ?

Le défi n’est pas de savoir si une organisation a les données. La plupart des entreprises créent plus de données de main-d’œuvre que jamais. Le défi est de traduire ces signaux en recommandations, en conseils et en actions opportunes – pendant que la décision est encore pertinente.

C’est pourquoi l’exécution en temps réel est si critique pour l’IA de première ligne. L’IA doit comprendre ce qui se passe, quelles contraintes s’appliquent et quelle est la meilleure action à prendre ensuite. Devons-nous ajuster un horaire ? Remplir un quart de travail ouvert ? Avertir un gestionnaire ? Prévenir un problème de conformité ? Corriger une exception de paie avant qu’elle ne devienne un problème d’expérience employé ?

Ces décisions peuvent sembler petites, mais à travers des milliers d’employés, de quarts de travail et d’emplacements, ces améliorations se cumulent rapidement. Une meilleure couverture, moins d’exceptions, des décisions de main-d’œuvre plus intelligentes et une action plus rapide des gestionnaires peuvent avoir un impact significatif pour les employés et pour l’entreprise.

C’est l’objectif du UKG Workforce Intelligence Hub : aider les organisations à transformer les données de main-d’œuvre en meilleures décisions et en actions plus rapides, notamment pour la ligne de front.

Nous avons une vue unique et riche sur les ressources humaines, la paie et la gestion de la main-d’œuvre – les domaines où la stratégie de main-d’œuvre devient une réalité opérationnelle. Lorsque ces données sont combinées avec des références industrielles et des benchmarks, des insights sur les coûts de main-d’œuvre, et une IA qui peut mettre en évidence les résultats les plus pertinents et les actions recommandées, les dirigeants obtiennent une vue beaucoup plus claire de ce qui se passe, pourquoi cela compte et où agir.

Pour les dirigeants, c’est la véritable valeur. Ce n’est pas un autre tableau de bord à examiner. C’est un outil pour aider à gérer la main-d’œuvre avec plus de précision, à identifier les risques plus tôt, à établir des benchmarks de performance de manière plus efficace et à prendre des décisions avec plus de confiance dans les moments qui comptent.

De nombreuses organisations explorent l’IA agente, mais il y a des préoccupations concernant l’autonomie, la gouvernance et la confiance. Quels sont les garde-fous nécessaires avant que les entreprises puissent autoriser les agents d’IA à prendre des décisions dans les systèmes de gestion de la main-d’œuvre ?

Dans les opérations de main-d’œuvre, les agents d’IA ont besoin de limites claires car les décisions sont profondément humaines. Elles affectent les horaires, la paie, la conformité, la couverture, la fatigue, l’équité et la confiance des employés. Cela signifie que les agents ne peuvent pas simplement optimiser pour la rapidité ou l’efficacité. Ils doivent opérer dans le cadre des politiques, des autorisations et de l’objectif.

Les garde-fous les plus importants sont le contexte, le contrôle et la responsabilité.

Le contexte signifie que l’IA comprend l’employé, le rôle, l’emplacement, les règles de main-d’œuvre, le besoin commercial et l’impact en aval. Le contrôle signifie que l’agent agit uniquement dans le cadre des autorisations définies, avec le niveau approprié d’approbation humaine en fonction du risque. La responsabilité signifie que chaque recommandation ou action est explicite, auditable et réversible.

Certaines actions peuvent être appropriées pour un agent à exécuter automatiquement, comme mettre en évidence un quart de travail ouvert aux employés qualifiés ou avertir un gestionnaire d’un risque de temps supplémentaire. Des actions à plus forte incidence, notamment celles qui impliquent la paie, la conformité, la sécurité ou des changements de planning importants, devraient nécessiter un examen humain.

L’objectif n’est pas de retirer les gestionnaires ou les équipes des ressources humaines du processus. C’est de leur offrir un soutien intelligent à une échelle que personne ne peut gérer seul.

L’IA agente de confiance devrait transformer l’intention en action – mais toujours avec transparence, gouvernance et personnes impliquées.

Chaque capacité devrait subir une validation de modèle rigoureuse, un examen de sécurité, une évaluation de confidentialité et un suivi continu avant de passer en production.

UKG a discuté d’applications d’IA qui peuvent rééquilibrer les horaires, détecter les anomalies de paie et accélérer les embauches. Quels sont les cas d’utilisation qui livrent déjà une valeur opérationnelle mesurable aujourd’hui, et lesquels sont encore à un stade précoce ?

Les cas d’utilisation qui livrent de la valeur le plus rapidement sont ceux qui éliminent les frictions des décisions que les gestionnaires et les équipes doivent prendre chaque jour.

La détection d’anomalies de paie est un exemple que tout le monde peut probablement comprendre. La paie est l’un des processus les plus fiables dans n’importe quelle entreprise, et elle est particulièrement complexe pour les employés de première ligne et les employés horaires. Un pointage manquant, un problème de temps supplémentaire, une exception de règle de paie ou un problème de conformité peut créer des heures de travail manuel et affecter directement la confiance des employés. L’IA peut aider à identifier les problèmes plus tôt, à expliquer ce qui semble incorrect et à guider les équipes vers une résolution avant la clôture de la paie.

Il y a des exemples beaucoup plus avancés dont nous sommes très enthousiastes. L’un est l’optimisation en temps réel de la main-d’œuvre et de la planification. C’est là que le UKG Dynamic Workforce Operations est si important. La valeur ne réside pas simplement dans la visualisation d’un magasin, d’une unité, d’un entrepôt ou d’un hôtel sous-doté. La valeur réside dans la compréhension de ce qui a changé, de quelles contraintes s’appliquent et de quelle action un gestionnaire peut prendre dans l’instant – que ce soit en remplissant un quart de travail ouvert, en évitant le risque de temps supplémentaire ou en protégeant la couverture. Ces décisions sont prises aujourd’hui par intuition, souvent des heures trop tard. Maintenant, les gestionnaires peuvent obtenir une recommandation basée sur les données avant même que l’homme ne sache qu’il y a un problème.

Le troisième est le soutien de première ligne dans le flux de travail. Grâce au UKG Frontline Worker Network, les données de main-d’œuvre peuvent aider à connecter les employés au soutien autour de la richesse, de la santé et des besoins essentiels quotidiens lorsque ces besoins sont les plus pertinents. C’est encore une catégorie émergente, mais c’est une catégorie importante car l’expérience employé ne peut pas vivre dans un portail séparé que personne n’a le temps d’utiliser.

L’accélération de l’embauche devient également très pratique, notamment dans les environnements de première ligne à forte intensité où la rapidité compte. Notre UKG Rapid Hire basé sur l’IA a réduit le temps entre l’intérêt du candidat et l’entretien programmé de semaines et de jours à des heures et même des minutes dans certains cas. Nous avons réduit le travail répétitif à travers la recherche, le filtrage, la planification, l’intégration et la préparation du premier jour pour l’embauche de première ligne à grande échelle.

L’opportunité réelle n’est pas l’automatisation isolée. C’est une plateforme de main-d’œuvre qui peut détecter ce qui change, recommander la meilleure action suivante et aider les organisations à passer de l’intention à l’action avec la bonne gouvernance et la surveillance humaine.

Dans des secteurs comme les soins de santé, la fabrication et la logistique, de petites perturbations de la main-d’œuvre peuvent avoir des conséquences immédiates en aval. Comment concevez-vous des systèmes d’IA qui peuvent répondre rapidement sans créer de risques opérationnels supplémentaires ?

La rapidité compte, mais dans les environnements de première ligne, la rapidité sans contrôle est un risque.

Dans les soins de santé, la fabrication, la logistique et d’autres secteurs complexes, une petite perturbation de la main-d’œuvre peut se propager rapidement. Une absence peut affecter la couverture des patients. Un écart de compétences peut ralentir une ligne de production. Un signal de dotation manquante peut retarder les livraisons ou créer une exposition au temps supplémentaire.

L’objectif n’est donc pas de construire de l’IA qui se déplace simplement plus vite. L’objectif est de construire de l’IA qui se déplace plus vite dans les bonnes contraintes.

Cela commence par le contexte. L’IA doit comprendre qui est qualifié, quelles règles s’appliquent, quelle couverture est requise, quels risques de conformité existent et quel pourrait être l’impact en aval de chaque action.

Cela nécessite également une autonomie basée sur le risque. Certaines actions peuvent être recommandées ou exécutées avec un risque très faible, comme avertir un gestionnaire, identifier des remplaçants qualifiés ou mettre en évidence un quart de travail ouvert. D’autres actions devraient nécessiter un examen humain, notamment lorsqu’elles affectent la paie, la conformité, la sécurité ou des changements de planning importants.

Les meilleurs systèmes d’IA de première ligne sont conçus pour être explicites, auditable et réversibles. Les gestionnaires ont besoin de savoir pourquoi une recommandation a été faite. Les employés ont besoin de faire confiance au processus. Et l’entreprise a besoin de confiance que l’IA améliore l’exécution sans introduire de nouveaux risques.

Pour nous, le principe de conception est simple : l’IA devrait aider les organisations à détecter, à décider et à agir en temps réel – avec des personnes, des politiques et une gouvernance intégrées dès le départ.

Il y a une crainte croissante parmi les travailleurs que l’IA puisse remplacer des emplois, en particulier dans les industries de première ligne. Comment équilibrez-vous l’automatisation avec l’autonomisation des employés plutôt que de créer de la peur ou de l’incertitude autour de l’adoption de l’IA ?

Je pense que nous devons séparer l’hypothèse d’automatisation de la réalité opérationnelle.

Au cours de la dernière décennie, nous avons vu de nombreux exemples où le remplacement du travail de première ligne s’est avéré beaucoup plus difficile que prévu. Les caisses automatiques ont eu des résultats mitigés. La restauration rapide entièrement automatisée a été plus un pilote qu’un paradigme. La livraison par drone ressemble encore, pour la plupart des gens, à quelque chose du futur.

Ce n’est pas parce que la technologie n’est pas puissante. C’est parce qu’une grande partie du travail de première ligne reste profondément humain.

Les employés de première ligne gèrent les exceptions, le jugement, les soins, la sécurité, le service, l’empathie et la confiance. Une infirmière ne remplit pas simplement une tâche. Un associé de détail ne déplace pas simplement des stocks. Un travailleur de restaurant ne remplit pas simplement une commande. Ces rôles se trouvent à l’intersection des personnes, des opérations, de la conformité et de l’expérience client.

L’IA peut éliminer les frictions autour du travail de première ligne : horaires confus, pointages manquants, questions de paie, quarts de travail ouverts, complexité de la conformité, lacunes de dotation et tâches administratives qui éloignent les gestionnaires de leurs équipes. Elle peut aider les employés à obtenir des réponses plus rapidement, aider les gestionnaires à prendre de meilleures décisions et aider les organisations à fonctionner avec plus de précision.

L’avenir de l’IA de première ligne n’est pas de retirer les personnes du travail. C’est de donner aux personnes de meilleurs outils, de meilleures orientations et plus de soutien dans les moments qui comptent.

Vous avez décrit l’IA comme déplaçant les logiciels d’entreprise des systèmes d’enregistrement vers des systèmes d’action intelligents. Comment voyez-vous les plateformes de main-d’œuvre évoluer au cours des cinq prochaines années à mesure que l’IA agente devient plus intégrée aux opérations quotidiennes ?

Je reformulerais légèrement cela. La question n’est pas à quoi ressembleront les plateformes de main-d’œuvre dans cinq ans. La question est quelles organisations sont en train de construire les fondations aujourd’hui pour être des leaders dans cinq ans.

Le rythme du changement dans l’IA est trop rapide pour le traiter comme une transformation lointaine. L’avantage ira aux organisations qui passent maintenant des systèmes déconnectés, des suites maladroites et des solutions ponctuelles à une véritable plateforme de main-d’œuvre – une plateforme qui relie les ressources humaines, la paie, le temps, la planification, l’intelligence de la main-d’œuvre et l’exécution.

C’est un autre exemple de l’importance du UKG Workforce Intelligence Hub. À mesure que l’IA devient plus intégrée dans les opérations quotidiennes de la main-d’œuvre, l’intelligence ne peut pas simplement siéger à côté en tant que rapports statiques. Elle doit devenir partie intégrante de la façon dont le travail est compris, priorisé et agi. Les organisations ont besoin d’une couche d’intelligence pour les opérations de main-d’œuvre de première ligne pour apporter le bon contenu au bon moment.

Cela compte parce que les opérations de main-d’œuvre sont remplies de gains et de pertes marginaux. Un signal de dotation manquante, une exception de paie, un problème de conformité, un quart de travail ouvert ou une décision de gestion retardée peut sembler petit en soi. Mais à travers des milliers d’employés, d’emplacements et de quarts de travail, ces moments se cumulent rapidement.

L’IA agente donne aux organisations un moyen de combler cet écart. Elle peut comprendre ce qui change, interpréter le contexte commercial, recommander la meilleure action suivante et aider les personnes à exécuter en temps réel avec la bonne gouvernance et la surveillance humaine.

Au cours des cinq prochaines années, les leaders ne seront pas les organisations qui ont simplement ajouté des fonctionnalités d’IA aux flux de travail existants. Ils seront ceux qui ont repensé la gestion de la main-d’œuvre comme un système d’action intelligent.

Pour les dirigeants, c’est l’urgence : la ligne de front est déjà en mouvement en temps réel. Votre technologie doit suivre. Les organisations qui construisent cette capacité maintenant auront un avantage significatif.

En regardant vers l’avenir, pensez-vous que les entreprises qui gagneront dans l’IA d’entreprise seront celles qui ont les meilleurs modèles, ou celles qui ont les données opérationnelles et de main-d’œuvre les plus profondes liées directement aux flux de travail du monde réel ?

Les meilleurs modèles compteront, mais je ne pense pas que les modèles seuls définiront les gagnants dans l’IA d’entreprise.

Dans l’entreprise, l’intelligence est seulement valable si elle comprend le contexte du travail et peut aider les personnes à prendre la bonne action. C’est particulièrement vrai dans les opérations de main-d’œuvre, où une recommandation peut dépendre de qui est planifié, qui est qualifié, quelles règles s’appliquent, à quoi ressemble la demande, quelles sont les implications de paie et quel risque ou problème de conformité peut être créé en aval.

Un modèle sans ce contexte opérationnel peut générer une réponse. Une plateforme avec les bonnes données de main-d’œuvre, les règles commerciales, le contexte du flux de travail et la gouvernance peut aider à conduire un résultat.

C’est là que je pense que le marché est en train d’évoluer. À mesure que les modèles deviennent plus puissants et plus accessibles, la différenciation viendra de la façon dont l’IA est ancrée dans les flux de travail du monde réel et de la façon dont elle peut passer de l’insight à l’action de manière sécurisée.

Pour la ligne de front, cette distinction est critique. Le travail change constamment, et les décisions ont des conséquences immédiates pour les employés, les gestionnaires, les clients, les patients, et l’entreprise.

Les entreprises qui gagneront dans l’IA d’entreprise ne seront pas simplement celles qui ont de l’IA qui sonne intelligente. Elles seront celles qui ont de l’IA qui comprend comment le travail se déroule réellement – et qui peut aider les organisations à fonctionner avec plus de rapidité, de précision, de confiance et d’humanité.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus devraient visiter UKG.