Quatre questions que tout directeur d'exploitation devrait se poser avant de déployer l'IA

L'ère de l'IA est plein de promesse, chaque entreprise rend compte de l'augmentation de son efficacité et de l'importance de l'IA pour y parvenir. Ayant dirigé plusieurs startups spécialisées en IA et gérant aujourd'hui un fonds de capital-risque spécialisé en IA avec plus de 120 entreprises en portefeuille, je constate une situation différente. De nombreux outils d'IA et d'automatisation utiles sont achetés, intégrés et déployés, sans grand effet, voire aucun. Selon récent rapport McKinsey sur le potentiel de l'IAPrès de 70 % des transformations de l'IA échouent. Le problème est que si vous introduisez même le meilleur outil d'IA dans un processus complexe géré par des humains, vous obtenez un processus complexe qui est désormais également halluciner et perdre aux contextes.

L'un de nos investisseurs nous a récemment fait part de l'intégration d'agents IA dans l'une de ses opérations, puis d'une étude menée pour évaluer les gains d'efficacité. Les résultats ont été stupéfiants : leurs employés ont gagné un temps considérable sur une tâche qu'ils effectuaient auparavant manuellement, tout en y consacrant le même temps. essayer de corriger les erreurs commises par l'IAIl va sans dire que l'automatisation a été mise en place par l'informatique, laissant l'équipe opérationnelle à l'écart. Voyons comment les directeurs d'exploitation peuvent exploiter l'IA pour améliorer concrètement leurs opérations.

Chez DVC, nous investissons non seulement dans des startups d'IA, mais nous sommes également parmi les premiers à adopter la quasi-totalité des nouvelles technologies que nous découvrons. Nous créons nos propres agents et utilisons les produits de nos sociétés en portefeuille dans tous les aspects de notre activité de capital-risqueur : de la recherche et de la signature de contrats à l'accompagnement des fondateurs de portefeuille, en passant par la création d'outils permettant à nos investisseurs en capital-risque d'analyser les opportunités d'investissement providentiel. Notre succès repose sur l'application d'un cadre de travail certes simple, mais pourtant très utile.

Avant tout déploiement d’IA, nous posons ces quatre questions :

1. Existe-t-il des règles claires ?

Le processus peut-il être défini par des directives spécifiques ? Si oui, il est idéal pour l'automatisation. Flux de travail juridiques, règles comptables, intégration structurée ? Parfait. Ce sont des systèmes où les résultats suivent des règles. L'IA est particulièrement performante dans ce domaine.

Mais si votre processus est intrinsèquement créatif – par exemple, la narration de marque ou la conception stratégique – l'autonomie totale ne fonctionnera pas, et le processus devra être conçu avec des copilotes. En marketing de marque, il est fréquent de transgresser les règles. ajoute valeur. Ne sous-traitez pas cela à un agent.

2. Ce processus dispose-t-il d’une source unique de vérité ?

Si votre CRM indique une chose, votre outil de suivi de commandes une autre, et que la véritable mise à jour se trouve dans la feuille de calcul personnelle de quelqu'un, arrêtez-vous. L'efficacité des systèmes d'IA dépend des données que vous leur fournissez.

La création une seule source de vérité et l’élimination des silos de données ou de connaissances est une référence en matière de conception de processus efficace, et pour l’IA agentique, elle est plus importante que jamais.

Lorsque tous les points de contact et historiques clients sont enregistrés dans une base de données unifiée, l'IA peut automatiser les suivis, recommander les actions à suivre et générer des rapports précis. Elle peut même proposer une assistance client vocale ou planifier des rendez-vous clients. On voit souvent des startups réussir lorsqu'elles vendent une solution intégrant une source fiable, notamment auprès de petites entreprises comme les PME. Avoca AI, un assistant téléphonique pour électriciens, intégré à un CRM intégré, garantissant que toutes les données et interactions clients sont centralisées et à jour.

3. Existe-t-il un historique de données riche ?

Chaque action est-elle enregistrée avec des exemples de prise de décision ? L'IA apprend à partir de schémas dans vos données historiques. Pas de journal, pas d'apprentissage. Si votre système n'enregistre pas ce qui s'est passé, et pourquoi, il ne peut pas générer de modèles. Il ne peut pas s'améliorer. Vous gaspillerez de l'argent.

Mais même si vous enregistrez chaque appel client, le transcrivez avec l'IA et le stockez dans un dossier, cela ne suffira probablement pas. Les agents travaillant avec ce type de données doivent être configurés pour convertir ces données non structurées en données synthétiques et structurées, voire en graphiques, afin de mieux comprendre les relations, sans quoi leur attention serait rapidement dépassée. Imaginez un employé dont la mémoire est effacée à chaque fois qu'il arrive au travail. Vous pouvez lire et écrire à une vitesse surhumaine, mais vous devez scruter des mégaoctets de journaux de conversations et d'historiques de chat pour essayer de comprendre ce que fait l'entreprise et comment exécuter les tâches demandées par le responsable. Voilà ce que ressent un agent IA sans une base de données performante.

Les meilleures équipes ne se contentent pas de collecter des données : elles les structurent et les versionnent en pensant à l'avenir. C'est là que se forment les boucles d'apprentissage. C'est là que l'IA devient plus intelligente, même sans avoir à entraîner de modèle.

Dans le domaine de la santé, Collectivement applique ce principe à grande échelle : grâce à des années de données annotées de facturation, de paiement et d'interaction avec les patients, ils optimisent la facturation médicale et la gestion du cycle de revenus. Leur IA s'appuie sur les résultats historiques pour réduire les erreurs et accélérer les recouvrements.

4. Votre pile technologique est-elle prête pour l’IA ?

L'IA peut-elle réellement s'intégrer à vos systèmes et outils, ou êtes-vous coincé avec ce portail interne datant de 1988 qui se charge à peine ? Nous avons vu des cas où les outils opérationnels internes étaient si obsolètes qu'ils ne pouvaient pas générer de résultats structurés, et encore moins s'interfacer avec les API. Dans ces situations, il était souvent plus rapide et plus efficace de reconstruire le système de A à Z que d'intégrer l'IA dans une infrastructure existante. Si les agents d'IA peuvent utiliser MCP, ou une API structurée et documentée, c'est toujours mieux (et moins cher) que de devoir réaliser des captures d'écran de l'interface et les analyser par reconnaissance d'image pour déterminer sur quel bouton appuyer.

L'IA devient une infrastructure. Mais comme l'électricité au début du XXe siècle, son potentiel ne se révèle que lorsqu'on repense l'usine, et pas seulement lorsqu'on y installe des ampoules. Ne modernisez pas. Réinventez. Et, inutile de le préciser, de nombreux outils internes, dont le développement coûtait autrefois un million de dollars, peuvent désormais être codés de toutes pièces par l'un de vos ingénieurs pendant sa pause déjeuner.

C'est l'heure des premiers principes.

Passons maintenant à la partie la plus intéressante. Imaginons que nous ayons conçu un processus idéal : il serait défini par des règles, disposerait d'une source unique de données et collecterait des données de manière structurée pour s'auto-améliorer. Nous avons même convaincu notre ingénieur de consacrer sa pause déjeuner au codage d'un nouvel ensemble d'outils internes. Mais examinons ce processus une fois de plus. Il est fort probable que l'automatisation l'ait rendu beaucoup plus économique à gérer. Imaginez maintenant ce qui arrivera à votre entreprise avec cette réduction des coûts. Essayez d'avoir une vision plus globale : comment ce processus coexisterait-il avec d'autres processus s'ils étaient améliorés de la même manière ? Il est peut-être temps de tout repenser en intégrant l'IA.

Bien souvent, réfléchir à son fonctionnement commercial dès les premiers principes peut permettre d'identifier des opportunités inattendues. Par exemple, chez DVC, nous avons automatisé l'analyse des transactions, la due diligence et la préparation des mémos, passant de 6 heures-personnes à 3 minutes d'IA. Traditionnellement, les VC n'effectuaient tout ce travail qu'après avoir discuté avec les fondateurs et confirmé que la transaction valait la peine d'y consacrer ces 6 heures-personnes, et la société disposait d'un nombre limité d'analystes. Aujourd'hui, comme c'est devenu très économique pour nous, nous analysons le marché, préparons un mémo et effectuons même une due diligence AVANT de parler au fondateur. Cela nous permet de n'appeler que les entreprises dans lesquelles nous sommes sûrs de pouvoir et de vouloir investir, ce qui fait gagner du temps à nos partenaires et aux fondateurs.

Mais nous pouvons aller encore plus loin. Grâce à notre capacité d'analyse illimitée, nous pouvons transférer ces outils en amont à nos investisseurs et scouts, qui nous signalent de nouvelles opportunités de transactions. Ils gagnent ainsi du temps, analysent chaque transaction avec le regard d'un analyste de capital-risque professionnel et réduisent le nombre de fois où nous devrions refuser une transaction après l'avoir examinée. Nous collectons néanmoins toutes les données, car elles nous permettent d'apprendre et d'améliorer nos outils.

Cela nous a permis d'être environ huit fois plus productifs qu'une société de capital-risque classique de notre taille. Mais nous n'y sommes pas parvenus par hasard. Nous avons cartographié nos opérations internes, appliqué les quatre questions et reconstruit à partir des principes de base.

Ce cadre aide les dirigeants de startups et les directeurs d'exploitation à changer de mentalité : de « Pouvons-nous utiliser l'IA ici ? » — une question de faisabilité technique — à « Le devrions-nous ? », ce qui impose une réflexion plus approfondie sur la valeur stratégique, la disponibilité des données et leur maintenabilité à long terme. C'est toute la différence entre intégrer des outils parce qu'ils sont disponibles et repenser les processus parce que c'est la bonne décision à prendre.