Quatre questions que chaque DSI devrait poser avant de déployer l’IA

L’ère de l’IA est pleine de promesses, chaque entreprise rapporte à quel point elle a augmenté son efficacité et à quel point l’IA y contribue. En tant que personne qui a dirigé des opérations dans plusieurs startups d’IA et qui dirige maintenant un fonds d’investissement en IA avec plus de 120 entreprises dans son portefeuille, je vois un tableau différent. Beaucoup d’outils et d’automatisations d’IA utiles sont achetés, intégrés et introduits avec peu ou aucun effet. Selon un rapport récent de McKinsey sur le potentiel de l’IA, près de 70 pour cent des transformations d’IA échouent. Le problème est que si vous introduisez même l’outillage d’IA le plus performant dans un processus humain désorganisé, vous obtenez un processus désorganisé qui est maintenant également halluciné et perd le contexte.

L’un de nos investisseurs a récemment partagé que leur entreprise a introduit des agents d’IA dans l’une de leurs opérations, puis a mené une étude pour voir à quel point ils avaient gagné en efficacité. Les résultats étaient choquants — leurs employés gagnaient beaucoup de temps sur quelque chose qu’ils faisaient manuellement avant, mais passaient le même montant de temps à essayer de corriger les erreurs commises par l’IA. Inutile de dire que l’automatisation a été introduite par le service IT et que l’équipe d’opérations a été laissée de côté. Parlons de la façon dont les DSI peuvent utiliser l’IA pour améliorer réellement les opérations.

Chez DVC, nous ne nous contentons pas d’investir dans des startups d’IA, mais nous sommes également des premiers utilisateurs de presque toutes les nouvelles technologies que nous voyons. Nous construisons nos propres agents et utilisons les produits de nos entreprises dans tous les aspects du travail de capital-investissement — de la recherche et de la notation des affaires, à l’aide des fondateurs de nos entreprises, ou à la création d’outils que nos investisseurs utilisent pour examiner les opportunités d’investissement. Notre succès dans ce domaine vient de l’application d’un cadre très simple, mais 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 lignes directrices spécifiques ? Si oui, c’est un excellent candidat pour l’automatisation. Les flux de travail juridiques, les règles comptables, l’intégration structurée ? Parfait. Ce sont des systèmes où les sorties suivent des règles. L’IA prospère ici.

Mais si votre processus est inhérentement créatif — disons, la narration de la marque ou la conception stratégique —, l’autonomie totale ne fonctionnera pas, et le processus doit être conçu avec des personnes utilisant des copilotes. Dans le marketing de la marque, briser les règles ajoute souvent de la valeur. Ne l’externalisez pas à un agent.

2. Ce processus a-t-il une source unique de vérité ?

Si votre CRM dit une chose, votre suivi de commande dit une autre, et la véritable mise à jour vit dans une feuille de calcul personnelle — pause. Les systèmes d’IA ne sont que aussi bons que les données que vous leur fournissez.

Créer une source unique de vérité et éliminer les silos de données ou de connaissances est un standard d’or de conception de processus efficace, et pour l’IA agente, c’est plus important que jamais.

Lorsque tous les points de contact clients et les historiques sont consignés dans une base de données unifiée, l’IA peut automatiser les suivis, recommander les prochaines actions et générer des rapports précis. Et même fournir un support client vocal ou planifier des rendez-vous avec les clients. Beaucoup de fois, nous voyons des startups réussir lorsqu’elles vendent une solution avec une source de vérité intégrée, en particulier lorsqu’elles vendent à de petites entreprises, comme Avoca AI, un assistant téléphonique pour les électriciens, intégré à un CRM intégré, garantissant que toutes les données et interactions client soient centralisées et à jour.

3. Existe-t-il une riche histoire de données ?

Chaque action est-elle consignée avec des exemples de la façon dont les décisions ont été prises ? L’IA apprend à partir de modèles dans vos données historiques. Pas de journaux, 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 cela devraient être configurés pour convertir ces données non structurées en données résumées et structurées, peut-être même en graphiques pour mieux comprendre les relations, ou cela dépassera rapidement leur capacité d’attention. Imaginez que vous êtes un employé qui a la mémoire effacée chaque fois que vous venez travailler. Vous pouvez lire et écrire avec une vitesse surhumaine, mais vous devez fixer des mégaoctets de journaux de conversation et d’historique de chat en essayant de comprendre ce que fait l’entreprise et comment faire ce que le manager vous a demandé de faire. C’est ainsi qu’un agent d’IA « ressent » sans une bonne base de données.

Les meilleures équipes ne collectent pas seulement des données — elles les structurent et les versionnent en pensant à l’avenir. C’est ainsi que des boucles d’apprentissage se forment. C’est ainsi que l’IA devient plus intelligente, même sans avoir à effectuer de formation de modèle.

Dans le domaine de la santé, Collectly applique ce principe à grande échelle : en utilisant des années de données de facturation, de paiement et d’interaction avec les patients annotées, ils optimisent la facturation médicale et la gestion du cycle de revenu. Leur IA apprend à partir des résultats historiques pour réduire les erreurs et accélérer les collectes.

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

L’IA peut-il vraiment se brancher sur vos systèmes et outils, ou êtes-vous coincé avec ce portail interne de 1988 qui charge à peine ? Nous avons vu des cas où les outils d’opérations internes étaient si obsolètes qu’ils ne pouvaient pas générer de sorties structurées — et encore moins interfacer avec des API. Dans ces situations, il était souvent plus rapide et plus efficace de reconstruire le système à partir de zéro plutôt que de forcer l’IA dans une infrastructure héritée. Si les agents d’IA peuvent utiliser MCP, ou une API structurée et documentée, c’est toujours mieux (et moins cher) que lorsqu’ils doivent faire des captures d’écran de l’interface et les faire passer par la reconnaissance d’images pour savoir quel bouton appuyer.

L’IA devient une infrastructure. Mais comme l’électricité au début du XXe siècle, son potentiel ne se débloque que lorsque vous réaménagez l’usine, et non lorsque vous installez simplement des ampoules. Ne rénovez pas. Réimaginez. Et, bien sûr, beaucoup d’outils internes qui coûtaient un million de dollars à développer avant peuvent maintenant être codés à partir de zéro par l’un de vos ingénieurs pendant leur pause déjeuner.

Temps de principes premiers.

Maintenant, la partie la plus intéressante. Disons que nous avons conçu un processus idéal – il serait défini par des règles, aurait une source unique de vérité et collecterait des données de manière structurée pour s’améliorer. Nous avons même convaincu notre ingénieur de passer son temps de pause déjeuner à coder de nouveaux outils internes à partir de zéro. Mais regardons ce processus une fois de plus. Il est très probable que, grâce à l’automatisation, il est devenu beaucoup, beaucoup moins cher à exécuter. Essayez de voir ce qui se passe dans votre entreprise avec ce coût réduit de manière significative. Essayez de voir l’image plus large – comment ce processus coexisterait-il avec d’autres processus s’ils étaient améliorés de la même manière ? Peut-être qu’il est temps de réimaginer l’ensemble avec l’IA en tête.

Beaucoup de fois, réfléchir à vos opérations commerciales à partir de principes premiers peut conduire à l’identification d’opportunités inattendues. Par exemple, chez DVC, nous avons automatisé l’analyse des affaires, la diligence raisonnable et la préparation des notes de deal, passant effectivement de 6 heures/personne à 3 minutes pour que l’IA fasse le travail. Traditionnellement, les sociétés de capital-investissement ne faisaient tout ce travail qu’après avoir parlé avec les fondateurs et confirmé que l’affaire valait la peine de dépenser ces 6 heures/personne, et la société avait un nombre limité d’analystes. Maintenant, puisque cela est devenu si peu coûteux pour nous, nous analysons le marché, préparons une note de deal et faisons même une diligence raisonnable AVANT de parler au fondateur. Cela nous permet d’avoir des appels uniquement avec les entreprises que nous savons que nous pouvons et voulons investir, en économisant du temps pour nos associés et fondateurs.

Mais nous pouvons aller encore plus loin. Puisque nous avons effectivement un analyste illimité, nous pouvons déplacer ces outils en amont vers nos investisseurs et éclaireurs, qui nous réfèrent de nouvelles opportunités d’investissement, afin qu’ils puissent économiser leur temps, analyser chaque affaire à travers les yeux d’un analyste de capital-investissement professionnel et réduire le nombre de fois où nous devrions passer sur une affaire après l’avoir examinée. Nous collectons toujours toutes les données, car nous pouvons les utiliser pour apprendre et améliorer nos outils.

Cela nous a permis d’être environ 8 fois plus productifs qu’une société de capital-investissement typique de notre taille. Mais nous n’y sommes pas arrivés par hasard. Nous avons cartographié nos opérations internes, appliqué les quatre questions et reconstruit à partir de principes premiers.

Ce cadre aide les dirigeants de startups et les DSI à changer leur mentalité : de « Pouvez-vous utiliser l’IA ici ? » — une question de possibilité technique — à « Devriez-vous ? », ce qui oblige à examiner plus en profondeur la valeur stratégique, la préparation des données et la maintenabilité à long terme. C’est la différence entre brancher des outils parce qu’ils sont disponibles et réaménager les processus parce que c’est la bonne chose à faire.