Jay Allardyce, directeur général, Données et analyses chez Insightsoftware – Série d'entretiens

Jay Allardyce est directeur général des données et de l'analyse chez Insightsoftware. Cadre technologique, il cumule plus de 23 ans d'expérience au sein d'entreprises B2B telles que Google, Uptake, GE et HP. Il est également le cofondateur de GenAI.Works, qui anime la plus grande communauté d'intelligence artificielle sur LinkedIn.

logiciel de perspicacité est un fournisseur mondial de solutions logicielles financières et opérationnelles. L'entreprise propose des outils de planification et d'analyse financières (FP&A), de comptabilité et d'exploitation. Ses produits sont conçus pour améliorer l'accessibilité des données et aider les organisations à prendre des décisions éclairées et rapides.

Vous avez souligné l'urgence pour les entreprises d'adopter l'IA pour répondre aux attentes croissantes des clients. Quelles sont les mesures clés à prendre pour éviter de tomber dans le piège de la peur de rater quelque chose de l'IA et d'adopter des solutions d'IA génériques ?

Les clients font clairement savoir aux entreprises qu'ils souhaitent des capacités d'IA accrues dans leurs outils. En réaction, les entreprises se précipitent pour répondre à ces demandes et rivaliser avec leurs concurrents, ce qui crée un cercle vicieux pour toutes les parties prenantes. Et oui, le résultat final est la peur de manquer quelque chose de l'IA, qui peut pousser une entreprise à précipiter ses innovations pour simplement dire : « Nous avons l'IA ! »

Le meilleur conseil que je puisse donner aux entreprises pour éviter ce piège est de prendre le temps de comprendre les difficultés que les clients demandent à l'IA de résoudre. Y a-t-il un problème de processus trop exigeant en main-d'œuvre ? Une tâche répétitive doit-elle être automatisée ? Y a-t-il des calculs qui pourraient facilement être effectués par une machine ?

Une fois ce contexte nécessaire établi, les entreprises peuvent commencer à adopter des solutions ciblées. Elles pourront proposer à leurs clients des outils d'IA qui résolvent un problème, plutôt que des outils qui ne font qu'aggraver la situation.

De nombreuses entreprises se précipitent pour mettre en œuvre l'IA sans en comprendre pleinement les cas d'usage. Comment les entreprises peuvent-elles identifier les solutions d'IA adaptées à leurs besoins spécifiques plutôt que de se contenter d'implémentations génériques ?

Côté client, il est important de maintenir une communication constante afin de mieux comprendre les cas d'usage les plus urgents. Les tableaux de bord clients peuvent apporter une solution utile. Mais au-delà des clients, il est également important pour les équipes d'analyser l'impact interne de l'ajout de nouveaux outils d'IA sur les fonctionnalités internes. Pour chaque nouvel outil introduit chez un client, les équipes de données internes sont confrontées à une multitude de nouvelles variables et de nouvelles données.

Bien que nous souhaitions tous ajouter de nouvelles fonctionnalités et les présenter à nos clients, aucun déploiement d'IA ne sera réussi sans le soutien des équipes de données et des scientifiques internes à leur développement. Organisez-vous en interne pour comprendre la bande passante, puis examinez les demandes externes pour identifier celles qui peuvent être satisfaites avec un soutien adéquat.

Vous avez aidé des entreprises du Fortune 1000 à adopter une approche axée sur les données. Que signifie réellement être « axée sur les données » pour une entreprise ? Quels sont les pièges courants que rencontrent les entreprises lors de cette transformation ?

Pour qu'une entreprise soit « data-driven », elle doit apprendre à exploiter efficacement les données. Une équipe véritablement data-driven peut prendre des décisions éclairées, ce qui implique d'utiliser les informations pour éclairer et soutenir les choix commerciaux. Au lieu de se fier uniquement à l'intuition ou à l'expérience personnelle, les décideurs collectent et analysent les données pertinentes pour orienter leurs stratégies. Prendre des décisions fondées sur les données peut aider les entreprises à obtenir des informations plus éclairées et objectives, ce qui, dans un marché en constante évolution, peut faire la différence entre une décision stratégique et une décision impulsive.

Un piège fréquent pour y parvenir est une gestion inefficace des données, qui conduit à une « surcharge de données » : les équipes sont accablées par de grandes quantités de données et ne peuvent plus rien en tirer. Alors que les entreprises tentent de concentrer leurs efforts sur les données les plus importantes, un accès excessif à ces données peut entraîner des retards et des inefficacités s'il n'est pas correctement géré.

Compte tenu de votre expérience de travail avec l’IoT et les technologies industrielles, comment voyez-vous l’évolution de l’intersection de l’IA et de l’IoT dans des secteurs tels que l’énergie, les transports et la construction lourde ?

Lorsque l'IoT est apparu, on pensait qu'il permettrait une plus grande connectivité pour améliorer la prise de décision. Cette connectivité a ouvert la voie à un tout nouveau monde de valeur économique, et c'était et c'est toujours le cas pour le secteur industriel.

Le problème était que beaucoup se concentraient sur la « plomberie intelligente », utilisant l'IoT pour connecter, extraire et communiquer avec des appareils distribués, et moins sur le résultat. Il est nécessaire de déterminer précisément le problème à résoudre, maintenant que vous êtes connecté à, disons, 400 actifs de construction lourde ou 40 centrales électriques détenues. Le résultat, ou le problème à résoudre, revient finalement à comprendre quels indicateurs clés de performance (ICP) pourraient être améliorés pour améliorer le chiffre d'affaires, la productivité des flux de travail ou les économies nettes (voire les deux). Chaque entreprise est régie par un ensemble d'ICP de haut niveau qui mesurent la performance opérationnelle et actionnariale. Une fois ces indicateurs déterminés, le problème à résoudre (et donc les données utiles) devient clair.

Sur cette base, l'IA, qu'elle soit prédictive ou générative, peut multiplier par 10 à 50 l'impact sur la productivité d'une entreprise. L'optimisation de l'approvisionnement, des interventions et des cycles de réparation repose sur un modèle de signal de demande clair, adapté aux variables d'entrée requises. À titre d'exemple, disposer de la « bonne pièce, au bon moment et au bon endroit » peut représenter des millions pour une entreprise de construction, car elle a des exigences de stock réduites et des techniciens de service optimisés, basés sur un modèle d'IA capable de prédire les pannes de machine ou les incidents de service. Ce modèle, combiné à des données d'exploitation structurées et à des données IoT (pour les actifs distribués), peut contribuer à dynamiser et à optimiser légèrement une entreprise, sans compromettre la satisfaction client.

Vous avez évoqué l'importance d'exploiter efficacement les données. Quelles sont les utilisations abusives les plus courantes des données par les entreprises et comment peuvent-elles en faire un véritable avantage concurrentiel ?

Le terme « intelligence artificielle », pris au pied de la lettre, peut être quelque peu trompeur. Intégrer n'importe quelle donnée à un moteur d'IA ne garantit pas des résultats utiles, pertinents ou précis. Alors que les équipes s'efforcent de suivre le rythme des innovations en matière d'IA, nous oublions parfois l'importance d'une préparation et d'un contrôle complets des données, essentiels pour garantir l'exactitude absolue des données qui alimentent l'IA. Tout comme le corps humain a besoin d'un carburant de haute qualité pour fonctionner, l'IA a besoin de données propres et cohérentes qui garantissent l'exactitude de ses prévisions. C'est particulièrement important pour les équipes financières, car cela permet aux équipes de produire des rapports précis.

Quelles sont les meilleures pratiques pour permettre aux équipes non techniques d’une organisation d’utiliser efficacement les données et l’IA, sans les submerger d’outils ou de processus complexes ?

Mon conseil aux dirigeants est de donner aux équipes non techniques les moyens de générer leurs propres analyses. Pour être véritablement agiles, les équipes techniques doivent s'efforcer de rendre le processus plus intuitif pour tous les employés, plutôt que de se concentrer sur l'accumulation constante de demandes des services financiers et opérationnels. La suppression des processus manuels est la première étape importante de ce processus, car elle permet aux responsables opérationnels de consacrer moins de temps à la collecte des données et plus de temps à leur analyse.

InsightSoftware se concentre sur l'intégration de l'IA aux opérations financières. Comment l'IA transforme-t-elle le fonctionnement des directeurs financiers et des équipes financières, et quels sont les principaux avantages qu'elle peut apporter à la prise de décision financière ?

L'IA a eu un impact profond sur la prise de décision financière et les équipes financières. En fait, 87% des équipes l'utilisent déjà à un rythme modéré à élevé, ce qui témoigne de son succès et de son impact. Plus précisément, l'IA peut aider les équipes financières à produire des prévisions essentielles plus rapidement et donc plus fréquemment, améliorant ainsi considérablement les cadences de prévision actuelles, qui estiment que 58 % des cycles budgétaires durent plus de cinq jours.

En intégrant l'IA à ce processus décisionnel, les équipes peuvent l'exploiter pour automatiser des tâches fastidieuses, telles que la génération de rapports, la validation des données et les mises à jour des systèmes sources, libérant ainsi un temps précieux pour l'analyse stratégique. Ceci est particulièrement important dans un marché volatil où les équipes financières ont besoin d'agilité et de flexibilité pour renforcer leur résilience. Prenons l'exemple d'une équipe financière en plein cycle de budgétisation et de planification. Les solutions basées sur l'IA peuvent fournir des prévisions plus précises, aidant ainsi les professionnels de la finance à prendre de meilleures décisions grâce à une planification et une analyse plus approfondies.

Comment voyez-vous l’évolution des besoins en données dans les cinq prochaines années, notamment en lien avec l’intégration de l’IA et le passage aux ressources cloud ?

Je pense que les cinq prochaines années démontreront la nécessité d'une agilité accrue des données. Face à la rapidité avec laquelle le marché évolue, les données doivent être suffisamment agiles pour permettre aux entreprises de rester compétitives. Nous l'avons constaté lors de la transition du sur site vers le cloud, où les entreprises disposaient de données, mais aucune n'était suffisamment utile ou agile pour les accompagner dans cette transition. Une flexibilité accrue se traduit par une prise de décision, une collaboration et une gestion des risques optimisées en matière de données, ainsi que par une multitude d'autres fonctionnalités. Mais au final, elle fournit aux équipes les outils nécessaires pour relever efficacement les défis et s'adapter aux évolutions des tendances et des exigences du marché.

Comment garantir que les technologies d’IA sont utilisées de manière responsable et quelles considérations éthiques les entreprises devraient-elles privilégier lors du déploiement de solutions d’IA ?

En établissant un parallèle entre l'essor et l'adoption du cloud, les entreprises craignaient de confier leurs données à une entité inconnue pour qu'elle les gère, les maintienne, les gère et les protège. Il a fallu plusieurs années pour instaurer cette confiance. Aujourd'hui, avec l'adoption de l'IA, une tendance similaire se dessine.

Les organisations doivent à nouveau faire confiance à un système pour protéger leurs informations et, dans ce cas, produire des informations fiables, factuelles, référençables et, par conséquent, fiables. Avec le cloud, la question était de savoir qui possédait ou gérait les données. Avec l'IA, tout est question de confiance et d'utilisation des données, ainsi que de l'obtention des informations qui en découlent. Ceci étant dit, je suggère aux organisations de se concentrer sur les trois points suivants lors du déploiement de technologies d'IA :

1. Penchez-vous – N’ayez pas peur d’utiliser cette technologie, mais adoptez-la et apprenez.
2. Sens des Réalités – Les données d'entreprise que vous possédez et gérez constituent la base de l'exactitude des informations, à condition qu'elles soient véridiques, factuelles et référençables. Lorsque vous exploitez vos données, assurez-vous de comprendre l'origine de l'entraînement du modèle d'IA et les informations qu'il utilise. Comme pour toutes les applications ou données, le contexte est important. Les applications non basées sur l'IA produisent des résultats erronés ou inexacts. Ce n'est pas parce que l'IA produit un résultat inexact qu'il faut blâmer le modèle, mais plutôt comprendre ce qui l'alimente.
3. Valeur – Comprendre le cas d’utilisation dans lequel l’IA peut améliorer considérablement l’impact.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter logiciel de perspicacité.