Pourquoi la plupart des investissements dans l'IA ne seront pas à la hauteur ou échoueront

Les particuliers et les entreprises sont obsédés par le potentiel de l’IA, mais 80 % des projets d’IA échoueront, et ce n’est pas dû à la volonté ou à l’enthousiasme. 

Alors que l’IA imprègne tous les secteurs et industries, le problème réside dans le fait que les entreprises ne se préparent pas suffisamment à ce changement technologique. 

Le Boston Consulting Group rapporte qu'une entreprise sur trois dans le monde prévoit de dépenser plus de 25 millions de dollars sur l'IA. Par conséquent, des millions de dollars seront gaspillés si les entreprises continuent de se lancer dans des solutions d'IA sans planification préalable. 

Cependant, avec de solides initiatives de gestion du changement et un système pour soutenir les nouvelles innovations et les indicateurs clés de performance mesurables, les entreprises peuvent renverser la tendance et renverser la tendance du succès de leur IA.

Plongeons dans les trois principales raisons pour lesquelles les initiatives d’IA échouent. 

Mettre la technologie en premier et les affaires en second

Des centaines de rapports et d’études, notamment sur IA générative, montrent la rapidité et l’impressionnante dextérité intellectuelle des algorithmes et des programmes d’IA. 

L'IA a fait l'objet de nombreuses innovations, ce qui incite les entreprises à se lancer à corps perdu et à investir dans l'exploitation de prototypes de pointe. Cependant, le risque est qu'elles dépensent des millions de dollars pour une solution dont l'objectif commercial est flou ou dont l'impact est indéterminé.

En fait, Gartner prédit qu'au moins 30 % des projets d’IA générative seront abandonnés d’ici la fin de 2025 en raison d’une mauvaise qualité des données, de contrôles des risques inadéquats et de coûts croissants ou d’une valeur commerciale peu claire.

La mauvaise qualité des données constitue un obstacle majeur que la plupart des entreprises peinent à surmonter, notamment lorsqu'il s'agit d'optimiser l'efficacité des solutions d'IA. Le cloisonnement des données est l'un des problèmes les plus importants et constitue un problème opérationnel incontournable. Les équipes peuvent perdre des heures à rechercher des informations manquantes, essentielles à la prise de décision stratégique. 

Et ce ne sont pas seulement les équipes qui sont mises à mal, mais aussi les outils. Les modèles d'apprentissage automatique, par exemple, ne peuvent pas fonctionner correctement lorsque les données sont déconnectées et truffées d'erreurs. 

Pour garantir un retour sur investissement positif, et avant même de commencer toute intervention technique, les organisations doivent identifier les problèmes métier spécifiques que la solution d'IA est censée résoudre. Cela implique de définir des indicateurs clés de performance (KPI) et des objectifs mesurables, tels que la réduction des coûts, l'augmentation du chiffre d'affaires ou des gains d'efficacité, comme la réduction du temps de récupération des données.

Plus précisément, la stratégie d'entreprise doit être prioritaire, et la mise en œuvre technologique doit suivre. En fin de compte, les solutions technologiques doivent servir à générer des résultats commerciaux. De plus, les besoins métier constituent l'épine dorsale de l'IA et des autres implémentations technologiques. 

Par exemple, une entreprise de logistique qui souhaite exploiter l’IA peut définir des objectifs mesurables pour son logiciel d’IA afin d’optimiser les prévisions de la demande et d’améliorer la gestion de la flotte, réduisant ainsi le nombre de camions sous-utilisés de 25 % au cours des six premiers mois et les aidant à augmenter leurs bénéfices de 5 %. 

Les entreprises ont besoin d'objectifs mesurables pour vérifier systématiquement que l'IA améliore non seulement leur efficacité, mais aussi que celle-ci est quantifiable. C'est essentiel pour expliquer aux parties prenantes de l'entreprise que le pari coûteux de l'IA en valait la peine, et qu'elles disposent des données pour le prouver.  

Mise en œuvre d'une IA trop ambitieuse

La promesse de l'IA de tout révolutionner est constamment réitérée dans les médias et souvent présentée à tort comme une solution miracle. Cela peut instiller un sentiment de confiance trompeur chez les dirigeants d'entreprise, les laissant croire qu'ils peuvent exploiter les nouveaux systèmes d'IA et les intégrer simultanément à leurs processus métier. 

Cependant, les tentatives trop ambitieuses de résoudre un problème d'un seul coup sont généralement vouées à l'échec. Les entreprises devraient plutôt commencer modestement et évoluer stratégiquement pour obtenir de meilleurs résultats. 

Par exemple, le succès a été démontré à grande échelle avec Walmart, qui a progressivement introduit des algorithmes d'apprentissage automatique pour optimiser la gestion des stocks. Résultat ? Une réduction de 30 % des stocks excédentaires et une augmentation de 20 % de la disponibilité en rayon.

Pour y parvenir, les entreprises doivent s’adapter à une cadre « zone à gagner » pour la mise en œuvre de l'IA, une méthodologie éprouvée qui aide les équipes à comprendre qu'elles doivent équilibrer les opérations actuelles avec l'innovation future. 

Le cadre divise les activités commerciales en quatre zones : performance, productivité, incubation et transformation. L'IA ne peut pas tout bouleverser simultanément, et la zone d'incubation crée un espace dédié à l'expérimentation des technologies d'IA sans perturber le cœur de métier.

Par exemple, voici comment le cadre « zone à gagner » pourrait s’appliquer à une entreprise de logistique d’entreposage frigorifique mettant en œuvre l’IA :

• Zone de performance : Les activités principales de l'entreprise, telles que la planification des entrepôts et le déploiement des marchandises, sont essentielles à la génération de revenus. Les indicateurs clés de performance (KPI) visant à améliorer l'efficacité des entrepôts afin de réduire les temps d'arrêt et d'augmenter les livraisons sont des priorités. 
• Zone de productivité:Ici, les processus internes sont abordés pour améliorer l'efficacité et réduire les coûts tels que les frais de détention en intégrant des capacités de science des données telles que l'analyse prédictive et les outils d'analyse en temps réel. 
• Zone d'incubation:L'entreprise consacre du temps à tester des outils basés sur les données dans certains entrepôts, permettant aux équipes de déterminer quelles innovations pourraient devenir de futures sources de revenus.
• Zone de transformation:C'est ici que l'entreprise étend sa transformation numérique à l'échelle de toute l'organisation, en suivant une infrastructure numérique complète qui garantit des résultats commerciaux récurrents. 

Ce cadre aide les dirigeants à prendre des décisions concernant l'allocation des ressources entre le maintien des opérations actuelles et l'investissement dans les capacités futures basées sur l'IA. Cette prise de conscience permet d'éviter les problèmes et les échecs inévitables liés à la dispersion des investissements en IA entre un trop grand nombre de services et de processus.

Manque d'adoption par les utilisateurs

Les entreprises se précipitent pour exploiter tous les avantages de l'IA et du machine learning sans d'abord prendre en compte les utilisateurs. Même les solutions d'IA les plus sophistiquées échouent si les utilisateurs finaux ne comprennent pas la technologie : tout repose sur la confiance et une formation complète.

Le facteur essentiel à l'intégration de l'IA réside dans son opérationnalisation. Cela implique de s'assurer que les outils d'IA sont intégrés aux flux de travail et intégrés aux processus métier. 

D'autres outils de travail, comme les CRM, optimisent et contrôlent l'intégralité d'un processus, du début à la fin. Cela facilite la formation, car chaque étape du processus peut être présentée et expliquée. Cependant, l'IA générative opère à un niveau de tâche plus granulaire, plutôt que d'englober des processus entiers. Elle peut être utilisée de manière sporadique, à différentes étapes de différentes méthodes ; plutôt que de prendre en charge un flux de travail complet, chaque utilisateur peut appliquer l'IA de manière légèrement différente à ses tâches spécifiques. 

Ruth Svensson, associée chez KPMG UK, a déclaré Forbes: « L'IA générative fonctionnant au niveau des tâches plutôt qu'au niveau des processus, les lacunes en matière de formation sont moins facilement identifiables. » Par conséquent, les employés peuvent utiliser l'outil d'IA sans comprendre comment il s'intègre aux objectifs commerciaux plus larges, ce qui entraîne des lacunes de formation cachées. Ces lacunes peuvent inclure un manque de compréhension quant à la manière d'exploiter pleinement les capacités de l'IA, d'interagir efficacement avec le système ou de garantir une utilisation correcte des données générées.

Dans ce cas, une gestion efficace du changement devient cruciale pour l'adoption par les utilisateurs. Elle permet aux organisations de s'assurer que leurs employés non seulement adoptent la nouvelle technologie, mais saisissent également toutes ses implications pour leurs tâches et leurs processus métier. 

Sans une gestion du changement appropriée, les entreprises rateront leur objectif en matière d’adoption des outils d’IA par les utilisateurs, tout en courant le risque d’exacerber les lacunes technologiques qui constituent une pente glissante vers davantage d’inefficacités, d’erreurs et un échec à maximiser le potentiel de la solution d’IA.

Pour que les initiatives de gestion du changement soient efficaces, elles doivent être pilotées par une équipe de direction qualifiée et désignée. Les dirigeants doivent identifier les lacunes en matière de formation au niveau des tâches et proposer ou organiser des formations sur mesure pour les employés, en fonction des tâches spécifiques pour lesquelles ils utiliseront l'IA.

L'idée est de responsabiliser et d'encourager les employés à mieux comprendre et à s'approprier le nouveau système. Ce n'est qu'alors que la compréhension et l'acceptation seront acquises, permettant ainsi aux entreprises de bénéficier d'une adoption généralisée et d'une meilleure application de la technologie.

Il est clair que l'IA est la technologie phare de cette décennie, mais sans opérationnalisation, son impact continuera d'être limité. En modernisant les initiatives de gestion du changement, en mettant en œuvre progressivement les initiatives d'IA et en utilisant des indicateurs clés de performance mesurables, les entreprises ne se contenteront pas d'investir dans l'IA ; elles en tireront profit.