Pourquoi la plupart des investissements dans l’IA ne donneront pas les résultats escomptés ou échoueront

Les personnes et les entreprises sont obsédées par le potentiel de l’IA, mais 80% des projets d’IA échoueront – et ce n’est pas dû à un manque d’enthousiasme ou de volonté.

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

Selon le Boston Consulting Group, une entreprise sur trois dans le monde prévoit de dépenser plus de 25 millions de dollars dans l’IA. Par conséquent, des millions de dollars seront gaspillés si les entreprises continuent à 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 de performance clés (KPI) mesurables, les entreprises peuvent inverser la tendance de leur histoire de réussite dans l’IA.

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

Donner la priorité à la technologie plutôt qu’aux affaires

Des centaines de rapports et d’études, en particulier sur l’IA générative, montrent la rapidité et la grande intelligence des algorithmes et des programmes d’IA.

Beaucoup d’innovations ont été apportées à l’IA, ce qui pousse les entreprises à vouloir s’y lancer à pieds joints et à investir dans des prototypes de pointe. Cependant, le risque est qu’elles puissent dépenser des millions de dollars pour une solution qui aboutit à un objectif commercial peu clair ou à un impact non mesurable.

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

Les mauvaises données constituent un obstacle particulier que la plupart des entreprises ne parviennent pas à surmonter, en particulier lorsqu’il s’agit de maximiser l’efficacité et l’efficience des solutions d’IA. Les données cloisonnées sont l’un des problèmes les plus importants et constituent un problème commercial qui ne peut pas être ignoré. Les équipes peuvent passer des heures à chercher des informations manquantes essentielles à la prise de décision stratégique.

Et ce n’est pas seulement les équipes qui sont compromises, mais aussi les outils. Les modèles d’apprentissage automatique, par exemple, ne peuvent pas fonctionner correctement lorsque les données sont déconnectées et remplies d’erreurs.

Pour garantir un retour sur investissement positif et avant que tout travail technique ne commence, les organisations doivent identifier les problèmes commerciaux spécifiques que la solution d’IA est censée résoudre. Cela inclut la définition d’indicateurs de performance clés (KPI) et d’objectifs mesurables, tels que la réduction des coûts, l’augmentation des revenus ou l’amélioration de l’efficacité, comme la réduction du temps nécessaire pour récupérer des données.

Plus précisément, la stratégie commerciale doit venir en premier et la mise en œuvre technologique doit suivre en conséquence. En fin de compte, les solutions technologiques doivent servir de moyen pour atteindre les objectifs commerciaux. De plus, le besoin commercial est essentiellement la colonne vertébrale des mises en œuvre de l’IA et d’autres technologies.

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

Les entreprises ont besoin d’objectifs mesurables pour vérifier constamment que l’IA n’améliore pas seulement l’efficacité, mais qu’elle est également quantifiable. C’est essentiel lorsqu’il s’agit d’expliquer aux parties prenantes de l’entreprise que le coûteux pari sur l’IA n’était pas seulement justifié, mais qu’elles ont également des données pour le prouver.

Mise en œuvre trop ambitieuse de l’IA

La promesse de l’IA de révolutionner tout est constamment répétée dans les médias et est souvent représentée comme un remède miracle. Cela peut insuffler une fausse confiance aux dirigeants d’entreprise, les amenant à croire qu’ils peuvent exploiter de nouveaux systèmes d’IA et les intégrer simultanément dans les processus commerciaux.

Cependant, les tentatives trop ambitieuses de résoudre un problème d’un seul coup aboutissent généralement à l’échec. Au lieu de cela, les entreprises devraient commencer petit et mettre à l’échelle de manière stratégique pour obtenir de meilleurs résultats.

Par exemple, le succès a été démontré à grande échelle avec Walmart, qui a introduit des algorithmes d’apprentissage automatique de manière incrémentale pour optimiser la gestion des stocks. Le résultat ? Une réduction de 30% des stocks excédentaires et une augmentation de 20% de la disponibilité des produits sur les étagères.

Pour aider à cela, les entreprises devraient adopter un cadre de ‘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 les innovations futures.

Le cadre divise les activités commerciales en quatre zones : performance, productivité, incubation et transformation. L’IA ne peut pas perturber tout à la fois, et la zone d’incubation crée un espace dédié pour expérimenter les technologies d’IA sans perturber les activités commerciales de base.

Par exemple, c’est ainsi que le cadre de ‘zone à gagner’ pourrait s’appliquer à une entreprise de logistique de stockage à froid qui met en œuvre l’IA :

• Zone de performance : les opérations commerciales de base de l’entreprise, telles que la planification des entrepôts et le déploiement des marchandises, sont essentielles pour générer des revenus. Les indicateurs de performance clés (KPI) liés à l’amélioration de l’efficacité des entrepôts pour réduire les temps d’attente et augmenter les livraisons sont des priorités.
• Zone de productivité : ici, les processus internes sont traités 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 pour tester des outils basés sur les données dans certains entrepôts, permettant aux équipes de déterminer lesquelles des innovations pourraient devenir des flux de revenus futurs.
• Zone de transformation : c’est là que l’entreprise élargit sa transformation numérique à l’échelle de l’organisation, suivant une infrastructure numérique complète qui garantit des résultats commerciaux récurrents.

Le cadre aide les dirigeants à prendre des décisions sur 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 aide à éviter le problème et l’échec inévitable lorsque les investissements dans l’IA sont répartis trop finement sur trop de départements et de processus.

Manque d’adoption par les utilisateurs

Les entreprises se précipitent pour exploiter tous les avantages de l’IA et de l’apprentissage automatique sans considérer d’abord les personnes qui les utilisent. Même les solutions d’IA les plus sophistiquées échouent si les utilisateurs finaux ne comprennent pas la technologie – tout dépend de la confiance et de la formation complète.

Le facteur sous-jacent essentiel à l’intégration de l’IA est l’opérationnalisation. Cela signifie garantir que les outils d’IA sont intégrés aux flux de travail et sont rendus mainstream dans les processus commerciaux.

D’autres outils, tels que les CRM, optimisent et contrôlent un processus entier de début à fin. Cela rend la formation facile, car chaque étape du processus peut être montrée et expliquée. Cependant, l’IA générative fonctionne à un niveau de tâche plus granulaire plutôt qu’à un niveau de processus global. Elle peut être utilisée de manière sporadique au sein de différentes étapes de méthodes différentes ; plutôt que de soutenir un flux de travail complet, chaque utilisateur peut appliquer l’IA légèrement différemment pour ses tâches spécifiques.

Ruth Svensson, partenaire chez KPMG UK, a déclaré à Forbes : “Parce que l’IA générative fonctionne à un niveau de tâche plutôt qu’à un niveau de processus, vous ne pouvez pas voir les lacunes de formation aussi facilement.” Par conséquent, les employés peuvent utiliser l’outil d’IA sans comprendre comment il s’intègre dans les objectifs commerciaux plus larges, ce qui conduit à des lacunes de formation cachées. Ces lacunes peuvent inclure un manque de compréhension de la manière d’exploiter pleinement les capacités de l’IA, de la manière d’interagir efficacement avec le système ou de la manière d’assurer que les données qu’il génère sont utilisées correctement.

Dans ce cas, une gestion efficace du changement devient cruciale pour l’adoption par les utilisateurs. La gestion du changement permet aux organisations de garantir que leurs employés ne se contentent pas d’adopter la nouvelle technologie, mais comprennent également toutes ses implications pour leurs tâches et leurs processus commerciaux.

Sans une gestion appropriée du changement, les entreprises manqueront la marque lorsqu’il s’agit de l’adoption des outils d’IA par les utilisateurs, tout en courant le risque d’exacerber les lacunes technologiques qui sont un glissement de terrain vers plus d’inefficacités, d’erreurs et un échec à maximiser le potentiel de la solution d’IA.

Pour que les initiatives de gestion du changement fonctionnent, elles nécessitent une équipe de direction qualifiée et désignée pour diriger le mouvement. Les dirigeants doivent identifier les lacunes de formation au niveau de la tâche et fournir ou organiser une formation adaptée aux employés en fonction des tâches spécifiques pour lesquelles ils utiliseront l’IA.

L’idée est d’autonomiser et d’encourager les employés à avoir une meilleure compréhension et confiance dans le nouveau système. Seulement alors la compréhension et l’acceptation suivront, permettant 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 définissant cette décennie, mais sans opérationnalisation, son impact continuera d’être gaspillé. En améliorant les initiatives de gestion du changement, en mettant en œuvre les initiatives d’IA de manière progressive et en utilisant des indicateurs de performance clés (KPI) mesurables, les entreprises ne dépenseront pas seulement de l’argent dans l’IA, mais en tireront également des bénéfices.