Les défis de l’adoption de l’IA dans l’entreprise

Pourtant, à ce jour, la plupart des initiatives délivrent peu. Ce n’est pas dû à la technologie, mais au fait que les organisations rencontrent des difficultés à intégrer profondément l’IA dans leur structure. Pour réussir, il faut agir sur quatre dimensions étroitement liées : la gouvernance, le modèle opérationnel, l’architecture technologique et la gestion du changement.

Cet article présente un cadre pratique pour chacun de ces axes.

1. Gouvernance :

Qui décide ? Qui contrôle ?

Un bon point de départ consiste à mettre en place une « IA authority » : une instance cross-fonctionnelle chargée de définir à la fois les ambitions stratégiques et les limites de l’IA au sein de l’organisation. Pour être efficace, cette instance doit réunir des responsables des fonctions commerciales, opérationnelles et de contrôle, pas seulement des spécialistes en technologie.

L’autorité IA veille à ce que la vision et les objectifs stratégiques en matière d’IA soient clairement définis et à ce que toutes les activités s’y conforment. 

Sur cette base, des mesures de contrôle peuvent ensuite être définie au niveau des processus. Parmi les plus importantes :

• Responsabilité humaine in fine
  Définissez qui est responsable de chaque décision prise avec l’aide de l’IA. L’automatisation n’exonère pas de toute responsabilité et un responsable désigné doit être attribué à chaque processus dans lequel l’IA intervient.
• Classification des cas d’usage par niveau de risque
  Tous les cas d’usage IA ne se valent pas : un cadre clair doit définir les politiques et les contrôles appropriés pour les niveaux de risque faible, moyen, élevé et critique. L’attention portée ne doit pas être la même pour un chatbot interne et pour un moteur de scoring crédit.
• Protection des données
  Une politique doit exiger le recensement de toutes les sources de données alimentant les modèles d’IA. Des contrôles doivent également être mis en place pour garantir le respect du consentement, l’anonymisation et la traçabilité des données.

La gestion des risques liés à l’IA doit être intégrée aux structures existantes de gestion des risques, avec une attention particulière aux processus d’IA agentiques. Pour ces derniers, les contrôles périodiques ne suffisent pas : une surveillance en temps réel et des points de contrôle avec validation humaine sont indispensables.

Enfin, la gouvernance de l’IA doit garantir la mise en œuvre d’un suivi des objectifs et des résultats, comme pour tout autre programme de transformation.

2. Modèle opérationnel :

Commencez par délivrer des cas d’usage éprouvés puis structurez le modèle

Au-delà de la conception théorique d’un modèle opérationnel – qui reste utile ! –, la priorité absolue doit être de créer de la valeur rapidement. La meilleure pratique est claire : commencez par des cas d’usage éprouvés, portant sur un scope limité mais avec un fort impact. Ainsi, les coûts de mise en place sont limités et les résultats rapidement visibles.

Par quels cas d’usages démarrer dans les services financiers ?

L’angle exact dépendra des processus, systèmes, et données de chaque établissement, mais les périmètres suivants offrent probablement des opportunités significatives :

Profitez ensuite de la dynamique créée pour structurer le modèle opérationnel et le delivery..

Questions clés et bonnes pratiques à intégrer dans les réflexions :

• Centralisation ou décentralisation : déterminez si la mise en œuvre doit être centralisée dans un centre de compétence IA ou peut être décentralisée
• Plateforme réutilisable vs. sur-mesure : privilégiez une infrastructure et des ressources réutilisables afin que le 10^ème cas d’usage ne coûte qu’une fraction du premier
• Mesure du ROI chaque initiative doit avoir des critères de réussite prédéfinis et être évaluée
• Allez chercher les cas d’usage au plus près des utilisateurs : brisez les silos dès le début et allez à la rencontre des métiers et des opérateurs pour comprendre leurs process et co-concevoir les solutions. La proximité avec les utilisateurs finaux est la meilleure assurance pour une adoption à l’échelle.
• Appuyez-vous sur l’autorité IA pour accélérer les décisions, rester ferme sur les garde-fous et maintenir la dynamique

3. Architecture technologique

L’IA d’entreprise, c’est une IA sûre, économique et indépendante des modèles

Les choix d’architecture doivent garantir la conformité et la sécurité, être économiquement viables et préserver l’indépendance stratégique vis-à-vis des fournisseurs de modèles.

Le scénario central de l’architecture d’IA d’entreprise doit donc combiner trois éléments :

• Accès aux modèles frontière via un cloud privé virtuel (Azure AI Foundry, AWS Bedrock ou Google Vertex AI) afin de tirer parti des dernières avancées des modèles pour certains cas d’usage précisément choisis
• Déploiement de modèles open-source sur une infrastructure privée voir on-premise afin de limiter les coûts pour les tâches à haut volume et à faible complexité, et de prendre en charge les cas d’usage pour lesquels les données ne doivent pas sortir de l’organisation
• Une « gateway » IA afin de router le trafic vers le modèle le plus adapté et le plus économique, de monitore les coûts, d’appliquer les politiques et d’offrir un point d’observabilité unique pour l’ensemble des modèles

Cette architecture hybride présente trois caractéristiques essentielles :

• Conformité et sécurité : déploiements sur cloud privé virtuel, cloud privé et/ou on-premises pour s’adapter à la sensibilité des données et gérer les données sensibles et les cas d’utilisation propriétaires 
• Maîtrise des coûts : router les tâches de raisonnement complexe vers les modèles les plus sophistiqués et confier les opérations courantes à fort volume à des modèles plus économiques (résumé de documents, classification, extraction) 
• Indépendance vis-à-vis des fournisseurs : la Gateway IA rend l’architecture indépendante des fournisseurs de modèles. Il n’est pas nécessaire de tout reconfigurer pour adopter de nouveaux modèles ou changer de fournisseur.

A partir de ce canevas, de nombreuses nuances sont possibles, en fonction de l’infrastructure existante et des exigences spécifiques, notamment en matière de sécurité des données.

4. Adoption

La technologie n’apporte de la valeur que si les gens l’utilisent

Son adoption nécessite formation, communication et alignement des objectifs. Sans une gestion du changement pro-active, les programmes d’IA ne tiendront pas leurs promesses. Parmi les mesures clés pour favoriser l’adoption :

• Formations différentiées : initiation à l’IA, utilisation de l’IA, maîtrise de l’IA
  Tout le monde n’a pas besoin de savoir fine-tuner des modèles, il est donc important de définir différents niveaux et d’adapter la formation en conséquence.

Exemple de segmentation mise en oeuvre dans une organisation :

• Réseau d’ambassadeurs
  Identifiez des ambassadeurs dans chaque département (5 à 10 % de l’équipe) et donnez-leur un accès anticipé, un accompagnement dédié et la mission d’accompagner leurs collègues
• Élimination des frictions
  Les frictions entravent l’adoption. Si l’IA permet de gagner plusieurs heures par semaine sur un process, mais que l’IA n’est pas intégrée dans les outils de travail, l’adoption ne progressera pas
• Sponsorship de la direction
  Enfin, comme toujours, le changement doit également être visible au plus haut niveau

Valthena allie expertise métier, compétences conseil éprouvées et maîtrise de l’IA pour permettre à votre organisation de tirer une valeur réelle et durable de l’intelligence artificielle