Vers une adoption massive de l'IA en entreprise : comment franchir le cap ?

Opaque et mystérieuse, l'intégration des données était perçue de la même manière que l'IA et le machine learning aujourd'hui. En dehors de projets spécifiques, peu de confiance lui était accordée, en raison de son manque de transparence, de sa complexité, et du choix de logiciels limité voire inexistant.

Vingt ans plus tard, nous vivons la même chose avec les outils d'intelligence artificielle et de machine learning. Ces derniers présentent beaucoup de potentiel pour des entreprises de nombreux secteurs, pourtant leur adoption généralisée tarde à se concrétiser. Malheureusement, seuls 13 % des projets d'IA aboutissent avec succès, et près de 85 % échouent.

Cet écart est assez important, mais l'année 2023 pourrait marquer un tournant en faveur de l'automatisation et devenir celle de son adoption généralisée. Examinons les conditions nécessaires pour y parvenir.

Un virage décisif : la productisation

La productisation joue un rôle crucial dans l'adoption généralisée de l'IA et du machine learning dans les entreprises. Quand un nombre croissant d'entreprises constatent un retour sur investissement suite à l'intégration de ces technologies dans leurs produits et services, cela suscite l'émulation. Lorsqu'une ou deux entreprises montrent un réel avantage concurrentiel ou une croissance, les autres s'engouffrent dans la brèche. Aucun concurrent ne laissera l'autre profiter seul de son succès !

La confiance est la clé pour y parvenir

Pour que la technologie atteigne la productisation, il est essentiel qu'elle fournisse des résultats plus prévisibles, et qu'elle inspire la confiance des organisations qui en dépendent. Les utilisateurs finaux et les parties prenantes doivent avoir l'assurance que les résultats seront précis, fiables et bénéfiques pour leur entreprise.

Alors que l'IA et le machine learning d'entreprise continuent de se renforcer chaque jour, nous pouvons anticiper une adoption plus répandue en 2023. En effet, la technologie est désormais capable de produire des résultats considérablement plus fiables qu'auparavant. Contrairement aux prévisions et modélisations humaines basiques, qui se fondaient uniquement sur des données passées pour prédire l'avenir, les avancées technologiques intègrent désormais l'intuition métier et les capacités de l'apprentissage automatique dans les modèles statistiques. Cela conduit à des prédictions plus précises et pertinentes."

Former pour démystifier

L'avènement de l'apprentissage automatique automatisé (AutoML) propulse le succès du machine learning grâce à des processus d'entreprise simplifiés, intuitifs et accessibles à tous. Cette technologie permet une adoption plus rapide et suscite davantage de confiance, car elle surpasse les méthodes manuelles et conduit à de meilleurs résultats avec moins de marges d'erreur.

La transparence est cruciale pour instaurer la confiance envers l'IA. Un analyste commercial doit se demander s'il peut faire confiance à une technologie qu'il ne comprend pas, même si elle soutient ses prévisions financières. Les fournisseurs d'IA prédictive doivent donc expliquer aux analystes les motivations des prévisions, le processus d'entraînement et d'apprentissage des modèles. Une formation technique approfondie peut être nécessaire pour permettre aux analystes de comprendre la technologie, mais cela en vaudra la peine, car ils pourront alors saisir la précision et la fiabilité des résultats.

Maîtriser l'agilité : un défi constant

Pour établir une confiance généralisée dans l'utilisation de l'IA et du machine learning, il est crucial de rester agile en mettant constamment à jour les modèles pour qu'ils restent performants. L'agilité implique une expérimentation rapide et la capacité d'adapter les modèles en fonction des évolutions. Si les modèles ne sont pas ajustés en temps réel, ils peuvent devenir obsolètes, entraînant des problèmes tels que des excès d'inventaire, des pertes financières et une utilisation inefficace des ressources.

Il est essentiel de privilégier une approche basée sur les fluctuations de la demande plutôt que sur l'approvisionnement en réorientant les modèles. Bien que cela puisse être complexe, maîtriser un processus de ré-entraînement rapide et reproductible est essentiel pour garantir que les modèles restent pertinents et fiables face aux évolutions du marché. En parvenant à une telle agilité, la confiance envers l'IA et le machine learning sera renforcée, offrant ainsi une meilleure expérience globale.

Vers un point de bascule dans la finance d'entreprise

L'année 2023 pourrait être un point de bascule pour l'intelligence artificielle et le machine learning dans les entreprises. D'après les données, 37 % des entreprises comptent accroître leurs investissements dans le machine learning en 2023, considérant le reporting financier comme le principale bénéficiaire de l'intelligence artificielle et du machine learning.

Avec une multitude de fournisseurs s'efforçant de créer des solutions encore plus fiables et agiles, l'adoption généralisée est une réalité imminente. Et nous en serons très probablement les témoins privilégiés.

Avec plus de vingt-cinq ans d'expérience en BtoB en France et en Europe, Eric Vidal est un expert dans le domaine financier. Depuis les années 2000, il évolue dans les équipes de management de différents acteurs, dont Microsoft, au travers d'offres ERP ou EPM. Ayant rejoint l'équipe de OneStream Software EMEA il y a 3 ans, Eric se concentre en particulier sur le développement en France, un marché à fort potentiel pour l'éditeur américain.