Les technologies de l’IA, en particulier l’IA générative, gagnent en puissance, en utilisation et en utilité. À mesure que les outils se démocratisent et deviennent abordables, il est nécessaire d’appliquer de bons principes de conception, d’autant plus que l’IA générative devrait générer 4,4 trillions de dollars par an pour l’économie mondiale.1
Le déploiement de l’IA est un défi pour les petites organisations qui souhaitent en bénéficier mais ne peuvent pas se permettre de développer des cadres complexes pour son utilisation responsable. C’est là qu’un modèle de déploiement approprié peut aider.
Yash Raj Shrestha, Professeur Assistant au Département des Systèmes d’Information à HEC Lausanne, s’est associé à des chercheurs de l’ETH Zürich (Savindu Herath et Georg von Krogh) pour développer un ensemble de principes de conception robustes pour l’IA, pouvant être utilisés même par les petites et moyennes entreprises (PME). En particulier, ils ont collaboré avec la société de mode suisse TBô pour concevoir, déployer et évaluer l’IA dans l’entreprise afin d’améliorer les processus de prise de décision2.
Cela a conduit à des améliorations significatives dans la rétention, la segmentation et le ciblage des clients, ainsi que dans la conception des produits. Les systèmes augmentés par l’IA ont également permis une meilleure utilisation des données, permettant aux employés de TBô de prendre des décisions plus éclairées et de mieux comprendre les besoins de leurs clients.
Cette collaboration entre le monde académique et industriel suisse montre le potentiel des systèmes de prise de décision augmentée par l’IA dans le commerce électronique mondial. C’est un cas positif pour les PME, car les avantages de l’IA ont été considérés comme principalement réservés aux grandes entreprises de la Silicon Valley.
« La grande majorité des PME n’ont pas accès à un grand personnel technique, donc avoir un cadre simple pouvant être utilisé avec l’IA est essentiel », explique Allan Perrottet, co-fondateur de TBô.
« Ce projet nous a appris que le facteur humain est très important lorsqu’il s’agit de la livraison de l’IA, en particulier autour de l’utilisation des données et de la nécessité de nettoyer et de préparer les données quotidiennement. Si les entreprises veulent utiliser efficacement leurs données, elles doivent s’assurer qu’elles sont correctement étiquetées. »
Même si l’IA est plus abordable, la gestion du changement associée à son déploiement peut encore être coûteuse. Cela implique de recalibrer la manière dont les organisations prennent des décisions, comment les produits sont livrés et de faire évoluer l’entreprise pour qu’elle soit davantage axée sur les données.
Les organisations ne peuvent pas tout automatiser avec l’IA, la supervision humaine est également cruciale pour donner du sens aux résultats de l’IA. L’investissement dans l’IA n’est pas seulement un coût initial unique. Il nécessite une contribution continue pour traverser des cycles d’apprentissage, prouver son efficacité et déployer un processus itératif pour affiner ses résultats. L’IA n’est pas une solution miracle, elle nécessite de la patience, du temps et des efforts. Elle a également besoin d’un soutien de la direction et d’ambassadeurs internes pour assurer son succès.
Le déploiement efficace de l’IA par le détaillant suisse TBô montre qu’avec les bons principes de conception3, de nombreuses autres PME peuvent utiliser cette technologie.
« Il y a d’innombrables publications sur LinkedIn, des conseils pratiques, des opinions et des guides en ligne sur le déploiement de l’IA. Ce qui distingue notre recherche, c’est qu’elle est scientifique et rigoureuse dans son approche. Elle réunit également l’industrie et le monde académique dans une collaboration unique », explique Yash.
« Davantage d’initiatives comme celle-ci sont nécessaires si nous voulons promouvoir les meilleures pratiques, l’éthique de l’IA, la réduction des biais et l’inclusivité. Si nous voulons que l’IA soit déployée de manière responsable, ses principes de conception doivent être décidés en partenariat avec la société civile et les universitaires, et non uniquement par les entreprises commerciales, car cela nous concerne tous. »
- Le potentiel économique de l’IA générative: La prochaine frontière de la productivité, McKinsey, 14 juin 2023. ↩︎
- Principes de conception pour la prise de décision augmentée par l’intelligence artificielle: Une étude de recherche en conception d’action, Savindu Herath Pathirannehelage, Yash Raj Shrestha & Georg von Krogh, European Journal of Information Systems, 20 mars 2024. ↩︎
- Tableau simplifié tiré de Principes de conception pour la prise de décision augmentée par l’intelligence artificielle: Une étude de recherche en conception d’action. ↩︎
| Principe de conception | Objectifs de conception | Mécanismes pour atteindre les objectifs |
|---|---|---|
| 1. Aligner le modèle économique et les ressources organisationnelles | 1. Aligner le système d’IA avec le modèle économique 2. Aligner le système d’IA avec les ressources organisationnelles | Formuler une feuille de route stratégique actionnable |
| 2. Concevoir pour une synergie entre le modèle d’entrée et de sortie afin d’assurer la valeur commerciale | 1. Surmonter les contraintes de données 2. Rendre les résultats de l’IA précis et compréhensibles 3. Démontrer la valeur pour l’entreprise | 1. Trouver des données pertinentes pour les problèmes commerciaux 2a. Choisir le bon indicateur de performance ML à optimiser 2b. Essayer des modèles et prioriser selon l’indicateur de performance 2c. Créer des visualisations et l’importance des fonctionnalités 3. Développer le système prototype et suivre une évaluation |
| 3. Concevoir pour des cadres de gouvernance éthique de l’IA | 1. Assurer une utilisation éthique des données 2. Établir la confiance et l’engagement avec les clients et les utilisateurs | 1a. Adopter des directives réglementaires existantes 1b. Établir un cadre d’audit et de gouvernance de l’IA 2. Développer ses propres principes directeurs de l’IA conformes aux attentes des clients et des utilisateurs |
| 4. Concevoir pour l’implication et l’engagement humain | 1. Intégrer les connaissances du domaine dans la conception, l’exploitation et l’évaluation 2. Améliorer la compétence des employés à travailler efficacement avec le système | 1. Garder les experts du domaine dans la boucle pour intégrer activement les connaissances du domaine dans la conception du système 2. Faciliter l’engagement des utilisateurs et la compréhension des résultats de l’IA |
| 5. Concevoir pour l’apprentissage et l’adaptation continue | 1. Amélioration continue des nouvelles avancées technologiques en IA 2. Adaptabilité aux changements dans l’environnement et la prise de décision | 1. Surveiller la dégradation du modèle (par exemple, via les indicateurs de performance ML) 2. Adopter un processus itératif pour surmonter divers défis |
| 6. Concevoir pour l’utilisation ouverte des connaissances et des ressources | 1. Alléger les contraintes de connaissances et de ressources 2. Alléger les contraintes de talents et d’expertise du domaine | 1. Utiliser du code open-source développé par la communauté pour la résolution collaborative de problèmes 2. Favoriser les partenariats |
Illustration: DC Studio | Freepik
