"L’IA Gen: L’adopter en entreprise et impact sur son métier"

Bonjour à tous, je suis Emmanuel Malherbe, Directeur de la recherche chez Artefact. J’ai la chance d’animer ces Data Coffees de la plateforme media The Bridge, sur le thème de l’IA générative. Le principe est simple, un sujet data, un expert data et un café. Bonjour Basile.

Bonjour Emmanuel.

Qui es-tu ?

Alors je suis consultant data chez Artefact et je suis spécialisé dans des rôles de Product Owner. Je travaille sur des missions chez des clients où on travaille sur des cas d’usage et en ce moment notamment sur des cas d’usages d’IA générative.

Aujourd’hui tu vas nous parler justement de ton point de vue sur l’IA générative en tant product owner ?

Très rapidement peut-être, pour introduire le le sujet, pour rappel le rôle d’un product owner c’est de travailler entre les équipes techniques et le métier pour définir, designer et construire un produit qui apporte de la valeur et dans notre cas un produit soutendu par une technologie d’IA et plus précisément aujourd’hui d’IA générative. Avec l’IA générative on a déjà identifié des changements dans mon rôle au jour le jour mais aussi plus profondément au sein des entreprises.

Très intéressant et donc ces changements dans ton métier, est-ce que tu peux m’en dire plus ?

Tout à fait alors je dirais que le le premier point c’est qu’on va très vite. On va plus vite que ce qu’on pouvait faire avant quand on faisait des cas d’usage d’IA a un peu plus classique, de machine learning on va dire et aujourd’hui on est capable d’atteindre des démos avec des niveaux de performance assez bluffant, vraiment rapidement. Donc c’est une très bonne nouvelle pour les entreprises parce que ça veut dire qu’on va pouvoir travailler d’une part sur plusieurs cas d’usage à la fois, donc toujours en restant à un stade de démonstration, du concept, de la valeur, on va pouvoir travailler sur plusieurs sujets et ça c’est important c’est une des choses qu’on préconise aussi, parce que l’objectif avec une technologie aussi nouvelle et pour laquelle on a encore un certain nombre de flous et d’inquiétudes, c’est d’arriver à générer de la traction, à faire en sorte qu’à tous les niveaux de l’entreprise on ait un engoument envers la technologie. Et pouvoir travailler sur plusieurs sujets à la fois et arriver rapidement à une preuve, à de la valeur, ça a énormément d’importance pour les entreprises. Maintenant il y a quand même des contraintes et des sujets qu’il faut traiter et c’est là que le rôle de PO devient important parce qu’on va atteindre un niveau de performance très satisfaisant, très rapidement mais il faut être capable d’acculturer les équipes, d’éduquer les métiers au fait que pour aller à l’étape suivante, c’est à dire pour industrialiser un cas d’usage, pour le mettre en production, on va avoir des contraintes qui sont similaires à ce qu’on avait avant sur les use cases d’IA classique et d’autre part on en a des nouvelles aussi. Donc il va y avoir tous les sujets par exemple d’encadrement des modèles pour limiter les erreurs qu’on appelle les hallucinations, ça c’est un sujet, à côté de ça vu qu’on atteint des niveaux de performance très satisfaisants rapidement, tout nouvel incrément de performance qu’on va aller chercher va prendre du temps pour des résultats qui sont plus difficilement visibles, avec moins d’effet waouh, et là il est très important d’acculturer toutes les équipes pour qu’on ait pas des attentes démesurées et qu’on comprenne qu’amener un use case en production ça demande quand même du temps, même avec l’IA générative.

Est-ce que tu vois d’autres enjeux organisationnels autour de cette rapidité ?

Oui, ce qu’on voit aussi avec l’IA générative c’est qu’on va un peu flouter les frontières entre les départements et les équipes. Donc globalement quand on va réfléchir aux cas d’usage qu’on peut lancer, on va aller discuter avec les différents métiers, les différentes équipes, les différents départements, et on va essayer de remonter tous les cas d’usage qui pourraient être intéressants pour eux. Et ce dont on se rend compte c’est que il y a beaucoup d’équipes qui sont différentes, qui nous remontent des usages qui diffèrent légèrement sur des détails mais fondamentalement reposent sur les mêmes briques technologiques, reposent sur le même usage fondamental pour nous. Et donc la position qu’on pousse c’est qu’on va travailler sur des macro cas d’usage, des macro outils entre guillemets, qui vont répondre à plusieurs besoins à la fois, des besoins assez similaires mais venant d’équipes différentes avec des détails qui diffèrent légèrement. Et ça c’est extrêmement important pour nous parce que ça fait le lien avec mon point précédent qui est de générer de la traction dans l’ensemble de l’entreprise et aussi parce que lorsqu’on sélectionne les cas d’usage on va souvent les piloter par la valeur qu’ils apportent et donc traiter plusieurs besoins de plusieurs équipes, c’est extrêmement intéressant, maintenant ça pose des grosses questions organisationnelles pour les entreprises parce que des départements qui ne travaillaient pas forcément ensemble, n’avaient pas les mêmes process, les mêmes outils vont devoir utiliser un outil macro comme je le disais et il faut aligner tout le monde sur les façons de faire. Donc ça pose des nouvelles contraintes, c’est des opportunités extraordinaires mais ça pose de nouvelles questions, des nouveaux sujets organisationnels et il faut arriver à aligner l’entreprise à tous les niveaux qu’ils soient horizontaux ou verticaux.

Donc au-delà de ces enjeux entre les départements et les équipes, est-ce que tu vois des enjeux d’adoption au niveau vraiment des employés ?

Alors effectivement, si on descend vraiment au niveau humain, individu, il y a un premier sujet déjà qui est qu’on est sur une technologie qui a pu avoir un traitement médiatique assez inquiétant, un éventuel remplacement de certaines tâches, de certains emplois par l’IA générative, nous au quotidien on n’a pas du tout cette vision là avec les métiers avec lesquels on travaille. Même sur des équipes qui ne sont pas du tout tech, il y a un vrai engouement des équipes et l’accueil des travaux sur l’IA générative est vraiment excellent et on a vraiment beaucoup d’enthousiasme et des équipes qui nous donnent du temps et de l’implication pour qu’on puisse avancer. Et la raison derrière ça, c’est souvent parce que les cas d’usage sur lesquels on travaille sont vraiment définis pour rencontrer des points de friction existants. On travaille avec des équipes qui aujourd’hui ont bien souvent des soucis pour traiter l’ensemble des demandes qu’ils reçoivent donc on a souvent des frustrations à ce niveau-là, des personnes qui veulent faire plus, qui veulent faire mieux et c’est ce qu’on leur propose. On n’est pas du tout là pour remplacer complètement une personne et la façon dont on est accueilli le traduit vraiment, l’objectif est d’augmenter les personnes, pas du tout de les remplacer, de faire plus, de faire mieux et de faciliter leur travail, et ce qui fait que d’un bout à l’autre de la chaîne on est vraiment accueilli avec beaucoup d’enthousiasme et de bonne volonté, ce qui est extrêmement agréable et qui s’oppose un petit peu au traitement qu’on a pu voir dans certains médias.

Donc ce serait quoi tes conseils pour les entreprises qui veulent accélérer sur l’IA générative ?

Ce que je dirais, c’est que comme pour toute évolution technologique on va avoir besoin de mettre en place des fondations solides. Ça c’est une chose. Il y a des questions organisationnelles, il y a des questions stratégiques, il faut avoir une stack technique et data qui soit robuste si on veut pouvoir à terme intégrer l’IA générative dans une stratégie qui soit vraiment à un horizon assez lointain et qui fonctionne. Et il y a un point qui est extrêmement important qui fait le lien avec ce que je disais avant qui est l’acculturation des équipes, même si comme je te disais on est assez bien accueilli, il y a des vrais enjeux là-dessus de formation, de pédagogie par rapport à la technologie donner les bons outils, accompagner les gens dans la transition. Et ces chantiers là prennent du temps et notre position chez Artefact c’est qu’on apprend jamais mieux qu’en essayant, qu’en testant et donc même s’il est nécessaire de lancer ces travaux-là long terme dès maintenant il est aussi important de tester, d’explorer de choisir des cas d’usage peut-être à faible friction, qui ne sont pas directement face au client et pour lesquels si jamais il y a un souci, il y a moins de risque par exemple pour l’image de marque. Donc identifier ce type de cas d’usage sur lesquels on peut travailler rapidement, où on peut comme je le disais avant embarquer les équipes, générer de l’attraction et travailler sur ces deux choses là en parallèle font qu’au moment où on arrive à des fondations vraiment solides et où on est prêt à lancer de manière industrialisée une roadmap de cas d’usage, on aura créé dans l’entreprise une vraie culture enthousiaste autour de l’IA générative avec des vrais promoteurs dans toutes les équipes et c’est ça la clé du succès. Donc si j’ai vraiment un conseil à donner c’est de se lancer, c’est d’essayer, même si la technologie évolue vite, ce n’est pas un problème, autant essayer explorer et c’est comme ça qu’on apprend.

Merci Basile. Je vous donne rendez-vous pour le prochain épisode de la plateforme média The Bridge pour les Data Coffees sur le thème de l’IA générative.