Technologies

IA : les DSI sont-ils trop confiants ?

84% des DSI affirment que le ROI de leurs projets d'IA dépasse les attentes, mais seulement 43% exigent de leurs équipes qu'elles suivent l'impact de ces projets. (Photo : Razvan Chisu/unsplash)

La plupart des DSI pensent que leurs projets d'IA dépassent les attentes, mais moins de la moitié en mesurent réellement l'impact.

PublicitéFace au tournant décisif que représente l'IA, les DSI sont confiants dans la réussite de leurs projets. Sauf que la plupart ne mesurent pas l'impact de ces projets pour s'en assurer. Selon une étude d'Economist Impact, 84% des responsables informatiques affirment que le retour sur investissement de leurs projets d'IA dépasse les estimations initiales, mais seulement 43% exigent de leurs équipes qu'elles suivent l'impact de ces projets. Ce qui soulève une question cruciale : comment, dans ce contexte, les responsables IT peuvent-ils réellement évaluer la valeur ajoutée de l'IA ?

Par ailleurs, seulement 39% des répondants à cette étude indiquent que leur organisation examine les risques de sécurité associés aux projets d'IA afin leur mise en service - un problème majeur, selon Eddie Milev, responsable éditorial du programme Tech Frontiers chez Economist Impact. « Les systèmes d'IA ne sont pas des logiciels d'entreprise classiques, explique-t-il. Ils évoluent au fil de leurs usages et s'adaptent au contexte. Si les entreprises ne mettent pas en place une gouvernance adéquate après le déploiement de systèmes d'IA, elles courent un risque considérable de voir ces systèmes devenir incontrôlables. »

En résumé, selon lui, les résultats de l'étude suggèrent une confiance excessive des DSI dans le retour sur investissement des projets d'IA. « Cela montre bien que les capacités d'IA, l'aptitude à mesurer [leur ROI] et le déploiement proprement dit sont en réalité assez déconnectés, souligne Eddie Milev. C'est un décalage fondamental. »

5 clefs de la réussite

Le rapport rédige par Economist Impact met en lumière plusieurs stratégies opérationnelles permettant aux entreprises de déployer l'IA avec succès. Et tout commence par la mesure. Selon Eddie Milev, les organisations devraient se concentrer sur l'amélioration de la productivité des équipes grâce à l'IA, plutôt que sur des gains de temps marginaux. « Il ne faut pas se focaliser sur des gains de temps ponctuels, mais plutôt comparer la production d'une équipe utilisant l'IA à celle d'une équipe ne l'utilisant pas, explique-t-il. C'est une méthode bien plus précise pour comprendre la contribution réelle de cette technologie à la performance des entreprises. »

Selon Economist Impact, les déploiements d'IA réussis partagent plusieurs caractéristiques clefs, notamment :

- Un socle de données solide : les entreprises qui obtiennent d'excellents résultats en matière d'IA considèrent l'architecture des données comme un ingrédient essentiel.

- Un parcours structuré de l'idée au déploiement : seules 40 % des entreprises disposent d'un cycle de vie établi pour le développement de l'IA. Les entreprises leaders déploient rapidement et à grande échelle les solutions performantes et abandonnent celles qui ne le sont pas, au lieu de laisser les expérimentations s'éterniser.

Publicité- Une gouvernance de l'IA à long terme : si environ trois organisations sur cinq analysent les systèmes d'IA pendant leur développement, ce chiffre diminue après le déploiement. Les organisations les plus performantes combinent monitoring automatisé, examen par des humains et détection des dérives tout au long du cycle de vie des projets.

- Un lien entre IA et résultats financiers : les entreprises les plus performantes relient leurs projets à des objectifs métiers précis et ont la rigueur nécessaire pour abandonner ce qui ne fonctionne pas.

- Une restructuration de l'organisation pour intégrer l'IA : le changement organisationnel peut être l'un des aspects les plus difficiles du déploiement de cette technologie. Les entreprises qui en tirent le plus de bénéfices intègrent l'IA aux outils, processus et prises de décisions structurant déjà le travail quotidien.

L'expérimentation devance la mesure

Plusieurs experts en IA n'ont pas été surpris des conclusions de l'étude d'Economist Impact : la mesure des résultats de l'IA a encore du chemin à faire dans la plupart des entreprises. Carter Busse, DSI du fournisseur d'intégration d'IA Workato, constate que de nombreuses organisations se sont lancées trop rapidement dans l'expérimentation de la technologie avant même d'avoir mis en place la discipline opérationnelle nécessaire pour mesurer systématiquement son impact sur l'activité.

De ce fait, nombre d'entreprises mesurent encore l'adoption de l'IA plutôt que ses résultats concrets. « Il est relativement facile de lancer un projet pilote ou de déployer un assistant, mais beaucoup plus difficile de relier directement l'IA aux indicateurs clés de performance (KPI), à un impact sur le chiffre d'affaires, à des gains d'efficacité ou à des améliorations sur les processus à l'échelle de l'entreprise, explique Carter Busse. Les organisations qui obtiennent les meilleurs résultats sont celles qui définissent des indicateurs de succès en amont et déploient l'IA pour résoudre des problèmes opérationnels spécifiques. »

L'un des principaux obstacles, selon le DSI ? Connecter l'IA aux systèmes et processus existants qui pilotent l'entreprise, comme le recommande le rapport d'Economist Impact. « Beaucoup d'organisations utilisent encore l'IA de manière périphérique, dans des copilotes déconnectés et des outils autonomes, au lieu de l'intégrer aux processus opérationnels essentiels », souligne Carte Busse. Selon lui, les DSI doivent se concentrer sur l'adoption interne de l'IA. « A tous les niveaux de l'organisation, elle fait cruellement défaut, estime-t-il. C'est un élément crucial pour assurer le succès de l'IA au sein d'une organisation, et pourtant, il est souvent négligé. »

Partir du problème, pas de la technologie

Un autre problème réside dans le fait que trop d'entreprises déploient encore l'IA sans avoir une vision claire de son impact, ajoute Andrew Sales, spécialiste des méthodologies chez Scaled Agile, fournisseur de méthodologies agiles. « Nombreuses sont celles qui partent de la technologie et cherchent un problème métier à résoudre, au lieu de procéder à l'inverse », explique-t-il.

Les entreprises performantes déploient l'IA à l'aide d'outils analytiques et basés sur des règles, couplés à des modèles de mesure éprouvés, associés à des retours sur investissement bien compris, ajoute Andrew Sales. Si les indicateurs portant sur des technologies d'automatisation plus anciennes sont bien maîtrisés, les technologies plus récentes, comme l'IA générative, posent encore des difficultés aux organisations lorsqu'elles tentent d'en comprendre la valeur, remarque-t-il. « Une approche plus rigoureuse consiste à identifier les domaines où l'IA peut résoudre des problèmes ou inefficacités spécifiques, à aligner la mise en oeuvre sur des objectifs métier concrets, tels que la réduction des coûts ou la satisfaction client, et à suivre les performances grâce à des indicateurs pertinents plutôt que se limiter à de simples chiffres d'adoption », détaille Andrew Sales.

Selon lui, charge aux DSI de créer des cadres structurés permettant de mesurer l'impact réel des projets. « Cela crée un cercle vertueux de responsabilisation qui rend la mesure à la fois possible et pertinente, analyse-t-il. Ce type de cadre structuré distingue les organisations capables d'établir un lien clair entre l'activité autour de l'IA et les résultats commerciaux de celles qui se contentent de comptabiliser les tâches accomplies et le temps gagné, sans lien évident avec ce qui compte réellement. »

Dépasser l'enthousiasme pour les nouveaux outils

Le benchmarking de l'IA ne suscite pas le même enthousiasme que le déploiement de cette nouvelle technologie, souligne Darren Cassidy, DSI de Sitecore, fournisseur de CMS basé sur l'IA. « La plupart des entreprises considèrent encore l'IA comme une expérience technologique plutôt que comme une transformation de leur activité, résume-t-il. Elles s'enthousiasment à l'idée de déployer une nouveauté, mais négligent le travail de fond consistant à l'intégrer concrètement aux résultats : chiffre d'affaires, coûts, rapidité ou impact client. »

Pour faciliter cette transition, les DSI devraient ancrer les initiatives d'IA dans les métiers et en définir clairement les résultats attendus, recommande Darren Cassidy. « Le plus difficile, c'est de changer de mentalité et d'adopter un rythme de travail adapté, conclut-il. Déployer un modèle est relativement facile ; changer la façon dont les équipes travaillent, prendre des décisions plus rapidement et faire confiance aux recommandations de l'IA est beaucoup plus difficile. C'est un défi organisationnel, pas technique. »