Conditions préalables pour une stratégie d’IA et de données axée sur le rendement du capital investi

Les organisations s’intéressent aux données de nouvelle génération et aux technologies d’intelligence artificielle (IA) pour améliorer leurs résultats d’affaires, mais qu’est-ce qui les empêche d’y parvenir?

Parmi les principaux défis à relever, mentionnons la détermination du bon niveau d’investissement (en matière de personnel, de processus et de technologie), l’accès aux bons talents, la gestion d’ensembles de données et d’architectures hybrides, ainsi que l’intégration des systèmes et des données, tant externes qu’internes.

Les organisations se situent à différentes étapes de leur parcours en matière d’IA. Certaines développent des feuilles de route tandis que d’autres valident celles qui existent déjà. Quelques-unes se concentrent sur ce que j’appelle le « transfert de base », c’est-à-dire l’abandon du centre de données au profit d’une pile de données infonuagique moderne. D’autres cherchent à améliorer leur niveau de maturité en matière d’IA pour mener à bien des efforts de transformation.

À toutes les étapes, la réussite dépend de la mise en place de feuilles de route et d’analyses de rentabilité exploitables, pratiques et axées sur le rendement du capital investi. Pour réussir, il faut également amener l’organisation à adopter une mentalité plus agile qui consiste à offrir de la valeur en quelques jours ou semaines plutôt qu’en plusieurs mois ou années.

Dans ce billet de blogue, je présente une approche d’élaboration d’une analyse de rentabilité et d’une feuille de route sur les données et l’IA, et qui sont axées sur le rendement du capital investi et soutenues par des pratiques responsables. Je discute également de deux cadres de gestion que nous utilisons pour aider nos clients à relever les défis qui sont mieux résolus avec des solutions d’IA et qui ajoutent une valeur considérable. Enfin, je propose des conseils pour que les choses continuent d’avancer.

Création d’une analyse de rentabilité convaincante

La prestation de solutions de données et d’IA de nouvelle génération nécessite une analyse de rentabilité de niveau supérieur. Voici un exemple simplifié : nous investirons 50 millions de dollars dans les données et l’IA (ce qui représente le coût total de propriété pour la technologie, les talents internes et les services de conseil externes) pour débloquer 150 millions de dollars de valeur sur 5 ans.

Les analyses de rentabilité de l’IA doivent présenter un rendement précis du capital investi et faire en sorte que toutes les parties concernées soient d’accord. Pour ce faire, il est nécessaire de mettre sur pied des ateliers de collaboration avec la haute direction et même avec les employés sur le terrain. Il faut également établir un inventaire des cas d’utilisation de l’IA ou un catalogue de solutions en matière d’IA et démontrer comment cela permettra d’innover, de réduire les coûts ou d’accroître la productivité.

Pour établir une feuille de route exploitable, il faut comprendre où vous en êtes aujourd’hui et définir la direction que vous souhaitez prendre. Cependant, il est tout aussi important de cibler les mesures à prendre pour y parvenir. Quels sont les outils, les architectures, la sécurité, la gouvernance, les méthodologies et les inventaires de cas d’utilisation qui peuvent soutenir une analyse de rentabilité convaincante en matière de données et d’IA?

Évaluation de la faisabilité des cas d’utilisation de l’IA et du rendement du capital investi

Pour répondre à cette question, il faut effectuer une évaluation exhaustive de la faisabilité des cas d’utilisation et de leurs possibilités d’accroître les économies, l’efficacité et la qualité. C’est pourquoi nous avons élaboré une « liste de vérifications préliminaires » qui permet d’identifier les nombreux prérequis et dépendances pour le déploiement de solutions de données et d’IA de nouvelle génération. On peut dire qu’il y a beaucoup de « travaux préparatoires » à faire.

Si vous disposez de l’investissement nécessaire pour mener à bien une initiative d’IA dans le cadre de votre analyse de rentabilité, quelles sont les étapes à suivre pour aller de l’avant? Pouvez-vous prendre ces mesures et les mettre en œuvre? Êtes-vous bloqué par quelque chose, comme l’absence d’un ensemble de données ou d’une intégration de système source, ou le fait d’être limité en raison d’un centre de traitement des données? Par exemple, le nuage est désormais industrialisé et indispensable pour prendre en charge les données de nouvelle génération et l’IA.

Il est important de démontrer qu’un cas d’utilisation s’inscrit dans un contexte commercial et qu’il donnera lieu à une amélioration définissable avec un rendement du capital investi clair et quantifiable.

Il y a aussi ce que nous appelons les considérations à mi-parcours. Il se peut qu’une organisation dispose d’une feuille de route, mais qu’elle ne l’ait pas encore mise en œuvre parce qu’elle s’interroge sur les investissements à réaliser, sur ce qu’elle doit faire et à quel moment, ou sur la manière d’aborder la sécurité et la conformité. Elle a peut-être établi une liste de contrôle préalable qui identifie les risques ou les limites, comme la nécessité de trouver les bons talents ou de s’assurer que l’architecture est en place au moment du coup d’envoi. Il se peut qu’elle ait accumulé du retard ou qu’elle ne progresse pas assez rapidement. Lorsque les gens demandent : « Quand aurons-nous terminé? », personne ne sait s’il faudra un mois, un an ou cinq ans, puisque le terme « terminé » n’a pas vraiment été défini.

Pour résoudre ces problèmes, il est essentiel de veiller à ce que les résultats de l’analyse de rentabilité et le rendement du capital investi des solutions figurant dans la feuille de route soient parfaitement clairs. Parallèlement, les organisations doivent conserver un certain niveau de flexibilité et de créativité, sachant que les initiatives en matière de données et d’IA évolueront en fonction de leur lancement ou de leur accélération. C’est ce que nous appelons généralement l’approche « commencer en gardant à l’esprit le résultat final », qui établit un équilibre sain entre l’harmonisation des attentes relatives aux solutions finales et la latitude nécessaire pour faire évoluer les priorités en fonction des besoins d’affaires.

Accélération de la création de valeur grâce à une mentalité plus agile

La mise en œuvre de solutions de données et d’IA de nouvelle génération et l’atteinte du niveau d’investissement suivant nécessitent de démontrer la valeur rapidement et souvent. Il faut également former les personnes et leur permettre d’acquérir les compétences nécessaires pour qu’elles abandonnent les anciennes méthodes et mentalités, et qu’elles pensent différemment. Il s’agit d’afficher rapidement les progrès accomplis et d’être entouré des bonnes personnes.

Après avoir dressé l’inventaire des cas d’utilisation, des cadres de prestation de services d’IA éprouvées permettent de rationaliser, de hiérarchiser et d’explorer les cas d’utilisation à forte valeur ajoutée. L’objectif est d’élaborer des projets pilotes et des produits minimums viables pour l’évaluation, des démonstrations de la valeur et des prototypes de manière très rapide et itérative, en démontrant les progrès accomplis et en recevant une rétroaction. Pour ce faire, il faut recourir à une méthodologie agile conçue pour les engagements en matière de données et d’IA. Ensuite, il est possible de passer à l’opérationnalisation et à l’industrialisation de ces solutions et, enfin, de progresser vers un scénario de conception, d’intégration et de déploiement. L’organisation commence alors à générer de la valeur en fonction de l’analyse de rentabilité, des attentes et des investissements réalisés.

Le plus important est d’inculquer une mentalité plus agile et plus itérative, afin d’obtenir des résultats en quelques jours ou quelques semaines, plutôt qu’en quelques mois ou années.

Certaines organisations exécutent leur feuille de route, mais ont besoin d’aide pour escalader ce que nous appelons le « sommet de l’IA ». Cela implique la mise en place d’une organisation efficace en matière d’IA. Nous croyons que les quatre impératifs pour y parvenir sont d’envisager, d’explorer, de concevoir et de développer des solutions d’IA.

Cette mentalité agile implique également l’expérimentation rapide de nouveaux cas d’utilisation et de solutions d’IA et la création d’une dynamique pour obtenir l’investissement nécessaire à l’opérationnalisation des solutions.

Finalement, il faut un environnement dans lequel chaque personne privilégie une méthode de travail intelligente et automatisée et qui génère une productivité importante, en se concentrant davantage sur les solutions et moins sur la technologie sous-jacente et sa complexité. Il s’agit du principal objectif que tout le monde s’efforce d’atteindre.

Il n’est pas nécessaire de tout comprendre avant de commencer

Lorsque vous cherchez à rendre votre organisation plus itérative et agile, et démontrer rapidement sa valeur, vous devez également accepter d’explorer de nouvelles possibilités et être prêt à abandonner les cas d’utilisation qui ont moins de valeur. Tout dépend de la mentalité adoptée et des processus mis en place. Nous estimons qu’il n’est pas nécessaire de tout comprendre du premier coup.

Les organisations peuvent s’efforcer de tout faire par elles-mêmes ou peuvent ressentir le besoin d’aborder chaque initiative dans l’analyse de rentabilité, mais elles risquent alors de s’embourber dans l’analyse. Cependant, il est important de décider qui sera responsable des initiatives et de déterminer ce qui sera fait et à quel moment. Allez-vous aborder ces initiatives maintenant ou plus tard? Avez-vous les compétences nécessaires à l’interne ou devez-vous faire appel à un partenaire de confiance?

C’est le genre de questions auxquelles j’aime répondre chaque jour. N’hésitez pas à communiquer avec moi pour en savoir plus sur les analyses de rentabilité et les feuilles de route en matière d’IA basées sur le rendement du capital investi.