Si un sujet est sur toutes les lèvres depuis un an environ dans les événements de marketing et d’affaires, c’est bien l’intelligence artificielle. Simple tendance technologique ou changement profond?
Le cycle du hype
Comme bien d’autres avant elle, l’intelligence artificielle est une technologie pour laquelle l’intérêt devrait évoluer selon le désormais célèbre cycle du hype de Gartner.
À mon avis, nous sommes actuellement en train de gravir le pic des attentes exagérées. Tous les indices d’un hype y sont présents :
- C’est un sujet abordé dans la majorité des conférences d’affaires ou de marketing.
- Les termes clés (intelligence artificielle, apprentissage profond, apprentissage machine, algorithmes, automatisation, et bien d’autres) sont utilisés à toutes les sauces et galvaudés.
- Des dizaines d’entreprises annoncent des investissements massifs et ouvrent des centres d’expertise consacrés à l’IA. À Montréal seulement, Facebook, Microsoft, Google, Thales SA et Samsung ont déjà annoncé l’ouverture de tels centres.
- Les entreprises s’arrachent les ressources spécialisées dans le domaine.
- Plusieurs statisticiens, mathématiciens et analystes de données se façonnent une image professionnelle d’experts en science des données pour surfer la vague.
- Les entreprises investissent dans l’IA et embauchent des ressources, mais elles n’ont pas nécessairement de plan d’affaires ni d’analyse de rentabilité clairs ou bien établis.
Cet engouement exagéré mènera inévitablement à une déception. Ce genre de cycle du hype a été observé dans plusieurs domaines, notamment dans celui du Web il y a plus de 20 ans. Cela a aussi été le cas pour la réalité virtuelle il y a quelques années. (Je crois d’ailleurs que nous sommes toujours dans la vallée des désillusions pour cette dernière technologie.)
La désillusion et le cycle d’innovation
La phase de désillusion comporte évidemment son lot de conséquences négatives. Des projets, des programmes et des investissements sont interrompus, des emplois sont perdus et des rêves sont brisés. On peut également considérer la situation dans la perspective d’un réajustement du marché, une sorte de juste retour des choses où l’équilibre entre les attentes et l’exécution se dirige vers une adéquation plus optimale.
À mon avis, cette désillusion se manifeste lorsqu’un groupe de dirigeants d’entreprise et de chercheurs essaient de travailler ensemble. Les dirigeants recherchent la grande idée qui se traduira par des profits assurés dans un horizon temporel déterminé et généralement court. Les chercheurs, quant à eux, sont bien plus à l’aise dans des cycles de travail longs aux résultats indéterminés et ils n’évaluent naturellement pas les succès selon les mêmes valeurs que les dirigeants. Bref, ils formulent des hypothèses et valorisent tant la confirmation que l’infirmation de celles-ci, contrairement aux dirigeants qui, pour toutes sortes de raisons, ne voient pas tant d’intérêt à prouver scientifiquement qu’une idée est mauvaise.
La déception viendra notamment de la confrontation de ces deux réalités bien différentes, mais aussi du processus qui permet de goûter aux bénéfices de l’IA. Les conférences et discussions autour de l’IA focalisent généralement sur la partie de l’analyse et de l’activation des données, soit les insights. Deux phases sont toutefois essentielles pour en arriver là : la collecte des données et leur mise en application en génie des données (data engineering).
Selon trois spécialistes invités à un panel sur le sujet, ces deux phases représentent de 80 à 90 % du travail en IA.
On le voit bien en numérique : les données sont raisonnablement accessibles et une grande proportion des entreprises font une capture très approximative des données. C’est encore pire pour le data engineering, qui consiste à organiser, à structurer, à épurer et à préparer les données pour amorcer le travail que tout le monde souhaite accomplir. L’intelligence artificielle ne pourra se développer que lorsque ceux et celles qui l’organisent accepteront de faire confiance à ce processus.
Ceux qui préparent les dossiers de décision en matière d’intelligence artificielle doivent prendre en considération les coûts de ce travail dans leurs analyses de rentabilité avant de faire miroiter les bénéfices de l’IA s’ils veulent amortir la chute entre le pic et la vallée des désillusions.
Comment réussir sa traversée du désert?
Contemplez cette nouvelle image : il y a un désert à traverser. Seuls quelques-uns arriveront à le franchir. Ferez-vous confiance à ceux qui trimballent des centaines de litres d’eau ou à ceux qui entendent trouver une manière d’en générer au fil de leur progression? Les premiers ne réussiront pas la traversée, accablés par leurs bagages trop imposants. Ce sont les entreprises qui ont embauché trop vite une équipe spécialisée en IA sans veiller à ce que l’organisation des affaires soit adaptée à la route à parcourir.
Concentrez-vous sur l’organisation de vos données
Axez une grande partie des efforts sur la collecte et l’organisation des données pour les rendre exploitables et dignes de confiance. Les données, bien structurées, sont l’oxygène de toute initiative d’IA. Profitez de l’ascension du pic, pendant laquelle les budgets sont importants, pour réaliser ces tâches qui deviendront rapidement impopulaires pendant la descente vers la vallée.
À lire : 7 principes en data marketing inspirés de Konmari
Concentrez-vous sur le problème
Prenez le temps de bien définir le problème pour réaliser un vrai gain de temps. Il est tentant d’opter rapidement pour la solution évidente à un problème en recourant à des modèles ou à des technologies émergentes (Chatbots! Codes QR! Attribution multitouch! Influenceurs!). Il est toutefois essentiel de s’assurer que les parties prenantes ont une compréhension approfondie de l’enjeu et qu’ils ont une vision globale des techniques de résolution à leur disposition. C’est ici que la créativité entre en jeu. Qui sait, vous pourriez même vous rendre compte que vous n’avez pas besoin d’IA pour régler le problème ou accélérer la croissance de votre entreprise!
Concentrez-vous sur une culture d’exploration et d’apprentissage par l’erreur
Valorisez et donnez le droit à l’erreur à ces nouvelles équipes multidisciplinaires qui explorent un domaine aux limites incertaines, qui collaborent pour la première fois et qui ne connaissent pas toujours la verticale dans laquelle ils atterrissent. Par exemple, il ne faut pas tenir pour acquis qu’un mathématicien est à l’aise avec les principes de base du marketing. L’important est de mettre en place une culture opérationnelle qui apprend de ses erreurs et qui encourage les différentes unités à explorer la réalité des autres unités impliquées afin de parvenir à une compréhension mutuelle, dont le bénéfice augmentera de façon exponentielle avec le temps.
Concentrez-vous d’abord sur de petits projets
Finalement, automatisez de petites choses et débutez par des algorithmes simples qui apportent de petits bénéfices. Cette approche permet d’entamer une danse entre les profils de chercheurs (mathématiciens, data scientists, etc.) et les profils d’affaires. Cette étape représente bien plus qu’une fin en soi, c’est aussi une façon de jeter les bases de cette collaboration essentielle et la gestion des attentes entre les différentes parties prenantes. Elle permet également de répartir le risque entre plusieurs petits concepts plutôt que de le concentrer sur une grande idée dont l’aboutissement est simplement trop lointain et coûteux. Bref, si votre équipe est incapable de construire un chalet en deux semaines, il y a de bonnes chances qu’elle ne soit jamais capable d’ériger un château en 20 ans.
L’intelligence artificielle et Adviso
Notre valeur ne réside pas dans la recherche fondamentale en IA. Notre expertise et notre expérience en ce qui a trait à des dizaines d’industries et de modèles d’affaires différents nous ont convaincus que notre apport réside dans l’application de l’intelligence artificielle au marketing. Nous voulons participer aux efforts de nos clients de manière concrète en les accompagnant dans le travail préliminaire qui doit être fait avec les données, mais aussi en les aidant à mettre en œuvre les cas d’utilisation de l’IA qui comportent un risque faible et un rendement anticipé prometteur.
Pour ce faire, notre équipe de science et technologie des données transpose des approches d’IA au marketing au moyen de dizaines de modèles algorithmiques dont l’application à des problématiques d’affaires a été démontrée. Par exemple :
- Définir la prochaine action optimale (next best action, ou NBA), le prochain produit à proposer à un client ou encore le prochain message à lui communiquer qui serait le plus susceptible de générer des répercussions, etc.
- Créer un modèle d’audiences similaires personnalisées (custom look-alikes audiences) qui permet de maximiser les efforts de prospection de nouveaux clients au moyen des données internes d’une entreprise conjuguées aux données d’audiences en ligne afin de déterminer les segments de consommateurs les plus probants.
- Déterminer les variables susceptibles d’avoir le plus d’influence sur la stratégie de rayonnement dans les moteurs de recherche de nos clients et orienter nos efforts en conséquence.
Agencés ensemble, ces modèles simples et efficaces peuvent également devenir les rouages d’une approche plus complexe, qui apportera un élément de différenciation importante pour nos clients. Mais ils peuvent aussi présenter une grande valeur intrinsèque.
Quant à, notre équipe de transformation numérique, elle accompagne différentes entreprises dans la mise en place des étapes mentionnées précédemment, dans la création et l’organisation des équipes internes chargées de tenir de compte de cette nouvelle réalité ainsi que dans la commercialisation et la réalisation de nouveaux modèles d’affaires rendus possibles grâce à l’intelligence artificielle.
