Vice-Président Données et Expérience Client, Associé
Les agents d'intelligence artificielle (IA): l'avenir de la productivité
Vice-Président Données et Expérience Client, Associé
L’intérêt élevé porté à l’intelligence artificielle (IA) générative, spécifiquement aux agents IA et aux grands modèles de langage (LLM), est lié à la promesse de pouvoir transformer les entreprises afin de les rendre plus efficaces et d’augmenter leur productivité.
De nombreuses études montrent que les CEO, COO et CFO désirent investir, dans les prochains 6 à 12 mois, dans ce genre d’innovation afin de réduire leurs coûts opérationnels par l’intermédiaire de la robotisation de certaines activités ou de processus d’affaires.
Selon une étude publiée en 2023 par la firme McKinsey1, 75% des impacts significatifs de l’IA générative seront délivrés autour de quatre domaines d’affaires: opérations client (service, support et expérience client), ventes et marketing, développement logiciel et recherche et développement (R&D). L’amélioration de la productivité est estimée entre 0.1 et 0.6% par année jusqu’à 2040.
L’engouement autour de ces innovations est palpable et des investissements sont nécessaires pour réaliser les aspirations d’affaires de nombreuses compagnies. Comme toute initiative, ces aspirations ne peuvent pas se réaliser sans une bonne stratégie de données et d’intelligence artificielle, mais aussi une bonne exécution.
Cet article couvre quatre aspects importants qui devraient faire partie de votre stratégie.
- La sélection de vos cas d’utilisation (pertinence et impact sur la productivité de l’entreprise ou du domaine d’affaires)
- La capacité de votre entreprise à intégrer l'innovation dans ses processus
- La robustesse et la fiabilité de la gestion du cycle de vie de vos données, de l'acquisition à la consommation des données
- La présence d’une gouvernance des données et des applications IA
Le fonctionnement d’un agent d’intelligence artificielle (AI)
Pour ceux et celles qui sont moins familiers avec le concept d’agent IA – aussi nommé agent IA générative (LLM) ou agentic AI –, il s’agit d’un logiciel ou d’une application capable de réaliser une tâche ou une action de façon autonome. Il utilise des instructions fournies de façon conversationnelle grâce à un grand modèle de langage (LLM), comme ChatGPT, Gemini et Claude, pour comprendre et exécuter des tâches. Il peut compléter des tâches simples ou complexes et vise principalement l’automatisation de tâches.
L’anatomie d’un agent comprend:
- un processus de raisonnement
- des outils, soit des fonctions permettant de compléter les tâches demandées
- un modèle: ChatGPT, Gemini, Claude ou autre
La pertinence des cas d’utilisation
Il est utopique de penser que les agents et l’IA générative vont régler tous les enjeux de performance marketing, de ventes et de clients. En date d’aujourd’hui, les cas d’utilisation les plus prometteurs sont autour des fonctions suivantes:
Expérience client
- Assister les clients en mode libre-service (agent IA et chatbot)
- Résumer les plaintes et commentaires des clients
- Assister le service de support client dans la résolution de problèmes
- Améliorer la confidentialité des informations clients (utilisateurs.trices et données synthétiques)
- Personnaliser l'expérience client (CX) en implantant une personnalisation avancée du contenu, des produits et des services sur tous les points de contact
Marketing
- Créer du contenu publicitaire et informationnel
- Accélérer les analyses de marché, résumer les tendances consommateurs et de marché
- Améliorer l’analyse de données structurées (fiche client et transactions) et non structurées (texte, image, audio et vidéo)
- Détecter des tendances dans les données (compréhension client et segmentation) et recommander des actions ou des tactiques (activation des données)
Évidemment, il ne s’agit pas d’une liste exhaustive. La sélection des bons cas d’utilisation n’est qu’une pièce du casse-tête. Il y a un élément culturel à ne pas sous-estimer: est-ce que votre entreprise est prête à intégrer l’innovation?
La culture d’expérimentation et d’innovation de l’entreprise
L’IA générative et les agents n’en sont encore qu’à leurs débuts. Afin de permettre aux entreprises de les adapter à leurs processus d’affaires, ces outils doivent être personnalisés et contextualisés par l’intermédiaire de plusieurs techniques: rédactique (prompt engineering), retrieval-augmented generation (RAG), réglage de précision (fine-tuning) et évaluation des modèles.
Ce processus de personnalisation de l’IA générative doit se faire en testant et en raffinant ces algorithmes, d'où l'importance d’avoir une culture d’expérimentation et d’innovation. Mettre en place ce type de technologie en production sans une phase pilote d’expérimentation et d’évaluation augmente considérablement vos risques de ne pas atteindre vos objectifs.
La majeure partie des vendeurs de technologie (Google, Salesforce, Snowflake, Databricks, Amazon et Microsoft) vont vous faire miroiter la simplicité de ces solutions et l’impact positif (financier) sur votre organisation. Mais la réalité est beaucoup plus mitigée.
L’art d’intégrer ce type de technologies est une combinaison de plusieurs facteurs:
- la disponibilité et la qualité des données
- la maturité technologique de l’organisation
- l’expertise technique de l’organisation (talents pouvant utiliser ces innovations)
- la pertinence des cas d’utilisation que ces technologies vont supporter
- l’expertise d’affaires qu’elles vont supporter (capacité à créer de la valeur)
- la capacité de l’organisation à intégrer de façon rapide et à moindre risque (d’où l’importance de l’expérimentation) ces technologies dans ses processus d’affaires
On ne peut pas parler d’IA sans données. Maîtriser le cycle de vie de vos données marketing est un prérequis crucial pour un succès éventuel de votre initiative.
La robustesse et la fiabilité de la gestion du cycle de vie de vos données
Il y a deux groupes d’activités qui sont essentiels dans le cycle de vie des données et qui sont présents dans toutes les entreprises, des plus petites aux plus grandes:
- la collecte et le stockage des données
- l’analyse et l’activation des données
La collecte et le stockage des données
Pour pouvoir personnaliser et faire rouler de façon industrielle (productivité) des modèles d’intelligence artificielle générative et des agents (dans le cadre marketing), il faut avoir de la donnée de qualité pour chaque domaine (ex.: domaine marketing).
La plateforme de collecte de données que vous utiliserez, que ce soit Google Analytics, Adobe Analytics, Snowplow, Amplitude ou d’autres vendeurs de plateformes de données client (CDP), devra pouvoir exporter vos données primaires soit dans:
- des entrepôts de données cloud: Google BigQuery, Snowflake, RedShift, Databricks ou Azure Synapse
- ou des répertoires de stockage dans le cloud: Google Cloud Storage, Azure Blob Storage ou Amazon S3
Les infrastructures privilégiées pour les modèles d’intelligence artificielle générative sont les lacs de données, afin de stocker des données non structurées, et les bases de données vectorielles. Il existe aussi le concept de data lakehouse (format Open Table), apparu ces dernières années, qui est un hybride entre un entrepôt de données et un lac de données: Google BigLake, Databricks Delta Lake et Snowflake avec son Open Catalog.
L’importance de la collecte de données est critique pour disposer de données de qualité, puisqu’elles influencent la qualité et la performance des modèles d’IA. La centralisation des données par domaine d’affaires (data mesh) est également essentielle. Les agents et les grands modèles de langage (LLM) sont beaucoup plus performants quand ils sont contextualisés et entraînés sur les données d’un domaine spécifique, comme le marketing.
Webinaire sur demande: La stratégie de données, l’incontournable
L’analyse et l’activation des données
Selon les cas d’utilisation, une transformation simple ou avancée des données sera nécessaire – les détails sur la transformation des données ne sont pas couverts dans cet article, bien que cette étape soit importante. Ces transformations peuvent être utilisées pour créer des modèles de données pouvant supporter des graphes de connaissances qui rendent les LLM beaucoup plus performants.
L’analyse des données est supportée par les algorithmes présents dans les outils utilisés, tels que ChatGPT, Claude, Gemini, etc. Les agents IA ont aussi la capacité d’analyser les données selon leurs fonctionnalités.
Les technologies RAG (retrieval-augmented generation) sont utilisées pour ingérer des données externes, provenant de vos bases de données d’entreprise, dans les différents outils.
Quant au prompt engineering et au fine-tuning, ils raffinent le degré de personnalisation de votre modèle d’IA générative.
La force des agents IA vient de leur capacité à effectuer une action en plus d’une analyse. Si vous avez les compétences à l’interne, vous pouvez construire votre propre agent IA. Vous pouvez aussi utiliser des vendeurs de technologies (Google, Amazon, Salesforce et Snowflake) qui offrent des agents déjà intégrés à leurs applications pour permettre à leurs utilisateurs et utilisatrices un gain de productivité.
Construire un agent IA de zéro, en écrivant le code, n’est pas une mince tâche: il faut disposer de l’expertise à l’interne ou se doter d’un partenaire.
Quelques vendeurs ont facilité l’utilisation et la création d’agents en mode Do It Yourself (DIY) sans avoir besoin d’une expertise poussée: Salesforce, Agentforce, Google Agentspace et Snowflake Intelligence (data agents). Beaucoup de ces produits sont encore nouveaux et à l’état expérimental.
Le but de ces applications est de favoriser la productivité en réduisant les coûts et en augmentant l'efficacité opérationnelle. Ces agents exécutent plusieurs activités telles que:
- Effectuer des recommandations basées sur les données d’entreprise ou un domaine d’affaires
- Analyser des plaintes ou commentaires et proposer des solutions, soit directement au client ou à la cliente, soit à l’équipe du soutien à la clientèle
- Assister la clientèle, le personnel ou les étudiants et étudiantes dans leurs demandes d’informations en personnalisant les réponses en fonction des informations fournies dans la conversation
- Faciliter le onboarding de la clientèle, du personnel ou des étudiants et étudiantes
- Soutenir les équipes marketing (média ou marketing automation) dans la création de campagnes ou de briefs de campagne en suggérant des audiences et des combinaisons de stratégies et de métriques à suivre
- Analyser les performances des campagnes marketing et recommander des tactiques basées sur les insights
- Assister la clientèle ou les prospects dans la découverte de services et produits sur le site web ou l’application mobile en interagissant de façon conversationnelle
- Personnaliser l’étape de conversion en fonction des informations communiquées par le client ou la cliente: panier d’achat, formulaire de prise de rendez-vous, formulaire de demande d'information, etc.
La personnalisation et la spécialisation de l’agent par domaine d’activité sont critiques pour espérer un gain réel de productivité. D'où l'importance d’exploiter vos données par domaine d’affaires, de la collecte à la consommation des données.
Le dernier volet de cet article est non négligeable: comment s’assurer que ces agents IA ne deviennent pas un risque pour votre compagnie?
La gouvernance des données et des applications IA
La bonne gouvernance des données et des applications d’intelligence artificielle est nécessaire pour le succès de vos initiatives.
La gouvernance des données doit assurer une bonne qualité et une bonne accessibilité des données tout en les sécurisant. La collecte de données sur des individus doit se faire dans la transparence et avec leur consentement. Toutes les mesures doivent être mises en place pour sécuriser les données personnelles, mais aussi celles de l’entreprise. Des processus et des technologies sont nécessaires pour valider et suivre la qualité des données avant que ces dernières soient utilisées dans les systèmes IA.
Les agents IA doivent produire un extrant fiable pour les utilisateurs et utilisatrices. Des processus d’évaluation de la qualité des extrants doivent être présents en continu. Les biais et les hallucinations2 doivent être détectés rapidement et des mesures doivent être mises en place pour les mitiger.
Le suivi de la performance des modèles et des agents est nécessaire pour assurer une adoption de ce type d’innovation par le personnel ou la clientèle. Comme les données, les agents et les modèles IA doivent être protégés contre les attaques internes et externes.
Une veille sur les lois et réglementations est nécessaire pour toute entreprise qui veut investir dans ce type d’initiative.
Conclusion
Pour conclure, même si la promesse de l’IA générative et des agents IA est attirante pour les équipes exécutives, l’importance d’une bonne fondation en données (collecte, stockage et ingénierie) reste un défi pour de nombreuses entreprises.
Les entreprises qui investissent dès maintenant dans l'acquisition et la transformation de données uniques et de qualité auront un meilleur retour sur investissement (ROI) sur le déploiement des agents IA marketing.
Pour discuter d’une stratégie de données et d’intelligence artificielle (IA) en vue de renforcer votre marketing centré sur le client et d’augmenter l'efficacité de vos opérations marketing, n’hésitez pas à nous contacter.
Références
1 Chui, M., Hazan, E., Roberts, R., Singla A., Smaje, K., Sukharevsky, A., Yee L. et Zemmel R. (2023). The economic potential of generative AI: The next productivity frontier.
2 Contenu incorrect, inopportun ou fictif généré par une intelligence artificielle générative et présenté de manière factuelle, comme si les informations étaient authentiques ou en adéquation avec la requête d'origine (définition de l’Office québécois de la langue française).