L’intelligence artificielle (IA) amène les hauts dirigeants à prendre des décisions de plus en plus interdépendantes, dont la valeur varie selon leurs responsabilités et le secteur d’activité de leur entreprise. Un chef de la direction financière peut percevoir de la valeur grâce à la croissance, aux coûts et aux risques financiers; un chef des opérations par la performance opérationnelle; un chef de la direction technologique à travers l’efficience technologique; et un chef de la sécurité de l’information par la cybersécurité, la protection des données personnelles et une mise à l’échelle sécurisée. Ces priorités adoptent aussi différentes formes selon le secteur d’activité, de la planification de la production pour le secteur manufacturier, à la gestion des risques pour le secteur bancaire, et à l’état de préparation et à l’efficacité des missions pour le domaine de la défense.

Le point de départ pour mesurer la valeur de l’IA est donc la décision d’affaires ou liée à la mission que l’organisation tente d’améliorer, plutôt que le modèle ou la plateforme en soi. Cette situation représente un défi de leadership. Comment définir le succès lorsque la valeur semble différente, selon votre rôle dans l’entreprise et les décisions qui importent le plus au sein de votre secteur d’activité?

Des gains de productivité, un projet pilote concluant, ou une réduction des délais de traitement peuvent tous démontrer les progrès réalisés. Mais aucun de ces éléments, à lui seul, ne peut vous permettre d’affirmer que l’IA génère une valeur durable pour l’entreprise.

Le défi consiste à transformer la valeur de l’IA, d’une ambition vers quelque chose que les dirigeants peuvent constamment définir, mesurer et gérer.

Pourquoi la valeur de l’IA doit s’appuyer sur un cadre de gestion connecté

La valeur de l’IA d’entreprise dépend de bien plus que de toute initiative ou mesure unique. Les dirigeants en sont déjà à équilibrer la croissance, la résilience, l’innovation, les risques et la performance opérationnelle, et l’IA a une influence toujours plus grande dans tous ces volets. L’intention stratégique, la mesure de la valeur, la gouvernance, les modèles opérationnels, les infrastructures des données et de l’IA, et la mise à l’échelle dans toute l’entreprise ne peuvent plus être considérés comme des conversations distinctes.

Un cadre de gestion efficace de services-conseils en IA peut regrouper ces dimensions autour de six domaines connectés :

  • domaines d’intention et de décision stratégiques
  • architecture et mesure de la valeur
  • gouvernance, gestion du risque et confiance
  • modèle opérationnel et d’affaires
  • infrastructures des données et de l’IA
  • validation et mise à l’échelle dans l’entreprise

Un tel cadre de gestion permet de jeter les bases pour relier l’intention stratégique à des résultats mesurables à l’échelle de l’entreprise. Sa valeur découle de l’application de ces dimensions à la prise de décisions, aux flux de travaux et aux conditions de gouvernance qui importent dans un secteur donné.

Les priorités varient en fonction du secteur d’activité. Les fabricants peuvent miser sur la planification de la production, la qualité et le rendement, la maintenance prédictive, la résilience de la chaîne d’approvisionnement ou l’accélération graduelle de la production; les banques sur le crédit, la fraude, l’engagement du client ou les risques liés au capital; les fournisseurs d’énergie sur la performance des actifs, la gestion du réseau et de la charge, ou les pannes; et les organisations de la défense sur le soutien de la mission, l’état de préparation, le renseignement ou la logistique.

Plutôt que de déterminer si une initiative distincte d’IA fonctionne, les dirigeants devraient examiner si celle-ci contribue aux résultats que l’entreprise tente d’atteindre. Ils devraient également évaluer si l’organisation peut soutenir cette valeur à mesure que l’IA devient plus intégrée.

Il s’agit d’une distinction importante. La valeur d’entreprise requiert un cadre de gestion qui s’harmonise à ce que l’organisation souhaite réaliser, à la façon dont la valeur est définie et mesurée, et à la conception de l’écosystème qui soutient l’IA.

L’implication requise de la part de la haute direction est simple : des décisions éprouvées à grande échelle. L’IA crée de la valeur lorsqu’elle améliore une importante décision d’affaires ou liée à la mission, de façon reproductible.

Mesurez-vous la pleine valeur de l’IA?

Diverses perspectives de dirigeants pointent vers un enjeu plus important : l’IA d’entreprise exige une définition commune de la valeur.

Un rendement financier du capital investi (RCI) est essentiel, mais ne révèle pas l’ensemble du tableau. L’IA peut également générer de la valeur par une prise de décisions plus rapide et éclairée, une réduction des risques, des environnements technologiques simplifiés, des capacités réutilisables et une mise en œuvre plus prévisible.

Les organisations devraient veiller à mesurer la valeur en fonction de quatre dimensions.

  • Qualité et vitesse de la prise de décisions – Décisions plus rapides et cohérentes, assurance et confiance améliorées, et latence réduite dans la prise de décisions.
  • Impact financier et incidence sur la mission – Croissance des revenus ou efficacité des missions, coûts, perte ou réduction des risques, et prévisibilité améliorée des résultats. (Je vous invite à lire notre série de blogues : Le guide de l’économie de jetons d’IA du chef de la direction financière.)
  • Efficience de la plateforme et de l’architecture – Plateformes de données et d’IA simplifiées, meilleure réutilisation dans l’ensemble des domaines, et réduction de la dette technique.
  • Efficacité de la mise en œuvre et de l’exécution – Mise en œuvre plus rapide et prévisible, opérations stables et conformes, et coûts réduits de gouvernance et d’exploitation.

L’importance relative de ces dimensions variera selon les priorités stratégiques et les indicateurs clés de performance de l’organisation, mais elles établissent une base commune pour comparer les compromis, harmoniser les priorités, et prendre des décisions d’investissement pour l’ensemble des résultats d’affaires et technologiques.

Ceci est important, car améliorer isolément un seul des résultats n’est pas nécessairement synonyme de création de valeur pour l’entreprise. Un gain lié à la vitesse de prise de décisions, par exemple, devrait aussi être examiné au même titre que son impact financier et sur la mission, ses répercussions sur l’environnement technologique, et sa capacité d’être mis en œuvre et exploité de façon efficace.

Un assureur mondial qui utilise CGI NAVI propose un exemple pratique. Pour 11 projets en cours, le temps de préparation des cas d’essai a chuté d’environ 45 %, pour un gain de 58 jours, tandis que la couverture et l’exactitude des essais se sont également améliorées. En d’autres termes, le résultat ne se limitait pas uniquement à l’efficience, mais affichait des améliorations de la qualité et de la performance de la livraison des logiciels. (Lire le récit de réussite client : Une solution d’IA générative multicouche accélère la livraison de logiciels d’un géant de l’assurance.)

Cette définition plus vaste prend également en compte l’humain et la prise en charge. La valeur est réalisée lorsque les résultats générés par l’IA sont fiables, mis en œuvre et intégrés dans la façon dont les décisions sont prises. Cette démarche exige une imputabilité assumée, des droits décisionnels appropriés, une adoption à grande échelle, et une capacité d’expert, de même que des mesures financières et techniques.

En pratique, le propriétaire opérationnel demeure imputable pour les résultats, les propriétaires de la technologie pour la qualité du service et le coût d’exploitation, et les responsables des risques et de la sécurité des limites d’exploitation de l’IA. Les dirigeants doivent alors vérifier si la valeur est toujours présente après le déploiement, et transformer cette évaluation en une discipline opérationnelle plutôt qu’en exercice ponctuel d’analyse de rentabilité.

Déterminer quels investissements en IA méritent une mise à l’échelle

La mesure devient d’autant plus utile lorsqu’elle oriente les décisions plutôt que de simplement fournir un rapport de la performance. L’objectif de mesurer la valeur de l’IA va au-delà d’une simple démonstration du rendement du capital investi (RCI). Elle devrait plutôt aider les dirigeants à décider où poursuivre les investissements et quelles fonctions méritent une mise à l’échelle.

Un projet pilote en IA peut sembler concluant lorsqu’il est examiné en fonction d’un seul indicateur. La productivité peut augmenter ou le temps de traitement chuter. Mais la mise à l’échelle introduit un questionnement plus vaste. L’initiative génère-t-elle un impact durable sur les finances ou la mission? Simplifie-t-elle l’environnement technologique ou ajoute-t-elle en complexité? L’organisation peut-elle la mettre en œuvre et l’exploiter avec efficacité à mesure que son champ d’action s’étend? Et la valeur demeure-t-elle prometteuse lorsqu’elle est examinée pour l’ensemble de l’entreprise plutôt que pour une seule équipe ou un cas d’utilisation donné?

Un cadre de gestion de la valeur connecté fournit aux dirigeants une base cohérente pour répondre à ces questions.

Si la valeur ne peut pas être définie et mesurée, les arguments en faveur d’une mise à l’échelle reposent sur une hypothèse plutôt que sur des faits. Des données probantes peuvent aider les dirigeants à orienter les investissements vers des résultats plus solides plutôt que de déployer des initiatives fondées sur un succès technique ou un élan initial. Elles peuvent également fournir des arguments valables pour suspendre ou mettre fin à des initiatives qui ne peuvent pas être régies, adoptées ou mises à l’échelle de façon rentable.

Cette distinction devient de plus en plus importante à mesure que les organisations délaissent les expériences individuelles pour se tourner vers des portefeuilles plus imposants de capacités alimentées par l’IA.

Que la valeur, et non la technologie, façonne votre écosystème d’IA

Une fois la valeur évidente, les dirigeants peuvent évaluer les choix technologiques par rapport à celle-ci. L’accent est désormais accordé à la combinaison des capacités, des plateformes et des partenaires qui peuvent le mieux soutenir les résultats, les contraintes et la mise à l’échelle pour un domaine d’affaires précis.

Voilà une façon différente d’aborder l’écosystème d’IA.

Plutôt que de prendre des décisions en fonction de la technologie et d’ensuite examiner les occasions de l’appliquer, les organisations peuvent d’abord déterminer les résultats qu’elles souhaitent atteindre, puis partir de là pour concevoir la suite.

Il serait alors possible d’opter pour une expansion de la technologie déjà en place plutôt que de la remplacer inutilement, ou d’adopter une approche plus personnalisée quant aux modèles, plateformes et fournisseurs plutôt que d’assumer qu’une seule solution conviendra à tous les cas d’utilisation. À mesure que l’IA passe de l’expérimentation à la production, ces choix devront également appuyer la gouvernance, la sécurité et les exigences de souveraineté de l’organisation.

Cette approche fondée sur la valeur s’harmonise aussi à une approche plus vaste du parcours en IA : définir la vision, explorer les cas d’utilisation axés sur le RCI, mettre en place des bases adaptatives, pour ensuite déployer et exploiter un écosystème multimodèle de façon responsable.

Un fabricant mondial propose un exemple pratique d’une telle situation. L’objectif était d’améliorer la disponibilité des produits et le service à la clientèle, tout en réduisant l’incidence opérationnelle des ruptures potentielles de stock. CGI a industrialisé une capacité infonuagique d’IA prédictive qui fournit des recommandations sur les stocks de sécurité et une prévision de rupture de stock de 15 jours pour les centres de distribution. En intégrant l’IA aux opérations quotidiennes de la chaîne d’approvisionnement, le fabricant a profité d’une visibilité hâtive sur les risques d’inventaire et d’un meilleur soutien pour les décisions liées aux stocks et au traitement des commandes.

L’approche technologique s’est articulée autour des résultats opérationnels et du besoin d’intégrer l’IA dans la prise de décisions au quotidien et à grande échelle.

La technologie est un levier de la stratégie de valeur plutôt que la stratégie elle-même. À mesure que l’IA est mise à l’échelle, les organisations doivent reconfigurer les flux de travaux, les modèles opérationnels et les structures décisionnelles afin que les individus et les systèmes intelligents puissent travailler ensemble avec une définition claire des responsabilités, les compétences requises et une gestion appropriée du changement.

Cette approche permet également de créer des assises plus solides pour les décisions d’investissement. Une fois que la valeur attendue et les mesures de réussite sont explicites, les dirigeants peuvent faire des choix plus pertinents quant aux domaines où un investissement technologique est justifié et où il ne l’est pas.

Transformer la valeur de l’IA en décisions plus éclairées

La valeur d’un cadre de gestion de l’IA ne réside pas dans le nombre de mesures qu’il met en place, mais dans les décisions qu’il permet d’améliorer. En définissant la valeur en amont, en mesurant les résultats d’affaires et technologiques, et en utilisant ces données pour orienter les investissements, les dirigeants peuvent prendre des décisions plus éclairées sur les fonctions qui méritent une mise à l’échelle et sur la façon de bâtir un écosystème approprié.

La question n’est plus de savoir si les initiatives d’IA fonctionnent, mais si elles créent suffisamment de valeur dans l’entreprise pour justifier la suite.

Voilà le but de mesurer la valeur de l’IA : non pas pour la mesure en soi, mais pour de meilleures décisions quant aux choix d’investissement, de mises à l’échelle, sur ce qu’il faut repenser ou abandonner, et la façon de bâtir un écosystème qui s’articule autour de résultats qui importent.

Explorez les services-conseils en IA de CGI et CGI AI LaunchPad (en anglais) pour définir la valeur de l’IA, prioriser les cas d’utilisation axés sur le RCI, et mettre à l’échelle l’IA de façon responsable dans toute l’entreprise.