Les promesses de l'intelligence artificielle se concrétisent pour de nombreuses marques : recommandations personnalisées, service client automatisé, tarification dynamique et gestion prédictive des stocks sont quelques-uns des programmes basés sur l'IA qui sont actuellement déployés.
Mais un fossé se crée entre les projets pilotes et les opérations d'IA prêtes à être mises en production. La mise en place de processus ou d'opérations d'IA efficaces nécessite plus que la simple implémentation d'algorithmes : elle exige un cadre opérationnel réfléchi qui allie technologie, personnes et processus.
Il n'est pas surprenant que ce cadre fasse écho aux bonnes pratiques de la révolution numérique. Bon nombre des principes que les entreprises ont utilisés (et utilisent encore) lors de leur transition des tableurs vers la technologie sont les mêmes que ceux qu'elles appliqueront pour rendre ces initiatives numériques davantage axées sur l'IA.
Commencez par définir des objectifs commerciaux et des KPI clairs
Ne déployez pas l'IA juste parce que vous êtes tentés de le faire. Avant de mettre en place une infrastructure opérationnelle , identifiez les problèmes commerciaux spécifiques qui méritent d'être résolus. Concentrez-vous sur les cas d'usage générateurs de profits : perdez-vous des clients en raison de la lenteur des temps de réponse du support ? La rotation des stocks crée-t-elle des problèmes de trésorerie ? Avez-vous du mal à personnaliser les expériences sur tous les canaux ?
Chaque cas d'usage nécessite des considérations opérationnelles différentes : un système de recommandations nécessite une surveillance continue des performances et une infrastructure A/B test. Un chatbot de service client nécessite des workflows de transfert des dossiers et des processus d'assurance qualité. Un système de prévision des stocks doit être intégré aux opérations de la chaîne d'approvisionnement et à la gestion des fournisseurs.
Définissez à l'avance les indicateurs de réussite. Il peut s'agir de l'amélioration du taux de conversion, des scores de satisfaction client, du coût par interaction ou des coûts de stockage. Des indicateurs clairs guident les décisions opérationnelles et vous aident à allouer efficacement les ressources.
Constituez une équipe interfonctionnelle
La réussite de la mise en œuvre de l'IA nécessite une collaboration efficace et une relation de confiance. Chez OSF, nous aidons nos clients à créer des équipes de pilotage de l'IA afin de définir et de surveiller le programme opérationnel, y compris les politiques et les processus.
Nous recommandons de doter l’équipe d'un responsable IA ou d'un chef de projet capable de travailler avec tous les départements impliqués. L’équipe doit comprendre au moins une personne occupant un poste stratégique (qui peut aider à orienter la prise de décision) et des représentants des départements IT, développement, gestion des produits, ventes, finances et des opérations.
Investissez dans l'infrastructure et la gouvernance des données
Les systèmes d'IA ne sont efficaces que dans la mesure où les données qu'ils traitent le sont également. Préparer les opérations pour l'IA signifie créer des pipelines de données fiables qui collectent, nettoient et fournissent des informations aux modèles en temps réel ou quasi réel.
Commencez par auditer votre paysage de données actuel. Quel comportement client surveillez-vous ? Comment les informations sur les produits sont-elles structurées ? Quelles sont les failles ? Les problèmes courants comprennent généralement une catégorisation incohérente des produits, des profils clients incomplets et des sources de données déconnectées entre les différents canaux.
Appliquez dès le début des pratiques de gouvernance des données. Définissez la propriété des données, établissez des normes de qualité et créez des processus pour gérer la confidentialité et le consentement des clients. Il ne s'agit pas seulement d'exigences de conformité, mais de nécessités opérationnelles qui permettent d'éviter la dégradation des modèles et de maintenir la confiance des clients.
Concevez pour une collaboration entre l'humain et l'IA
Les opérations d'IA qui réussissent sur le long terme reconnaissent que les humains et les machines ont des atouts complémentaires. Concevez des flux de travail qui tirent efficacement parti des deux.
Pour le service client, cela peut signifier que l'IA traite les demandes courantes tout en transférant les problèmes complexes à des agents humains en leur fournissant un contexte pertinent. Pour le merchandising, l'IA peut suggérer des opportunités de regroupement de produits, tandis que les humains prennent les décisions finales en fonction de la stratégie de marque. Afin d'éviter les doublons dans les fichiers de contacts, qui peuvent gêner les équipes commerciales, l'IA signale les doublons suspects, tandis que des analystes humains enquêtent et recommandent la meilleure façon de procéder.
Créez des interfaces qui facilitent la supervision humaine. Les agents ne devraient pas avoir besoin de comprendre le machine learning pour travailler efficacement avec les systèmes d'IA. Ils ont besoin d'explications claires sur les raisons pour lesquelles l'IA a pris certaines décisions et de moyens simples pour fournir des commentaires correctifs.
Mettre en place une surveillance continue
Les modèles d'IA se dégradent avec le temps, à mesure que le comportement des clients évolue, que les produits changent et que les conditions du marché évoluent. L'excellence opérationnelle nécessite une surveillance continue et une remise à niveau régulière. Veillez également à documenter et à partager les informations relatives aux interventions et à leurs résultats non seulement à vos responsables et dirigeants, mais aussi aux équipes qui utilisent ces modèles afin qu’elles restent impliquées dans le processus et y adhèrent.
Mettez en place des tableaux de bord qui suivent à la fois les mesures techniques, telles que la précision des prévisions, et les mesures commerciales, telles que l'impact sur les revenus. Configurez des alertes pour les anomalies : baisses soudaines des scores de confiance, changements inattendus dans les segments de clientèle ou modèles inhabituels dans les recommandations.
Évaluez vos modèles à intervalles réguliers. Certaines équipes examinent les performances chaque semaine, d'autres chaque mois. Les entreprises du secteur de la mode peuvent avoir besoin de mises à jour plus fréquentes que les entreprises d'approvisionnement industriel.
Prévoyez une évolutivité et des itérations
Commencez par un cas d'usage bien défini. Tenter de mettre en œuvre l'IA dans l'ensemble d'une opération d'un seul coup est la recette idéale pour créer un chaos opérationnel.
Au fur et à mesure de votre développement en tant qu’entreprise, investissez dans l'automatisation des tâches opérationnelles répétitives. Le réentraînement des modèles, les rapports de performance et les contrôles de qualité des données doivent être de plus en plus automatisés, pout permettre à votre équipe de se concentrer sur les améliorations stratégiques et les nouvelles applications.
La mise en place d'opérations d'IA est un processus continu. Les entreprises qui réussissent le considèrent comme une capacité opérationnelle permanente, et non comme un projet technologique ponctuel. Avec les bases adéquates (objectifs clairs, collaboration interfonctionnelle, infrastructure de données solide, workflows humains-IA bien pensés et amélioration continue), l'IA devient un avantage concurrentiel durable plutôt qu'une expérience perpétuelle.
