Les réseaux et media nous inondent, sous des formats multiples, de communications sur l’Intelligence artificielle, l’IA, qui nous est souvent présentée comme une technologie « miracle » qui remplacera l’homme dans ses prises de décision, jusqu’à des niveaux de direction dans des entreprises. La réalité, notamment en France, est sensiblement différente. L’IA, comme le montrent l’ensemble des articles du dossier, par exemple ceux de Thomas Sauvel ou d’Andreas Welsch, doit être comprise comme une couche technologique intégrée dans le système d’information global de l’entreprise, lui-même assis sur un schéma de transformation globale. L’investissement digital doit être compris comme le volet technologique d’un modèle d’affaires en constante évolution. L’exploitation efficace de l’IA suppose donc, au préalable, des processus fiabilisés, actuels et cibles, précisément définis et bien compris. Il en va de même pour les données nécessaires à l’alimentation de ces processus, en particulier pour celles qui sont transverses, par exemple les nomenclatures comptables, produits, clients, fournisseurs, etc. Comme le souligne Marcel Bila, l’ERP et les bases de données transactionnelles qui l’alimentent, sont la couche de base du fonctionnement digital d’une organisation, sans laquelle il est illusoire d’implanter efficacement des outils, tant de Business intelligence (BI) que d’intelligence artificielle (IA). Dans la séquence des phases de développement digital d’une entreprise, la première, traitant autour de l’ERP et du système de données, reste fondamentale. Elle s’accompagne, en outre, d’un remodelage de l’organisation dans le sens d’une fiabilisation et d’une automatisation de l’organisation autour de processus transversaux. Par exemple, le processus Record to Report est, en général, cité comme levier efficace de gains de productivité et de fiabilisation de l’information. Dans un second temps, il est pertinent, sous la réserve d’une adaptation des hommes, de passer à une phase de Business intelligence qui exploitera les données structurées, dans le cadre par exemple de la production de tableaux de bord rétrospectifs d’analyse de la performance économique, ainsi que de KPI stratégiques clés, comme par exemple la performance commerciale, la valeur apportée aux clients ou la capacité d’innovation. C’est dans un troisième temps que l’on passera à l’exploitation d’outils aidant à une vision plus prospective s’appuyant sur des outils d’intelligence artificielle aidant à la prise de décision et exploitant, à cette fin, des données non structurées, en complément. Au risque de nous répéter, les préliminaires en termes de fiabilisation des données sont fondamentaux. Il est notable de constater que les PME françaises, comme le souligne Marie Redon, sont à ce jour faiblement équipées en IA, et qu’il y a là un vaste chantier.
Un autre enseignement : ne pas confondre l’IA prédictive, traditionnelle, exploitée notamment dans le domaine des prévisions commerciales, et l’IA générative plus puissante, mais qui présente des risques
Les années qui viennent vont voir – sans nul doute – une utilisation plus large et moins risquée de cette technologie.
L’IA et l’IA générative : mythe ou réalité ? Probablement un peu des deux pour l’instant.