L'IA n'évolue pas tant que vous n'arrêtez pas de l'appeler innovation

La plupart des entreprises disposent d'une équipe dédiée à l'IA. Moins nombreuses sont celles qui ont une IA pleinement opérationnelle. L'écart entre l'expérimentation et le déploiement au niveau de l'entreprise est l'endroit où la plupart des organisations stagnent, passant par des preuves de concept qui n'atteignent jamais le client. Le changement en cours concerne la discipline opérationnelle pour livrer l'IA en tant que produit.

Philippe Rambach est le Chief AI Officer chez Schneider Electric, un leader mondial de la gestion de l'énergie et de l'automatisation industrielle. Les deux activités principales de l'entreprise, la technologie pour la gestion de l'énergie et l'automatisation des opérations industrielles, visent à aider les clients à être plus efficaces en utilisant moins de ressources et d'énergie à faible émission de carbone dans les bâtiments, les usines, les maisons, les centres de données, le réseau électrique, etc.

Schneider Electric utilise Databricks comme plateforme clé au sein de son écosystème de données et d'IA plus large, en appliquant les capacités unifiées de données et d'IA de Databricks pour ingérer et traiter de grands volumes de télémétrie industrielle, alimenter le machine learning à grande échelle dans des environnements multi-cloud, et permettre l'accès aux données en langage naturel via Databricks Genie. Philippe a bâti l'organisation IA de l'entreprise à partir de zéro. Son équipe de 400 personnes est répartie à parts égales entre l'intégration de l'intelligence dans les produits destinés aux clients et l'amélioration des opérations internes à grande échelle.

Du point de vue de Philippe, les entreprises qui déploient avec succès l'IA à grande échelle sont celles qui appliquent la même rigueur de développement produit qu'elles appliqueraient à toute autre capacité qu'elles livrent, avec des revues de validation, une gestion de portefeuille et des équipes responsables de la production.

Ce que signifie réellement « AI-native »

Aly McGue : À mesure que de plus en plus d'organisations intègrent l'IA dans leurs produits, la frontière entre une véritable application « AI-native » et un produit traditionnel avec une intelligence ajoutée peut devenir floue. Comment percevez-vous cette distinction ?

Philippe Rambach : Le point clé est que lorsque l'IA est native, elle fait entièrement partie de la proposition de valeur de l'application. Sans l'IA, le produit n'a pas de valeur ou perd la majeure partie de sa valeur. Nous ne construisons pas quelque chose en plus de l'application. C'est au cœur de ce que la solution offre.

Les besoins de nos clients n'ont pas vraiment changé avec l'IA. Ils veulent toujours des résultats : une meilleure disponibilité, une meilleure efficacité énergétique, des coûts énergétiques plus bas et une meilleure résilience. Vous pourriez aller voir notre parc installé et dire : « Vous devriez acheter ceci parce que c'est nouveau », et ils ne seraient pas très enthousiastes. Le véritable changement est le passage de l'ajout à l'« AI-native », de « c'est super excitant » à la fourniture de valeur fondamentale : aider les clients à fonctionner avec moins d'énergie, une énergie moins chère et une énergie plus décarbonée. Cela doit être au cœur de la solution, pas à côté.

Construire pour l'échelle, pas pour la preuve de concept

Aly : Vous avez décrit l'« AI-native » comme étant au cœur de la valeur du produit. Qu'a-t-il fallu, sur le plan organisationnel, pour rendre cela réel en termes de personnes, de processus et de plateformes ?

Philippe : Sur le plan humain, il faut fusionner les connaissances du domaine avec les connaissances en IA. Une équipe IA seule construira des choses très sophistiquées qui ont l'air très bien, ce que j'appelle des « objets brillants », mais pas nécessairement des choses qui aident vraiment les clients. Nous avons donc créé un modèle « hub-and-spoke ».

Chaque solution commence par une étude de cas gérée par la ligne métier. Ensuite, nous formons une équipe Scrum au sens agile pur avec toutes les ressources nécessaires pour déployer à grande échelle : experts en IA, personnes en contact avec les clients, intégration informatique, développeurs de logiciels de l'entreprise, formation des ventes, tarification, etc. L'équipe ne s'arrête pas lorsqu'elle a prouvé la faisabilité technique ou livré une preuve de concept. Elle s'arrête lorsque la solution est en production et passe en phase de support.

Sur le plan de la plateforme, si vous voulez vraiment être « AI-native » à pleine vitesse dans une entreprise comme la nôtre, vous ne pouvez pas avoir des milliers de solutions techniques différentes. Nous avons mis en place une équipe pour définir et maintenir un ensemble unique de technologies de base dans toute l'entreprise. À tout moment, il existe une plateforme. Databricks y joue un rôle clé. Elle gère l'infrastructure, les données et le flux de données, afin que nous puissions passer plus de temps sur la logique métier et le problème à résoudre plutôt que sur les difficultés techniques de bas niveau.

Ma conviction profonde est que les entreprises devraient arrêter de considérer l'IA comme de l'innovation et commencer à la considérer comme du développement de produits. Je pense que c'est le changement le plus important. Nous avons un processus avec des revues de validation, comme pour tout produit, passant par l'idéation, l'exploration, l'incubation, l'industrialisation et l'exploitation. Entre chaque phase, mon homologue du côté commercial et moi décidons si c'est techniquement prêt, commercialement viable, et si le plan d'affaires tient avant de passer à l'étape suivante. Sur une base trimestrielle, nous révisons la feuille de route et le portefeuille complets. Nous traitons l'IA comme tout autre produit que nous livrons. C'est la différence.

Aligner les équipes autour de la valeur commerciale de l'IA

Aly : Avec autant d'éléments en mouvement, comment gardez-vous les équipes interfonctionnelles alignées depuis la première étude de cas jusqu'au déploiement en production ?

Philippe : Commencer par les cas d'utilisation et la valeur commerciale est la meilleure façon d'aligner les gens. Au lieu de débattre indéfiniment sur le meilleur fournisseur de technologie, nous partons des besoins du client. Dans une entreprise bien gérée, c'est ce qui motive les gens.

L'autre chose que je soulignerais est la structure de responsabilité. Dans de nombreuses entreprises que j'ai comparées, une équipe construit une preuve de concept, et une autre est censée l'industrialiser. Ces deux équipes ont des objectifs très différents, et elles finissent par être désalignées. Dans notre modèle, la même équipe est responsable de l'ensemble du parcours, de l'idéation au déploiement à grande échelle. Elle peut toujours construire une preuve de concept en cours de route, mais elle le fait en gardant à l'esprit l'objectif final. Dans d'autres organisations, un groupe peut se concentrer sur la démonstration de quelque chose d'amusant tandis qu'un autre optimise pour la scalabilité. Lorsqu'une seule équipe est responsable des deux, cette tension disparaît.

De la demande de données à la conversation avec elles

Aly : Databricks Genie offre aux utilisateurs non techniques une interface en langage naturel pour interroger directement les données. Quel changement observez-vous en interne ?

Philippe : L'un des principaux défis actuels, en particulier dans les solutions agentiques, est la manière d'accéder aux bonnes informations à partir de vos données lorsque ces données sont de plus en plus non structurées. Genie est très prometteur à cet égard. Il nous fait gagner du temps sur les activités de base communes à de nombreux clients, comme l'extraction de données d'une base de données en langage naturel.

En interne, Genie vient d'être lancé, donc c'est encore tôt. Mais l'enthousiasme est énorme. Les gens en ont marre de demander à quelqu'un d'effectuer une analyse et de recevoir une heure ou un jour plus tard quelque chose qui n'est pas tout à fait ce qu'ils voulaient. La capacité d'obtenir soi-même des données en langage naturel est une amélioration considérable de notre façon de travailler. Nous devons nous assurer d'obtenir suffisamment de précision, et nous travaillons en étroite collaboration avec Databricks à cet égard. Mais le potentiel d'adhésion est très fort.

Pourquoi les modèles seuls ne sont pas la solution

Aly : Lorsque tant de modèles puissants sont disponibles en externe, quel est l'argument en faveur de la construction d'applications « AI-native » sur vos propres données et infrastructure ?

Philippe : Nous utilisons absolument des modèles externes. Nous ne développons pas nos propres modèles de langage ; nous en utilisons beaucoup. Mais un modèle en soi n'est jamais une solution complète. Il a besoin de contexte, de garde-fous, d'interfaces utilisateur, parfois d'une combinaison d'IA analytique classique avec des grands modèles de langage, parfois de plusieurs LLM alimentant plusieurs agents prenant des décisions sur différentes bases. Nous construisons des systèmes multi-agents dans lesquels les agents entrent parfois en compétition plutôt qu'ils ne collaborent simplement.

Prenez notre EcoStruxure™ Microgrid Advisor, par exemple. Un client a quelques bâtiments, peut-être un campus universitaire, avec des panneaux solaires et une production éolienne. Nous ingérons toutes ces données de site à haute fréquence pour prévoir avec précision la production et la demande d'énergie. Ensuite, l'IA optimise toutes les 15 minutes sur les 48 heures à venir : vaut-il mieux utiliser l'énergie que vous produisez maintenant, la vendre au réseau, en acheter au réseau, ou la stocker pour demain ? Ce n'est pas un seul modèle. C'est la prévision, l'optimisation et la prise de décision en temps réel qui travaillent ensemble sur les données opérationnelles du client. Nous constatons une réduction allant jusqu'à 20 % des coûts énergétiques grâce à des solutions comme celle-ci.

Les modèles sont disponibles pour tout le monde. Ce qui n'est pas disponible pour tout le monde, c'est le fondement spécifique au domaine autour duquel vous les orchestrez. Vous avez besoin de tout.

Conseils pour les dirigeants qui débutent dans ce domaine

Aly : Pour les dirigeants qui en sont aux premières étapes de ce travail, quelles sont les leçons que vous aimeriez que davantage d'organisations intériorisent avant de déployer l'IA à grande échelle ?

Philippe : Premièrement, commencez par l'étude de cas, pas par la technologie. Ne partez pas de « il y a une nouvelle chose de tel ou tel fournisseur ». Commencez par ce que vous devez transformer et comment l'IA peut aider, afin de vous concentrer sur l'impact à grande échelle.

Deuxièmement, formez vos équipes. La transformation de l'IA ne se produira pas si les gens n'ont pas ce que j'appelle une relation adulte avec l'IA. Elle fait des choses merveilleuses, mais pas tout. Ce n'est pas aussi effrayant que certains le pensent. Vous devez éduquer vos équipes sur la façon de l'utiliser et sur ses limites.

Troisièmement, et probablement le plus provocateur : n'oubliez pas tout ce que vous savez déjà. Lorsque les gens commencent un projet d'IA, ils oublient que c'est d'abord un projet. Ils oublient que c'est d'abord une transformation. Notre entreprise a appris pendant des années à gérer le changement. Une grande partie d'un projet d'IA est exactement cela. Certaines parties nécessitent une réinvention, mais pas tout.

Pensées finales

Le choix le plus délibéré de Philippe est de refuser de traiter l'IA comme quelque chose de spécial. Non pas dans son potentiel, qui est énorme, mais dans la manière dont elle doit être gérée. Le modèle hub-and-spoke, les revues de validation, l'insistance sur une plateforme unique et la propriété d'équipe de bout en bout. Ce ne sont pas des stratégies d'IA. Ce sont des stratégies produit appliquées avec la même rigueur que Schneider Electric appliquerait à toute autre capacité livrée aux clients.

Pour les dirigeants qui gèrent encore l'IA comme une fonction d'innovation avec des équipes distinctes, des calendriers distincts et une comptabilité distincte, la provocation mérite d'être considérée. Les entreprises qui déploient l'IA à grande échelle ne sont pas celles qui ont les prototypes les plus créatifs. Ce sont celles qui ont arrêté de l'appeler innovation et ont commencé à la livrer en tant que produit.

Pour apprendre de plus de 25 leaders de l'industrie et définir votre voie vers l'opérationnalisation de l'IA, téléchargez « Making AI Deliver » par Economist Enterprise, soutenu par Databricks.

(Cet article de blog a été traduit à l'aide d'outils basés sur l'intelligence artificielle) Article original