Modèles opérationnels pour l'IA d'entreprise

À mesure que l'IA s'intègre aux processus métier de base, les discussions des dirigeants s'orientent vers la durabilité. Pour les responsables techniques, la question n'est plus de savoir si l'IA peut apporter de la valeur, mais si l'organisation est structurée pour la soutenir sur le long terme.

Je me suis entretenu avec Dael Williamson, directeur de la technologie pour la zone EMEA, afin d'explorer ce qui distingue réellement les entreprises qui prennent l'IA au sérieux de celles qui se contentent de faire de l'expérimentation.

Il en est ressorti une vision du modèle opérationnel de l'IA d'entreprise, mettant en évidence les domaines où la structure et la propriété sont plus importantes que les choix de Technologie.

Les signaux qui indiquent qu'une organisation prend l'IA au sérieux

Catherine Brown : Lorsque vous entrez dans une organisation qui investit sérieusement dans l'IA, que recherchez-vous en premier dans ses choix de modèle opérationnel et de plateforme ?

Dael Williamson : La plupart des organisations reconnaissent aujourd'hui que l'IA est une réalité et qu'elle est importante. Ce qui varie, c'est la clarté avec laquelle cet engagement se manifeste dans le modèle opérationnel.

La première chose que je regarde, c'est la propriété. Qui possède les données et qui possède l'IA, et à quel point cette propriété est proche du PDG. Si la gestion des données et de l'IA relève directement du PDG ou de ses proches collaborateurs, cela témoigne d'un niveau élevé d'importance stratégique. Le plus souvent, la propriété se situe à plusieurs niveaux inférieurs, et dans de nombreux cas, les données et l'IA appartiennent à des groupes entièrement différents.

Lorsque l'IA est structurellement éloignée des données, on obtient généralement des cas d'utilisation statiques et des expériences fragmentées. Mais le monde dans lequel les organisations opèrent est dynamique. Le trafic évolue. Les marchés évoluent. Les chaînes d'approvisionnement fluctuent. Si les données et l'IA sont séparées, il devient très difficile de répondre à cette réalité en temps réel.

La deuxième chose que je recherche est de savoir si l'organisation dispose d'un inventaire de ses actifs de données. Alors que les actifs financiers et physiques sont bien documentés, de nombreuses organisations perfectionnent encore la manière dont elles cataloguent et comprennent les actifs de données. Dans de nombreux cas, les organisations ne savent pas exactement quelles données elles possèdent, où elles se trouvent, ni quelle pourrait être leur valeur.

Le troisième signal est l'ampleur que l'organisation donne à sa définition des données. Beaucoup considèrent encore les données principalement comme des tableaux structurés ou des logs. Mais les images, les e-mails, les outils de collaboration (documents, feuilles de calcul) et le code contiennent tous de riches informations opérationnelles. Les organisations qui élargissent leur définition des données ont tendance à générer bien plus de valeur au fil du temps.

Pourquoi la proximité entre les données et l'IA est importante

Catherine : Une grande partie de ce que vous avez décrit revient à la manière dont les données et l'IA sont étroitement liées. Pourquoi cette proximité est-elle si importante en pratique ?

Dael : Lorsque les données et l'IA fonctionnent sur la même base, les organisations peuvent prendre en charge des cas d'utilisation plus dynamiques. Lorsqu'elles sont séparées, l'IA a tendance à s'appuyer sur des entrées plus lentes et plus statiques.

Les outils de gouvernance et de catalogue traditionnels sont très efficaces pour gérer les données structurées, mais ils peinent à gérer les sources non structurées qui évoluent rapidement. C'est l'une des raisons pour lesquelles il est difficile d'étendre le champ d'application de la gouvernance des données et pour lesquelles les inventaires de données complets sont encore rares.

Si vous essayez de résoudre des problèmes tels que la modélisation des liquidités, le risque de crédit ou la résilience de la chaîne d'approvisionnement, vous avez besoin d'une IA qui travaille directement avec des données à jour et continuellement actualisées. Sinon, la prise de décision est toujours retardée et les insights arrivent après le moment où ils sont le plus utiles.

Catherine : Comment les entreprises leaders structurent-elles la relation entre les équipes centrales et les métiers ?

Dael : Le responsable des données et de l'IA doit siéger à la table des dirigeants, et il doit avoir une connaissance approfondie de la manière dont ces systèmes fonctionnent réellement. L'IA se comporte différemment des solutions traditionnelles, et les organisations en bénéficient lorsque leur direction tient compte de cette réalité.

En matière d'outils, les entreprises de premier plan résistent à la tentation de s'appuyer exclusivement sur les fonctionnalités d'IA intégrées dans des dizaines d'outils SaaS. Bien que ces outils puissent améliorer la productivité individuelle, ils aident rarement les équipes à travailler de manière cohérente entre les différentes fonctions. Avec le temps, cette approche a tendance à renforcer les incohérences existantes dans les définitions, les métriques et les processus.

Parallèlement, ces organisations repensent l'équation développer/acheter. Elles ne cherchent pas à tout développer en interne, mais elles évitent également une dépendance excessive. La portabilité, la transparence et le contrôle des données et des actifs d'IA sont de plus en plus importants.

Les organisations qui réussissent gèrent également les initiatives d'IA comme un portefeuille. Tous les projets ne réussissent pas. Certains doivent être mis en pause. D'autres nécessitent un investissement supplémentaire. Considérer l'IA comme un portefeuille de paris, plutôt que comme une feuille de route linéaire, permet aux organisations de s'adapter à mesure que la technologie et les conditions commerciales évoluent.

À quoi ressemblera le modèle d'exploitation de l'IA d'entreprise dans trois ans

Catherine : À l'avenir, comment pensez-vous que les modèles opérationnels de l'IA en entreprise évolueront au cours des trois prochaines années ?

Dael : La plupart des organisations seront encore à un stade de transformation, mais l'un des changements les plus importants sera la réduction de l'écart traditionnel entre l'IT et le secteur commercial. Les équipes commerciales deviendront plus compétentes sur le plan technique, et les équipes techniques seront plus étroitement alignées sur les résultats commerciaux. Ce changement est déjà en cours, et il se poursuivra.

Par conséquent, la taille et la forme des organisations IT sont susceptibles de changer. Historiquement, l'IT s'est concentrée sur la gestion des risques, la gouvernance et la complexité opérationnelle. L'IA est de plus en plus efficace dans ces domaines, en particulier dans la cybersécurité, le support informatique et la conformité.

Lorsque les organisations réduisent également la complexité de leurs anciens systèmes et s'éloignent des écosystèmes de fournisseurs cloisonnés, les modèles opérationnels commencent à changer plus fondamentalement. Les équipes sont moins définies par les systèmes qu'elles utilisent et davantage par les résultats qu'elles obtiennent.

Avec le temps, cela peut conduire à des organisations plus agiles ou à la création d'unités entièrement nouvelles axées sur de nouvelles formes de création de valeur. La manière exacte dont cela se déroulera différera d'une entreprise à l'autre.

L'évolution des compétences et des rôles dans une entreprise pilotée par l'IA

Catherine : Ce type de changement de modèle opérationnel a des implications majeures pour les talents. Pour notre dernière question, comment voyez-vous les compétences et les rôles évoluer ?

Dael : De nombreuses organisations informatiques continueront de se réduire, en grande partie parce qu'une grande partie de la technologie d'entreprise est encore basée sur des systèmes vieux de plusieurs décennies qui sont coûteux à maintenir. En même temps, le cycle de vie du développement logiciel évolue. Les tâches qui demandaient autrefois le plus d'efforts, telles que le codage manuel, sont de plus en plus assistées par l'IA. Plus de temps est désormais consacré à l'évaluation, aux tests comportementaux, aux garde-fous et au monitoring continu.

Ce changement rapproche les équipes commerciales et techniques. Les équipes commerciales sont davantage impliquées dans la définition et la validation du comportement. Les équipes techniques se concentrent davantage sur les résultats, la fiabilité et la gouvernance. De nouveaux rôles apparaissent autour de l'observabilité, de l'orchestration et de la supervision des systèmes. Ces rôles associent souvent des compétences techniques, opérationnelles et organisationnelles, et ne sont pas toujours issus de parcours de Data Engineering traditionnels.

Le management lui-même évolue également. À mesure que l'IA prend en charge davantage de tâches administratives, le management se recentre sur l'analyse, le jugement et l'amélioration du déroulement du travail. L'esprit critique devient essentiel. Les personnes qui sont à l'aise avec l'expérimentation, l'apprentissage et l'adaptation réussiront. Et les esprits analytiques et scientifiques auront de plus en plus de valeur à mesure que les organisations traverseront cette transition.

Conclusion

La préparation à l'IA en entreprise est en fin de compte une décision de modèle opérationnel. Les dirigeants qui réalisent des progrès durables ont une responsabilité des dirigeants claire pour les données et l'IA, traitent les données comme un asset connu et gouverné, et s'assurent que l'IA travaille directement avec des données à jour et partagées plutôt que par des transferts fragmentés. Ils gèrent les initiatives d'IA comme un portefeuille, et non comme un pipeline, en décidant avec discipline où investir, marquer une pause ou arrêter. Et ils organisent les équipes autour de l'évaluation, de la supervision et des résultats plutôt qu'autour des outils ou des projets. Les organisations qui réussiront ne seront pas celles qui prédiront l'avenir de l'IA avec le plus de précision, mais celles qui sont conçues pour s'adapter à mesure qu'elle évolue.

Pour en savoir plus sur la création d'un modèle opérationnel efficace, téléchargez le modèle de maturité Databricks AI.

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