5 conseils pour accélérer la mise en œuvre de l'IA de votre entreprise

Ce n'est pas une information privilégiée que de connaître le potentiel inégalé de la mise en œuvre de l'IA à l'échelle de l'entreprise. Même avec tous les progrès de ces dernières années, on a toujours l'impression que nous commençons seulement à voir ce que l'intelligence artificielle peut faire.

Il existe d'innombrables exemples d'entreprises dans des dizaines de secteurs utilisant l'IA pour diverses tâches et processus. Les algorithmes aident les entreprises à prédire le comportement des clients et les habitudes d'achat, à optimiser les chaînes d'approvisionnement, à personnaliser les expériences, à comprendre votre main - d'œuvre et même à vous aider à trouver Waldo .

Pour certaines entreprises, cependant, la mise en œuvre et l'accélération de la mise en œuvre à grande échelle sont une perspective intimidante. Beaucoup ont des inquiétudes concernant les fournisseurs, la capacité d'intégration, les coûts et les problèmes de confidentialité et de réglementation. Le jus vaut-il même la peine d'être pressé compte tenu de ces défis ?

Donc, si vous envisagez d'adopter davantage l'IA dans vos processus, ou si vous avez commencé la transition et que vous la trouvez frustrante ou fastidieuse, voici cinq façons d'atteindre vos objectifs plus rapidement.

Source : McKinsey & Compagnie

1) Parrainage exécutif sécurisé

Comme les exemples SaaS précédents, l'IA inaugure une nouvelle façon de faire les choses par rapport aux logiciels sur site. Mais avec le changement, vient le défi. Avoir l'adhésion de la C-suite est crucial pour le succès.

Plus les cadres supérieurs sont informés et engagés dans l'utilisation de l'IA, meilleures sont les chances d'adoption à l'échelle de l'entreprise. « Un leadership exécutif fort va de pair avec une adoption plus forte de l'IA.

Selon cette étude du McKinsey Global Institute, les répondants des entreprises qui ont déployé avec succès une technologie d'IA à grande échelle ont tendance à évaluer le support de la suite C près de deux fois plus élevé que ceux des entreprises qui n'ont pas adopté la technologie d'IA .

S'il n'y a pas de chef d'entreprise positionné pour prendre la tête de votre transition IA, vous êtes déjà mal parti. Assurez-vous que les personnes occupant des postes de direction sont chargées des différentes facettes d'un programme d'intégration de l'IA.

Chaque étape doit également être dotée du personnel approprié pour conduire le processus, sans avoir peur de changer la gestion au cours d'une campagne pour réussir.

Planifiez une téléconférence hebdomadaire avec les principales parties prenantes pour vous assurer que les rôles sont constamment affinés et que tout le monde est tenu au courant de l'état d'adoption.

Il convient également de souligner qu'en tant que responsable de cette campagne, vous devez être en mesure de dicter les ressources, les investissements et la stratégie globale dans l'ensemble de l'organisation. Cela comprend l'engagement actif de ceux qui vous entourent pour une assistance en matière de stratégie d'IA, de ressources humaines et informatiques et d'adoption culturelle.

Cela aiderait si vous faisiez de l'adoption culturelle une priorité en tenant les dirigeants de l'organisation responsables de l'exécution des révisions nécessaires pour poursuivre la transformation. C-suite doit lever les barrières et les obstacles, tant techniques que culturels, pour augmenter vos chances de réussite.

Une fois que C-suite est aligné sur vos objectifs, vous devez déterminer comment vous souhaitez gérer et contrôler le budget. C'est particulièrement vrai si votre paysage actuel est composé d'analyses internes ou d'efforts d'IA concurrents.

Enfin, n'oubliez pas de célébrer et de communiquer les progrès à votre organisation. Cela permet de renforcer l'engagement des dirigeants et d'obtenir un soutien à la transformation.

Source : McKinsey & Compagnie

2) Définir la gestion et la gouvernance des données

Un logiciel de « libre-service » et de collaboration en équipe plus intelligent et plus accessible entraîne une augmentation des données, des sources de données et des attentes des utilisateurs finaux.

En conséquence, la demande d'une bonne gouvernance des données devient essentielle. Sans cela, les données se trouvent sans but dans un lac de données ou un entrepôt. Regardez les choses de cette façon, plus de données sans restriction peuvent donner plus de liberté aux entreprises.

Cependant, au niveau de l'entreprise, cela peut signifier des étapes manquées, des résultats inefficaces et des oublis. Une analyse plus rapide peut devenir un problème avant de devenir une solution.

Il est essentiel de résoudre ce problème avec le soutien des dirigeants. Cela signifie des ressources définies pour gérer et améliorer la collecte, l'efficacité et l'utilisation des données dans toutes les fonctions vitales.

L'équipe de gouvernance des données doit, en outre, définir et superviser les politiques, les normes et les définitions des données et gérer la qualité des données.

N'oubliez pas que toutes les données ne sont pas égales. Définissez ce qui nécessite un contrôle exécutif et quelles données peuvent être rendues publiques pour être utilisées.

Compte tenu de la disponibilité actuelle d' outils d' analyse et de visualisation plus conviviaux , dans quelle mesure le « libre-service » peut-il être autorisé pour créer de meilleurs modèles prédictifs ou différentes manières de créer de nouveaux processus métier ? Qui peut définir ces ensembles de données et cas d'utilisation ?

Ce sont des aspects essentiels à considérer, car il y a un équilibre qui doit être trouvé entre être rigide et protecteur et être flexible. Ceci, encore une fois, souligne l'importance d'un modèle de gouvernance des données utile.

Trop de contrôle peut signifier des processus lents, un manque de réponse, des formalités administratives, le besoin de choses telles que la vérification des e-mails et l'utilisation manifeste de solutions informatiques dirigées par l'entreprise.

Trop de flexibilité peut signifier différentes versions de la vérité, entraînant une absence de propriété ou de responsabilité réelle, des conflits et une réduction de la productivité.

Source : KPMG  

Lorsque vous prenez des décisions concernant l'IA, un processus de gouvernance des données vous permet de mettre en œuvre et de gérer lesdites décisions. Y compris qui peut accéder à quoi, combien d'accès et ce que cet accès implique.

3) Adoptez une approche de réflexion et de test par opposition au succès ou à l'échec

Toutes les adoptions d'IA sont uniques et présentent leurs propres défis. Et donc, vous devez commencer toutes les introductions à l'IA par une méthode « tester et affiner » par opposition à une approche « réussite ou échec ».

Classiquement, les méthodes analytiques déduisent une relation définie entre les variables. Tester une hypothèse unilatérale la validera ou la rejettera, mais ne découvrira pas le lien caché entre les variables ; le pourquoi .

Il est essentiel de créer des hypothèses pour chaque étape, puis d'utiliser ces apprentissages et expériences pour les suivantes. Cela signifie affiner et organiser votre déploiement d'IA jusqu'à ce qu'il ressemble à une solution viable qui fournit des résultats significatifs est un processus beaucoup plus facile.

Et, bien que cette approche prolonge inévitablement les délais de déploiement, elle vous permet également d'affiner le résultat pour intégrer les enseignements tirés de la vie réelle.

Si vous intégrez l' IA dans un service client informatisé comme des chatbots automatisés, il est vital que peu importe où le client va, une réponse l'attend. Ça ne peut pas marcher jusqu'à un certain point, il faut des absolus. Les solutions ultimes s'aligneront ensuite sur les besoins des employés et des utilisateurs finaux.

Source : PWC

4) Consacrez du temps à la gestion du changement et à la formation

Le déploiement d'une API AI pour ingérer un nouvel ensemble de données est simple. Cependant, modifier la gestion et la formation des analystes qui utiliseront ces processus à l'avenir est un défi.

La plupart des formes d'IA créent des décisions automatisées - "oui" ou "non". Cependant, il arrive souvent que l'intégration d'algorithmes ML puisse également permettre des réponses plus subtiles. Ces réponses peuvent être utilisées conjointement avec des processus existants pour obtenir les meilleurs résultats.

Par exemple, si les notes d'une décision d'IA disent, une demande de prêt sur une échelle d'adéquation de 1 à 10, les notes de 7 à 10 peuvent donner un oui automatique.

Cependant, tout ce qui est inférieur nécessitera toujours une intervention humaine pour accepter ou refuser la demande. Si vous intégrez l'IA pour analyser les commandes vocales dans un centre d'appels via les communications VoIP , comment peut-elle distinguer les commandes plus profondément que simplement « l'option 1 ou l'option 2 » ?

Tout comme vous passeriez du temps à former les employés à l'utilisation d'un processus spécifique, il en va de même pour les résultats basés sur l'IA.

Les employés humains peuvent avoir besoin de passer quelques semaines à analyser les résultats provenant des algorithmes d'IA. Cela leur donnerait un cadre de référence sur la meilleure façon d'interpréter les scores.

Si vous utilisez un fournisseur d'IA, il peut vous expliquer comment comprendre les résultats et comment les employés peuvent tirer le meilleur parti du nouveau système. Sinon, apprendre à créer une plate - forme d'apprentissage en ligne pourrait être un investissement rentable pour mettre les membres de l'équipe à niveau.

L'IA n'est pas « magique ». C'est juste un moyen de comprendre les modèles et les comportements pour fournir des résultats plus précis et faire des prédictions. L'IA ne fonctionne que lorsqu'elle a un problème défini à résoudre et les bonnes mesures pour réussir. Si vous n'avez pas clairement défini le problème pour lequel vous avez acheté l'IA, vous n'obtiendrez pas la bonne solution.

Source : Harvard Business Review

5) Consolider et assimiler l'automatisation

Au fur et à mesure que vous accélérez l'adoption de l'IA à l'échelle de l'entreprise, l'apparence de ces processus à l'avenir changera avec l'introduction d'une multitude de types d'automatisation. Des processus manuels complets jusqu'à l'adoption de la RPA, en passant par des protocoles d'IA encore plus avancés.

Il est préférable de simplement (et je sais que c'est un grand juste) réinventer les processus métier à partir de zéro avec l'IA à l'esprit. Vous pouvez ensuite appliquer le meilleur outil pour le travail à n'importe quelle étape donnée.

Le simple fait d'insérer la RPA ou l'IA dans des processus établis peut vous faire perdre tout son potentiel. Vous devez également prendre en compte les transferts qui doivent se produire au fur et à mesure de votre intégration.

Cela inclut l'apprentissage homme-machine ou machine-machine. En rationalisant les transferts et en les rendant plus fluides et plus fiables, vous pouvez encore améliorer vos futurs processus pour qu'ils soient rentables, compétitifs et agiles.

Source : Harvard Business Review

La mise en œuvre de l'IA peut être accélérée. Cependant, il ne s'agit pas nécessairement d'être plus intelligent ; il s'agit de faire les bons choix. Il est vital d'avoir l'adhésion de la direction combinée à une équipe de gouvernance des données définie.

Comme devenir obsédé par la qualité des données, consacrer suffisamment de temps à la gestion du changement et avoir une approche de test sans attentes définies.

Si vous trouvez que votre projet d'IA prend trop de temps, soyez patient. Comme pour tout type de transformation numérique, au moment où vous approchez de la ligne d'arrivée, vous rencontrerez probablement un autre obstacle. Surmontez-le, cependant, et les possibilités sont illimitées.

John Allen est le directeur du référencement mondial chez RingCentral, un fournisseur mondial de solutions UCaaS, VoIP et de vidéoconférence. Il a plus de 14 ans d'expérience et une vaste expérience dans la création et l'optimisation de programmes de marketing numérique. Il a écrit pour des sites Web tels que Hubspot et BambooHR.