De fait, l'IA est probablement la plus grande révolution technologique depuis un siècle.

En moins de 25 ans, les entreprises ont vu leur environnement totalement chamboulé. Il suffit de rappeler que depuis l'an 2000, la transformation digitale a poussé plus de la moitié des entreprises classées au Fortune 500 à mettre la clé sous la porte, « disruptée » par de nouveaux « business model » et de nouveaux entrants. Aujourd'hui, c'est au tour de l'IA d'amplifier encore ce mouvement.

En effet, l’IA affecte potentiellement tous les secteurs de l’économie et tous les métiers entraînant ainsi une mutation économique irréversible. Ces changements impactent toute la société avec des effets induits dont nous percevons déjà les conséquences dans de multiples domaines.

Si l'IA a pu émerger comme force motrice, c'est par les effets combinés de plusieurs facteurs : l’internet haut débit, la chute vertigineuse des coûts de calcul et de stockage. Cette accessibilité aux ressources nécessaires réduit les barrières à l'entrée pour la mise en œuvre de l’IA pour les entreprises dans de nombreux secteurs.

Ainsi de nouveaux entrants dits « data driven », sont apparus sur le marché et ont balayé nombre d’entreprises traditionnelles. Ces « disrupteurs » sont nativement agiles et leurs coûts de fonctionnement d’autant plus réduits qu’ils n’ont pas à composer avec la transformation digitale, en particulier de leur SI « legacy ».

Conséquence de ce mouvement, l’investissement dans l’IA n’a jamais été aussi important. La France est championne européenne des levées de fonds de l’intelligence artificielle, selon l’étude de France Digitale et Roland Berger, a doublé le montant de ses levées de fonds en 2019, passant de 567 millions d’euros à près de de 1,2 milliard. Ce mouvement a continué sur sa lancée et devrait dépasser 2 milliards en 2021 (sur un total de plus de 5 milliards). Un classement qui s'explique notamment par son excellence scientifique, ses références mondiales et son riche écosystème de startups de l’IA.

Du côté du gouvernement, l’investissement est aussi très conséquent, avec plus de 1,5 Milliards d’euros, directement via des prêts et subventions, des appels à projets ou des prises de participation mais aussi via le Crédit Impôt Recherche. Sans oublier, la priorité mise sur la transformation de l’État et l’intégration de l’IA dans tous les domaines de l’action publique, tant dans une perspective de transformation digitale que par souci d’exemplarité.

L’IA c’est quoi au juste ?

Aucune définition de « l'intelligence artificielle » ne fait encore consensus. Pourquoi ? En vérité parce que l'IA, n'est pas une technologie mais plutôt un ensemble de technologies qui permettent de réaliser des activités simulant le comportement humain.

Ces technologies sont composées de compétences, d’infrastructures Hardware (ordinateurs) et Software (bases de données) permettant le calcul et l’hébergement des données, ainsi que des algorithmes qui vont simuler les comportements humains ciblés.

Maintenant se pose la question des principales tâches que l'IA doit permettre d’effectuer.

On pourrait classifier ces tâches en 4 catégories :

• Tâches d’apprentissage : Optimisation des performances, maintenance prédictive
• Tâches d’acquisition de données : captation des données, internes ou externes et traitement du texte, de la voix, du son, du signal, de l’image et d’autres données
• Tâches de compréhension : Analyse des données collectées pour en tirer des informations exploitables
• Tâches d’actions : lancer des actions à partir des informations obtenues 

Tâches d’apprentissages et Machine Learning

Le Machine Learning est ce qui donne de la valeur aux données et permet de faire décoller les projets Big Data des entreprises. Le Machine Learning désigne une technique informatique qui permet d’obtenir des prédictions à partir de données brutes. Cette définition peut paraître floue et mystérieuse, mais loin de la magie, il y a derrière cette technique de puissants outils statistiques. Leur explication permet alors d’en comprendre tout l’intérêt ainsi que la manière de le mettre en œuvre dans le contexte de chaque entreprise.

Sa capacité à apprendre à partir de données brutes est à la base de l’apparition et du développement des usages de l'IA. Des solutions prédictives qui calculent la probabilité des événements, au traitement automatique du langage naturel capable de comprendre texte et parole, à la vision assistée par ordinateur, qui peut comprendre les éléments visuels avec une précision extraordinaire... Tout ceci est possible grâce au Machine Learning.

Bien sûr, il faut pouvoir disposer de ces fameuses données brutes en nombre et en qualité exploitable.

Les DSI doivent donc pouvoir garantir à l’entreprise que les données traitées répondent aux exigences définies par le CobiT¹: efficacité, efficience, confidentialité, intégrité, disponibilité, conformité et fiabilité. Ces données sont un capital dont la volumétrie ne va pas cesser de croître (Cf. tableau ci-dessous), notamment avec le développement continu de l’IoT (Internet of Things). Ceci implique l’acquisition de compétences nouvelles en matière de réseaux, d’outils de traitement et de connaissance des méthodes de mise en place de modèles de calculs (data sciences & analytics).

Dans ce contexte il est donc nécessaire d’établir un cadre d’organisation permettant d’établir la stratégie, les objectifs et les politiques permettant de gérer efficacement les données de l’entreprise. Faute d’établir ce cadre, de nombreuses entreprises ont vu leur projet de développement ou d’amélioration de leur compétitivité remis en cause d’une part par leurs salariés, désorientés par l’inefficacité des mesures mises en place et ne contribuant pas au système, et/ou sanctionnées et d’autre part, par leurs clients mécontents de la qualité ou de la performance du service apporté.

L'un des avantages stratégiques du Machine Learning par rapport à l’approche statistique est sa tolérance, sous certaines conditions, aux données de mauvaise qualité (données contenant des doublons, champs mal analysés, ou informations incomplètes, incorrectes ou obsolètes, documents mal scannés, photos floues…). Autant de problèmes non négligeables pour les entreprises : la gestion des données de mauvaise qualité représente un coût colossal pour les entreprises et un frein à une stratégie Data-Driven.

Or, le Machine Learning, avec sa flexibilité et sa capacité à apprendre et à s'améliorer au fil du temps, est moins pénalisé par les données de mauvaise qualité que ses alternatives. Il permet aussi une parfaite évolutivité de la technologie et des algorithmes, un avantage plus que jamais appréciable à l'heure où les volumes de données explosent.

85 % des interactions clients seront gérées sans aucune intervention humaine !

L’industrialisation de l’IA est interdisciplinaire en termes d’organisation des ressources internes pour produire de la donnée de qualité, matérielles (infrastructures d’hébergement), et logicielles, Data sciences et algorithmie et ingénierie (configuration de l’infrastructures/API) / UX-visualisation). La partie la plus délicate à mettre en œuvre, mais essentielle, est la mobilisation des ressources internes de l’entreprise, qui, pour être gouvernée par la donnée doit se doter d’une culture data et des processus et indicateurs liés (Cf. encadré ci-dessus sur la gouvernance).

C’est en effet fondamental, car, d’après Gartner, d’ici 2025, plus de 85 % des interactions clients seront gérées sans aucune intervention humaine.

IA et robotisation ?

Enfin l’IA et la robotisation. Quand on parle d'intelligence artificielle, une des applications qui peut venir à l'esprit, est l’industrialisation de processus métier, par des robots. L'IA peut en effet faire référence à l'automatisation des processus de fabrication ou de services grâce à des robots mécaniques, par exemple : automates industriels dans les chaînes de montage ou les centres de traitement de déchets ou le tri est automatisé).

Elle peut aussi désigner (et ce de manière de plus en plus fréquente), l'automatisation de processus administratifs ou de services comme la saisie d’information provenant d’une source X dans un système Y, et faisant pour cela appel à la RPA (« Robotic Process Automation », ou automatisation robotisée des processus). On fait souvent appel à la RPA pour extraire de manière automatique des données provenant d’un système ancien ne pouvant être connecté via une API sur un ERP ou un SI métier, par exemple.

Cependant la RPA étant conçue pour des processus qui ne varient jamais, elle ne requiert pas à proprement parler « d'intelligence ». Pour reprendre notre exemple, si un processus métier implique qu'un salarié transfère manuellement des données d’un système à un autre, la RPA peut facilement automatiser ce processus via une simulation de frappe clavier.

Cela dit, nombre de processus métier implique des modifications de processus, par exemple en fonction de la nature de la donnée (qu’il faut alors reconnaître) ou même de prendre en compte des données non structurées, en particulier provenant d’images. Ce nouveau champ de la RPA, dit cognitif emprunte les techniques de l'IA. Celles-ci permettent l'automatisation des processus comportant des variations, ce qui élargit considérablement les possibilités de la RPA.

Dans notre exemple, il peut s'agir d'exploiter le Machine Learning pour entraîner une machine à reconnaître les photos transférées. Ces techniques associées vont bien plus loin que la simple réduction des coûts. Elles ne font que peu ou pas d’erreur, sont disponibles 24h/24 et 7j/7, et s’adaptent à n’importe quelle cadence.

L’IA dans les processus documentaires et multicanaux

Beaucoup d’entreprises ont à gérer un, plusieurs ou de nombreux processus documentaires.

La liste des processus possibles est quasi infinie, c’est pourquoi il convient d’utiliser des ERP paramétrables pouvant s’adapter à toutes les configurations ou encore à développer des solutions web sur mesure qui s’adapteront parfaitement au(x) processus cible. Dans le second choix, il convient d’être très bien accompagné et de disposer de toute l’expertise nécessaire pour la phase de conception.

L’IA dédiée aux processus documentaires apporte de la valeur dans de multiples cas :

• Classification automatique des documents (ou des textes)
• Lecture et saisie automatique des informations
• Extraction des entités nommées, du sens, du sentiment

Ici on voit déjà des applications possibles pour le traitement, comme :

• Gérer toutes les étapes d’un processus commande livraison (impliquant des réceptions séquencées d’informations et de documents dont les informations doivent être lues et croisées)
• Classifier automatiquement les commentaires clients d’un site marchand
• Pouvoir traiter des emails de manière prioritaire ou automatique
• Offrir des services d’archivage automatique et de recherche en langage naturel
• Permettre la migration automatique des modèles en cas de changement de solutions de CCM² 

Conclusion

Reste à savoir quelle approche adopter pour vous lancer et donner le coup d'envoi ou d’accélérateur. Car si vous adoptez la bonne approche, vos traitements documentaires augmentés par l’IA deviendront non seulement une source d’économie mais apporterons une nouvelle agilité et une efficacité renforcée à votre entreprise.

Avant toute chose, il convient de comprendre les possibilités qu'offre ces ERP documentaires augmentés. Si vous subdivisez vos réflexions en trois catégories, vous aurez sans aucun doute une meilleure vision du chemin à emprunter.

Ainsi, il est possible d’appréhender la façon dont :
· Vous allez utiliser l'IA pour faire passer l'automatisation de vos processus à la vitesse supérieure
· Vous pouvez développer et enrichir vos activités et vos méthodes de travail
· L'innovation que représente l'IA peut se diffuser dans votre entreprise et au-delà.

Regardez aussi les acteurs les plus performants dans votre environnement. Ils ont certainement déjà misé sur l'IA pour augmenter leur efficacité. Certes, l'IA n’est pas encore partout. Cependant, avec l'accélération fulgurante des technologies sous-jacentes, il y a des choses remarquables qui sont déjà faites avec l’IA pour des applications métiers dans tous les secteurs d’activité.

La montée en puissance de l'IA dans la gestion des interactions clients et fournissuers est inéluctable, les données et les tâches qu'elle va gérer seront de plus en plus variées et complexes. Selon Gartner, 80 % des dirigeants d'entreprise affirment qu'ils mettrons en œuvre directement, ou indirectement via l’utilisation de solutions, qui en contiennent, de l’IA dans les 3 ans.

Au final, le message est clair : l’IA est là, elle vous attend et vous n’avez pas fini d’en entendre parler !

Par Charles-Eric de la Chapelle, Fondateur et CEO de Myriad Data

¹ CobiT : pour « Control Objectives for Information and related Technology », ou « objectifs de contrôle de l'information et des technologies associées » en français, est un référentiel de bonnes pratiques d'audit informatique et de gouvernance des systèmes d'information d'origine américaine. Au fil des versions successives, il tend à devenir un outil fédérateur de gouvernance des systèmes d'information en intégrant progressivement les apports d'autres référentiels tels que ISO 9000, ITIL, etc.

² CCM : Customer Communication Management, désigne le processus et les outils associés qui permettent d’optimiser le traitement des documents de l’entreprise, et en particulier les courriers clients, depuis les étapes de la création jusqu’à leur distribution