Tribune

Un projet d’intelligence artificielle peut-il aboutir sans délivrer un retour sur investissement ?

Florian Laroumagne

Publié

le

Excelsior

Les enjeux autour de l’intelligence artificielle (IA) sont aujourd’hui extrêmement prégnants dans la plupart des secteurs d’activité (banque, finance, assurance, industrie, retail, média, santé, défense …) Les technologies sont disponibles sur le marché que ce soit dans le monde de l’open source ou dans celui des vendeurs de services ou de logiciels. Les puissances de calcul sont présentes dans votre système d’information ou dans le cloud et, si vous disposez de données (ce qui est plus que probable si vous utilisez des systèmes d’informatique décisionnel, des CRM ou encore des ERP), vous n’avez plus qu’à vous lancer à l’aventure de projets d’IA.

Attention, cette aventure n’est pas sans risques. Aujourd’hui, près de 80% des projets d’IA ne passent pas le stade de la production. C’est-à-dire qu’ils sont financés et conçus en chambre dans l’entreprise (souvent dans des data labs ou dans les entités data des départements IT), mais ne parviennent pas jusqu’à leur phase ultime : délivrer de la valeur ajoutée à l’utilisateur final qui est souvent le métier et ce, jour après jour. Les raisons de ces échecs sont nombreuses : barrière technologique à l’entrée, ressources qualifiées peu disponibles, mauvaise identification du cas d’usage, … Mais ce qui est sûr et qui s’applique également aux entreprises et équipes les plus matures, c’est qu’un projet d’intelligence artificielle incapable de délivrer un retour sur investissement significatif n’a que peu, voir pas de chance d’aboutir et je vais tenter de vous expliquer pourquoi.

Tout d’abord, il convient de définir la notion de retour sur investissement (ROI – « return on investment »). Le ROI d’un projet se mesure par la différence, ou bien le ratio, entre les gains apportés par ledit projet et ses coûts. Autant les coûts sont généralement faciles à estimer (achats de logiciels, de prestations intellectuelles, d’infrastructures IT et d’ETP consommés par les équipes internes que ce soit dans les phases de build du projet ou bien dans la conduite du changement dans les phases de run), autant les gains sont moins triviaux à définir. On peut penser en premier lieu à ce que l’entreprise va gagner, in fine, d’un point de vue purement financier. C’est effectivement une bonne question à se poser mais elle est clairement incomplète.

En effet, les gains apportés par les projets d’IA sont de natures multiples. Ils peuvent entre autres :

  • Être nature financière. La capacité des algorithmes d’IA à mieux cibler vos clients, à faire des campagnes marketing plus efficaces, à lutter contre la fraude ou encore à améliorer vos processus de production et de distribution ont généralement un impact immédiat sur les indicateurs financiers de l’entreprise (chiffre d’affaires, revenu net, …)
  • Augmenter drastiquement l’efficacité opérationnelle de vos équipes sur les sujets en lien avec le projet. En effet, dans la plupart des cas vous allez pouvoir déléguer aux algorithmes des décisions « évidentes » mais qui sont tout de même chronophages pour des humains. Ainsi, cela permettra de recentrer les experts métiers sur des décisions à challenge et à valeur ajoutée sur lesquelles les algorithmes ne seraient pas certain de la décision, ce qui a plus de valeur pour la société et les collaborateurs (et donc un meilleur ROI !)
  • Augmenter la satisfaction client. Par exemple, la mise en place d’un nouveau service ou d’un nouveau produit aura un impact positif sur votre clientèle. Ceci ne se traduit pas forcément par une augmentation des performances financières à proprement parler, mais peut avoir des impacts significatifs dans le volume d’échange avec vos clients (moins de sollicitations) ou encore un churn réduit à terme.
  • Être un argument de marketing ou de communication vis-à-vis du marché. Ce type d’initiative est généralement intéressante lorsque l’on souhaite recruter ou démontrer une appétence / une excellence dans un domaine particulier. Néanmoins les projets qui n’ont que ce type de gain ont généralement des ROIs peu élevés.

A cette lecture, il apparaît que certains impacts sont aisément mesurables, ce qui est le cas en particulier les gains financiers via des notions de surperformances « avant-après » ou via la mise en place de stratégies d’A/B testing. Cette dernière stratégie, excellente au passage, consiste à scinder votre processus en 2 sous processus :

  • Un sous-ensemble minoritaire de votre population (20 % par exemple) continuera d’être soumis à l’ancien processus
  • La population complémentaire (donc ici 80%) sera soumise au nouveau processus issu du projet d’IA

Avec cette méthode, le calcul exact de la surperformance est fiable, aisé à réaliser et tient compte de toutes les contraintes externes (ex : COVID ou autre effets externes majeurs). À l’inverse, certains gains sont nettement plus délicats à mesurer comme par exemple la satisfaction client (possible avec des sondages ou études de marché) mais sont surtout extrêmement difficiles à anticiper correctement en phase de cadrage de votre projet d’intelligence artificielle. Il convient donc de lister l’ensemble des gains possibles de manière réaliste et honnête afin d’éviter toute mauvaise surprise à terme et de mettre en place, pour chacun des gains potentiels, une stratégie de mesure de l’indicateur de performance associé (KPI – « key performance  ») sans quoi toute la réflexion autour du bien-fondé du cas d’usage serait caduque et conduirait à un échec probable. Par échec, j’entends l’incapacité à rendre le projet pérenne au-delà du classique serrage de main entre directeurs lors de la livraison du projet (même si cela n’est probablement plus d’actualité). En effet, quel décideur continuerait à financer un projet sans impact majeur pour la société, de surcroît avec des coûts élevés (malheureusement, l’IA n’est pas un sujet « cheap » quand bien même des sociétés spécialisées tentent d’en démocratiser l’accès), dans les conditions financières actuelles.

En parlant de sociétés spécialisées, Prevision.io édite une plateforme de management de modèles d’IA. Primée par deux fois par les analystes de Gartner en 2020 et 2021, cette plateforme est simple d’utilisation et grandement automatisée, ce qui permet de casser au maximum cette barrière à l’entrée en permettant au plus grand nombre de jouir de ces technologies de pointe tout en diminuant les coûts. En effet, le gain de temps lors de la réalisation des projets, que ce soit pour la construction de modèles, ou bien leur exposition en production ainsi que leur monitoring, est un atout majeur pour les sociétés faisant le pari du BUY et non du BUILD. Les projets sont alors disponibles plus rapidement, avec des coûts moindres et pour autant la valeur délivrée par ceux-ci est disponible plus tôt, ce qui a pour effet d’augmenter significativement le gain et donc le ROI des projets. De surcroît, les méthodes de modélisation à l’état de l’art mis à disposition de la plateforme Prevision.io permettent également d’obtenir des modèles prédictifs de plus grande qualité (= qui font moins d’erreurs) comparé à la concurrence, ce qui augmente donc l’efficacité opérationnelle des process qui en découlent.

En conclusion, si vous vous apprêtez à lancer un projet, en particulier dans le domaine de l’intelligence artificielle assurez-vous de la faisabilité de celui-ci (ce qui est un vrai sujet en soi) et essayez d’estimer au mieux et en toute honnêteté le retour sur investissements probable en prenant en compte les aspects financiers purs, mais également les aspects humains et technologiques qui sont tout sauf à négliger dans ce type de projets. Si après cette étude vous ne parvenez pas à dégager un retour sur investissement suffisamment important pour l’entreprise, réfléchissez à deux fois avant de lancer un projet qui va probablement échouer alors que tant d’autres n’attendent que d’être résolus.

Rédigé par Florian Laroumagne – Co-founder Prevision.io