Essec Business School

Le terme « IA » existe depuis près de 70 ans, mais ce n’est qu’aujourd’hui que l’IA affecte et change profondément notre façon de vivre, de travailler, d’interagir et/ou de jouer. L’IA est en train de révolutionner et de perturber diverses industries, et les dirigeants d’entreprises adoptent cette tendance avec beaucoup d’enthousiasme. Alors, pourquoi n’avons-nous pas vu l’essor de l’IA beaucoup plus tôt et est-elle là pour rester cette fois-ci ? Ou est-ce que l’IA est encore une nouvelle technologie qui surfe sur la vague de la mode ? Et comment peut-elle nous aider à mieux prendre les décisions ?

Tout d’abord, qu’est-ce que l’IA ?

Une grande partie de chercheurs sont d’accord avec Larry Tesler (un informaticien qui a inventé le copier-coller alors qu’il était chez Xerox et a travaillé sur l’interaction personne-machine) pour dire que « l’IA est tout ce qui n’a pas encore été fait ». Cela signifie que la définition de l’IA change au fil du temps. Au fur et à mesure que nous nous habituerons aux progrès antérieurs de la technologie et de l’informatique, ce que l’on appelle aujourd’hui l’IA sera considéré comme normal demain. 

Néanmoins, beaucoup conviendront que, contrairement aux nombreux « hivers de l’IA » que nous avons connus dans le passé, la situation est différente aujourd’hui : le temps est venu et elle est là pour rester. Cela est dû aux trois principales forces qui ont convergé pour permettre la « révolution de l’IA » à laquelle nous sommes confrontés aujourd’hui : 

1) L’augmentation des capacités de traitement et de stockage : la puissance de calcul a été multipliée par mille milliards entre 1956 et 2015, avec la baisse rapide du coût des technologies, une tendance qui se poursuit à ce jour. Les consoles Nintendo de 1983 sont aussi puissantes que l’ordinateur de guidage Apollo, qui a amené les premiers humains sur la lune en 1969. Et l’iPhone 4 en 2010 est aussi puissant que l’ordinateur le plus rapide du monde en 1985, le supercalculateur Cray-2.

2) Cloud computing : le stockage des données et les capacités informatiques sont désormais externalisés vers les « nuages ». Aujourd’hui, des concepts tels qu’Infrastructure-as-a-Service (IaaS), Platform-as-a-Service (PaaS) et même Machine-Learning-as-a-Service (MLaaS) sont disponibles à des prix abordables. Ils offrent de faibles barrières à l’entrée et permettent aux entreprises d’adopter rapidement les nouvelles technologies informatiques.

3) Connectivité et disponibilité des données en temps réel : de grandes quantités de données variées et en temps réel peuvent être collectées instantanément, grâce aux téléphones mobiles, aux capteurs, à l’Internet des objets et à d’autres dispositifs reliés à l’Internet ou aux réseaux intranet. Cela permet la prévision en temps réel, la prescription de conseils, l’automatisation et la coordination de nombreux processus complexes.

Comment pouvons-nous améliorer la prise de décision en tirant parti du big data et de l'IA ? 

Vous pourriez être enthousiasmés par les récentes avancées technologiques en matière de robotique, des véhicules autonomes, de taxis volants, etc. Vous pourriez être tout aussi terrifiés par les applications militaires de l’IA, ou par les menaces potentielles liées à la reconnaissance faciale ou au profilage racial. Pour l’instant, concentrons-nous sur une question plus pratique : comment pouvons-nous améliorer les pratiques commerciales quotidiennes en tirant parti de l’analyse des (grandes) données et de l’IA ? C’est là que l’IA combinée à la Business Analytics (IA+BA), également appelée « AI-powered analytics », arrive.  

La Business Analytics est l'exploration et l'exploitation des données d'une organisation, avec un accent sur 1) l'analyse des données, 2) les prévisions et 3) l’analyse prescriptive (la recommandation des décisions et l'aide à la décision). Les entreprises qui utilisent la BA s'engagent à prendre des décisions meilleures, plus éclairées et fondées sur des données. Elle est applicable dans de nombreux secteurs différents : commerce de détail, transport, divertissement, soins de santé et/ou énergie, pour n'en citer que quelques-uns. C’est une approche pluridisciplinaire qui combine l'informatique, les statistiques, les mathématiques, la prise de décision et l'optimisation. La BA permet aux organisations d'éradiquer certains biais cognitifs typiques de la prise de décision. Et, plus important encore, grâce à elle, la prise de décision est basée sur les données et non plus la place dans la hiérarchie.

Dans les organisations, il y a généralement trois niveaux de prise de décision :

• stratégique (impliquant des décisions à long terme, non routinières et complexes prises par la direction générale),
• tactique (concernant les décisions à moyen terme, moins complexes, prises par l’encadrement intermédiaire), et
• opérationnel (consistant des décisions de routine quotidiennes).

L’IA+BA peut être utilisée avec succès à tous ces niveaux, mais avec un niveau d’automatisation différent.  

Prenons l’exemple de Netflix : saviez-vous que Netflix suit non seulement les films que vous regardez, mais aussi les résumés que vous lisez et le temps que vous passez à surfer sur les titres et à regarder les bandes-annonces ? En d’autres termes, Netflix connaît le contenu que vous aimez avant que vous le connaissiez vous-même. Il est bien connu que la plateforme utilise des systèmes de recommandation et des files d’attente personnalisées. Les systèmes de recommandation sont en effet une procédure standard pour la distribution de médias numériques aujourd’hui. Les recommandations fournies aux utilisateurs finaux peuvent être considérées comme des décisions opérationnelles, entièrement automatisées par des algorithmes et des machines, et en tant qu’utilisateur, vous pouvez vous sentir dépassé ou satisfait. Mais il ne s’agit là que de la partie « IA » ou « prédictive » de l’approche IA+BA de Netflix. Qui plus est, Netflix utilise l’IA non seulement pour suggérer ce que vous devriez regarder, mais aussi pour décider quels projets financer. Ainsi, d’importantes décisions stratégiques, comme la budgétisation des investissements, sont prises sur la base de prédictions dérivées de l’énorme quantité de données collectées auprès des utilisateurs. Ainsi, la société utilise une modélisation mathématique et des algorithmes avancés pour décider du contenu à produire (quels genres de films ou types de personnages seront les plus populaires ?), du montant du budget consacré aux différentes productions, et de la programmation des projets (quand et où tourner, avec quelles ressources disponibles, et quand prévoir les dates de sortie ?) Quel est le succès de cette approche ? Les chiffres parlent d’eux-mêmes : le taux de fidélisation des clients est de 91 % (contre 64 % pour Hulu et 75 % pour Amazon Prime), et le nombre total d’utilisateurs est passé de 20 millions en 2011 à 186 millions en 2020 !

Aujourd’hui, de nombreuses décisions opérationnelles et de routine peuvent être entièrement automatisées. La société UPS a utilisé les outils de recherche opérationnelle (la partie « prescriptive » de BA) pour identifier automatiquement les itinéraires les plus efficaces pour les conducteurs de UPS. UPS a intégré ces outils dans les systèmes de navigation des conducteurs et a pleinement déployé la technologie aux États-Unis en 2016. Les résultats ont permis d’économiser presque 40 millions de litres de carburant en un an, soit l’équivalent de 100 000 tonnes d’émissions de carbone !

L’entreprise parisienne Decision Brain utilise l’IA+BA pour optimiser l’un des plus grands systèmes de location de vélos publics au monde. Le système de location de vélos de Londres utilise près de 12 000 vélos et 800 stations d’accueil et représente plus de 10 millions de trajets par an. Decision Brain utilise des outils d’apprentissage automatique pour la prévision en temps réel des demandes des utilisateurs, et applique des algorithmes d’optimisation pour la gestion des stocks et le déplacement des vélos. Leurs algorithmes font en sorte que lorsque vous arrivez à une station, il y a suffisamment de vélos à louer et suffisamment de places vides pour le retour des vélos. 

Quand est-ce que l’humain doit intervenir? 

Comme le montrent les exemples ci-dessus, il ne fait aucun doute que les AI-powered analytics aient un potentiel énorme pour tirer parti de l’avantage concurrentiel des entreprises ou les aider à mener des opérations durables qui respectent l’environnement. 

Cependant, il y a des décisions importantes pour lesquelles nous ne voulons pas que le jugement humain soit entièrement remplacé par les algorithmes. Un exemple évident est le cas des décisions à long terme qui peuvent impliquer de nombreuses parties prenantes ou nécessiter une analyse minutieuse des aspects géopolitiques ou autres aspects stratégiques. Dans ce cas, l’approche IA+BA basée sur les données peut fournir une analyse des résultats possibles pour plusieurs scénarios futurs (le pire, le prévu et le meilleur, par exemple). Toutefois, ces résultats ne peuvent être considérés que comme des recommandations à l’intention du conseil d’administration, et non comme des décisions à mettre en œuvre immédiatement.

De même, la prise de décision automatique peut entraîner des conséquences involontaires, surtout lorsqu’il s’agit d’élaborer des politiques sensibles qui affectent profondément des vies humaines. Il est très tentant de laisser l’IA analyser la grande quantité de données disponibles pour produire diverses mesures et transformer la vie des gens en scores qui prédisent des résultats éthiquement ambigus comme le potentiel criminel de certains quartiers (police prédictive), la productivité des employés (IA pour les RH) ou la récidive (lors de la prise de décisions de condamnation au tribunal). Cependant, il est important de savoir que ces algorithmes sont très sensibles aux données d’entrée et qu’ils peuvent facilement amplifier la discrimination et être transformés en « armes de destruction mathématique », comme l’explique Cathy O’Neil dans son livre du même titre. 

Cependant, il est important de savoir que de nombreux algorithmes sont faits avec les meilleures intentions et qu’aucun algorithme n’est mauvais en soi ! Les algorithmes peuvent coder des préjugés ou des malentendus humains, et dans nos économies accélérées et basées sur les données, cela peut conduire à des inégalités accrues ou à la perpétuation des préjugés raciaux et sexistes, avec des conséquences imprévisibles.      

C’est pourquoi les chefs d’entreprise d’aujourd’hui doivent comprendre les défis, les opportunités et les limites de l’IA et de l’analytics. Les nouvelles générations de managers formés par l’ESSEC apprennent le codage — non pas pour devenir des ingénieurs en logiciel ou des spécialistes des données, mais pour comprendre la « pensée algorithmique » et l’importance de développer des outils de décision explicables et éthiques basés sur l’IA.