Accenture – Boost your Artificial Intelligence Quotient

Le cabinet Accenture a publié très récemment (15 juin 2017) une étude intitulée « Boost your Artificial Intelligence Quotient« . Ils ont interrogé plus de 200 entreprises pour mieux comprendre comment celles-ci utilisent l’intelligence artificielle pour se transformer.  L’objectif est d’identifier à la fois ce qui est fait différemment, ce que cela apporte, et ce qui pourrait être réutilisé.

Accenture aboutit alors à un Quotient d’Intelligence Artificielle, sorte de niveau de maturité sur la question, qui classe votre structure en 4 catégories.

  • Les observateurs: 56% du panel
  • Les inventeurs: 13% du panel. Ils internalisent l’innovation.
  • Les collaborateurs: 14% du panel. Ils s’appuient sur un écosystème de structures innovantes dans lesquels ils peuvent investir.
  • Les inventeurs/collaborateurs: 17% du panel. Pour Accenture, ce sont les meilleurs, ceux qui arrivent à trouver la juste combinaison entre innovation « maison » et investissements externes tactiques et stratégiques.

De l’expérimental à l’exponentiel

Le postulat de départ d’Accenture pour « Artificial Intelligence Quotient » est simple: d’une phase expérimentale autour de l’intelligence artificielle, nous sommes passés dans une période de croissance exponentielle. 2 chiffres pour appuyer ce constat: depuis 2010, la croissance annuelle moyenne des investissements dans des start-ups dédiées à l’AI a été de 57%, et celle du dépôt de brevets de 26%.

Plus précisément, et cela est extrait d’une étude plus complète du Groupe (Accenture technology vision 2017), les anticipations d’investissements dans l’Intelligence Artificielles sont importants, et ce, quelle que soit la technologie concernée.

Transformer les investissements en résultats

Si l’on veut donner un sens aux investissements réalisés, il faut s’assurer qu’ils permettent d’atteindre des résultats tangibles.

Des quatres catégories citées plus haut, et qui sont le résultat de l’index créé par Accenture, le profil « collaborateurs / inventeurs » est clairement le modèle préconisé.

Un chiffre résume à lui seul cette analyse: au sein du panel, la croissance moyenne pour les entreprises de cette catégorie a été de 4,2% / an en moyenne contre 2,3% pour les autres.

Plus frappant: passer de la catégorie « Observateurs » à « Collaborateur/Inventeur », c’est-à-dire d’un extrême à l’autre, permettrait d’augmenter la valeur de l’entreprise de 90%. Accenture en conclut donc qu’il y a là une réserve de valeur encore inexploitée. (Note: Aucune explication n’est fournie sur la méthodologie de ce calcul. Il est légitime de rester dubitatif sur ce chiffre).

Cette étude se focalise sur les grandes entreprises. Toutefois, cette dernière catégorie fait appel à des partenariats entre petites structures (pour le agilité et leur capacité d’idéation) et grandes entreprises (pour leur assise et leur maturité).

Accenture tente ensuite une catégorisation par secteur d’activité. On remarque assez facilement que les services financiers (Banque, Assurance) ont encore un potentiel inexploité!

Exploiter l’AIQ: actions pour les grandes structures

Technologies

L’intelligence artificielle n’est pas une unique technologie. C’est un ensemble de différentes solutions, dont la valeur ne peut émerger que grâce à des combinaisons de ces solutions.

Dans ce cadre, une des stratégies d’innovation mise en place passe par des labs qui développent des compétences internes. Toutefois, la multiplicité des solutions fait qu’il n’est pas toujours possible d’acquérir la maturité nécessaire assez rapidement. Il est donc possible de faire appel à des solutions externes, comme l’achat d’une technologie de chatbot ou de scoring de risque.

Ainsi, il convient de définir comment doivent se répartir investissements internes et prises de participations ou rachats.

Data

La source de la valeur ne réside pas uniquement dans une technologie ou une combinaison de technologie. Les données et leur qualité sont un autre élément essentiel qui seront exploités par la technologie. Trois niveaux peuvent être envisagés:

  • Accéder à la donnée: de multiples sources de données, ainsi que les volumes exponentiels rendent complexes cet exercice.
  • Convergence des données: Il existe majoritairement des données « dark » (non structurées, non exploitables directement) et des données « disparates » (difficilement combinables). Il convient alors d’investir dans l’exposition et la mise à disposition des données, ainsi que dans une harmonisation des sources et des normes.
  • Monétiser les données: une fois ces données exploitables, il s’agit d’en tirer de la valeur.
  • Partager les données: Ce dernier point est assez nouveau. Beaucoup d’acteurs se rendent compte désormais de la nécessité et de l’intérêt de partager des données, soit au monde entier (open data), soit via des consortiums ad-hoc. Cela permet d’affiner les analyses et les modèles.

Equipes

L’évolution des équipes est l’une des problématiques majeures des grandes entreprises lorsqu’il s’agit de se transformer. En effet, comment gérer les conséquences humaines des multiples et rapides transformations en cours?

3 solutions sont nécessaires en parallèle:

  • Promouvoir l’acquisition de nouvelles compétences: L’intelligence Artificielle fait apparaître des métiers nouveaux avec des nouvelles compétences. 3 catégories de nouveaux emplois sont identifiés: les « trainers » (qui enseignent aux outils d’AI comment fonctionner), les « explainers » (qui font le lien entre les possibilités des outils d’AI et les équipes métiers) et enfin des « sustainers » (qui s’assure que l’AI est juste, sécurisée et responsable).
  • Gérer la diversité de compétences: l’AI exige une bien plus grande diversité de compétences qu’auparavant. Il s’agit alors d’être capable de manager correctement cette diversité et notamment promouvoir les compétences interpersonnelles qui seront clés.
  • Reformer et faire monter en compétences: Il faut opérer un changement radical dans la formation, le recrutement et le suivi de la performance des salariés. Les délais très courts exigent une capacité d’adaptation rapide, et les services RH vont être très sollicités.

Enfin dans le cadre des multinationales, un dernier aspect peut s’avérer encore plus nécessaire qu’auparavant. Les présences locales permettaient jusqu’à maintenant de gérer l’activité au plus près du client. Il sera nécessaire désormais d’avoir des équipes de R&D locales pour capter et structures les nuances de comportement propres à chaque culture. Les algorithmes par exemple, doivent apprendre que les réactions d’un utilisateur états-unien ne sont pas les mêmes que celles d’un chinois.

En bref, et en quelques questions:

Exploiter l’AIQ: actions pour les start-ups

Les startups ont un certains nombres d’avantages vis-à-vis des grands groupes, et en premier lieu l’agilité.

Voici un tour d’horizon des enjeux qui se présentent à elles.

Technologie: Une approche de plateforme

La logique de plateforme est un facteur clé de succès pour nombre de startup qui peuvent ainsi proposer leurs solutions « as-a-service ». Plus concrètement, cela permet de mettre à disposition des briques de fonctionnalités ou d’intégrer facilement des briques venant d’ailleurs.

Données

La donnée est souvent un élément problématique pour les startups car elles n’ont pas accès à tout un historique de données. Elles doivent se contenter des seules données non structurées disponibles librement afin de valider leurs modèles. il s’agit alors d’automatiser l’intégration de nouvelles données pour être en mesure d’alimenter rapidement les analyses avec de nouvelles sources, structurées ou non. L’ouverture d’API peut permettre, en mettant à disposition des solutions, d’acquérir et d’enrichir les modèles.

Equipes

Le manque de talents est souvent l’un des freins principaux évoqués par les entrepreneurs. Il s’agit alors de promouvoir des écosystèmes d’experts, qui pourront être sollicités au besoin. Il faut alors entrer dans l’économie du partage, ou le modèle économique peut paraître plus souple.

 

Conclusion

L’étude « Artificial Intelligence Quotient » se clôt sur un tableau intéressant donnant une sorte de panorama de l’intelligence artificielle aujourd’hui, en termes d’usages, de technologies et d’applications. Par bien des aspects, cette étude rappelle certains des éléments exposés dans l’étude de McKinsey « Automatisation & avenir« .