Il y a quelques mois, je discutais avec un petit groupe de dirigeants lors d’un événement de l’industrie lorsqu’un cadre supérieur a expliqué à quel point son équipe utilisait bien l’IA. Selon lui, les résultats étaient impressionnants. De véritables gains.
Par curiosité — et parce que nous pouvions tous apprendre de son expérience — quelqu’un lui a demandé d’en nommer un. Une seule initiative. Quel outil avait été utilisé? Quel indicateur avait été amélioré? Quel résultat avait changé?
Il en a été incapable.
Aucun chiffre. Aucun indicateur. Aucune comparaison avec la façon dont le travail était effectué auparavant. Il a contourné la question en donnant des réponses vagues, mais avec une grande assurance. Bravo pour la confiance en pleine incertitude. Le groupe a simplement acquiescé pour éviter le malaise, puis la conversation est passée à autre chose. Ce n’était pas le bon moment pour insister, alors personne ne l’a fait.
J’y ai repensé plusieurs fois depuis, surtout en pensant aux personnes qui travaillent pour lui. Il venait de faire une affirmation auprès de ses pairs qu’un membre de son équipe devrait maintenant être capable de démontrer.
Soyons très clairs : je ne crois pas qu’il mentait. Il croyait sincèrement ce qu’il disait. Le problème, c’est qu’il n’avait aucun moyen de savoir si c’était vrai. Trop d’organisations se sont précipitées pour déployer l’IA simplement afin de cocher une case. Une case que les dirigeants veulent pouvoir montrer aux actionnaires et aux parties prenantes pour démontrer qu’ils sont progressistes, à la fine pointe de la technologie et qu’ils participent à la révolution de l’IA.
Mais voici la partie que la plupart des gens évitent d’aborder : de nombreux outils et projets d’IA sont déployés dans des domaines qui n’ont jamais été correctement mesurés auparavant… ou qui ne le sont toujours pas aujourd’hui. Sans point de départ fiable ni compréhension claire de votre situation actuelle, il est impossible d’affirmer avec certitude que vous avez réellement progressé.
L’IA prend surtout en charge les tâches les plus ingrates
L’IA prend surtout en charge des tâches répétitives et ingrates. Or, ce sont précisément celles que personne ne mesure.
Prenons l’exemple du dédoublonnage des données. Certains jours, cela prend tout un après-midi. D’autres fois, cela s’étend sur plusieurs semaines, selon l’état des données et le nombre d’exceptions cachées dans les dossiers. Personne n’a jamais vraiment chronométré ce travail, parce qu’il était considéré comme une tâche ingrate et parce que le temps nécessaire variait tellement qu’aucune estimation n’aurait été réellement fiable. Alors, lorsque la direction demande ce que l’IA a permis d’économiser, la réponse honnête est souvent une estimation déguisée en pourcentage. Et, à chaque niveau de la chaîne, chacun a une bonne raison de l’arrondir à la hausse.
Voilà le premier problème. Il en existe un second, encore plus important.
Même les équipes qui mesurent leurs résultats ont tendance à mesurer la mauvaise chose. Elles mesurent le temps : le nombre d’appels évités, de billets fermés ou d’heures récupérées. Le temps est devenu l’indicateur par défaut parce qu’il est facile à mesurer, pas parce que c’est celui qui compte le plus.
L’indicateur qui compte vraiment, c’est la qualité. Et presque personne ne la mesure. En partie parce qu’elle est plus difficile à quantifier. En partie aussi parce que la mesurer oblige à reconnaître tout ce que l’on faisait moins bien auparavant.
Je vais prendre mon propre travail comme exemple. La principale valeur que je retire de l’IA, ce n’est pas la vitesse. C’est d’avoir une deuxième paire d’yeux. Qu’est-ce qui m’a échappé parce que je travaillais seul? Qu’est-ce que je n’ai pas vu parce que j’étais plongé dans mon propre contexte, entouré d’une équipe qui partage les mêmes hypothèses et les confirme mutuellement? Voilà le type de résultat que je serais prêt à présenter à un conseil d’administration. C’est beaucoup plus solide qu’un simple nombre d’heures économisées, parce qu’il s’agit d’erreurs qui n’ont jamais quitté l’entreprise.
Remarquez pourquoi ce bénéfice reste souvent invisible. Pour le reconnaître, je dois aussi admettre ce que j’aurais mal fait sans l’IA. Cela demande une certaine humilité. Et c’est précisément pourquoi l’un des apports les plus précieux de l’IA est aussi celui dont nous parlons le moins. Le plus étonnant, c’est que nous savons déjà comment mesurer la qualité. Nous le faisons simplement dans un seul secteur de l’entreprise… et nous l’ignorons partout ailleurs.
Les équipes d’ingénierie suivent la qualité depuis des années à l’aide des bogues, des tests échoués et des défauts qui atteignent la production. Le reste de l’organisation, lui, continue surtout à mesurer le temps, parce que c’est le seul indicateur qu’on lui a appris à suivre. La méthode existe déjà dans une partie de l’entreprise. Elle est simplement absente des autres.
Le problème n’est pas les outils. C’est notre volonté de les mesurer correctement.
Rien de tout cela ne signifie que l’IA ne génère pas de valeur. Au contraire, elle peut en générer énormément. Le problème est que la plupart des organisations n’ont aucun moyen honnête de le démontrer. Elles affichent une confiance qu’elles n’ont pas réellement gagnée, dans une chaîne hiérarchique où chaque niveau a une bonne raison de ne pas regarder les chiffres de trop près. Ce n’est pas un problème technologique. C’est un problème de mesure. Et, plus profondément encore, un problème d’honnêteté. Il ne disparaîtra pas de lui-même, parce que toutes les incitations vont dans la direction opposée.
Ce qui me ramène à cette conversation… et à vous.
Si quelqu’un vous demandait aujourd’hui de nommer les gains que votre équipe retire de l’IA, devant les personnes dont l’opinion compte vraiment pour vous, pourriez-vous répondre avec confiance?Je ne parle pas du nombre d’heures que vous ou votre équipe pensez avoir économisées. Je parle des erreurs que l’IA a détectées et que vous auriez autrement laissées passer. Je parle de la qualité que vous pouvez démontrer… et défendre.
Si vous le pouvez, c’est réellement impressionnant. Sachez que vous êtes en avance sur la majorité des organisations.
Si vous ne le pouvez pas, vous savez maintenant sur quoi devrait porter votre travail de demain.
