En 2023, l’intelligence artificielle générative a marqué un tournant décisif dans les entreprises. Comme le souligne un article de Forbes, “Dès le début de 2023, les dirigeants de toutes les grandes organisations étaient convaincus que l’intelligence artificielle (IA) et l’IA générative auraient un impact considérable sur le fonctionnement de leurs entreprises.” Cette introduction pose toutefois des défis techniques, notamment en termes d’intégration avec les systèmes existants et de gestion de la qualité des données. La méthode agile, en promouvant une adaptation rapide, est essentielle pour naviguer ces défis et réussir la transition. Nous essayerons de comprendre ces enjeux à travers une étude de cas sur l’utilisation de l’IA générative (ChatGPT) dans les processus de facturation, mettant en lumière les obstacles et les stratégies pour les surmonter.
Défis Techniques
L’intégration de l’IA dans les systèmes d’entreprises présente des défis techniques. Surmonter ces obstacles nécessite une approche méthodique qui inclut la qualité des données, l’interopérabilité des systèmes existants et la gestion de la montée en échelle des solutions.
Qualité des données
La qualité des données est cruciale pour le fonctionnement efficace des modèles d’IA. Des données incomplètes ou biaisées peuvent entraîner des résultats erronés, des prévisions inexactes et un temps perdu inconsidéré. Prenons l’exemple d’une entreprise de retail en ligne (ex: Zara) qui utilise l’IA pour personnaliser les recommandations de produits à ses clients. Si les données de comportement des clients sont incomplètes (50% de données la région où se trouve le client sont manquantes) ou sont biaisées, l’algorithme pourrait recommander des produits inappropriés comme des gants et écharpes d’hiver à des clients localisés au Mexique. Cela entraînerait une baisse de satisfaction des clients et ultimement, des pertes de revenus. Pour éviter cela, l’entreprise met en place des procédures de nettoyage des données pour éliminer les incohérences et utilise des techniques d’apprentissage automatique pour améliorer la prédiction des préférences des clients en continu.
Intégration des systèmes existants
Prenons encore l’exemple de Zara qui souhaite intégrer une nouvelle solution d’IA pour améliorer la personnalisation des recommandations de produits sur son site web. Si Zara utilise des systèmes informatiques anciens, l’interopérabilité entre ces systèmes et la nouvelle solution d’IA peut être complexe. Par exemple, les systèmes de gestion des stocks et des ventes en ligne pourraient nécessiter des adaptations pour communiquer efficacement avec l’IA. Une coordination étroite avec le département des systèmes d’information (DSI) serait essentielle pour planifier l’intégration, obtenir les autorisations nécessaires et minimiser les perturbations des opérations courantes. Des mises à niveau techniques pourraient être requises pour assurer une intégration fluide de l’IA sans impacter négativement l’expérience client ou les opérations en magasin.
Scalabilité de l’implémentation
Toujours dans le développement d’un outil de recommandation pour Zara, le passage d’un prototype d’IA à une solution pleinement opérationnelle pose des défis significatifs. Supposons que Zara déploie un prototype d’IA pour la recommandation de produits dans un environnement de test. Lors de la mise à l’échelle à l’ensemble de l’entreprise, la plateforme doit gérer des volumes de données beaucoup plus importants provenant de divers marchés internationaux, ce qui peut affecter la performance et la réactivité du système. De plus, la sécurité des données et la conformité réglementaire deviennent cruciales, car la plateforme doit sécuriser les données des clients contre les violations et respecter les réglementations telles que le RGPD. La planification de l’architecture d’IA doit donc être méticuleuse pour assurer que la solution peut évoluer efficacement tout en restant sécurisée et conforme.
Les 6 défis courants en matière d'entraînement de modèles d'IA selon Oracle
Selon un article de McKinsey sur la transition de la phase pilote à l’industrialisation des produits d’IA génératives, ces défis organisationnels et techniques expliquent pourquoi seulement 11 % des entreprises ont réussi à adopter l’IA générative à grande échelle. Cette étude met en lumière les barrières non seulement techniques mais aussi culturelles qui ralentissent l’adoption de l’IA dans les opérations d’entreprise au niveau global. Pour plus de détails sur cette étude, vous pouvez consulter l’article complet sur le site de McKinsey : Moving past Gen AI’s honeymoon phase: Seven hard truths for CIOs to get from pilot to scale.
Intégration de l’agile
La Méthode Agile et le Lean
Dans le développement de solutions d'IA, l’application des méthodologies Agile et Lean offre une flexibilité cruciale pour favoriser l’adoption et la réussite opérationnelle du produit. En effet, le Manifeste Agile (2001) favorise des cycles de développement courts et des itérations rapides qui permettent des ajustements continus en fonction des retours utilisateurs et des conditions changeantes. Inspirées par le Système de Production Toyota, ces pratiques mettent l’accent sur l’élimination des gaspillages et l’amélioration continue.
En décomposant les projets en différents livrables, les entreprises peuvent tester et affiner les solutions d’IA de manière plus agile et moins coûteuse. L’interview utilisateur est un élément crucial qui permet d’affiner ces petits livrables en priorisant les must-have vs les nice-to-have. Définir clairement le problème à résoudre aide à orienter le développement vers des solutions véritablement utiles plutôt que de se perdre dans votre imaginaire du produit parfait et innovant autour de la GenAI. “ Se demander “quel produit d’intelligence artificielle pourrais-je créer ?” revient à prendre le problème à l’envers : c’est la meilleure manière de s’enfoncer dans un chemin qui ne mène nulle part, avec un retour à la réalité difficile.” mentionne Gaspard Sagot, Lead Product Manager chez Theodo Data & AI.
Pour en savoir plus sur la création de produits d’IA centrés sur l’utilisateur, consultez les articles complets ici : Partie 1 et Partie 2.
Intégration de l'IA générative dans le processus de facturation
Le problème
Une entreprise pétrolière est venue nous consulter à propos de son système de validation de facture de ses fournisseurs. Plusieurs problèmes ont été identifiés :
- Erreurs fréquentes dans 50% des factures
- Délais prolongés de traitement de réponse (30 jours en Europe et de 2 mois en Afrique)
- Absence d’accusés de réception pour les fournisseur
Le directeur financier a vu dans l’IA générative une solution potentiellement révolutionnaire pour optimiser et automatiser certaines de ses opérations financières.
Le concept
La Discovery a mené à un produit analysant les factures et les bons de commande, envoyés par les fournisseurs, automatiquement. Ce système indiquerait immédiatement si des documents sont manquants ou contiennent des erreurs et, une fois la validation effectuée par l’outil, procéderait au paiement du fournisseur sans délai.
Pour ce faire, ChatGPT extrait les données pertinentes des factures entrantes, les recoupe avec les bons de commandes et les documents supplémentaires, fait correspondre automatiquement les informations et liste les écarts ou erreurs sous forme de réponse par email. Elle est ensuite envoyée automatiquement aux fournisseurs de l’entreprise. Cela répond au besoin d’une vérification précise et rapide, réduisant considérablement l’effort manuel des comptables de l’entreprise et accélérant le traitement des paiements. Pour passer du concept à la réalité de la production de ce produit de GenAI, il a fallu une compréhension du parcours de validation de facture à travers des interviews utilisateurs (comptables) et des Go &See, permettant de comprendre les étapes nécessaires à ce processus.
Les livrables du produit final
Une fois le concept produit créé et la compréhension des fonctionnalités critiques assimilées, l’équipe a réduit le scope du produit final, permettant la livraison d’incrément de valeur à chaque itération (POC, MVP, V1 etc..)
Le MVP analyserait 5 champs de la facture (Numéro de bon de commande, Montant Total, devise, nom du fournisseur, nom de l'entité de l’entreprise pétrolière). Une réponse automatique serait envoyée au comptable pour une vérification manuelle. L’algorithme se baserait sur un dataset comprenant une seule catégorie de factures et viserait une performance de 70% de réponses correctes.
La V1 analyserait 8 champs différents, (... liste des objets de la facture, documents supplémentaires requis) et les analyses seraient toujours vérifiées par le comptable pour garantir la précision de l’outil, visant une performance de 80%.
La V2 inclurait l’analyse de 2 documents supplémentaires (tous les cas d’usages étaient compris dans cette version) et une liste de fournisseurs spéciaux nécessitant une personnalisation de l’outil serait incluse, avec une performance attendue atteignant 90 % de qualité.
Le projet a été jusqu’au seuil du MVP en production et est utilisé par plusieurs comptables chargés de la facturation. En effet, l’outil a réduit le temps passé sur les factures de 41 % et a suscité un enthousiasme certain autour du gain opérationnel. Néanmoins, des challenges comme l’intégration systémique aux softwares existants ainsi que la mise en place et l'entraînement du dataset ont demandé une attention particulière afin de pouvoir atteindre ces objectifs à temps avec un des itérations de qualité répondant au besoin utilisateur.
Conclusion
La transition de l’intelligence artificielle générative du concept au développement produit illustre les défis complexes, mais surmontables de l’innovation technologique. Ce parcours nécessite une gestion rigoureuse de la qualité des données, une intégration soignée avec les systèmes existants de ces entreprises.
La méthode agile se révèle cruciale pour un product manager afin de guider ses clients et ses utilisateurs. En effet, le piège de vouloir livrer tout de suite un produit qui a seulement été conceptualisé et jamais testé en condition réelle peut résulter en déception, ne répondant pas au problème initial, n’apportant aucune valeur.
En embrassant ces défis et en restant ouverts à l’apprentissage continu, les entreprises peuvent non seulement améliorer leurs processus, mais aussi débloquer de nouvelles opportunités grâce à l’IA générative.
Si vous cherchez à développer un produit améliorant vos processus interne grâce à une équipe d’experts en IA et produit, contactez-nous.
%20(1).png){kind=logo}