IA d'entreprise : de « Construire ou acheter » à « Partenaire et croissance »

Il n’y a pas longtemps, un partenaire de collaboration m’a contacté par hasard au sujet d’un cas d’utilisation de l’IA dans son organisation. Ils souhaitaient rendre le processus d’intégration plus efficace en utilisant l’IA pour répondre aux questions fréquemment posées par les nouveaux arrivants. J'ai suggéré une approche de chat pratique qui intégrerait leur documentation interne, et ils ont avancé avec confiance, prévoyant de « parler à leur équipe informatique » à l'avenir.

Par expérience, je savais que ce genre d’optimisme était fragile. L’équipe informatique moyenne n’est pas équipée pour mettre en œuvre seule une application d’IA complète et exhaustive. Et c'est ainsi que cela s'est passé : des mois plus tard, ils ont raccroché. Leur système était terriblement lent et il est également devenu évident qu’ils avaient mal compris les besoins réels des utilisateurs lors du développement. Les nouveaux employés posaient des questions différentes de celles pour lesquelles le système avait été configuré. La plupart des utilisateurs ont abandonné après quelques essais et ne sont jamais revenus. Pour résoudre ces problèmes, il aurait fallu repenser l’ensemble de leur architecture et de leur stratégie de données, mais le mal était déjà fait. Les employés étaient frustrés, la direction l’a remarqué, et l’enthousiasme initial à l’égard de l’IA s’est transformé en scepticisme. Il aurait été difficile de plaider en faveur d’une nouvelle phase de développement de grande envergure, et la question a donc été discrètement mise de côté.

Cette histoire n’est pas du tout unique. Le marketing astucieux des entreprises d’IA crée l’illusion de l’accessibilité de l’IA, et les entreprises se précipitent dans des initiatives sans pleinement comprendre les défis à venir. En fait, une expertise spécialisée est nécessaire pour créer une stratégie d’IA robuste et mettre en œuvre tout cas d’utilisation plus ou moins personnalisé dans votre entreprise. Si cette expertise n’est pas disponible en interne, vous devez l’obtenir auprès de partenaires ou de prestataires externes.

Cela ne signifie pas que vous devez tout acheter – ce serait comme avoir 100 $ et les dépenser dans un restaurant au lieu d’aller au supermarché. La première option satisfera votre faim immédiatement, mais la deuxième option vous garantira quelque chose à manger pendant une semaine.

Alors, comment démarrer et qui devrait mettre en œuvre vos premiers projets d’IA ? Voici ce que je vois : oubliez le principe « construire ou acheter » et concentrez-vous plutôt sur le partenariat et l’apprentissage. Je crois fermement que la plupart des entreprises devraient développer une expertise en IA en interne – cela leur donnera une plus grande marge de manœuvre dans leur stratégie et leurs activités d’IA à l’avenir. Dans le même temps, l’IA est un métier complexe qui prend du temps à maîtriser, et l’échec est partout (selon Pour ce rapport publié par la RAND Corporation(Plus de 80 % des initiatives d’IA échouent.) Apprendre de l’échec est une bonne chose en théorie, mais en réalité, cela conduit à une perte de temps, de ressources et de crédibilité. Pour atteindre efficacement la maturité de l’IA, les entreprises devraient envisager de collaborer avec des partenaires de confiance prêts à partager leur expertise. Une préparation pragmatique et minutieuse garantira non seulement une mise en œuvre technique plus fluide, mais abordera également les aspects humains et commerciaux de votre stratégie d’IA.

Ci-dessous, je vais d’abord décrire les bases (entrées, sorties et compromis) des décisions « acheter ou construire » en IA. Ensuite, vous découvrirez une approche de partenariat plus unique. Il combine la construction et l’achat tout en améliorant votre courbe d’apprentissage interne. Enfin, je conclurai par quelques notes pratiques et conseils sur le partenariat en IA.

Les bases de la prise de décision « Fabriquer ou acheter » en IA

Commençons par décomposer la décision classique « fabriquer ou acheter » en deux parties : les intrants – les éléments qui doivent être évalués à l’avance – et les extrants – les conséquences de chaque choix pour votre future entreprise. Décider de fabriquer l’IA en interne ou de l’acheter auprès d’un fournisseur externe est une décision stratégique cruciale, nécessitant une compréhension approfondie des ressources disponibles et des coûts anticipés.

Entrée

Pour préparer la décision, les capacités internes et les exigences des cas d’utilisation doivent être évaluées. Ces facteurs détermineront dans quelle mesure chaque option est réaliste, risquée ou bénéfique :

• Maturité de l'IA dans votre organisation : Tenez compte de vos capacités techniques internes, telles que les talents qualifiés en IA, les ressources d’IA réutilisables (par exemple, les ensembles de données, les modèles prédéfinis et les graphiques de connaissances) et les compétences techniques adjacentes qui sont transférables au domaine de l’IA (par exemple, l’ingénierie des données et l’analyse). Pensez également à la manière dont les utilisateurs interagissent avec l’IA et gèrent son scepticisme. Investissez dans l’amélioration des compétences et le développement de l’audace à mesure que votre maturité en IA augmente.
• Exigences en matière d’expérience sur le terrain : Dans quelle mesure la solution reflète-t-elle vos connaissances du secteur ? Dans les cas d’utilisation qui nécessitent une intuition humaine experte ou des connaissances organisationnelles, vos experts internes du domaine joueront un rôle essentiel. Ils doivent faire partie du processus de développement, que ce soit par le biais d’une construction interne ou en partenariat étroit avec un fournisseur externe.
• Complexité technique du cas d'utilisation : Toutes les applications d’IA ne sont pas créées de la même manière. Un projet qui s’appuie sur des API existantes ou des modèles de base est beaucoup plus simple qu’un projet qui nécessite la formation d’une architecture de modèle personnalisée à partir de zéro. Une complexité élevée augmente les risques, les besoins en ressources et les retards potentiels d’une approche « construire d’abord ».
• Valeur et différenciation stratégique : Le cas d’utilisation est-il au cœur de votre avantage stratégique ou s’agit-il simplement d’une fonction de support ? Si cela est propre à votre secteur (ou même à votre entreprise) et augmente la différenciation concurrentielle, la co-construction ou le co-développement peut apporter une plus grande valeur. En revanche, pour un cas d’utilisation standard (comme la classification et la prédiction de documents), l’achat fournira probablement des résultats plus rapides et plus rentables.

Conséquences des décisions de fabriquer en interne ou d'acheter des produits prêts à l'emploi

Après avoir évalué vos intrants, vous devrez déterminer l’impact ultérieur de votre décision de fabriquer en interne ou de racheter et évaluer les compromis. Voici sept dimensions qui auront un impact sur les délais, les coûts, les risques et les résultats :

1. Personnalisation: La mesure dans laquelle une solution d'IA peut être adaptée pour s'adapter au flux de travail, aux objectifs et aux besoins spécifiques d'une organisation. La personnalisation détermine souvent dans quelle mesure une solution répond aux exigences commerciales uniques. Une personnalisation minutieuse est essentielle pour garantir que la solution est alignée sur vos processus métier spécifiques.
2. Biens: Droits de propriété intellectuelle et contrôle des modèles d’IA sous-jacents, du code et de l’orientation stratégique. La fabrication en interne offre une propriété complète, tandis que l'achat implique généralement l'octroi de licences pour une technologie tierce. La pleine propriété constitue un avantage stratégique, notamment dans les secteurs qui dépendent de l’innovation et de la protection des actifs intellectuels.
3. أمن البيانات: Couvre la manière dont les données sont traitées, où elles se trouvent et qui y a accès. Dans les environnements réglementés ou sensibles, la confidentialité et la conformité des données sont des préoccupations centrales, en particulier lorsque les données peuvent être partagées ou traitées par des fournisseurs tiers. Le respect des normes mondiales de sécurité des données, telles que le RGPD et la norme ISO 27001, est essentiel.
4. Coût: Comprend à la fois l’investissement initial et les dépenses d’exploitation courantes. La fabrication interne implique de la R&D, du talent, de l'infrastructure et une maintenance à long terme, tandis que l'achat peut nécessiter des licences, des abonnements ou des frais d'utilisation du cloud. Une analyse détaillée du coût total de possession (TCO) doit être effectuée pour évaluer la faisabilité financière de chaque option.
5. Temps nécessaire pour mettre le produit sur le marché : Mesure la rapidité avec laquelle une solution peut être déployée et commencer à générer de la valeur. Un déploiement rapide est souvent essentiel sur des marchés concurrentiels ou dynamiques ; Les retards peuvent conduire à des opportunités manquées. Le choix d’une solution clé en main peut considérablement accélérer le processus de mise sur le marché, donnant à votre organisation un avantage concurrentiel.
6. Support et maintenance : Inclut qui est responsable des mises à jour, de la mise à l'échelle, des corrections de bogues et des performances continues du modèle. Les aménagements intérieurs nécessitent des ressources de maintenance dédiées, tandis que les solutions extérieures incluent souvent des services d'assistance. Les accords de niveau de service (SLA) doivent inclure des détails clairs sur les temps de réponse et la résolution des problèmes.
7. Courbe d'apprentissage de l'intelligence artificielle : Reflète la complexité de l’acquisition et du déploiement de l’expertise en IA au sein d’une organisation. La fabrication interne implique souvent beaucoup d’essais et d’erreurs et des résultats fragiles, car l’équipe n’a pas une compréhension de base de l’IA. D’un autre côté, un achat ou un partenariat peut accélérer l’apprentissage grâce à une expérience guidée et à des outils matures et créer une base solide pour les futures activités d’IA. Les partenariats peuvent donner accès à une expertise spécialisée et réduire les risques associés au développement interne de l’IA.

En pratique, la pensée binaire entre la fabrication en interne et l’achat de produits prêts à l’emploi conduit souvent à des compromis insolubles. Prenons le cas d’utilisation de configuration mentionné précédemment. L’une des raisons pour lesquelles l’équipe a tendance à Fabrication interne Il s’agit de la nécessité de maintenir la confidentialité des données de l’entreprise. Dans le même temps, ils ne disposaient pas de l’expertise interne en IA nécessaire pour développer un système de chat prêt pour la production. Ils auraient peut-être eu plus de succès en externalisant l'ingénierie du chat et le support continu tout en créant leur propre base de données en interne. Par conséquent, vous ne devriez pas décider de fabriquer en interne ou d’acheter des produits prêts à l’emploi pour l’ensemble du système d’IA. Au lieu de cela, décomposez-le en composants et évaluez chaque composant en fonction de vos capacités, de vos contraintes et de vos priorités stratégiques.

Vers une coopération fructueuse entre expertise de terrain et intelligence artificielle

Au niveau des composants, je vous encourage à faire la différence entre les décisions internes ou externalisées à travers le prisme des exigences d’expertise. La plupart des systèmes d'IA B2B combinent deux types d'expertise : l'expertise du domaine, disponible au sein de votre entreprise, et l'expertise technique en IA, qui peut être apportée par un partenaire externe si vous ne possédez pas (encore) de compétences spécialisées en IA. Ci-dessous, j'examinerai les besoins d'expertise de chacun des composants principaux d'un système d'IA (voir Cet article Pour une explication des ingrédients). Cette approche stratégique garantit une utilisation maximale des ressources disponibles et la réalisation des objectifs commerciaux de manière efficace et efficiente.

Opportunité d'emploi : identifier les bons problèmes d'IA

Saviez-vous que la principale raison pour laquelle les projets d'IA échouent n'est pas technique, mais plutôt le choix du mauvais problème à résoudre (voir Les causes profondes de l'échec des projets d'intelligence artificielle et comment les faire réussir)? Vous serez peut-être surpris, vos équipes d’experts comprennent profondément vos problématiques. Mais le problème est qu’ils n’ont pas les moyens de relier leurs points faibles à la technologie de l’IA. Voici quelques-uns des modèles de défaillance les plus courants :

• formuler le problème de manière vague ou inappropriéeEst-ce une tâche dans laquelle l’IA est déjà douée ? Définir précisément le problème est souvent la première étape vers une solution réussie utilisant l’IA.
• Estimation de l'effort perdu/ROILe résultat vaut-il le temps et les ressources nécessaires au développement et au déploiement de l’IA ? Le retour attendu de l’utilisation de l’IA doit être clair et justifié.
• attentes irréalistesQue signifie « assez bon » pour une IA imparfaite ? Les critères de réussite doivent être clairement définis avant de démarrer le projet.

D’un autre côté, de nombreuses organisations utilisent l’IA pour le plaisir de l’IA, créant des solutions à la recherche d’un problème. Cela brûle des ressources et affaiblit la confiance en interne.

Un bon partenaire d’IA aide à évaluer les processus commerciaux prêts pour l’intervention de l’IA, estime l’impact potentiel et modélise la manière dont l’IA peut apporter de la valeur. Les deux parties peuvent façonner un cas d’utilisation ciblé et à fort impact grâce à des ateliers de découverte conjoints, des sprints de conception et un prototypage exploratoire.

Les données : le carburant de votre système d’IA

Des données de domaine propres et bien organisées sont un atout essentiel. Il crypte les connaissances opérationnelles, le comportement des clients, les performances du système et bien plus encore. Mais les données brutes ne suffisent pas à elles seules : elles doivent être transformées en signaux d’apprentissage significatifs. C'est là qu'intervient l'expertise en IA pour concevoir des chaînes d'approvisionnement, choisir les bonnes représentations de données et aligner le tout sur les objectifs d'apprentissage de l'IA.

Cela implique souvent d’étiqueter les données, c’est-à-dire d’annoter des exemples avec les signaux dont le modèle a besoin pour apprendre. Cela peut paraître fastidieux, mais résistez à l’envie d’externaliser. L'étiquetage est l'une des parties les plus sensibles au contexte de la chaîne d'approvisionnement et nécessite une expertise du domaine pour fonctionner correctement. En fait, de nombreuses tâches de réglage fin fonctionnent aujourd’hui mieux sur des ensembles de données petits mais de haute qualité. Travaillez donc en étroite collaboration avec votre partenaire d’IA pour que l’effort reste concentré et géré.

Le nettoyage et le prétraitement des données sont un autre domaine dans lequel l’expérience fait une grande différence. Vous avez peut-être entendu le vieux dicton : « La plupart des data scientists passent leur temps à nettoyer les données. » Cela ne veut pas dire que cela doit être lent. Avec des ingénieurs expérimentés dans la façon dont vos données sont présentées (texte, chiffres, images, etc.), ce processus peut être considérablement accéléré. Ils sauront instinctivement quelles techniques de prétraitement appliquer et quand, transformant des semaines d’essais et d’erreurs en heures de configuration productive.

Intelligence artificielle : modèles et architectures d'IA

C’est là que la plupart des gens pensent que les projets d’IA commencent – ​​mais ce n’est que le milieu de l’histoire. La création de systèmes d’IA efficaces nécessite une expertise approfondie en IA pour sélectionner ou optimiser les modèles, évaluer les performances et concevoir les architectures des systèmes. Par exemple, votre cas d’utilisation doit-il utiliser un modèle pré-entraîné ? Avez-vous besoin d'une configuration multi-modèles ? Que sont les échelles d’évaluation logiques ? Dans les systèmes plus complexes, différents composants d’IA tels que des modèles et des bases de connaissances peuvent être combinés dans un flux de travail en plusieurs étapes.

L’expertise du domaine intervient lors de la validation et de l’évaluation du système. Les experts et les futurs utilisateurs doivent vérifier si les résultats de l’IA ont du sens et correspondent à leurs attentes du monde réel. Un modèle peut être statistiquement robuste, mais opérationnellement inutile si ses résultats ne correspondent pas à la logique métier. Lors de la conception de systèmes complexes, les experts du domaine doivent également s'assurer que la configuration du système reflète leurs opérations et leurs besoins réels.

La conception de modèles d’IA et la création d’une architecture d’IA personnalisée constituent votre phase « d’assistant pilote » : les équipes d’IA conçoivent et optimisent le système, tandis que les équipes de domaine le guident et l’optimisent en fonction des objectifs commerciaux. Au fil du temps, l’objectif est de créer une appropriation partagée du comportement du système.

“`

Étude de cas : Développer une expertise en IA pour soutenir les compagnies d'assurance

“`

Dans une grande compagnie d'assurance, l'équipe de science des données a été chargée de créer un système de prévision des risques de sinistres - un projet qu'elle souhaitait garder en interne pour maintenir la pleine propriété et un alignement étroit avec ses données et son flux de travail. Cependant, les prototypes ont été confrontés à des problèmes de performances et d’évolutivité. C’est là que mon entreprise est intervenue. Anacode En tant que partenaire architectural et stratégique. L'équipe interne nous a aidés à évaluer les modèles candidats, à concevoir une architecture modulaire et à mettre en place des pipelines d'apprentissage automatique (ML) reproductibles. Plus important encore, nous organisons des cours de formation guidés axés sur l’évaluation des modèles, les opérations d’apprentissage automatique (MLOps) et les pratiques d’IA responsables. Au fil du temps, l’équipe interne a gagné en confiance, a retravaillé les prototypes précédents pour en faire une solution robuste et a pris en charge l’entière responsabilité des opérations. Le résultat a été un système dont ils étaient entièrement propriétaires, tandis que les conseils d’experts que nous avons fournis pendant le projet ont également augmenté leurs capacités d’IA internes. Cette approche garantit l’**amélioration du système de prédiction des risques** et le **développement des capacités internes d’IA**.

Expérience utilisateur : fournir de la valeur à l'IA via l'interface utilisateur

Cet aspect est complexe. À quelques exceptions près, il est peu probable que les experts du domaine ou les ingénieurs en IA profondément enracinés conçoivent une expérience intuitive, efficace et agréable pour les vrais utilisateurs. Idéalement, vous pouvez embaucher des concepteurs UX spécialisés. Si ces compétences ne sont pas disponibles, recherchez des personnes issues de disciplines adjacentes qui ont un sens naturel de l’expérience utilisateur. Aujourd’hui, de nombreux outils d’IA sont disponibles pour soutenir la conception et le prototypage UX. Le goût compte donc plus que les prouesses techniques. Une fois que vous avez les bonnes personnes, vous devez leur fournir des informations des deux côtés :

• Le fondLes experts en IA fournissent des informations sur le fonctionnement interne d'un système (ses points forts, ses limites et ses niveaux de certitude) et soutiennent la conception d'éléments tels que les explications, les indices d'incertitude et les scores de confiance (voir Cet article Sur la création de la confiance dans l’IA grâce à l’expérience utilisateur.
• La façade avantLes experts du domaine comprennent les utilisateurs, leur flux de travail et leurs problèmes. Ils aident à valider les flux d'utilisateurs, à mettre en évidence les frictions et à suggérer des améliorations en fonction de la manière dont les gens interagissent réellement avec le système.

Concentrez-vous sur la répétition rapide et préparez-vous à quelques erreurs. L’expérience utilisateur dans l’IA est un domaine émergent, et il n’existe pas de formule fixe pour définir ce qui est « excellent ». Les meilleures expériences naissent de boucles de rétroaction étroites et itératives, où la conception, les tests et l’amélioration se produisent en continu, intégrant les contributions des experts du domaine et des spécialistes de l’IA. L’objectif devrait être de concevoir des interfaces utilisateur efficaces et conviviales, garantissant que la valeur de l’IA est transmise de manière transparente aux utilisateurs.

 

Support et maintenance : maintenir l'IA en fonctionnement

Une fois déployés, les systèmes d’IA nécessitent une surveillance étroite et une amélioration continue. Le comportement des utilisateurs dans le monde réel diffère souvent des environnements de test et évolue au fil du temps. Cette incertitude inhérente signifie que votre système a besoin d’une surveillance efficace, afin que les problèmes puissent être identifiés et traités rapidement.

L'infrastructure technique de surveillance, y compris le suivi des performances, la détection des dérives, le recyclage des machines et les pipelines MLOps, est généralement mise en place par votre partenaire IA. Une fois établies, de nombreuses tâches de surveillance quotidiennes ne nécessitent pas de compétences techniques approfondies. Ce qu'il faut, c'est une expertise du domaine : comprendre si la sortie du modèle a toujours du sens, remarquer les changements subtils dans les modèles d'utilisation et savoir quand quelque chose ne va pas.

Une phase de support bien conçue est plus qu’une simple phase opérationnelle : elle peut être une phase d’apprentissage critique pour vos équipes internes. Cela crée un espace pour le développement progressif des compétences, une compréhension plus approfondie du système et, en fin de compte, un chemin plus fluide vers une plus grande appropriation du système d'IA au fil du temps. Cela permet une amélioration continue des performances et de l’efficacité du système.

Par conséquent, plutôt que de considérer la mise en œuvre de l’IA comme une décision binaire entre « construire ou acheter », vous devriez la considérer comme une mosaïque d’activités. Certaines de ces activités sont hautement techniques, tandis que d’autres sont étroitement liées au contexte de votre entreprise. En définissant les responsabilités tout au long du cycle de vie de l’IA, vous pouvez :

• Clarifier les rôles et les compétences essentielles à la réussite
• Identifiez les capacités dont vous disposez déjà au sein de l’entreprise.
• Découvrez les lacunes où l’expertise extérieure est la plus précieuse.
• Planification du transfert des connaissances et de la propriété à long terme

Si vous souhaitez approfondir l'intégration de l'expertise métier dans vos systèmes d'IA, consultez mon article « Injecter l'expertise métier dans vos systèmes d'IA ». Il est important de noter que la frontière entre expertise métier et expertise IA n'est pas figée. Certains membres de votre équipe expérimentent peut-être déjà l'apprentissage automatique, ou d'autres souhaitent évoluer vers des rôles plus techniques. Avec un modèle de partenariat adapté et une stratégie de montée en compétences, vous pouvez évoluer vers l'autonomie en IA, en assumant progressivement davantage de responsabilités et de contrôle à mesure que votre maturité interne progresse.

Commencez tôt et concentrez-vous sur la communication lorsque vous établissez un partenariat en IA.

Vous savez maintenant que les décisions de fabrication ou d’achat doivent être prises au niveau des composants individuels de votre système d’IA. Mais si vous n’avez pas encore d’expertise en IA dans votre équipe, comment pouvez-vous imaginer à quoi ressembleront finalement votre système et ses composants ? Réponse : Commencez le partenariat tôt. Lorsque vous commencez à façonner et à concevoir votre stratégie d’IA, faites appel à un partenaire de confiance pour guider le processus. Choisissez quelqu’un avec qui vous pouvez communiquer facilement et ouvertement. Avec une bonne collaboration dès le début, vous aurez de meilleures chances de surmonter les défis de l’IA en douceur et avec succès. L’établissement de partenariats solides en matière d’IA, notamment avec des experts spécialisés, est essentiel pour garantir le succès des projets d’IA et atténuer les risques potentiels.

Choisissez un partenaire en IA possédant une expertise de base dans le domaine.

Votre partenaire IA ne doit pas seulement fournir du code et des ressources techniques, mais doit également aider votre organisation à apprendre et à se développer au cours de la collaboration. Voici quelques types courants de partenariats externes et ce que vous pouvez attendre de chacun :

• ExternalisationCe modèle élimine la complexité : vous obtenez des résultats rapidement, comme une dose de glucides rapides. Bien qu’efficace, elle offre rarement une valeur stratégique à long terme. Vous vous retrouvez avec un outil, pas avec des fonctionnalités plus puissantes.
• Partenariats académiques:Idéal pour l’innovation de pointe et la recherche à long terme, mais souvent moins adapté au déploiement et à l’adoption réels d’un système d’IA dans le monde réel.
• Partenariats de conseilÀ mon avis, c'est la voie la plus prometteuse, notamment pour les entreprises qui disposent déjà d'une équipe technique et souhaitent développer leur expertise en IA. Un bon consultant donne du pouvoir aux ingénieurs de votre entreprise, les aide à éviter des erreurs coûteuses et apporte des éclairages pratiques et fondés sur l'expérience à des questions telles que : Quelle est la boîte à outils technique adaptée à notre cas d'utilisation ? Comment pouvons-nous organiser nos données pour améliorer leur qualité et libérer un cycle de données robuste ? Comment pouvons-nous nous développer sans compromettre la confiance et la gouvernance ?

Un cadre détaillé pour la sélection de partenaires dépasse le cadre de cet article, mais voici un conseil durement acquis : méfiez-vous des sociétés d’externalisation et de conseil informatique qui ajoutent soudainement le mot « IA » à leurs offres après le boom de la GenAI de 2022. Elles peuvent vous charmer avec des mots à la mode, mais si l’IA ne fait pas partie de leur ADN, vous risquez de payer pour leur courbe d’apprentissage plutôt que de bénéficier d’une expertise complémentaire. Choisissez un partenaire qui a déjà fait le travail difficile et qui est prêt à vous transmettre cette expertise.

 

Doublez vos efforts de communication et de coordination.

Une communication et une coordination efficaces entre les parties prenantes sont essentielles dans les modèles de partenariat. Voici quelques rôles de communication importants à maîtriser dans votre entreprise :

• Les dirigeants et les experts du domaine doivent clairement identifier et communiquer les problèmes commerciaux qui méritent d'être résolus (plus sur les meilleures pratiques pour partager des idées sur l'IA) ici).
• Les utilisateurs finaux doivent partager leurs besoins dès le début, fournir des commentaires pendant l’utilisation et, mieux encore, devenir des partenaires dans l’élaboration de l’expérience de l’IA.
• Les équipes informatiques et de gouvernance doivent garantir la conformité, la sécurité et la sûreté tout en permettant l’innovation en matière d’IA, et non en l’entravant. Gardez à l’esprit : ces capacités ne semblent pas complètement formées.

Dans les projets d’IA, le risque d’une mauvaise coordination et de silos improductifs augmente. L’IA est encore un domaine relativement nouveau et la terminologie à elle seule peut créer de la confusion. Si vous vous êtes déjà retrouvé dans un débat sur la différence entre « IA » et « apprentissage automatique », vous savez ce que je veux dire. Sinon, je vous encourage à l’essayer lors de votre prochaine réunion avec vos collègues. Cela peut être tout aussi insaisissable que cette conversation avec votre partenaire qui commence par : « Nous devons parler. »

Visez un rapprochement des deux côtés pour résoudre l’ambiguïté et la déconnexion. Vos équipes internes doivent investir dans le perfectionnement et la construction d’une compréhension fondamentale des concepts de l’IA. D’un autre côté, vos partenaires d’IA devraient vous rejoindre à mi-chemin. Ils doivent éviter le jargon et utiliser un langage clair et orienté vers les affaires avec lequel votre équipe peut réellement travailler. Une collaboration efficace commence par une compréhension partagée.

CONCLUSION

La vraie question n’est pas : « Devons-nous construire l’IA ou l’acheter ? » Plutôt, « Comment pouvons-nous développer nos capacités d’IA d’une manière qui équilibre la vitesse, le contrôle et la valeur à long terme ? » La réponse réside dans la prise de conscience que l’IA est une combinaison de technologie et d’expertise, où le succès dépend de l’adéquation des bonnes ressources aux bonnes tâches.

Pour la plupart des organisations, la voie la plus intelligente consiste à Partenariat – Combinez les atouts de votre secteur avec une expertise externe en IA pour créer plus rapidement, apprendre plus rapidement et, en fin de compte, tirer le meilleur parti de votre parcours en IA.

Ce que vous pouvez faire ensuite :

• Définissez vos cas d’utilisation de l’IA par rapport à vos capacités internes. Soyez honnête à propos des lacunes.
• Choisissez des partenaires qui transfèrent des connaissances, pas seulement des livrables.
• Déterminez quels composants doivent être construits, achetés ou co-créés. Vous n’avez pas besoin de faire un choix binaire.
• Améliorez les compétences de votre équipe au fur et à mesure de votre progression. Chaque projet devrait vous rendre plus compétent et indépendant, et non plus dépendant des atouts et des compétences de votre partenaire.
• Commencez par des projets pilotes ciblés. Créer de la valeur et une dynamique pour l’apprentissage interne.

En adoptant aujourd’hui une approche stratégique du renforcement des capacités, vous posez les bases pour devenir une organisation basée sur l’IA – et, en fin de compte, une organisation pilotée par l’IA – à long terme.