Aucun projet d’optimisation ne se fait sans intégrer l’IA notamment pour accélérer, sécuriser, automatiser des tâches répétitives dans tous les domaines des fonctions support..
Les compétences IA sont devenues incontournables dans les projets d’optimisation notamment des processus.
Mais c’est quoi exactement les compétences IA ?
Les compétences IA constituent en réalité un ensemble de compétences complémentaires permettant de passer de l’identification d’un potentiel d’usage à son déploiement opérationnel, sécurisé et créateur de valeur.
Il s’agit donc de maîtriser la chaîne de valeur depuis l’identification des usages jusqu’au déploiement opérationnel.
Au-delà de la maîtrise des outils, la compétence IA réside dans la capacité à identifier les situations et cas d’usage dans lesquels l’IA peut créer de la valeur, puis à concevoir des solutions techniques sécurisées, et à les intégrer durablement dans les processus et les pratiques de l’organisation.
Cette compétence repose sur trois dimensions complémentaires :
- La connaissance métier et la capacité à identifier les cas d’usage pertinents ;
- Les compétences technologiques permettant de concevoir, sécuriser et intégrer les solutions IA ;
- Les compétences de gestion de projet et de transformation permettant de passer de l’expérimentation au déploiement à l’échelle.
L’enjeu n’est donc pas simplement de disposer de spécialistes de l’IA, mais de construire une capacité IA collective, à l’intersection du métier, de la technologie et de la transformation
1. La connaissance métier : identifier les cas d’usage les plus pertinents
Cette première compétence IA n’est pas technologique elle repose sur la connaissance du métier et/ou de la fonction concernée.
Une entreprise peut en effet disposer des LLM les plus performants sans pour autant savoir où les utiliser efficacement.
Le point de départ doit donc être la compréhension des activités, des processus, des irritants et des sources de création de valeur.
Un bon cas d’usage IA repose sur la réponse à la question suivante : « Dans quelles activités l’IA peut-elle améliorer significativement la performance, la qualité, les délais ou l’expérience utilisateur ? »
Cette approche suppose de :
- Cartographier les processus.
- Identifier les tâches répétitives, complexes ou fortement consommatrices de temps.
- Analyser les volumes et les coûts associés.
- Identifier les activités nécessitant beaucoup de recherche ou d’analyse d’information.
- Repérer les activités dans lesquelles la décision humaine peut être augmentée par l’IA.
- Evaluer la qualité et l’accessibilité des données disponibles.
- Mesurer les gains potentiels et les risques associés.
Les quelques exemples ci-dessous listent des cas d’usage fréquemment rencontrés dans des fonctions support (Direction financière, DRH, Direction commerciale, Direction des opérations).
Dans une direction financière, les usages pourront concerner par exemple :
- Les relances automatiques des clients.
- Les réponses simples aux fournisseurs sur leur situation.
- L’analyse automatisée des écarts budgétaires.
- La détection de données de reporting présentant un intérêt pour une analyse poussée (voir la proposition de commentaires).
- L’analyse de données financières.
- La réconciliation de calculs avec des données contractuelles (par exemple le calcul d’appels de marges sur les activités de finance de marché).
- L’aide à la préparation des prévisions (budgets / atterrissages / trésorerie …).
- L’automatisation du traitement documentaire.
- Etc.
Dans les ressources humaines :
- L’analyse de CV.
- La production de supports RH.
- l’assistance aux collaborateurs.
- la recherche dans la documentation interne.
- l’analyse des compétences.
- Etc.
Dans une fonction commerciale :
- La préparation des rendez-vous ;
- L’analyse des comptes clients.
- La génération de propositions commerciales.
- L’analyse des échanges avec les clients.
- L’aide à la qualification des opportunités.
- Etc.
Dans les opérations :
- Optimisation du traitement des flux en masse.
- Vérification des conditions contractuelles clients.
- Confirmation de la prise en compte à la réception d’une demande client.
- Vérification de la complétude des dossiers clients.
- Relance du client en cas de non-complétude du dossier.
- Etc.
La compétence clé est donc moins de connaître l’IA que de savoir reconnaître les situations dans lesquelles elle peut transformer un processus.
2. Les compétences technologiques : comprendre les LLM, les données, la sécurité et l’interopérabilité
La deuxième dimension correspond aux compétences plus directement technologiques pour comprendre comment fonctionne une solution IA et quelles sont ses contraintes.
Comprendre les capacités et les limites d’un LLM et de l’IA générative et une condition clé à la mise en place de solutions IA.
Il ne s’agit pas de maîtriser toutes les composantes techniques (qui en outre évoluent chaque jour …), mais d’être en mesure de comprendre les questions fondamentales et de travailler en bonne intelligence et de manière efficace avec les équipes techniques pour prendre de bonnes décisions et implanter les solutions les plus appropriées.
La sécurité des données et la confidentialité sont deux composantes majeures de l’IA. Il est indispensable de répondre à des questions telles que :
- Quelles données peuvent être transmises à un modèle ?
- Où ces données sont-elles stockées ?
- Qui peut accéder aux données et aux résultats ?
- Le modèle réutilise-t-il les données fournies ?
- Comment protéger les données personnelles et confidentielles ?
- Comment contrôler les accès ?
- Comment tracer les usages ?
- Comment prévenir les fuites d’informations sensibles ?
- Comment gérer les risques liés aux réponses erronées ou manipulées ?
La sécurité IA est une compétence transverse associant DSI, RSSI, juridique, conformité et métiers.
L’interopérabilité avec le système d’information de l’entreprise via des API est également un point central. Une expérimentation IA est sans valeur industrielle si elle fonctionne en dehors du système d’information.
Le passage à l’échelle suppose donc de maîtriser l’intégration avec les outils existants (ERP, CRM, outils RH, WMS, systèmes métier, outils documentaires …) ainsi que l’architecture des bases de données.
L’enjeu est de transformer un POC en une solution intégrée dans l’écosystème IT de l’entreprise.
3. Enfin, la troisième dimension concerne la gestion de projet et de transformation pour garantir le succès du passage à l’échelle dans les meilleures conditions.
Une solution IA ne crée de valeur que lorsqu’elle est adoptée par les utilisateurs et intégrée dans les processus.
Il faut donc savoir conduire des projets qui combinent technologie, métier et conduite du changement.
La démarche de gestion de projet est organisée autour de six étapes :
1. Identification des opportunités et irritants métiers.
2. Qualification de la faisabilité et de l’opportunité
3. Priorisation pour constituer un portefeuille de cas d’usage et sélectionner les premiers projets en fonction du rapport valeur / faisabilité / risque.
4. Expérimentation pour vérifier la valeur réelle de la solution.
5. Industrialisation pour passer de l’expérimentation à une solution robuste.
6. Déploiement et adoption.
Ces trois dimensions peuvent être représentées comme un triangle :
MÉTIER
Identifier les bons problèmes et les bons usages
↕
TECHNOLOGIE
Construire une solution fiable, sécurisée et intégrée
↕
TRANSFORMATION
Déployer, faire adopter et créer durablement de la valeur
Aucune de ces trois dimensions ne suffit seule.
Une excellente connaissance métier sans compétence technologique peut conduire à des cas d’usage séduisants mais irréalisables.
Une excellente compétence technologique sans compréhension métier peut conduire à développer des solutions sophistiquées mais peu utiles.
Une excellente capacité de gestion de projet sans maîtrise du métier et de la technologie peut permettre de déployer efficacement… une solution qui ne répond pas au bon problème.