L’intelligence artificielle dans le monde des ERP : la recherche de cas d’utilisation révolutionnaires pour l’industrie
Le train de l’IA semble surchargé de sociétés technologiques, de consultants et de conseillers prônant les grandes opportunités d’affaires que l’IA apportera. Mais alors que le nombre de grands modèles de langage et de services d’IA augmente régulièrement, de véritables cas d’utilisation à valeur ajoutée pouvant changer la donne demeurent étonnamment insaisissables.
Compte tenu de l’importance stratégique de l’IA, pourquoi est-ce le cas? Notre équipe d’experts SAP et IA s’est réunie pour explorer ce problème afin de comprendre la cause première et de développer un cadre pour nous aider – nous et nos clients – à exploiter le potentiel révolutionnaire de l’IA. Au cours du processus, nous avons découvert certaines vérités surprenantes (et humbles) sur le rôle que joue l’intelligence humaine dans une application efficace de l’IA.
En tant que société de conseil SAP de premier plan, nous organisons régulièrement des ateliers avec nos clients pour identifier et développer des cas d’utilisation d’affaires dans nos centres d’excellence technologique et nos laboratoires d’IA. Avec le temps, nous avons observé plusieurs thèmes communs qui peuvent en partie expliquer pourquoi autant d’entre nous éprouvent de la difficulté à définir des cas d’utilisation solides pour l’IA. Nous avons découvert que c’est notre façon de penser, et non l’IA, qui est le problème. Plus précisément, la « pensée systémique » traditionnelle qui structure la façon dont plusieurs d’entre nous ont appris à résoudre des problèmes tend à faire défaut lorsqu’il s’agit d’identifier de bons cas d’utilisation pour l’IA.
Pour adopter l’IA efficacement, il faut penser différemment.
Comprendre les limites de la pensée systémique traditionnelle
La plupart des logiciels d’affaires développés et implantés au cours des 30 dernières années sont basés sur des données structurées, des règles et des algorithmes pour traiter les données, déclencher d’autres étapes durant un flux de processus logique et stocker les données d’affaires dans des bases de données structurées. Ces processus sont souvent très complexes, mais sont ultimement définis par un ensemble de règles d’affaires et de comportements codés dans le logiciel applicatif.
La génération d’ingénieurs et de consultants logiciels qui travaillent avec ces applications pensent donc naturellement en termes de règles, de processus et de structures de données. Je dois admettre que, lorsque j’essaie d’appliquer l’IA à des problèmes d’affaires, j’ai moi aussi souvent du mal à m’éloigner de l’idée de définir un ensemble de règles et de structures de données. Le problème, c’est que l’IA ne fonctionne pas de cette façon. L’IA apprend à partir de grands ensembles de données sources et d’exemples de résultats, reconnaît des schémas et élabore ses propres règles pour générer des réponses à des requêtes. L’entraînement de ce que l’on attend du modèle d’IA et un mécanisme de rétroaction pour modifier le résultat sont essentiels. Dans une IA véritable, à mesure que le modèle d’IA apprend, il modifie sa manière de répondre et ne produit pas toujours le même résultat.
Pour mieux comprendre comment la pensée systémique influence l’application de l’IA, il est utile de revisiter certains des premiers scénarios d’IA et de réfléchir à la façon dont ceux-ci ont influencé notre vision de l’IA dans le contexte des ERP. Les premiers cas d’utilisation d’IA étaient surtout centrés sur les assistants virtuels ayant la capacité d’interpréter et de répondre en langage naturel, que plusieurs d’entre nous ont d’abord découverts via Siri ou Alexa. Devinez quoi? Au-delà de la compréhension et du traitement d’une requête, les actions déclenchées étaient souvent des actions codées s’appuyant sur nos bons vieux amis, règles et processus.
J’aimerais maintenant aborder quelques exemples concrets tirés de nos ateliers clients et comment ils nous ont poussés à développer notre cadre d’élaboration de cas d’utilisation pour l’IA.
Exemple de cas d’utilisation 1 : Utiliser l’IA pour « corriger » un processus mal conçu
L’arrivée fracassante de ChatGPT a révélé la puissance créatrice de l’IA, et sa capacité à générer des réponses en langage naturel issues de l’apprentissage est presque troublante. Je me souviens de ma première expérience avec ChatGPT : j’ai demandé à ChatGPT d’écrire des paroles dans un genre musical particulier. La qualité du résultat était vraiment surprenante (et devrait rendre de nombreux professionnels des industries créatives franchement inconfortables!)
Le monde des affaires a également tenté de tirer parti de cette puissance créatrice. Nous avons vu émerger plusieurs cas d’utilisation où l’IA génère des réponses semblables à celles d’un humain en lien avec des événements d’affaires. À première vue, cela semble représenter de bonnes occasions pour l’IA. Toutefois, si l’on se demande si les réponses à ces événements d’affaires doivent être lues par des humains ou s’il serait préférable d’échanger des documents structurés à l’aide de standards ou de réseaux d’affaires reconnus, la réponse tend à être que les documents échangés dans le cadre de processus d’affaires sont beaucoup plus efficaces lorsqu’ils sont structurés selon des standards communs, approuvés ou des réseaux d’affaires.
Par exemple, un client nous a récemment demandé un POC pour automatiser un processus de retours dont le déclencheur était un courriel non structuré d’un client réclamant un retour sur un produit. Nous avons mis au point une solution avec ChatGPT pour interpréter le courriel et générer une réponse adéquate basée sur le sentiment exprimé dans le message du client.
À première vue, cela semble être un bon cas pour l’analyse de sentiment : utiliser l’IA pour créer une réponse adaptée au sentiment. Regardez de plus près et demandez-vous « Concevriez-vous un processus de retours optimal ainsi? » et la réponse est probablement « non », car cette approche ressemble davantage à une solution temporaire appliquée à un processus de retours mal mis en place.
La première question aurait dû être « À quoi ressemblerait un bon processus de retours? » Dans un scénario b2b, un retour serait déclenché à travers un système ERP relié à la commande d’origine et à l’inspection qualité de la réception de marchandise. La communication se ferait via une interface ou un réseau d’affaires, créant le bon de retour dans le système du fournisseur. Aucune des parties ne souhaiterait que le processus soit régi par courriel. Dans un scénario b2c, les détaillants en ligne s’attendraient à ce que vous initiiez le retour via leur boutique en ligne en y faisant référence à la commande d’origine ; ils remettraient alors un numéro de retour pour l’expédition et l’inspection à la réception, suivi d’un crédit ou d’un remplacement. Est-il nécessaire d’utiliser l’IA dans l’un ou l’autre de ces cas? Non : ils peuvent tous être facilement réalisés avec des approches traditionnelles.
Notre conclusion ? Évitez les cas d’utilisation qui suivent un ensemble de règles ou d’heuristiques, ou qui servent seulement à réparer une faille du processus sous-jacent.
Exemple de cas d’utilisation 2 : Attendre de l’IA ce pour quoi elle n’est pas conçue
Un certain nombre d’idées générées durant nos ateliers de réflexion sur les cas d’utilisation étaient axées sur les capacités prédictives. Pourquoi ne pas utiliser l’IA pour analyser les tendances et prévoir ce qui se produira ensuite ? Toutefois, ce n’est pas vraiment de l’IA. Il s’agit d’apprentissage automatique et de prévisions statistiques, qui sont disponibles dans la plupart des applications d’affaires comme SAP depuis un certain temps. Encore une fois, la limitation, c’est notre capacité à conceptualiser les véritables possibilités de l’IA, plutôt que de simplement chercher à lui confier des problèmes complexes à résoudre.
Ceci nous amène au prochain thème observé lors de nos ateliers : bon nombre de discussions sur les cas d’utilisation d’IA tendent à porter sur la résolution de problèmes complexes grâce à l’IA. Beaucoup de gens supposent que l’on peut simplement placer l’IA devant un problème complexe — pensant, bien sûr que l’IA pourra apprendre à le régler pour nous — sans la moindre idée de comment cela pourrait être réalisé. Encore une fois, ce n’est pas ainsi que l’IA fonctionne.
Fondamentalement, le problème est que plusieurs personnes du domaine technologique ne comprennent pas réellement l’IA ni comment elle peut être appliquée pour résoudre des problèmes d’affaires ou créer de nouvelles solutions d’affaires. De même, plusieurs experts en IA ne comprennent pas le monde des données ERP structurées auquel il faut connecter les solutions d’IA pour générer un cas à valeur ajoutée.
Alors, comment définir un bon cas d’utilisation pour l’IA ?
Nos lignes directrices pour l’élaboration de cas d’utilisation d’IA
Après examen de ces expériences, notre équipe a affiné son processus de réflexion sur l’IA et produit des lignes directrices pour éviter les pièges précédemment mentionnés et mettre l’accent sur des idées mieux adaptées aux solutions d’IA. La liste des directives est en fait assez simple, mais elle s’est avérée efficace pour éliminer très tôt les cas inadaptés dans le processus d’idéation.
Un bon cas d’utilisation pour l’IA doit :
- Utiliser de réelles capacités d’IA pour créer une valeur commerciale importante
- Avoir un problème d’affaires clairement défini que l’on veut résoudre
- Prendre des données non structurées, les interpréter et en faire quelque chose d’utile, ou extraire de l’information et contribuer à créer quelque chose de non structuré à partir de données plus efficacement qu’un opérateur humain pourrait le faire
- Avoir accès à des données d’apprentissage
- Disposer d’un mécanisme de rétroaction permettant de valider et d’améliorer la qualité des réponses de l’IA
En suivant ces principes directeurs, nos équipes ont depuis recensé et priorisé un ensemble de cas d’utilisation. Nous avons alors formé une escouade d’innovation IA chargée de les développer en réunissant des experts fonctionnels SAP, des experts techniques et des ingénieurs IA de notre laboratoire Cloud Native AI pour concevoir des extensions d’IA à nos solutions SAP cloud sectorielles. Résultat : les équipes peuvent maintenant plus facilement identifier de bons cas à valeur ajoutée, dont plusieurs font l’objet d’investissements et sont en développement.
Avec du recul sur notre cheminement en IA, j’ai remarqué que beaucoup cherchent des cas d’utilisation et des problèmes à résoudre avec l’IA. Une meilleure approche consiste à reconnaître que l’IA est un outil parmi d’autres qui peut être appliqué pour résoudre un problème d’affaires, optimiser des processus ou réaliser quelque chose de nouveau. C’est pourquoi, plutôt que de créer un cadre spécifique à l’IA pour l’entreprise, nous avons ajouté l’IA comme capacité à notre cadre d’ingénierie des processus intelligents (IPE).
L’IPE est une façon d’aborder la conception des processus, pour amener les concepteurs à maximiser l’intégration, l’automatisation et l’autonomie des processus grâce à des solutions technologiques intelligentes. Ce n’est pas une méthodologie normative, mais une série de défis et de questions servant à amener les concepteurs de processus à adopter divers points de vue et à analyser le problème sous d’autres angles. Cela s’appuie sur le laboratoire d’innovation virtuel IdeaX de HCLTech pour permettre le prototypage rapide et l’apprentissage en utilisant les plus récentes technologies SAP d’intégration, d’automatisation et de solutions d’IA. L’objectif global est de faire évoluer le mode de réflexion de l’équipe pour résoudre les problèmes d’affaires et livrer des solutions. Ce changement de perspective est probablement la leçon la plus importante à retenir de notre expérience.
En conclusion, tirer profit des avantages de l’IA dans les applications et processus d’affaires exige de laisser derrière nous la logique fondée sur les règles, apprise et raffinée au fil des ans, et d’apprendre à adopter de nouvelles façons de penser. Il ne faut pas sous-estimer la difficulté de porter un regard neuf, d’adopter une nouvelle approche et de percevoir des possibilités qui dépassent probablement notre cadre de référence actuel. Mais pour moi, la première étape cruciale a été de prendre conscience des limites de ma pensée fondée sur les règles et les algorithmes, et d’apprendre plutôt à visualiser des solutions basées sur l’IA.
