Nous sommes récemment intervenus pour une agence régionale afin d’accompagner un métier sur l’automatisation du traitement des demandes qu’elle reçoit, et qui s’est demandé comment investir dans l’intelligence artificielle. Nous sommes intervenus pour aider les services de l’agence et nous vous livrons un exemple qui peut servir de modèle pour d’autres projets.

Comment investir dans l’intelligence artificielle pour ses métiers ?

Introduction

Bombardés d’articles et de vidéos sur les LLMs, vous vous demandez peut-être quel impact cela aura sur votre activité, et comment prendre le train qui semble filer à grande vitesse. En fait, les IA plus ou moins matures existent depuis longtemps (vision par ordinateur, transcription d’audio, segmentation de clients, etc.).

Je pense que le meilleur moyen de prendre le train de l’IA n’est pas seulement de s’offrir une licence de ChatGPT. Je pense qu’il faut aussi commencer par infuser vos activités d’IA déjà matures pour augmenter la performance des équipes et proposer des offres différenciantes à vos clients. Le reste viendra quand le mouvement sera lancé et que le gap sera réduit.

Alors, par où commencer ? Prenons l’exemple d’un service qui souhaite accélérer le traitement des demandes de ses clients.

Contexte et défi à relever

Notre client a souhaité automatiser le traitement de demandes, reçues sous forme de dossiers. Ces dossiers sont constitués de pièces théoriquement homogènes. Les critères d’acceptation ou de rejet sont connus de l’équipe métier. Mais la direction se demande comment investir dans l’intelligence artificielle qui fait tant parler d’elle pour améliorer le processus existant.

Etapes pour mener à bien le projet

Nous pouvons construire une « méta-démarche », où je dirais qu’il faut partir des extrémités de la chaîne de traitement et aller vers le coeur du réacteur ensuite :

  1. Formaliser les critères de décision

    • Peut-être l’étape la plus difficile, la formalisation des critères de décision et la stabilisation sont pourtant la base de la démarche ;
    • Elle permet de cadrer le reste du travail ;
    • C’est aussi le bon moment pour revoir son processus, pour ne pas seulement faire du vieux avec du neuf.
  2. Lister les données nécessaires à la prise de décision

    • Une fois que l’on sait ce dont on a besoin pour prendre une décision, il faut lister les données qui alimentent cette prise de décision ;
    • Ne pas oublier de réfléchir à celles qui pourraient améliorer le résultat, même si elles ne nous semblent pas accessibles. Par exemple, si je dois décider d’attribuer ou pas une aide sociale à un demandeur, il pourrait être utile de savoir si ce dernier n’est pas déjà dans un cimetière… Mais combien connaissent l’existence de l’API des personnes décédées pour nettoyer leurs bases ou estimer les risques de fraude ?
  3. Identifier les sources, étudier la forme des inputs et réfléchir aux traitements

    • Pour chacune des données nécessaires, il convient d’identifier les meilleures sources pour alimenter le réacteur : open data, données de l’organisation, achat via Starzdata, saisie manuelle…
    • Une fois que l’on a son minerai brut, il est utile selon moi de se poser la question : comment je pars de mon sable pour fabriquer une tranche de silicium ? Comment je pars de mon document non structuré pour en extraire le numéro SIREN des prestataires ?
    • Il est utile ici de s’appuyer sur un expert qui pourra peut-être dénicher des sources et des traitements créatifs ; c’est ce que nous nous efforçons de faire à chaque fois.
  4. Choisir les technologies

    • Les traitements que l’on souhaite appliquer vont guider le choix des technologies ;
    • Il vaut mieux utiliser des technologies matures qui existent depuis quelques années, qui ont des dizaines de millions d’utilisateurs ;
    • La meilleure option à mon avis est de s’appuyer sur les dires d’un expert. Elle ne garantit pas qu’on utilise ce qu’il y a de mieux ou de plus efficient, mais l’expert sait ce qui marche, et peut probablement vous accompagner sur le choix de solutions correspondantes ;
    • Ce travail est à faire pour chaque transformation que l’on veut réaliser. Par exemple :
      • Utiliser de l’extraction de texte depuis des images ;
      • Analyser le sens du texte extrait ;
      • Croiser ces données avec des informations connues sur le demandeur ;
      • Faire un scoring de dossier après avoir entraîné un algorithme d’apprentissage supervisé ;
    • Il faut aussi conscientiser le fait que tout n’est pas encore faisable par IA. Il faut réfléchir dès le début à ce qui devra être traité à la mano, et ce que ça va coûter. Peut-être que cette partie-là coûtera d’ailleurs 10x plus que tout le reste après la mise en production. Mais il faut se souvenir que ce que vous faites actuellement coûte 50x plus cher.
  5. Construire les solutions, tester

    • Le choix des technologies retenues demande alors de choisir les solutions qui conviennent :
      • Quel taux de faux positif/faux négatif tolère-t-on ?
      • A-t-on des contraintes réglementaires de type « expliquer le motif du refus » ?
      • Quel coût ?
      • Quelle capacité à rester indépendant des fournisseurs ?
      • Quelle facilité d’utilisation ?
    • C’est le bon moment pour en tester plusieurs, et reboucler avec l’étape précédente s’il s’avère que les technos que vous souhaitez utiliser ne sont pas assez matures par exemple. Typiquement, on ne peut pas dire avec conviction qu’en janvier 2024, on peut injecter un PDF dans ChatGPT et poser des questions sur le contenu pour obtenir une réponse vraie plus de 80 % du temps.
    • Quand j’utilise la phrase « comment investir dans l’intelligence artificielle », je pense à quelque chose de similaire à un investissement dans des actions. Quelles technologies vont répondre au mieux à mon besoin ? Quelles technologies peut-on mettre en oeuvre à d’autres endroits dans l’organisation ? etc.
  6. Mettre en oeuvre

    • Lorsque les tests sont concluants, il est temps de développer, tester, et mettre en production ce qui a été retenu ;
    • Permettre aux utilisateurs finaux de voir ce qui a été fait.
  7. Expliquer, former et communiquer

    • Selon la nature du projet, peut-être que les systèmes construits doivent assister des collaborateurs, leur fournir des informations, ou être alimentés en informations ;
    • Il faut donc prévoir des temps de formation et d’acculturation pour accompagner le changement de pratiques ;
    • Communiquer pour montrer que ce qu’on voulait faire est possible et faire des émules ;
      An image representing communication about an artificial intelligence project. The scene is set in a modern office meeting room with a diverse group of people

      Communiquer permet aussi de montrer ce qui est possible

  8. Démontrer le retour sur investissement

    • Estimer le coût du projet : vous avez construit un pont qui n’existait pas avant dans votre organisation après tout ;
    • Comparer le temps valorisé en €, les coûts des outils précédents et la valeur créée initialement, au temps valorisé en €, au coût des outils nouveaux et à la valeur créée nouvelle sur une période représentative ;
    • C’est une des parties les plus difficiles car :
      • Beaucoup considèrent que les collaborateurs représentent des coûts irrécupérables et donc que le temps passé par ses propres collaborateurs coûte 0 € (alors qu’un intérimaire coûte ?) ;
      • Il est parfois difficile de mesurer la valeur en € d’un service ; d’autres KPIs peuvent être utilisés (nombre de dossiers traités, qualité de service améliorée, etc.) ;
    • Tous ces éléments vous permettent d’estimer le retour sur votre investissement initial.

Conclusion

Investir dans l’intelligence artificielle pour optimiser les opérations métier, comme le traitement automatisé de demandes, s’avère être une démarche stratégique et pragmatique.

Notre expérience démontre que, malgré les défis, l’adoption de l’IA peut mener à des améliorations significatives en termes d’efficacité, de coût et de qualité de service. Cet investissement dans l’IA n’est pas seulement un gain technologique, mais un levier de transformation et d’innovation effectif pour l’organisation. La clé du succès réside dans l’approche méthodique et l’adaptation continue aux besoins et réalités spécifiques de l’entreprise.