Comment améliorer la productivité décisionnelle de l’entreprise grâce à l’IA ?

Au début de l’année, la société ChatGPT a sorti l’intelligence artificielle (IA) de l’abstraction informatique et des fantasmes de la science-fiction pour la faire entrer dans les conversations pragmatiques du monde des affaires. La combinaison entre une interface de chat simple accessible à tous et de nouveaux risques à la fois surprenants et humanisants a offert tout son potentiel à l’IA.

Le célèbre cabinet d’analyse technologique Gartner a montré comment les cycles d’engouement technologique de ce type atteignent un sommet d’attentes exagérées avant de tomber dans un creux de désillusion sur la voie d’une éventuelle utilisation productive à long terme. Alors, comment les entreprises peuvent-elles dépasser l’hyperbole et la désillusion de l’IA pour trouver les moyens par lesquels celle-ci peut améliorer dès aujourd’hui la productivité du processus décisionnel de l’entreprise ?

Plutôt que de considérer l’IA comme une baguette magique capable d’améliorer toutes les décisions d’un seul coup, il est utile de décomposer le processus décisionnel en trois phases : l’encadrement, la décision et l’apprentissage. On peut ensuite analyser comment l’IA peut s’intégrer à chaque phase.

#1 Encadrement – Comment l’IA peut-elle aider les professionnels à encadrer leurs décisions ?

Il est essentiel de comprendre clairement le problème à résoudre et les questions auxquelles il faut répondre pour prendre de meilleures décisions, plus rapidement, et il est difficile de prendre les bonnes décisions en posant les mauvaises questions. Heureusement, c’est à l’étape de l’encadrement de la décision que les nouveaux modèles d’IA générative comme ChatGPT ont le plus de potentiel.

Cette opportunité se présente parce que la phase d’encadrement d’une décision est presque entièrement déterminée par les personnes, et que les personnes sont criblées de préjugés en matière de prise de décision. Les gens ont tendance à encadrer leurs décisions en posant des questions qui confirment leurs idées préconçues (biais de sélection), qui s’alignent sur les dernières informations qu’ils ont entendues (biais de récence), qui brossent un tableau optimiste (biais de planification) ou qui vont dans le sens du reste de l’équipe (pensée de groupe). Ces préjugés, et bien d’autres encore, ont un résultat quasi universel : les gens encadrent leurs décisions de manière trop étroite.

Les décideurs ont besoin d’accompagnateurs de décision ou de partenaires de réflexion pour élargir leur cadre décisionnel. Le partenaire de brainstorming idéal est très bien informé sur le plan professionnel, il n’est pas influencé par la politique de l’équipe, il a l’esprit ouvert sur notre situation spécifique et il est un peu farfelu pour susciter une réflexion qui sort des sentiers battus. Il est inutile d’avoir recours à un expert ou encore de viser la perfection. Il est préférable de demander l’aide d’une personne capable d’invoquer l’expertise et de susciter la créativité pour s’assurer que l’on ne passe pas à côté des questions les plus cruciales qui déterminent la plupart des résultats de la prise de décision.

Les modèles d’IA générative comme ChatGPT peuvent parfaitement jouer le rôle de ce coach de décision et de ce partenaire de brainstorming. Si l’on prend l’exemple simplifié d’une grande entreprise de biens de consommation, celle-ci dispose d’un cadre standard pour la prise de décisions en matière de gestion du changement, qui ressemble à peu près à ceci :

Comment aborder le problème de gestion du changement XYZ ?

1. Quel est le contexte du problème ?
2. Quelle est l’urgence de traiter ce problème ?
3. Quel est l’impact de l’inaction ?
4. Quelles sont les implications immédiates de la solution proposée ?

Voici une interaction représentative d’un décideur demandant à ChatGPT de suggérer trois questions supplémentaires qui amélioreraient la décision :

ChatGPT : Quels sont les risques potentiels si l’on ne s’attaque pas à ce problème de gestion du changement ?

Décideur : Est-ce que vous m’écoutez ? C’est exactement l’objet de la question n^o 3 ! Oh, attendez, peut-être devrions-nous ajuster cette question ainsi : « Quels sont les risques et les avantages si nous ne faisons rien ? »

ChatGPT : Quel sera l’impact de la résolution de ce problème sur nos clients ou nos parties prenantes ?

Décideur : Je vois où vous voulez en venir, mais cela recoupe certaines de ces questions. Laissez-moi réfléchir à la manière d’intégrer le point de vue du client dans ces décisions.

ChatGPT : Quelles sont les implications à long terme si nous n’agissons pas sur cette question ?

Décideur : Hmmm… ce n’est pas tout à fait exact, mais vous êtes certainement sur la bonne voie. Nous avons en effet tendance à trop nous concentrer sur le court terme et à ignorer les implications à long terme de nos décisions en matière de gestion du changement. J’actualiserai la question : « Quelles sont les implications immédiates et à long terme de la solution proposée ? »

D’une certaine manière, aucune des suggestions de coaching de ChatGPT n’était « correcte ». Cependant, elles ont toutes aidé le décideur à réfléchir plus clairement et plus largement à sa décision. Ce partenariat bénéfique entre une IA imparfaite, mais articulée, et une personne partiale, mais experte, change la donne aujourd’hui et à l’avenir.

#2 Décision – Comment l’IA peut-elle fournir aux professionnels les informations et les recommandations dont ils ont besoin pour prendre la bonne décision ?

La création d’une super-intelligence capable d’examiner un ensemble de données, de comprendre ce qui se passe et de donner aux gens la « bonne réponse » est le rêve des technologues de l’IA depuis le début. Malheureusement, les modèles d’IA générative comme ChatGPT ne résolvent pas ce problème pour trois raisons.

Tout d’abord, les décideurs ne veulent pas d’informations et de recommandations de la part de partenaires de brainstorming très intelligents, mais aussi inexpérimentés et légèrement farfelus comme ChatGPT. Ils ont plutôt besoin d’avis et de recommandations d’experts fiables et très bien informés, qui connaissent parfaitement leur entreprise et leur situation spécifique.

En outre, les modèles d’IA comme ChatGPT ne sont pas conçus pour analyser les vastes lacs de données commerciales au cœur de chaque entreprise moderne. Ils peuvent tenter d’imiter Ernest Hemingway, mais ne peuvent pas remplacer votre analyste de données. Pour obtenir des informations et des recommandations, les décideurs ont plutôt besoin de ce que l’investisseur en capital-risque Andreesen Horowitz a appelé l’IA de synthèse. Contrairement aux modèles d’IA générative qui créent de grandes quantités d’informations générales à partir d’invites simples, les modèles d’IA de synthèse consomment de grandes quantités d’informations spécifiques à l’entreprise et les réduisent à des idées et des recommandations simples.

Enfin, les décideurs ne feront pas confiance aux idées et recommandations générées par l’IA si elles ne sont pas transparentes et traçables. L’IA doit être construite autour d’une logique de décision que les décideurs humains peuvent comprendre et être directement liée aux données spécifiques de l’entreprise. Cela permet aux décideurs d’obtenir des réponses précises et compréhensibles de la part du système d’IA lorsqu’ils posent des questions :

• Transparence : Quelle logique avez-vous utilisée pour formuler cette recommandation ?
• Traçabilité : Quelles données et informations spécifiques vous ont permis d’obtenir ces informations ?

Si l’on prend l’exemple d’une grande entreprise alimentaire, celle-ci dispose de cadres standard pour prendre des décisions commerciales telles que « Comment devrions-nous modifier nos dépenses en médias ? »

Devons-nous adapter notre création à la marque XYZ ?

1. La marque est-elle dynamique et pertinente ?
2. La marque est-elle perçue comme prévu ?
3. La marque a-t-elle une forte présence mentale ?
4. Les consommateurs sont-ils émotionnellement connectés ?
5. La marque se distingue-t-elle de ses concurrents ?

Dans ce cas, les idées et les recommandations de l’IA basées sur les données spécifiques à la santé de la marque sont traçables et transparentes selon ce même cadre de décision. Par conséquent, les décideurs peuvent approfondir les recommandations de l’IA jusqu’à ce qu’ils atteignent les données sous-jacentes que l’IA a utilisées pour générer une recommandation.

Voici une version simplifiée de ce que cela donne :

Décideur : Devons-nous ajuster notre création pour la marque XYZ ?

Recommandation de l’IA : Oui, pour correspondre à votre nouveau positionnement.

Décideur : Quel est l’impact de la vitalité et de la pertinence de la marque sur cette recommandation ?

Intuition de l’IA : La marque n’est pas associée à son message de vente, alors que les concurrents le sont à des taux beaucoup plus élevés. Cela limite les achats et la connexion émotionnelle.

Décideur : Quelle est notre position concurrentielle en ce qui concerne les statistiques de l’entonnoir de la marque ?

L’intuition de l’IA : La marque XYZ fait partie des leaders du marché pour tous les indicateurs. Elle occupe la quatrième place pour la notoriété, l’achat et l’utilisation, et la troisième place pour la notoriété. Voici un graphique des statistiques actuelles de l’entonnoir de la marque.

Cet exemple est très différent de celui du coach de brainstorming ChatGPT « incorrect, mais toujours utile ». Ici, l’IA est un analyste de confiance. La logique de la recommandation de l’IA est entièrement transparente, et le décideur peut utiliser les informations générées par l’IA pour remonter à la dynamique commerciale sous-jacente afin d’acquérir une compréhension plus solide et d’éclairer son jugement lors de la prise de décision.

#3 Apprentissage – Comment l’IA peut-elle aider les professionnels à améliorer continuellement leur prise de décision au fil du temps ?

Le brainstorming de meilleurs cadres décisionnels et la fourniture d’informations et de recommandations transparentes et traçables sont des capacités de l’IA qui changent la donne. Cependant, la valeur de l’IA est encore plus grande lorsque les entreprises disposent de systèmes d’intelligence décisionnelle qui créent un système d’enregistrement des décisions commerciales. Ces enregistrements détaillés des décisions passées et de leurs résultats constituent de puissantes données d’entraînement pour un nouveau type d’IA, une « IA d’apprentissage » qui s’entraîne sur les décisions passées pour suggérer des changements qui optimisent les cadres de décision, les perspectives et les recommandations.

La pièce manquante dans la plupart des entreprises est le manque d’enregistrements de décisions à utiliser comme données d’entraînement à l’IA. L’IA générative comme ChatGPT utilise d’énormes volumes d’informations sur internet. L’IA de synthèse utilise d’énormes volumes de données commerciales. L’IA d’apprentissage a besoin d’un volume similaire d’informations sur le quoi, le qui et le comment des décisions commerciales et de leurs résultats avant de pouvoir trouver des moyens de guider une meilleure prise de décision.

Une dernière illustration du monde réel montre comment cette approche peut améliorer les résultats de l’entreprise. Après avoir consigné en détail ses décisions et résultats en matière de gestion du changement pendant six mois, l’entreprise de biens de consommation mentionnée dans le premier exemple a constaté que bon nombre de ses décisions ne tenaient pas suffisamment compte des impacts à long terme. Elle a résolu ce problème en affinant son cadre décisionnel afin de prendre en compte séparément les implications à court terme pour la première année et les implications à long terme sur trois ans.

Des changements aussi simples peuvent avoir des effets considérables. Dans le cas présent, l’amélioration du processus décisionnel a permis à l’entreprise d’économiser plus d’un million de dollars sur 60 décisions, et la valeur ne cesse de croître.

Le pouvoir de l’homme et de la machine

La prise en compte des personnes comme des membres irremplaçables de l’équipe dans les systèmes de prise de décision alimentés par l’IA montre comment utiliser l’IA dès maintenant pour tirer parti de l’expertise humaine et développer l’intelligence.

Tout comme les systèmes de sécurité automatisés des nouvelles voitures qui accompagnent les conducteurs en émettant des avertissements et en étant prêts à freiner, les technologies de l’IA peuvent accompagner les professionnels pour les aider à réfléchir à des cadres, à synthétiser des idées et des recommandations, et à apprendre à améliorer les résultats de leurs décisions.

Article traduit de Forbes US – Auteur : Erik Larson

<<< À lire également : L’Intelligence artificielle générative >>>