AI Strategy: How to Choose What AI Product to Implement
Ce document présente le cadre du ROI attendu (eROI), qui aide les entreprises à surmonter l'incertitude liée à la sélection de projets d'IA en évaluant séparément la valeur potentielle, la probabilité de succès et le coût de mise en œuvre de chaque idée afin de constituer un portefeuille robuste de paris à haut potentiel.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous êtes le capitaine d'un vaisseau spatial massif et que vous disposez d'une réserve de carburant limitée. Vous devez décider quelles planètes lointaines visiter. Certaines planètes semblent brillantes et prometteuses sur votre radar, tandis que d'autres semblent mystérieuses et potentiellement dangereuses. Dans le monde des affaires, ce « carburant » est l'argent et le temps, et les « planètes » sont les nouveaux projets. Pendant longtemps, les entreprises essayant d'utiliser l'intelligence artificielle (IA) ont été comme des capitaines devinant quelle planète visiter en se basant sur l'aspect cool de la planète, plutôt qu'en vérifiant si l'on peut réellement y atterrir ou si le voyage en vaut la peine. Ce document explore précisément ce problème : comment choisir quel projet d'IA construire quand on ne peut pas être sûr à 100 % qu'il fonctionnera ? Les auteurs introduisent une nouvelle façon de penser appelée « eROI » (retour sur investissement attendu). Au lieu d'essayer de deviner un chiffre magique unique pour le profit, ils suggèrent de décomposer la décision en trois questions simples : Combien d'argent gagnerions-nous si cela fonctionne ? Quelle est la probabilité que cela fonctionne réellement ? Et combien cela coûtera-t-il à construire ? C'est comme consulter une carte, un bulletin météo et un budget avant même de quitter le quai.
Les auteurs, qui sont des experts en affaires et en science des données, soutiennent que la plupart des entreprises échouent avec l'IA non pas parce que la technologie est trop difficile, mais parce qu'elles choisissent les mauvais projets pour commencer. Ils proposent un cadre appelé eROI (retour sur investissement attendu) pour aider les dirigeants à trier des centaines d'idées et à choisir les gagnantes. L'idée centrale est simple mais puissante : arrêtez d'essayer de tout condenser dans un seul chiffre déroutant. Au lieu de cela, séparez votre décision en trois piliers distincts.
Premièrement, demandez-vous : « Quelle serait la valeur si cela fonctionnait ? » Il ne s'agit pas seulement de l'argent immédiat ; il s'agit de savoir si le projet s'inscrit dans les grands objectifs de l'entreprise, s'il crée de nouveaux actifs de données pour l'avenir ou s'il apprend quelque chose de nouveau à l'équipe.
Deuxièmement, demandez-vous : « Quelle est la probabilité que cela fonctionne ? » C'est la partie délicate. L'IA est pleine d'incertitude scientifique. Ce n'est pas parce que vous avez les données que l'ordinateur peut forcément identifier le modèle. Les auteurs décomposent cela en quatre vérifications : Les clients l'utiliseront-ils ? Nos ingénieurs peuvent-ils le construire ? Avons-nous les bonnes données ? Et plus important encore, la science est-elle même possible ? Si la réponse à l'une de ces questions est « peut-être pas », tout le projet est risqué.
Troisièmement, demandez-vous : « Quel sera le coût ? » Cela ne concerne pas seulement le prix du logiciel. Cela inclut le temps que votre équipe y consacre, le coût de l'achat de nouvelles données et le travail acharné pour intégrer le nouvel outil dans vos routines quotidiennes existantes.
Pour montrer comment cela fonctionne, les auteurs racontent l'histoire d'une entreprise immobilière appelée Compass. Ils ont examiné trois idées d'IA différentes que l'entreprise envisageait :
L'outil « Probabilité de vente » : C'était un système qui analysait la liste de contacts d'un agent et signalait les personnes qui étaient les plus susceptibles de mettre leur maison en vente bientôt.
- Le verdict : Ce fut un coup de circuit. C'était une Valeur Très Élevée car cela aidait directement les agents à réaliser plus de ventes. C'était une Probabilité de Succès Élevée car les données étaient claires et la science était directe. C'était un Coût Moyen car l'équipe possédait déjà les outils pour le construire.
- Le résultat : L'entreprise l'a construit, et cela a fini par générer des centaines de millions de dollars de revenus supplémentaires.
L'outil « Temps sur le marché » : C'était un calculateur sophistiqué qui tentait de prédire exactement combien de temps une maison resterait sur le marché à un prix spécifique.
- Le verdict : C'était un piège. Bien qu'il paraisse avoir une Valeur Élevée sur le papier, la Probabilité de Succès était Faible. Pourquoi ? Parce que la science derrière cela était brisée. Pour prédire comment le prix cause une vente plus rapide, vous devez savoir ce qui se serait passé si le prix avait été différent. Or, on ne peut jamais voir ce scénario de « et si » dans la vie réelle. Les auteurs appellent cela un problème « causal », et sans expériences spéciales, l'IA ne pouvait pas le résoudre.
- Le résultat : L'entreprise a sagement mis cette idée de côté. Construire cet outil aurait été un gaspillage d'argent car la science n'était tout simplement pas là.
L'outil « Visualisation de rénovation » : C'était un outil d'IA générative qui prendrait une photo d'une cuisine délabrée et montrerait à quoi elle ressemblerait après une rénovation.
- Le verdict : C'était un « peut-être ». La Valeur était Faible à Moyenne car il existait déjà des moyens moins chers de faire cela (comme la mise en scène virtuelle). La Probabilité était Moyenne car l'IA pourrait commettre des erreurs bizarres qui pourraient fâcher les acheteurs. Le Coût était Moyen.
- Le résultat : Même si cela semblait cool et utilisait le dernier mot à la mode de l'« IA générative », les calculs ne correspondaient pas. L'entreprise a construit une version de cet outil, mais il n'a pas décollé car le risque d'erreurs était trop élevé par rapport au bénéfice.
Le papier suggère que le secret du succès ne réside pas seulement dans le fait d'avoir une grande idée ou les ingénieurs les plus brillants. C'est d'avoir un portefeuille de paris. Vous ne mettez pas tout votre carburant dans le seul « meilleur » projet. Au lieu de cela, vous mélangez quelques choses de sûrs (Victoires Rapides), quelques rêves risqués (Projets de lune/Moonshots) et quelques projets de recherche pour déterminer si ces grands rêves sont même réalisables.
Les auteurs précisent que vous n'avez pas besoin d'une mathématique parfaite pour utiliser cela. Vous n'avez pas besoin de calculer le profit exact au centime près. Vous avez juste besoin d'utiliser des évaluations simples comme « Faible », « Moyen », « Élevé » ou « Très Élevé » pour chacun des trois piliers. Cela aide les équipes à arrêter de se disputer pour savoir si un projet est « bon » ou « mauvais » et à commencer à avoir de vraies conversations sur le pourquoi il pourrait échouer ou réussir.
En fin de compte, ce document nous enseigne que choisir un projet d'IA est comme planifier un voyage en voiture. On ne peut pas simplement choisir la destination avec la plus belle image. Il faut vérifier si la voiture peut supporter la route (Certitude Technique), si vous avez assez d'essence (Investissement) et si la destination en vaut vraiment la peine (Valeur). En séparant ces questions, les entreprises peuvent cesser de gaspiller de l'argent dans des projets qui ont l'air bien mais qui sont impossibles à construire, et commencer à financer ceux qui changeront réellement la donne.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.