Applying Artificial Intelligence and Big Data Analytics in Forecasting the Effectiveness of Managerial Strategic Decision Making

Dans le monde des affaires moderne, les dirigeants sont confrontés à un défi constant : prendre des décisions à enjeux élevés dans un paysage qui change plus vite que n'importe quel individu ne peut le suivre. Pour naviguer dans ce contexte, de nombreuses organisations se tournent vers l'intelligence artificielle et l'analyse des mégadonnées. Il ne s'agit pas seulement d'outils de tri de fichiers ; ce sont des systèmes conçus pour trouver des modèles dans des quantités massives d'informations qui submergeraient un esprit humain. Cependant, une question critique demeure : ces systèmes numériques peuvent-ils prendre des décisions qui soient non seulement intelligentes, mais aussi juridiquement fondées et stratégiquement efficaces ? La réponse n'est pas simple. Une décision peut être efficace mais enfreindre une règle, ou elle peut respecter la loi mais échouer à atteindre un objectif commercial. Des chercheurs tentent désormais de construire un pont entre la puissance brute de l'analyse de données et les limites strictes de la conformité juridique, en se demandant si un ordinateur peut apprendre à évaluer l'importance d'un objectif commercial par rapport au risque d'une sanction juridique.

Un chercheur de l'Université Tay Do au Vietnam s'est donné pour mission de tester cette idée en construisant un système numérique conçu pour simuler la manière dont un gestionnaire pourrait prendre des choix stratégiques. Ils ont créé un environnement virtuel où un agent d'intelligence artificielle devait naviguer à travers un ensemble complexe de règles basées sur les lois relatives aux technologies de l'information. L'objectif était de voir si le système pouvait prédire la performance d'une décision, mesurée par un score commercial standard connu sous le nom d'indicateur clé de performance (KPI). Pour ce faire, le chercheur n'a pas simplement nourri l'ordinateur de chiffres bruts. Au lieu de cela, ils ont conçu le système pour qu'il imite cinq manières spécifiques dont l'esprit humain traite l'information : la capacité à gérer les ressources, la capacité de métacognition (penser sur sa propre pensée), la compétence à se concentrer sur l'essentiel, la vitesse d'apprentissage de nouvelles règles, et la capacité à comprendre les normes sociales et organisationnelles. Ces cinq compétences cognitives ont été traitées comme les blocs de construction du processus de décision de l'ordinateur.

Le chercheur a construit un pipeline numérique massif pour tester son idée. D'abord, le système a collecté du texte provenant de divers documents, tels que des rapports juridiques et des documents de politique générale, et les a nettoyés pour que l'ordinateur puisse les lire. Il a ensuite traduit ces règles écrites dans un format compréhensible par la machine, en attribuant des poids à différentes exigences comme la confidentialité des données ou l'alignement exécutif. Ensuite, le système a généré un ensemble de données simulées de 1 500 scénarios de prise de décision différents. Dans chaque scénario, l'ordinateur devait équilibrer ses cinq compétences cognitives par rapport aux règles juridiques pour produire un score final. Ce score représentait le succès de la décision, allant de zéro à cent. Le chercheur a ensuite entraîné un modèle d'apprentissage automatique sur ces données, lui apprenant à observer les cinq compétences cognitives et à deviner quel serait le score final. Ils ont utilisé une méthode qui construit de nombreux petits arbres de décision pour trouver des modèles, espérant que l'ordinateur puisse apprendre les connexions cachées entre la façon dont un système pense et sa performance.

Lorsque le chercheur a testé son modèle, les résultats ont révélé une vérité difficile sur l'état actuel de cette technologie. Le système a été capable de dérouler l'ensemble du processus de manière fluide, de la lecture des documents à la génération d'une liste finale de scores prédits. Cependant, lorsque le chercheur a vérifié l'exactitude des prédictions, il a constaté que le modèle peinait à capturer la véritable complexité du problème. Les suppositions de l'ordinateur étaient souvent éloignées de la réalité par une marge significative, et selon certaines mesures statistiques, le modèle performait moins bien qu'en se contentant de deviner le score moyen pour chaque situation. Les données ont montré que les résultats réels se divisaient en deux groupes distincts : les décisions ayant un score très bas et celles ayant un score très élevé, tandis que les prédictions de l'ordinateur avaient tendance à se regrouper dans la moyenne, manquant totalement les extrêmes. Cela suggère que, bien que le système puisse traiter l'information, il manquait du contexte profond nécessaire pour distinguer un choix moyen et sûr d'une stratégie à haut risque et haut rendement.

L'étude conclut que, bien que le cadre combinant l'intelligence artificielle avec la gouvernance juridique soit réalisable, la technologie n'est pas encore prête à remplacer le jugement humain dans ces domaines complexes. Le chercheur a constaté que les modèles actuels ne pouvaient pas pleinement rendre compte des variables cachées qui poussent une décision vers les catégories « haut risque » ou « haut rendement ». Il a noté que le système fonctionnait mieux lorsqu'il restait dans le juste milieu, évitant les résultats les plus extrêmes, ce qui est une approche sûre mais limitée pour la planification stratégique. Le chercheur suggère que les travaux futurs doivent se concentrer sur l'ajout d'informations plus détaillées au système, telles que de meilleures façons de mesurer le contexte juridique spécifique de chaque décision, et sur le développement de modèles capables d'expliquer leur raisonnement plus clairement. Pour l'instant, cette recherche sert de preuve de concept, démontrant qu'il est possible de traduire des règles juridiques en données numériques, tout en soulignant que le chemin vers une prise de décision stratégique véritablement autonome et conforme nécessite bien plus que de la simple puissance de traitement.