An integrated sociotechnical reference model for aligning artificial intelligence implementation in organizations
En utilisant une approche de recherche en sciences de la conception (Design Science Research), cette étude aborde le désalignement entre l'implémentation de l'IA et la transformation organisationnelle en analysant les modèles procéduraux existants pour construire le Modèle de Référence IA Sociotechnique Intégré (ISAR-M), qui synchronise les capacités techniques avec la préparation organisationnelle afin de surmonter les silos disciplinaires et d'assurer une adoption réussie de l'IA.
Article original sous licence CC BY 4.0 (https://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
Les entreprises modernes se lancent dans une course à l'adoption de l'intelligence artificielle, espérant que ces systèmes intelligents révolutionneront leur façon de travailler. Pourtant, malgré l'enthousiasme et l'importance stratégique accordée à cette technologie, la plupart des organisations ne parviennent pas à transformer leurs ambitions en résultats concrets. Le problème réside rarement dans le fait que le code informatique soit défectueux ou que les algorithmes soient trop faibles. Au contraire, l'échec provient généralement d'un décalage entre la technologie et les personnes qui doivent l'utiliser. Lorsqu'une entreprise installe un nouveau système, il ne s'agit pas seulement d'une mise à niveau technique ; c'est un changement de tout le fonctionnement de l'organisation, impliquant de nouvelles règles, de nouveaux rôles et de nouvelles façons de penser. Si la technologie progresse plus vite que les personnes ne peuvent s'adapter, ou si les personnes ne sont pas préparées aux nouveaux outils, le système stagne. Ce fossé entre ce qu'une machine peut faire et ce qu'une organisation est prête à gérer est le défi central que les chercheurs tentent de résoudre.
Une équipe de chercheurs de l'Université des sciences appliquées de Munich s'est donné pour mission de résoudre ce décalage. Ils ont remarqué que, bien qu'il existe de nombreux guides sur la manière de construire l'intelligence artificielle et de nombreux guides sur la gestion de la stratégie commerciale, il n'existe pas de voie unique et unifiée qui relie les deux. Les guides existants traitent souvent la technologie et l'aspect humain comme des problèmes distincts. Certains se concentrent entièrement sur les étapes d'ingénierie, comme le nettoyage des données et le codage, tout en ignorant la réaction des travailleurs. D'autres se concentrent sur des objectifs commerciaux de haut niveau mais n'offrent aucune étape pratique de mise en œuvre. Cette séparation crée une situation dangereuse où une entreprise pourrait construire une solution technique parfaite que personne ne sait utiliser ou que l'entreprise n'est pas prête à soutenir. Pour remédier à cela, les chercheurs ont analysé quarante-cinq modèles différents d'introduction de l'intelligence artificielle. Ils ne se sont pas contentés de les lire ; ils les ont décomposés pour voir exactement quelles étapes elles incluaient et ce qu'il leur manquait.
L'analyse a révélé que les approches actuelles souffrent de deux angles morts principaux. Premièrement, de nombreux modèles sont trop focalisés sur l'intérieur, examinant uniquement si la technologie fonctionne sans se demander si elle correspond au marché ou aux besoins commerciaux plus larges. Deuxièmement, ils sont souvent trop technocratiques, ce qui signifie qu'ils privilégient la performance de la machine au détriment de l'expérience humaine. Ils peuvent garantir que le logiciel est rapide et précis, mais échouer à concevoir le système de manière à ce qu'il soit facile à comprendre ou à la confiance pour un humain. Les chercheurs ont constaté que, bien que presque tous les modèles s'accordent sur l'importance de la qualité des données et de la valeur commerciale, très peu fournissent des instructions concrètes et étape par étape sur la manière de gérer le côté humain de l'équation, comme la formation du personnel ou la conception d'interfaces conviviales.
Pour résoudre ce problème, l'équipe a construit un nouveau cadre appelé le Modèle de Référence de l'IA Sociotechnique Intégrée. Ils n'ont pas inventé cela à partir de rien ; au contraire, ils ont agi comme des maîtres bâtisseurs assemblant les meilleures parties des quarante-cinq modèles étudiés. Ils ont sélectionné les deux guides existants les plus complets pour servir de fondation, puis ont comblé les pièces manquantes avec des étapes spécifiques et de haute qualité provenant d'autres modèles. Le résultat est une feuille de route unique et cohérente qui force une entreprise à progresser sur deux pistes simultanément : la piste technique et la piste humaine.
Ce nouveau modèle divise le processus en quatre étapes principales : Évaluer, Concevoir, Réaliser et Exploiter. Dans la première étape, Évaluer, une entreprise doit vérifier si elle est prête avant de dépenser de l'argent. Il ne s'agit pas seulement d'une vérification technique ; cela nécessite d'examiner les données, les règles juridiques et les personnes. Le modèle introduit un « verrou » strict à ce stade. Si les données sont médiocres ou si les autorisations légales sont floues, le projet s'arrête immédiatement. Cela empêche les entreprises de gaspiller des ressources dans des idées techniquement impossibles ou juridiquement risquées. Cela garantit que la stratégie commerciale est réellement soutenue par la réalité de ce que l'entreprise a à sa disposition.
Une fois qu'un projet franchit le premier verrou, il passe à l'étape de Conception. Ici, le modèle insiste sur le fait que les personnes qui utiliseront le système doivent être impliquées dans sa création. Au lieu que des ingénieurs construisent un outil dans un laboratoire pour le remettre plus tard, l'entreprise doit organiser des ateliers où les travailleurs aident à concevoir l'apparence et le ressenti du système. Cela garantit que l'outil correspond au travail réel. Parallèlement, l'équipe technique conçoit l'architecture du système. Le modèle exige que ces deux flux se déroulent en parallèle. Avant de poursuivre, un autre verrou vérifie si la conception est sûre, éthique et digne de confiance pour les personnes qui l'utiliseront. Si les travailleurs ne sont pas prêts ou ne font pas confiance au système, le projet ne peut pas continuer, quelle que soit la qualité du code.
La troisième étape, Réaliser, est celle où le système est construit et testé. Le modèle reconnaît que les logiciels peuvent être mis à jour très rapidement, mais que les humains mettent plus de temps à apprendre et à s'adapter. Pour éviter que la technologie ne progresse trop vite par rapport au personnel, l'entreprise crée des espaces sûrs pour l'expérimentation. Les travailleurs peuvent essayer le système dans un environnement à faible risque avant qu'il ne soit utilisé pour le travail réel. Cela les aide à se familiariser avec les nouveaux outils sans la peur de commettre des erreurs. Le modèle exige également que le système soit testé non seulement pour sa rapidité, mais aussi pour son équité et sa sécurité. Un dernier verrou vérifie si le système est prêt à être lancé. Il pose une question simple : la valeur que le système apporte justifie-t-elle le coût de son déploiement ? Si la réponse est non, le projet est suspendu.
La dernière étape, Exploiter, consiste à maintenir le système opérationnel sur le long terme. Les systèmes d'intelligence artificielle peuvent dériver au fil du temps, ce qui signifie qu'ils deviennent moins précis à mesure que le monde change. Le modèle exige une surveillance continue pour détecter ces changements. Mais il exige aussi un soin continu pour les personnes. L'entreprise doit communiquer continuellement avec le personnel, répondre aux inquiétudes et mettre à jour leurs compétences. Le modèle inclut un groupe de surveillance spécifique pour garantir que le système reste éthique et que les travailleurs humains ne soient pas submergés par la technologie. Cette étape garantit que la relation entre la machine et l'organisation reste saine à mesure que les deux évoluent.
Les chercheurs ont testé leur nouveau modèle en le passant par plusieurs scénarios hypothétiques. Dans un cas, ils ont imaginé une entreprise tentant de lancer un bot de service client sans vérifier si ses données étaient prêtes. Le premier verrou du modèle a stoppé le projet, épargnant à l'entreprise un échec coûteux. Dans un autre scénario, ils ont imaginé une équipe qui avait construit un système très précis mais qui avait sauté la formation des travailleurs. Le dernier verrou du modèle a bloqué le lancement, forçant l'équipe à revenir en arrière pour former le personnel d'abord. Ces tests ont montré que le modèle fonctionne comme un mécanisme de sécurité, interceptant les problèmes avant qu'ils ne deviennent des catastrophes.
Pour voir si le modèle fonctionnerait dans le monde réel, les chercheurs ont interviewé trois experts qui gèrent des projets d'intelligence artificielle dans différents types d'entreprises. Ces experts ont confirmé que l'idée de faire progresser les pistes technique et humaine côte à côte est nécessaire. Ils ont noté que, dans de nombreux projets actuels, le travail de gestion des personnes et de la culture est souvent invisible et se retrouve supprimé des budgets. Le modèle rend ce travail visible et obligatoire. Cependant, les experts ont également souligné que le modèle doit être flexible. Dans les startups en mouvement rapide, le processus pourrait avoir besoin de boucler de l'avant et de l'arrière plus rapidement que les étapes standards ne le suggèrent. Les chercheurs ont ajusté le modèle pour inclure ces boucles de rétroaction, garantissant qu'il puisse être utilisé aussi bien par de grandes entreprises stables que par de petites équipes agiles.
L'étude conclut que le principal obstacle à l'intelligence artificielle n'est pas la technologie elle-même, mais le processus de sa gestion. Le succès dépend de la capacité d'une entreprise à synchroniser la vitesse de son ingénierie avec la vitesse d'adaptation de ses employés. Le nouveau modèle offre une manière structurée de le faire, transformant les idées abstraites sur l'éthique et la culture en étapes concrètes qui peuvent être vérifiées et validées. Il suggère que l'avenir de l'intelligence artificielle dans les entreprises ne sera pas défini par l'intelligence des algorithmes, mais par la capacité des organisations à aligner leur technologie avec leur force de travail humaine. En suivant ce chemin intégré, les entreprises peuvent éviter le piège courant de construire des outils puissants que personne n'est prêt à utiliser, garantissant ainsi que leur investissement dans l'intelligence artificielle apporte réellement de la valeur.
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.