--

Article écrit en collaboration avec Pixis Conseil

--

‍

Sundhar Pichai, CEO de Google, affirmait récemment que l’IA aurait un impact plus fort que l’électricité ou le feu sur la société. La contribution de l’IA à l’économie mondiale est estimée autour de 15 billions (15 millions de millions) de dollars à horizon 2030.

Depuis le milieu des années 1950, l’IA a rencontré quelques victoires impressionnantes (jeu d’échecs, jeu de go, traduction automatique, compréhension du langage, conduite autonome, chatbots) mais dont les applications quotidiennes restaient relativement floues et l’impact sociétal marginal.

Le premier virage significatif de l’intelligence artificielle est en fait assez récent, il coïncide avec la multiplication des données que nous produisons et l'explosion de la puissance de calcul de nos équipements. Nous parlons ici de datafication de notre société et d’apprentissage automatique ou Machine Learning (ML).

Ce virage est déterminant car il permet de passer d’une gestion "rétroviseur" de notre activité qui prévalait jusqu’à présent (apprendre du passé pour ne pas le reproduire) à une vision prédictive : savoir ce qui va advenir et agir en conséquence. Les débouchés du Machine Learning semblent infinis.

Des prérequis à maîtriser pour tirer le meilleur de l'IA

La machine à fantasme sur l’IA est relancée mais la réalité technologique présente encore quelques limites :

1. Disponibilité des données

• Les données disponibles ne sont pas toujours en qualité et quantité suffisantes pour développer une IA performante. A titre d’exemple, l’IA de l’université de Stanford développée pour diagnostiquer les mélanomes de la peau, a un niveau de réussite équivalent à un panel de 21 oncologues. Mais pour cela, elle a eu besoin d’une immense base de données de 130 000 images pour développer son apprentissage.
• De plus, les données peuvent aussi comporter des biais. Par exemple, les ventes d’une année sur l’autre peuvent avoir été influencées par des facteurs aléatoires ou intégrables (météo, grèves...) pas toujours facilement identifiables. Ainsi le pouvoir prédictif de l’IA peut se trouver fausser par ces biais qu’il n’est pas toujours possible de neutraliser.
• L’autre biais majeur des données est que celles-ci, générées par nos comportements et interactions, sont susceptibles de reproduire les discriminations de notre société. Afin de créer des intelligences artificielles équitables, il convient de nettoyer ces données qui nourrissent l’IA pour qu’elle ne reproduise pas ces biais (discrimination ethnique, sexuelle ou religieuse) à l’échelle exponentielle qui est la sienne.

2. Mise à l’échelle des algorithmes d’IA

‍La performance mathématique des algorithmes de machine learning ne peut pas être une fin en soi, l’enjeu est la tenue de l’algorithme, son efficacité et sa résilience lorsqu’il doit subir un flux de données colossal. Cette compétence qui permet de passer d’un prototype à un application industrielle est tributaire d’une grande maturité dans la gestion de l’IA, de son algorithme et de son infrastructure. Cette maturité fait encore largement défaut.

Selon une étude de Gartner, 85 % des projets d'IA ne dépassent jamais le stade de prototype.

Cette capacité de faire :

1. des prédictions business à partir des données,
2. à un niveau industriel, c'est-à-dire capable de générer un ROI fiable à long terme,
3. le faire dans des délais raisonnables
4. à un coût raisonnable est le réel enjeu de l’intelligence artificielle aujourd’hui.

Cela est possible et particulièrement pour le retail, grâce au MLOps.

Contraction de Machine Learning et Operations, le MLOps est un ensemble d’outils et de pratiques qui permettent aux projet de Machine Learning de passer du stade de prototype créé à partir d’une quantité contrôlée de données au stade d’exploitation à grande échelle, traitant des flux exponentiels de données. Grâce à cela, le secteur de l’IA devient enfin mature. Le MLOps est aujourd’hui la condition sine qua non qui va enfin permettre le déploiement massif de l'IA par les entreprises.

La rencontre de l'IA avec l'univers retail

Cet outil de prédiction à grande échelle permet quatre grandes typologies d’applications particulièrement adaptées à la supply chain, la gestion de la relation client ou encore le marketing client / point de vente :

1. L’excellence opérationnelle
2. La création de produits innovants
3. L’hyper-personnalisation
4. La maîtrise des risques

De ces quatre grandes familles d’applications, un nombre infini d’actions peut être entrepris au cas par cas, parmi lesquels :

• La supply chain : l’utilisation de l’IA pour prédire les flux au sein de la Supply Chain permettrait d’optimiser les volumes de commandes amont/aval et le dimensionnement des équipes (en entrepôt notamment) en prenant en compte des variables tels que la météo ou les tendances de consommation
• La gestion de la relation client : la prise en charge des interactions clients les plus simples permettrait de décharger les opérateurs humains pour le traitement des cas les plus complexes
• Le marketing client/point de vente : Analyser les flux clients, faire évoluer l'implantation et prédire les produits qu’un client spécifique serait susceptible d’acheter lors de son prochain achat (en magasin, en ligne...) permettrait de booster les taux de transformation et faire croître le CA/m2 en magasin.
  
  Les paniers moyens des sites de e-commerce pourraient aussi être ciblés. Par exemple un conseiller clientèle en contact avec le client pourrait proposer des produits complémentaires sur les recommandations d’une IA qui aurait analysé le profil et l’historique du client.

Savoir identifier ce que l'on souhaite cibler

Du fait de ce foisonnement, il est essentiel de bien choisir les cas d’application pour viser un retour sur investissement tangible.

A titre d’exemple,  la startup Craft AI a développé une méthodologie en 6 étapes pour accompagner ses clients en un temps record :

‍

Pour pouvoir utiliser l'IA dans vos processus, il faudra enfin considérer ces dernières conditions :

Les facteurs business

• Quelles données et quelle performance espérée de l'IA ?
• Quelles données disponibles ? En quantité et qualité suffisantes ?
• Quel niveau de prédiction attendu ?
• Est-ce suffisant pour réaliser un POC ?
• Quels bénéfices attendus ? Quelles ampleurs pour justifier un POC ?
• Quel business plan pour les projets d'IA ? Quel ROI ?

Les facteurs humains

Transversalité

Il est important de disposer d'équipes transverses dès le démarrage du projet pour avoir une vision globale de la problématique et développer une IA performante.

Craintes liées à l'IA

Souvent perçue comme venant en remplacement des équipes existantes, elle peut inspirer la peur. L'IA est au service des équipes en aide à la décision. La confiance des équipes dans les résultats fournies et la clarté des modèles sont primordiaux.

Pixis Conseil est un cabinet de conseil indépendant, expert du Retail en stratégie et organisation, créé en 2005. Il est constitué de femmes et d'hommes expérimentés, avec une double expérience opérationnelle et conseil, pour apporter l'efficacité nécessaire à la réalisation de nos missions.

‍

Le cas particulier des GPAI (Modèles d'IA à usage général) : Les grands modèles de langage (LLM) comme Mistral AI, OpenAI ou Claude entrent dans un régime propre. Soumis à une application progressive, ils nécessitent des analyses d'impact approfondies pour évaluer les risques selon s’ils sont utilisés bruts, fine-tunés ou intégrés via API.

‍

3. La Méthode "RADAR" pour Auditer ses Cas d'Usage

Développée par Xavier Trigano, la méthode RADAR permet à toute organisation de piloter sa mise en conformité de manière itérative :

• R – Recenser : Cartographier exhaustivement tous les cas d'usage de l'entreprise (outils internes pour les collaborateurs et solutions commercialisées).
• A – Attribuer les rôles : Identifier si l'organisation agit en tant que Fournisseur de modèle, Fournisseur de système d'IA, Intégrateur ou Déployeur (utilisateur final). Une même entreprise peut cumuler plusieurs rôles.
• D – Déterminer le risque : Qualifier le niveau de risque selon le type de cas d’usage et sa finalité (Inacceptable ? Haut risque ? Limité ? Faible ?).
• A – Appliquer les mesures : Mettre en œuvre les actions techniques et organisationnelles requises par le niveau de risque identifié.
• R – Rédiger la documentation : Constituer le registre et les preuves de conformité (similaire à la logique de l'accountability du RGPD).

Focus "AI by Design" - L'exemple du tri automatique de CV : Un outil RH qui exclut ou accepte des candidats de manière 100 % autonome est classé "Haut Risque", avec un coût de conformité très lourd. La méthode RADAR recommande plutôt une approche by design : modifier les fonctionnalités de l'outil pour en faire un simple système d'aide à la décision (qui extrait les compétences clés du CV mais laisse la validation finale à un recruteur humain). L'outil apporte la même valeur métier, mais bascule en risque limité, allégeant drastiquement les contraintes légales.

‍

4. FAQ : Shadow IT, RGPD et Souveraineté

Comment lutter contre le Shadow AI en entreprise ?

L'interdiction pure et simple ne fonctionne pas. Pour maîtriser l'usage des LLM par les collaborateurs, la réponse doit être transverse :

• Définir un catalogue d'usages autorisés sur la base d'outils sécurisés mis à disposition.
• Utiliser des solutions technologiques de DLP (Data Loss Prevention) pour bloquer le chargement de données sensibles vers des LLM tiers.
• Mettre à jour la charte informatique et le règlement intérieur.

L'usage des LLM (ChatGPT, Claude...) viole-t-il le RGPD ?

Ce n'est pas l'outil qui caractérise la violation, mais la finalité de l'usage. Reformuler une campagne marketing sur Claude ne présente aucun risque RGPD. En revanche, y injecter l'intégralité du fichier RH de la pyramide des âges de l'entreprise sans précaution constitue un manquement grave.

Des alternatives souveraines (hébergées on-premise ou sur des clouds français/européens) permettent de pallier les risques liés au Cloud Act américain tout en garantissant une efficacité équivalente.

Comment encadrer mes équipes dans leur utilisation de l’IA ?

L'IA Act impose une obligation de formation pour tous les utilisateurs au sein de l'organisation. L'IA pouvant se tromper ou halluciner, seul l'esprit critique de l'humain formé permet de couvrir ce risque résiduel et d'assurer un contrôle qualité efficace.

‍

5. Conclusion : L'IA Act, un levier de confiance et de compétitivité

L'IA Act ne doit pas être perçu comme un frein à l’innovation, mais comme un cadre de confiance.

En intégrant la conformité dès la conception des projets, l'IA devient un levier pérenne de performance économique, d'acceptabilité sociale et de souveraineté.

‍

Envie de développer votre agent IA sur-mesure conforme à la réglementation AI Act ? Contactez nos équipes.

‍

‍

Et accédez au replay de ce webinaire dès maintenant !