L’intelligence artificielle (IA) chamboule le monde des entreprises. Pour en tirer parti et ne pas être une victime collatérale de Chat GPT, nous recommandons de mener une exploration stratégique, basée sur la compréhension de l’IA et des tendances sociétales et concurrentielles qu’elle provoque. Ensuite, imaginer ses impacts, positifs et négatifs, sur le modèle des entreprises, et apporter des premières réponses, afin d’anticiper et de profiter de l’opportunité qu’elle représente.

La démarche exploratoire est pluridisciplinaire – elle inclut également Chat GPT comme « expert » – et emploie les techniques de la prospective.

Son livrable doit permettre au dirigeant d’entreprise de savoir quoi faire, comment et quand, y compris dès aujourd’hui.

Posons le débat :

Nos convictions en tant que consultants :

Quelle que soit l’issue du débat, nous vivons une révolution technologique profonde, celle de la connaissance.

Le digital nous a permis de numériser notre monde, la Data de mieux comprendre aujourd’hui les mécanismes de systèmes complexes et de développer le capital Client. L’IA ouvre quant à elle un nouveau chapitre, celui du contenu, de la créativité et de la conversation. Nos ordinateurs conversent avec nous, interagissent, créent pour nous. Aujourd’hui, certaines IA sont utilisées pour valider un diagnostic médical ou expliquer des lignes de code écrites par un humain. Le champ est donc vaste et les applications nombreuses : si CHAT GPT est dans le top 3 de l’actualité, il ne faut pas oublier toutes les IA créées chaque jour pour des usages ciblés.

Ces différentes vagues vont, à nouveau, profondément transformer toutes les entreprises et, plus largement, nos sociétés. Les métiers du contenu, de la créativité, de la conversation et du chiffre sont amenés à se développer. Une certitude : nous allons travailler différemment, nous former différemment, prendre des décisions différemment, collaborer différemment. Peut être même que l’IA connaîtra mieux nos entreprises que nous-mêmes !

Il s’agit donc d’une rupture annoncée, qu’il convient d’appréhender et d’adapter, en termes d’usage et de jeu concurrentiel.

Le dirigeant doit, comme pour toute avancée technologique majeure, étudier les transformations sous-jacentes de l’IA, en mesurer les risques et, surtout, savoir en saisir les opportunités pour renforcer la position concurrentielle de son entreprise, voire bousculer la hiérarchie actuelle.

Mener une exploration stratégique NOW

Si l’IA suit la loi de Moore[3], et tout indique qu’elle pourrait le faire et qu’elle pourrait même la dépasser, il est urgent de se mettre en route dès maintenant. En particulier si le modèle d’affaires repose en partie sur la

« conversation » (plateaux téléphoniques, points de vente, services…).

Le dirigeant, avec ses équipes, doit engager une exploration stratégique pour imaginer ce qui doit, peut être fait à l’aide de l’IA, avec comme point d’application concret Chat GPT.

Les 4 thèmes de l’exploration : ChatGPT, les évolutions externes, les impacts pour l’entreprise et le plan d’action

1. Comprendre Chat GPT et consorts :

• Ce que cela fait à date, avec un rapide zoom sur les technologies sous-jacentes
• Ce que cela ne fait pas (encore), les perspectives d’évolution (vitesse, intensité)
• Les limites actuelles : efficacité, responsabilité, propriété de l’information source, propriété du contenu produit ; et les perspectives d’évolution
• Les acteurs technologiques et les écosystèmes associés
• Les solutions alternatives à Chat GPT, les modèles business et les performances associées ; rôle de l’open source

2. L’exploration des évolutions externes :

• Modification du jeu concurrentiel : nouveaux entrants, renforcement des acteurs en place
• Evolution des tendances « client » et de nos sociétés :
  • Le co-pilote, nouvel assistant du quotidien
  • Un monde envahi de contenus préfabriqués, formatés, où la capacité à imposer un standard de marché devient à nouveau primordiale
  • Un nouvel équilibre dans la relation client, avec des cartes rebattues dans l’asymétrie des informations ; un phénomène similaire à la fin du savoir avec le digital ?
  • Les nouveaux mécanismes d’émergence de la créativité humaine : l’exemple de la relation Tik Tok / industrie musicale
• Impacts de la réglementation européenne actuelle et future
• Impacts sur la politique de Responsabilité de l’entreprise
• Propriétés intellectuelles
• Usages de la donnée fournie à l’IA
• SWOT de l’entreprise dans ce nouvel environnement, avec les risques associés au statu quo

3. Ce que cela change pour les entreprises, son entreprise :

• Les nouveaux métiers (Un C-AI-O demain au Comex par exemple ?) et les métiers actuels augmentés (centaure / co-pilote IA) ; avec macro-évaluation des impacts sur les différents métiers de l’entreprise
• Une entité spécialisée dans l’IA, oui / non ?
• Les modèles économiques et opérationnels pour accéder à ces technologies
• Les impacts sur les Capex / Opex de l’entreprise
• Les impacts sur la politique RH (recrutement et GEPP en particulier)
• La politique de cybersécurité et d’utilisation des IA

4. Que faut-il en faire à court / moyen terme dans les entreprises :

• Analyse d’impacts par activité Business et par composant de la / les chaînes de valeur de l’entreprise, avec une attention aux modèles et métiers de contenu, de créativité et de chiffre, mais également de l’IT
• Prise en compte des courbes de diffusion des technologies dans nos sociétés et les entreprises[4]

Une méthode de travail basée sur l’intelligence collective

L’équipe cœur à réunir :

• Une équipe pluridisciplinaire, incluant a minima des prospectivistes et des technophiles,
• Une équipe ouverte à la remise en cause et à la prospective
• Une équipe au fait des enjeux business de l’entreprise
• Sans oublier Chat GPT

La démarche de travail :

• 4 à 5 ateliers de trois heures, sur la base d’un ordre du jour préétabli, préparés à l’avance, avec un preread pour chacun, sur une durée de 8 semaines
• L’utilisation de la prospective et des scénarios extrémisés pour se projeter dans les futurs possibles
• Une plateforme de collaboration pour que les participants continuent à échanger entre les ateliers
• Des échanges réguliers avec l’équipe de direction avec, en conclusion, un séminaire d’une journée sur le sujet réunissant l’équipe cœur et l’équipe de direction.

Pour clore les ateliers, une note de synthèse, à destination du Comité de Direction, qui :

• Décrit les scénarios prospectifs sur la base des scénarios extrémisés
• Identifie les pistes / sujets à approfondir, ceux qu’il convient de mettre « au frigo », et les quick wins, les preuves rapides,
• Qualifie les risques à ne pas faire,
• Evalue les investissements (compétences, jh, €) à consentir pour aller un cran plus loin,
• Présente une carte de transformation à 3/ 5 ans, avec un volet culturel, en gardant à l’esprit que ce pivot fait partie de la transformation,
• Décrit le dispositif de pilotage de cette transformation.

[1] https://www.linkedin.com/posts/williamhgates_the-age-of-ai-has-begun-activity-7043993848976482304-jE-z/?utm_source=share&utm_medium=member_ios

[2] https://futureoflife.org/open-letter/pause-giant-ai-experiments/

[3] Enoncé en 1975 dans sa deuxième formulation, la loi de Gordon Moore stipule que la puissance de calcul des ordinateurs double tous les 18 mois. Cette loi empirique s’est révélée exacte sur la période 1975-2023. [4] Toujours Bill Gates : « On surestime toujours le changement à venir dans les deux ans, et on sous-estime le changement dans les dix prochaines années »

La démocratisation d’Excel a permis un saut “quantique” de performance dans toutes les entreprises. Il en est de même pour la Data. C’est le nouveau game changer et c’est particulièrement vrai dans la banque.

Il faut donc démocratiser la Data, passer du Happy few au All Happy. Son appropriation par le plus grand nombre amplifie l’exécution de la stratégie, augmente la performance opérationnelle et permet de donner de la bande passante aux équipes pour transformer les modèles d’organisation et inventer la Banque de demain.  

Faire de tous les collaborateurs des hybridés de la Data, des Centaures au sens de la philosophe Gabrielle Halpern [1], tel est l’objectif. Compétences, modes de fonctionnement et culture sont les zones d’action de cette transformation. 

De réelles avancées… réservées à des happy few

La majorité des banques françaises a pris le virage de la Data. Elles ont engagé des investissements significatifs [2] comme la construction d’un socle technique permettant de collecter et de normaliser la Data afin d’en tirer pleinement parti, la constitution d’équipes Data couvrant l’intégralité de la chaîne de valeur ou encore le développement et la diffusion de cas d’usage métier grâce au recrutement de Data scientists. Enfin, elles ont initié une première acculturation des collaborateurs pour comprendre ce qu’est la Data et ce qu’elle permet. 

Cependant, la Data reste l’apanage de quelques happy fews au sein des banques. Aujourd’hui, Data est égal à Data Science : une science réservée aux initiés de la première heure, une science, pas encore un usage démocratique.  Si les cas d’usage se multiplient, qu’en est-il de leur diffusion et réelle utilisation ? Les bilans des équipes de Data Science mettent en avant les POC réussis mais, sur le terrain, le constat est sans appel : l’ensemble des équipes n’est pas encore pleinement immergé.  

C’est bien normal : toute innovation technologique majeure naît et se déploie progressivement. Pour bénéficier de tous les gains, les banques doivent maintenant intensifier et accélérer la dynamique de transformation par la Data.

Notre conviction est donc que, comme pour Excel, un grand nombre de collaborateurs, qu’ils soient Front Office, Back Office, fonctions support ou de contrôle, doivent demain faire de la Data leur outil de travail au quotidien. Il faut passer du Happy few au All happy. Et pour cela, passer à l’échelle.

Culture, compétences et modes de fonctionnement sont les domaines clés sur lesquels agir pour capter tous les gains, y compris ceux de la long tail [3].  

Fini le « bricolage » sur Excel, bienvenu à la Data : les banques doivent montrer l’exemple pour des questions de conformité, mais aussi pour gagner en productivité avec des équipes plus agiles et performantes

Qui n’a pas été confronté au problème de reproductibilité d’une analyse ?  

Il est souvent difficile de comprendre comment un résultat affiché dans un PowerPoint a été calculé et donc de le recalculer. Travaillons-nous avec les bonnes données ? Est-on sur le bon champ ? Certaines données ont-elles été retraitées ? Voire supprimées ? La définition de l’indicateur est-elle la bonne ?

Il faut bien avouer que des logiciels comme Excel ne facilitent pas l’adoption de bonnes pratiques en matière de traitement des données et favorisent plutôt une forme de « bricolage à tous les étages ».  

Aujourd’hui une telle situation n’est plus acceptable. Il faut donner les moyens aux utilisateurs de traiter les données de manière professionnelle : les bons outils, les bonnes pratiques, les bonnes méthodes pour garantir la traçabilité des données et des traitements réalisés, la reproductibilité des analyses et souvent leur automatisation. Au-delà de l’évidence en termes de qualité des process et de minimisation des risques d’erreur, c’est une nécessité d’un point de vue réglementaire, quel que soit le type d’analyses produites.  

Les effets collatéraux sont d’ailleurs bien souvent très positifs : les collaborateurs sont plus agiles et plus créatifs dans leur travail quotidien grâce aux nouveaux outils de la Stack Data [4] qui se révèlent être des couteaux suisses du traitement de données et des textes (y compris moissonnage de données sur internet, analyses de textes, etc.) et s’interfacent naturellement avec de nombreuses API (ex. chatGPT). Ces outils permettent également d’aller plus loin dans les analyses : techniques statistiques / Machine Learning plus avancées, visualisations plus complexes, tableaux de bord interactifs.

Enfin, la mise en place d’un environnement Data stimulant est aujourd’hui indispensable pour attirer et conserver les talents.  

Le niveau de maturité des banques rend possible cette transformation

Le moment est venu pour les banques de délaisser les outils classiques de calcul et de modélisation (et notamment Excel) au profit d’outils plus élaborés reposant sur l’utilisation massive de Data.

En effet, les banques ont fait l’effort de collecter et de normaliser la Data. Elle est désormais disponible « sur étagère », les règles de son utilisation sont bien établies et encadrent les usages des collaborateurs (en particulier les règles de sécurité IT). Ensuite, les outils récents (ex : Dataiku) sont intuitifs et permettent de développer en relative autonomie. De même, les interfaces de restitution Data sont intuitives (ex : Tableau) et facilitent le partage des travaux de chacun. Enfin, les jeunes diplômés sont désormais acculturés, voire formés à la Data à travers leur cursus scolaire 

De plus, l’utilisation plus systématique de la Stack Data permettra d’améliorer la traçabilité et l’auditabilité sur les données et leur utilisation et donc améliorer la mise en conformité des banques vis-à-vis des obligations des régulateurs. 

Les pré-requis techniques existent ; ils sont accessibles

Donner les moyens aux collaborateurs d’utiliser des langages plus avancés qu’Excel est déjà un premier pas qui peut produire des résultats même sans infrastructure dédiée. Certaines banques ont commencé ainsi, mais les résultats dépendent alors de la bonne volonté et de la motivation de quelques-uns, dans un cadre qui reste artisanal.    D’autres sont allées un cran plus loin pour tirer pleinement profit de cette transformation et ont mis en place tout un environnement simplifiant et sécurisant l’utilisation des logiciels et des données par les collaborateurs :

• Entrepôt(s) de données structurées 
• GIT : système de gestion des versions du code facilitant le travail collaboratif et le partage des analyses déjà réalisées  
• Si possible, un langage de programmation commun avec des règles et des bonnes pratiques partagées par tous (via des parcours de formation dédiés) 
• Une bibliothèque de programmes pour favoriser le partage d’information et la standardisation des pratiques 
• Des données de référence clairement identifiées tant pour les sources brutes que pour les données retraitées, potentiellement intégrées aux bibliothèques de programmes 
• Des interfaces de restitution pour tirer pleinement parti des développements dans une optique centrée sur l’utilisateur (qu’il soit interne ou externe) 

Si les enjeux techniques sont primordiaux, une transformation Data ne peut réussir sans une gouvernance mettant le métier et donc in fine les clients au cœur du programme d’action. C’est une révolution copernicienne du rapport aux données qu’il s’agit d’opérer, afin de mettre en place les prérequis pour que le métier soit au cœur de la gouvernance et non les données.  

L’accompagnement des collaborateurs et des managers de l’entreprise reste la clé de la réussite

L’enjeu n’est pas d’impliquer uniquement quelques “utilisateurs avancés” férus de nouvelles technologies. Il s’agit d’embarquer une masse critique de collaborateurs et de managers dans une transformation en profondeur de l’entreprise.  Cela demande d’organiser et de piloter un véritable programme de transformation, avec quatre conditions de succès :

1. S’assurer que les solutions techniques permettent d’exploiter de façon autonome et simple les données en respectant les contraintes de sécurité 
2. Organiser des parcours de formation et des échanges entre pairs sur ces outils de développement et les possibilités qu’ils offrent 
3. Démontrer l’intérêt que les équipes ont à utiliser ces nouvelles méthodes d’exploitation de la Data en obtenant rapidement des premiers résultats concrets 
4. Susciter l’envie en valorisant ces initiatives 

Ce n’est pas anodin car les banques capables de réussir cette transition prendront un avantage concurrentiel important sur leurs concurrents. C’est un programme de transformation transverse à l’ensemble de la banque qui doit être piloté par le Comex, car des gains majeurs sont à la clé.

[1] Tous centaures ! Éloge de l’hybridation – Gabrielle Halpern – Éditions Le Pommier, 2020

[2] Au niveau mondial, d’ailleurs, la part du secteur bancaire s’établissait, en 2019, à 13,9 % du chiffre d’affaires des Big Data et Analytics (source IDC).

[3] Concept marketing qui désigne le fait qu’un très grand nombre de références, utilisateurs, produits avec peu d’impact unitaire permet de maximiser ses gains au global plutôt que de compter sur le succès de quelques produits

[4] Stack Data : ensemble des outils et technologies (dont cloud) pour collecter, traiter, stocker et analyser les données