| 8

Le rôle central du SI comme clé d accès à la mise en production pour une industrialisation a été rappelé lors de ces interventions. La relation avec le SI sera capitale pour éviter des développements en « shadow IT » qui risquent de ne pas être forcément adaptables par la suite. Coordonner le CDO, les métiers et acteurs de l IA (data scientists, développeurs, etc.) sur des projets rapides à expérimenter par des POCS avant la mise en production demeurent des facteurs de succès pour générer de la valeur. Ces premiers projets peuvent par exemple concerner la relation client avec des chatbot ou voice bot.

L expérimentation est la clé car la plupart des dirigeants et décideurs de l entreprise ne sont pas IA native et ont besoin d être rassurés ou convaincus de l efficacité de ces technologies. Cela est d autant plus important qu ils auront en charge par la suite d assurer un sponsorship fort de ces projets envers le reste de l organisation. Des questions de coûts sont à se poser également : est-il plus rentable de développer en interne de bout en bout ? D acheter des algorithmes ayant déjà fait leurs preuves ?

Au niveau de la data gouvernance, il est important de documenter systématiquement les prototypes pour que l entreprise ne se retrouve pas sans les informations nécessaires en cas de départ d un data scientist. La gestion des talents est un autre facteur de succès : data scientists, business analysts, tech lead, développeurs... Il faut considérer le talent de l ensemble d une équipe en mixant les compétences et en confrontant les points de vue pour retenir les meilleures solutions... Cette équipe pluridisciplinaire devra pouvoir participer au passage à l échelle, à l accompagnement au changement et aussi intégrer ponctuellement d autres équipes projet en interne.

Dernière recommandation émise par ces 3 retours d expérience : le passage à l échelle des solutions à base d IA nécessite la mise en place des outils de gestion de performance dès le début de la phase d innovation.