De nombreuses initiatives d’IA en entreprise échouent non pas parce que la technologie est défectueuse, mais parce qu’elles tombent dans le « piège du pilote ». Les entreprises lancent souvent des dizaines d’expériences déconnectées – un phénomène connu sous le nom de « étalement des projets pilotes » – qui ne se traduisent jamais en valeur commerciale réelle.
Des informations récentes fournies par les leaders technologiques de MassMutual et Mass General Brigham (MGB) révèlent comment les organisations surmontent cet obstacle. En remplaçant les expérimentations non coordonnées par une gouvernance rigoureuse, des indicateurs clairs et une intégration stratégique, ces entreprises transforment le potentiel de l’IA en productivité mesurable.
MassMutual : L’approche scientifique de la valeur
Pour MassMutual, une institution de services financiers vieille de 175 ans, l’IA n’est plus une expérience ; c’est une réalité de production. L’entreprise a intégré avec succès l’IA dans la souscription, les sinistres, le service client et l’informatique. Les résultats sont frappants :
– La productivité des développeurs a augmenté de 30 %.
– Les temps de résolution du service d’assistance informatique sont passés de 11 minutes à une seule.
– Les durées des appels au service client ont été réduites de 15 minutes à environ deux minutes.
Définir le succès grâce à des mesures
Sears Merritt, responsable de la technologie et de l’expérience d’entreprise chez MassMutual, souligne que chaque projet d’IA doit commencer par une hypothèse. Plutôt que de suivre les tendances, l’équipe se demande : Quel problème résolvons-nous et comment allons-nous le prouver ?
Pour éviter les frictions liées aux réajustements constants, MassMutual exige que le « succès » soit défini par les partenaires commerciaux avant qu’un outil n’atteigne la production. Cela garantit que la mise en œuvre technique correspond aux besoins réels du département.
Construire pour la flexibilité
Une stratégie clé pour MassMutual consiste à éviter le « verrouillage du fournisseur ». Le paysage de l’IA évoluant si rapidement, l’entreprise maintient un environnement très hétérogène. Ils ont créé des couches de services et API communes qui se situent entre leurs modèles d’IA et leurs systèmes centraux (y compris les mainframes existants).
Cette architecture leur permet de remplacer un modèle « meilleur de sa catégorie » par un modèle plus récent et meilleur sans reconstruire entièrement leur infrastructure à partir de zéro.
Messe du Général Brigham : Taille des « Mille Fleurs »
Alors que MassMutual se concentrait sur des mesures rigoureuses, Mass General Brigham (MGB) a dû se soumettre à un processus de consolidation. Pendant des années, les 15 000 chercheurs de MGB ont utilisé divers outils d’apprentissage automatique, conduisant à un paysage fragmenté de pilotes non gérés.
Passer de l’étalement à la stratégie
Le directeur technique Nallan « Sri » Sriraman décrit leur approche initiale comme une méthodologie de « mille fleurs qui s’épanouissent », permettant essentiellement à chacun d’expérimenter librement. Cependant, il réalisa qu’ils n’avaient pas mille fleurs ; ils ont eu quelques dizaines de tentatives déconnectées et manquant de direction.
Pour résoudre ce problème, MGB a opté pour une stratégie plus centralisée :
– Tirer parti des plates-formes existantes : Au lieu de créer des outils internes, MGB a commencé à donner la priorité aux fonctionnalités d’IA déjà déployées par ses principaux fournisseurs (tels qu’Epic, Microsoft et ServiceNow).
– “Plantation” stratégique : Plutôt que de laisser quiconque expérimenter, ils “plantent et nourrissent désormais soigneusement” les initiatives d’IA en intégrant des champions de l’IA au sein de groupes d’entreprises spécifiques.
– Environnements contrôlés : Ils utilisent des « petites zones d’atterrissage » pour tester des produits sophistiqués en toute sécurité, permettant ainsi de tester de manière contrôlée l’utilisation des jetons et le comportement du modèle.
Les garde-corps non négociables
Dans un environnement de soins de santé, les enjeux d’une erreur d’IA changent la vie. MGB a mis en œuvre des protocoles stricts de « humain dans la boucle ». Par exemple, même si l’IA peut aider à générer des rapports de radiologie, un médecin doit toujours examiner et approuver la décision finale.
De plus, les garanties techniques sont absolues :
– Confidentialité des données : Des règles strictes empêchent la saisie d’informations de santé protégées (PHI) dans les outils publics d’IA.
– Le “Kill Switch” : Chaque système d’IA opérationnel doit avoir un “gros bouton rouge” pour l’arrêter immédiatement en cas de dysfonctionnement.
– Observabilité : Des tableaux de bord en temps réel surveillent la « dérive du modèle » (lorsque la précision d’une IA se dégrade avec le temps) pour garantir la sécurité et la fiabilité.
L’essentiel
La transition de l’expérimentation de l’IA à la production de l’IA nécessite un changement de mentalité : passer du « pouvons-nous faire cela ? » à « comment cela génère-t-il de la valeur et comment pouvons-nous la gouverner ?
Que ce soit grâce à la rigueur scientifique de MassMutual ou à la consolidation disciplinée de MGB, la leçon est claire : le succès de l’IA d’entreprise ne dépend pas du nombre de projets pilotes que vous exécutez, mais de la discipline avec laquelle vous les faites évoluer.
