De nombreuses entreprises expérimentent simplement l’IA et ne planifient ni ne budgétisent le déploiement complet des systèmes d’IA.

La cause

Cela se produit généralement parce que les projets ne disposent pas de ressources, d’une portée et d’un temps suffisants.

La solution

L’adoption la plus agressive, combinée à la meilleure intégration avec la stratégie et les opérations, fournira finalement la plus grande valeur commerciale.

Si vous demandez à quelqu’un de nommer une entreprise qui place l’intelligence artificielle au centre de ses activités, vous entendrez probablement une liste prévisible de puissances technologiques : Alphabet (Google), Meta (Facebook), Amazon, Microsoft, Tencent et Alibaba. Mais dans les organisations héritées d’autres secteurs, de nombreux dirigeants estiment qu’il est au-delà des capacités de leur entreprise de se transformer en utilisant l’IA. Parce que cette technologie est relativement nouvelle, cependant, aucune entreprise n’était propulsée par l’IA il y a dix ans, donc toutes celles qui ont réussi ont dû accomplir les mêmes tâches fondamentales : elles ont chargé des personnes de créer l’IA ; ils ont arrondi les données, les talents et les investissements monétaires requis ; et ils ont agi aussi agressivement que possible pour renforcer leurs capacités.

Plus facile à dire qu’à faire? Oui. Dans de nombreuses organisations, les initiatives d’IA sont trop petites et trop timides; ils n’arrivent jamais à la seule étape qui peut ajouter de la valeur économique : le déploiement d’un modèle à grande échelle. Dans une enquête menée en 2019 par MIT Sloan Management Review et Boston Consulting Group, sept entreprises sur 10 ont indiqué que leurs efforts en matière d’IA avaient eu un impact minime ou nul. La même enquête a montré que parmi les 90 % d’entreprises qui avaient investi dans l’IA, moins de 40 % avaient réalisé des gains commerciaux au cours des trois années précédentes. Ce n’est pas surprenant : un programme pilote ou une expérience ne peut vous mener que jusqu’ici.

Au cours de nos recherches au cours des dernières années, nous avons identifié 30 entreprises et agences gouvernementales (qui ne sont pas toujours connues pour leur savoir-faire technologique) qui ont tout misé sur l’IA et en ont récolté les bénéfices. De nombreuses entreprises sont en concurrence dans des secteurs tels que la banque, la vente au détail et les produits de consommation. Après avoir étudié leurs parcours, nous avons identifié 10 actions que ces 30 organisations ont entreprises pour réussir à adopter l’IA.

Pour obtenir une valeur substantielle de l’IA, votre organisation doit fondamentalement repenser la façon dont les humains et les machines interagissent dans les environnements de travail. Vous devez vous concentrer sur les applications qui modifieront les performances des employés et la manière dont les clients interagissent avec votre entreprise. Vous devriez envisager de déployer systématiquement l’IA dans toutes les fonctions et opérations clés pour prendre en charge les nouveaux processus et la prise de décision basée sur les données. De même, l’IA devrait générer de nouvelles offres de produits et de services et de nouveaux modèles commerciaux. En d’autres termes, la technologie devrait éventuellement transformer tous les aspects de votre entreprise.

Chacune des 10 entreprises que nous énumérons dans cet article rapprochera votre entreprise de la transformation, mais pour y parvenir pleinement, vous devez éviter les efforts au coup par coup et vous attaquer aux 10 tâches. Les exemples ci-joints détaillent comment certaines organisations ont réussi. Votre entreprise peut choisir de gérer les tâches différemment ou de les aborder dans un ordre différent.

Les entreprises ambitieuses ont une idée précise de la manière dont elles entendent appliquer l’IA. Bien sûr, ils veulent mieux réussir financièrement, mais identifier et développer une IA transformationnelle nécessite un objectif plus clair. Certaines entreprises commencent à utiliser la technologie pour améliorer la vitesse des processus, réduire les coûts d’exploitation ou devenir de meilleurs spécialistes du marketing. Quelle que soit votre raison d’exploiter l’IA, nous vous recommandons d’identifier un objectif global bien défini et d’en faire un principe directeur pour votre adoption.

Les photographies modifiées numériquement de Carolyn Doucette explorent la présence humaine dans la nature.

Lorsque la pratique d’audit et d’assurance de Deloitte a commencé à développer Omnia, une plateforme d’IA propriétaire, en 2014, le principe directeur était d’améliorer la qualité du service à l’échelle mondiale. Créer un outil global dans ce domaine n’est pas aussi simple que de traduire des données dans plusieurs langues. Des différences importantes existent dans la manière dont les pays réglementent les données, y compris les normes de confidentialité, les processus d’audit et la gestion des risques.

Une partie importante de l’audit d’une entreprise consiste à collecter des données financières et opérationnelles dans un format facilement analysable. Étant donné que les structures de données diffèrent d’une entreprise à l’autre, l’extraction des données pertinentes et leur chargement sur une plate-forme d’audit peuvent demander beaucoup de travail. Bien qu’Omnia ait été testé avec un client américain, l’objectif d’en faire un outil mondial a créé plusieurs défis uniques au départ, tels que le développement d’un modèle de données unique qui fonctionnerait pour tous les clients et régions.

Envisager Omnia comme un outil mondial avant sa création a permis aux développeurs de Deloitte de se concentrer sur la standardisation des informations provenant de différentes entreprises dans différents pays – une entreprise énorme qui aurait été encore plus difficile plus tard dans le processus de développement.

Building Omnia a nécessité la pratique de l’audit et de l’assurance pour surveiller les start-ups technologiques du monde entier afin de trouver des solutions qui répondent aux besoins de Deloitte. Sans ces partenaires, Deloitte aurait dû développer les technologies en interne, ce qui aurait peut-être été possible, mais à un coût beaucoup plus élevé et dans un délai beaucoup plus lent. Une entreprise a besoin de partenariats solides pour réussir avec l’IA.

Deloitte a travaillé avec Kira Systems, une start-up basée au Canada avec un logiciel qui extrait les conditions contractuelles des documents juridiques. Les auditeurs de Deloitte ont toujours dû lire de nombreux contrats et effectuer cette tâche manuellement, mais désormais, la technologie de traitement du langage naturel de Kira identifie et extrait automatiquement les termes clés. Un autre partenaire, Signal AI, a construit une plate-forme qui analyse les données financières accessibles au public pour identifier les facteurs de risque potentiels dans l’entreprise d’un client. Un ajout récent à la plate-forme Omnia est Trustworthy AI, un module développé en partenariat avec Chatterbox Labs, qui évalue les modèles d’IA pour les biais.

La plupart des adopteurs d’IA qui ont réussi avaient d’importantes initiatives d’analyse en cours avant de se lancer tête baissée dans l’intelligence artificielle. Bien que toute forme d’apprentissage automatique puisse inclure d’autres technologies qui ne sont pas basées sur l’analytique, telles que les actions autonomes, la robotique et le métaverse, elle repose sur l’analytique, c’est pourquoi la maîtrise de l’analytique est cruciale pour l’adoption de l’IA.

Mais que signifie exactement « maîtriser l’analyse » ? Dans ce contexte, cela nécessite un engagement à utiliser les données et l’analyse pour la plupart des décisions, ce qui signifie changer la façon dont vous traitez avec les clients, intégrer l’IA dans les produits et services et effectuer de nombreuses tâches, voire des processus métier entiers, de manière plus automatisée et intelligente. . Et pour transformer leurs activités avec l’IA, les entreprises doivent de plus en plus disposer de données uniques ou propriétaires : si tous leurs concurrents disposent des mêmes données, ils auront tous des modèles d’apprentissage automatique similaires et des résultats similaires.

Pour obtenir une valeur substantielle de l’IA, votre entreprise doit repenser fondamentalement la façon dont les humains et les machines interagissent dans les environnements de travail.

Seagate Technology, le plus grand fabricant de disques durs au monde, possède d’énormes quantités de données de capteurs dans ses usines et les utilise intensivement au cours des cinq dernières années pour améliorer la qualité et l’efficacité de ses processus de fabrication. L’un des objectifs de cet effort a été d’automatiser l’inspection visuelle des tranches de silicium, à partir desquelles les têtes de lecteur de disque sont fabriquées, et des outils qui les fabriquent. Plusieurs images au microscope sont prises à partir de divers ensembles d’outils tout au long de la fabrication de la plaquette. En utilisant les données fournies par les images, l’usine Seagate du Minnesota a créé un système automatisé qui permet aux machines de trouver et de classer directement les défauts des plaquettes. D’autres modèles de classification d’images détectent des microscopes électroniques flous dans les outils de surveillance pour déterminer si des défauts existent réellement. Depuis le premier déploiement de ces modèles, fin 2017, leur utilisation s’est considérablement développée dans les usines de plaquettes de l’entreprise aux États-Unis et en Irlande du Nord, ce qui a permis d’économiser des millions de dollars en coûts de main-d’œuvre d’inspection et de prévention des rebuts. La précision de l’inspection visuelle, à 50 % il y a quelques années, dépasse maintenant les 90%.

Les données sont le fondement du succès de l’apprentissage automatique, et les modèles ne peuvent pas faire de prédictions précises sans de grandes quantités de bonnes données. Il est juste de dire que le plus grand obstacle pour la plupart des organisations dans la mise à l’échelle des systèmes d’IA est l’acquisition, le nettoyage et l’intégration des bonnes données. Il est également important de rechercher activement de nouvelles sources de données pour de nouvelles initiatives d’IA, ce dont nous parlerons plus loin dans cet article.

Vous aurez besoin d’un moyen de déployer facilement des données, des analyses et une automatisation dans vos applications d’entreprise. Cela nécessite une infrastructure technologique capable de communiquer et de comprendre les données d’autres environnements informatiques, à la fois à l’intérieur et à l’extérieur de votre entreprise. Les logiciels d’un centre de données traditionnel sont généralement conçus pour communiquer uniquement avec les logiciels du même centre de données. L’intégrer à des logiciels extérieurs à cette infrastructure peut prendre du temps et coûter cher.

Une architecture informatique flexible facilite l’automatisation de processus complexes, tels que l’extraction par Deloitte des termes clés des documents juridiques. Si vous ne pouvez pas développer une telle architecture par vous-même (peu de petites et moyennes entreprises le peuvent), vous devrez peut-être vous associer à une société telle que Microsoft Azure, Amazon Web Services (AWS) ou Google Cloud.

Capital One, reconnue depuis des décennies comme une centrale d’analyse, a utilisé l’analyse pour comprendre les habitudes de dépenses des consommateurs, réduire le risque de crédit et améliorer le service client. (Divulgation : l’un d’entre nous, Tom, a été conférencier rémunéré pour Capital One.) En 2011, Capital One a pris la décision stratégique de réinventer et de moderniser sa culture, ses processus d’exploitation et son infrastructure technologique de base. La transformation a impliqué le passage à un modèle agile pour la livraison de logiciels, la création d’une organisation d’ingénierie à grande échelle et l’embauche de milliers de personnes pour des rôles numériques. Cela a également inspiré l’entreprise à déplacer ses données vers le cloud.

Capital One a construit son architecture cloud en partenariat avec AWS. Mais avant le passage au cloud, les dirigeants de Capital One ont dû repenser l’avenir de la banque. Les canaux numériques vers lesquels les clients migraient, tels que le site Web et l’application mobile de la banque, produisaient beaucoup plus de données que les interactions en personne, donnant à la banque l’occasion de mieux comprendre comment les clients interagissaient avec elle. Le passage au cloud était stratégiquement logique, en partie parce qu’il réduirait les coûts de stockage des données. En 1960, le stockage d’un gigaoctet coûtait 2 millions de dollars, selon les données de la Marshall School of Business de l’USC. Ce coût est tombé à 200 000 $ dans les années 1980, à 7,70 $ au début des années 2000 et, grâce au stockage en nuage, à seulement 2 cents en 2017.

La banque a déterminé qu’AWS pouvait fournir un stockage de données et une puissance de calcul pilotés par logiciel, massivement évolutifs et instantanément disponibles dans le cloud à un coût bien inférieur à celui du stockage des données sur site. De nouveaux outils et plates-formes d’apprentissage automatique innovants étaient également disponibles sur AWS. Il n’était plus logique pour l’organisation informatique de Capital One de créer et de gérer des solutions d’infrastructure pour toutes ces données. Au lieu de cela, il a commencé à se concentrer sur le développement de logiciels et de capacités commerciales. Aujourd’hui, Capital One analyse en temps réel un flux infini de données provenant de transactions Web et mobiles, de distributeurs automatiques de billets et de transactions par carte pour répondre aux besoins des clients et prévenir la fraude. En 2020, la banque avait fermé son dernier centre de données et déplacé toutes ses applications et données vers le cloud AWS.

Certes, de nombreuses entreprises ont déjà migré des données et des applications vers le cloud (ou en sont originaires). Ceux qui ne l’ont pas fait auront plus de mal à devenir des adopteurs agressifs de l’IA.

Les processus métier inflexibles peuvent être aussi contraignants que les architectures informatiques inflexibles. Les entreprises décrites dans cet article se sont efforcées d’intégrer l’IA dans les flux de travail quotidiens des employés et des clients. Pour ce faire dans votre organisation, déterminez lesquels de vos flux de travail sont mûrs pour la vitesse et l’intelligence de l’IA et commencez à y intégrer l’IA dès que possible. Évitez d’essayer de l’entasser dans des flux de travail qui ne bénéficieraient pas de la vitesse et de l’échelle de la machine, tels que des processus métier rarement utilisés qui n’impliquent ni ne génèrent d’énormes quantités de données et de répétitions.

L’intégration du flux de travail nécessite un plan d’attaque encore plus spécifique que la tâche 1, « Sachez ce que vous voulez accomplir ». Supposons que vous ayez décidé d’améliorer le service client. Mais l’intégration de l’IA dans les flux de travail existants du service client nécessite une connaissance approfondie sur le terrain de ces processus que peu de cadres supérieurs possèdent. Les employés de ligne, cependant, ont une perspective idéale pour déterminer quels processus peuvent bénéficier de l’intelligence artificielle et comment les processus peuvent être spécifiquement améliorés.

Certaines branches du gouvernement américain ont identifié des tâches et des flux de travail spécifiques qui étaient idéaux pour la vitesse et l’échelle de l’IA. La NASA, par exemple, a lancé des projets pilotes dans les comptes créditeurs et débiteurs, les dépenses informatiques et les ressources humaines. (Grâce au projet RH, 86 % de ses transactions RH ont été réalisées sans intervention humaine.) L’administration de la sécurité sociale a utilisé l’IA et l’apprentissage automatique dans son travail d’arbitrage pour relever les défis liés aux lourdes charges de travail et pour garantir l’exactitude et la cohérence des décisions. -fabrication. Au début de la pandémie de Covid-19, le ministère des Anciens Combattants a mis en place des chatbots d’IA pour répondre aux questions, pour aider à déterminer la gravité des cas confirmés et pour trouver des emplacements potentiels pour l’admission des patients. Le laboratoire de sécurité des transports de la Direction des sciences et technologies du Département de la sécurité intérieure explore les moyens d’intégrer l’IA et l’apprentissage automatique dans le processus de contrôle de la TSA afin d’améliorer le contrôle des passagers et des bagages. L’Internal Revenue Service utilise l’IA pour tester quelles combinaisons de mises en demeure sont les plus susceptibles d’inciter un contribuable qui doit de l’argent à envoyer un chèque.

Une fois que vous avez testé et maîtrisé l’IA en interne dans un flux de travail spécifique, vous souhaiterez devenir plus agressif dans son déploiement dans toute l’organisation. Plutôt que de concevoir un modèle algorithmique pour un processus, votre objectif devrait être de trouver une approche unifiée pouvant être reproduite dans toute l’entreprise.

Selon Chris Donovan, son directeur exécutif de l’analyse d’entreprise et de la gestion de l’information, la Cleveland Clinic a « l’IA qui apparaît partout ». Son groupe facilite les efforts menés par les travailleurs pour développer et déployer l’IA tout en proposant des approches de gouvernance dirigées par les dirigeants. Jusqu’à présent, l’effort a été mené par une communauté de pratique interorganisationnelle ancrée dans les départements d’analyse, d’informatique et d’éthique de l’entreprise.

Le plus grand défi auquel les dirigeants sont confrontés est de créer une culture qui met l’accent sur les décisions et les actions basées sur les données et qui est enthousiaste quant au potentiel de l’IA pour transformer l’entreprise.

Comme la plupart des organisations qui entament des transformations agressives de l’IA, la clinique est confrontée à un énorme défi impliquant des données et des analyses. Selon Donovan, les hôpitaux disposent de beaucoup moins de données que les organisations d’autres secteurs, et il est moins probable qu’elles soient propres et bien structurées. Les données de Cleveland, dit-il, présentent des problèmes de qualité, sont mal saisies, sont saisies de différentes manières et impliquent différentes définitions dans l’ensemble de l’institution. Même une mesure courante telle que la pression artérielle peut être prise lorsque le patient est debout, assis ou couché, généralement avec des résultats variables, et est enregistrée de différentes manières. La connaissance des structures de données de chaque pratique est nécessaire pour interpréter les données de PA avec précision. Plutôt que de laisser la préparation des données à chaque pratique au sein de la clinique pour chaque ensemble de données individuel.

La Cleveland Clinic utilise également l’IA pour évaluer les risques dans le domaine de la santé de la population, où elle a construit un modèle prédictif qui aide à prioriser l’utilisation de ressources rares pour fournir des soins aux patients qui en ont le plus besoin. Le score de risque prédictif est désormais sa principale méthode pour déterminer qui reçoit un appel téléphonique pour s’enregistrer. Un patient diabétique qui a des difficultés à gérer la maladie, par exemple, obtiendrait un score de risque élevé. La clinique a construit un autre modèle pour identifier les patients à risque de contracter une maladie mais qui n’en ont pas d’antécédents ni de symptômes. Il est utilisé pour les programmer de manière proactive pour des soins préventifs. CC travaille également à identifier les patients ayant des conditions de vie ou de travail problématiques qui affectent leur santé ; ils peuvent avoir besoin d’un travailleur social autant que d’un médecin ou d’un laissez-passer d’autobus pour se rendre à des rendez-vous médicaux.

Confier à quelqu’un la responsabilité de déterminer comment l’intelligence artificielle est déployée dans l’ensemble de l’organisation facilite la transformation. Les meilleurs dirigeants sont conscients de ce que l’IA peut faire en général, de ce qu’elle peut faire pour leur entreprise et des implications qu’elle pourrait avoir sur les stratégies, les modèles commerciaux, les processus et les personnes. Mais le plus grand défi auquel les dirigeants sont confrontés est de créer une culture qui met l’accent sur les décisions et les actions basées sur les données et rend les employés enthousiastes quant au potentiel de l’IA pour améliorer l’entreprise. En l’absence de ce type de culture, même si quelques défenseurs de l’IA sont dispersés dans l’organisation, ils n’obtiendront pas les ressources dont ils ont besoin pour créer d’excellentes applications et ils ne pourront pas embaucher des personnes formidables. Et si des applications d’IA sont créées, l’entreprise ne les utilisera pas efficacement.

Quel type de leader peut favoriser la bonne culture ? Tout d’abord, il est utile d’avoir un PDG ou un autre cadre supérieur familiarisé avec les technologies de l’information qui dirige l’initiative. Bien qu’une personne sans connaissances techniques puisse diriger les efforts d’IA dans votre entreprise, cette personne devrait apprendre beaucoup et rapidement. Deuxièmement, il est important que le leader travaille sur plusieurs fronts. Les initiatives spécifiques dans lesquelles il ou elle choisit de s’impliquer varient selon l’organisation, mais la participation d’un cadre supérieur est particulièrement importante pour signaler son intérêt pour la technologie, établir une culture de décisions fondées sur les données, stimuler l’innovation dans l’ensemble de l’entreprise et motiver employés à adopter de nouvelles compétences. Troisièmement, les dirigeants détiennent le pouvoir de la bourse. Explorer, développer et déployer l’IA coûte cher.

Avoir un seul responsable de l’IA aide, mais en fin de compte, l’engagement dans ce travail doit aller profondément dans l’organisation. Si les cadres supérieurs, intermédiaires et même de première ligne ne font que du bout des lèvres à l’idée de se transformer avec l’IA, les choses évolueront lentement et l’organisation reviendra très probablement à ses anciennes habitudes. Nous avons vu des dirigeants très engagés créer des entreprises axées sur l’IA avec de multiples initiatives. Mais leurs successeurs n’étaient pas croyants, donc l’accent sur l’IA s’est éteint.

La plupart des responsables de l’IA et de l’analyse passent encore beaucoup de temps à évangéliser d’autres managers sur la valeur et le but de la technologie. Les décideurs de toutes les unités commerciales doivent s’assurer que les projets d’IA reçoivent suffisamment de financement et de temps, et ils doivent également mettre en œuvre l’IA dans leur propre travail. Il est important d’éduquer ce groupe sur le fonctionnement de l’IA, quand c’est approprié et ce qu’implique un engagement majeur envers elle. Pour la grande majorité des entreprises, ce travail de perfectionnement et de reconversion n’en est encore qu’à ses balbutiements, et tous les employés n’ont pas besoin d’être formés à l’IA. Mais certains le font clairement, et probablement le plus sera le mieux. Chaque entreprise référencée dans cet article s’est rendu compte que pour réussir, elle avait besoin d’un talent et d’une formation considérables en IA, en ingénierie des données et en science des données.

Les décideurs de toutes les unités commerciales doivent s’assurer que les projets d’IA reçoivent suffisamment de financement et de temps, et ils doivent également mettre en œuvre l’IA dans leur propre travail.

Lorsque Piyush Gupta a rejoint DBS Bank en tant que PDG, en 2009, c’était la banque la moins bien notée de Singapour pour le service client. Gupta a investi massivement dans l’expérimentation de l’IA – environ 300 millions de dollars par an au cours des dernières années – et a donné aux unités commerciales et aux fonctions la flexibilité d’embaucher des data scientists pour voir ce qu’ils peuvent accomplir. Le responsable des ressources humaines de la banque, qui n’avait aucune formation technique, a créé un petit groupe de travail pour identifier et piloter des applications d’IA, y compris JIM – le Job Intelligence Maestro – un modèle qui prédit l’attrition du personnel et aide la banque à recruter les employés les plus qualifiés. DBS l’a utilisé pour embaucher un grand nombre des 1 000 scientifiques et ingénieurs de données qui travaillent aujourd’hui dans l’organisation.

DBS a maintenant deux fois plus d’ingénieurs que de banquiers, dit Gupta. Ils travaillent sur des technologies émergentes telles que la blockchain et les jetons adossés à des actifs, ainsi que sur des projets d’IA. Et la culture de la banque s’est grandement améliorée. Euromoney a nommé DBS la meilleure banque du monde pour chacune des quatre années de 2018 à 2021, et ses positions en capital et ses cotes de crédit sont désormais parmi les plus élevées de la région Asie-Pacifique. En 2019, Harvard Business Review a nommé Gupta le 89e PDG le plus performant au monde.

Choisir d’être agressif avec l’IA n’est pas une décision que les dirigeants prennent à la légère. Cette décision aura une influence majeure sur l’entreprise pendant des décennies et, pour les grandes entreprises, peut impliquer à terme des centaines de millions ou des milliards de dollars. Tous les utilisateurs réussis de l’IA que nous avons étudiés nous ont dit que c’était le prix à payer pour s’engager dans une adoption ambitieuse de l’IA au niveau de l’entreprise. Au début, de tels engagements de ressources peuvent être effrayants pour les organisations. Mais après avoir constaté les avantages qu’elles ont tirés des premiers projets, les entreprises alimentées par l’IA que nous avons étudiées ont trouvé qu’il était beaucoup plus facile de dépenser pour des données, des technologies et des personnes axées sur l’IA.

CCC Intelligent Solutions, par exemple, a dépensé et prévoit de continuer à dépenser plus de 100 millions de dollars par an en IA et en données. (Divulgation : Tom a été conférencier rémunéré pour CCC.) La société a été fondée en 1980 sous le nom de Certified Collateral Corporation. Il a été créé à l’origine pour fournir des informations sur l’évaluation des voitures aux assureurs. Si vous avez eu un accident de voiture nécessitant des travaux de réparation importants, vous avez probablement bénéficié des données, de l’écosystème et de la prise de décision basée sur l’IA de CCC. Au cours de ses 40 années et plus, CCC a évolué pour collecter et gérer de plus en plus de données, pour établir de plus en plus de relations avec des parties du secteur de l’assurance automobile et pour prendre de plus en plus de décisions avec des données, des analyses et, éventuellement, l’IA. Au cours des 23 dernières années, la société a été dirigée par Githesh Ramamurthy, qui était auparavant son directeur de la technologie.

Les modèles d’apprentissage automatique de CCC sont basés sur plus d’un billion de dollars de réclamations historiques, des milliards d’images historiques et d’autres données sur les pièces automobiles, les ateliers de réparation, les blessures par collision et les réglementations. Il a également recueilli plus de 50 milliards de miles de données historiques grâce à la télématique et aux capteurs dans les véhicules. Il fournit des données – et, de plus en plus, des décisions – à un vaste écosystème de quelque 300 assureurs, 26 000 centres de réparation, 3 500 fournisseurs de pièces et tous les principaux fabricants d’équipements automobiles d’origine. L’objectif de CCC est de relier ces diverses organisations dans un écosystème homogène pour traiter rapidement les réclamations. Toutes ces transactions ont lieu dans le cloud, où les systèmes de CCC sont basés depuis 2003. Ils connectent 30 000 entreprises et 500 000 utilisateurs individuels et ont traité 100 milliards de dollars de transactions commerciales.

La collecte de données n’est généralement pas un problème pour les grandes entreprises, mais les stratégies d’IA sont en grande partie motivées par toutes les données pouvant être rassemblées. Plus de données, c’est bien. Des données plus précises sont excellentes. Des données structurées plus précises pouvant être appliquées immédiatement aux modèles d’IA sont idéales. L’intégration des données des systèmes clients était peut-être l’élément le plus difficile du parcours de Deloitte en matière d’IA. Capital One a toujours eu des données solides, mais elle avait besoin d’un moyen de les stocker et de les utiliser dans une architecture informatique flexible. CCC a commencé à accumuler des données avec son premier modèle commercial et était donc bien préparé pour passer à un modèle basé sur l’IA. Mais la transition de CCC d’une entreprise axée sur les données à une entreprise axée sur l’IA s’est concrétisée lorsqu’elle a appris à utiliser une énorme mine de données qui n’existait pas cinq ans plus tôt.

Lorsque vous pensez aux données, ne présumez pas qu’il ne s’agit que de mots et de chiffres. Pour CCC, les images de véhicules représentent des données qui peuvent être appliquées à plusieurs processus critiques. CCC a accumulé des milliards d’images au cours de son histoire, mais elles ont été prises par des experts en sinistres sur le site de dommages au véhicule ou par des ateliers de réparation. Ces photos nécessitaient des appareils photo professionnels avec des cartes graphiques spéciales pour stocker et envoyer les images.

Vers 2012, les dirigeants de CCC ont remarqué que les caméras amateurs s’amélioraient à un rythme rapide et étaient intégrées aux smartphones. Ils ont imaginé un avenir dans lequel les propriétaires de véhicules endommagés pourraient prendre leurs propres photos pour les estimations d’assurance et les envoyer directement depuis leur téléphone. Les dirigeants s’attendaient à ce qu’en l’absence de photographes et d’appareils photo professionnels, le processus soit plus rapide et plus rentable. Ils ont engagé plusieurs professeurs dans des universités de premier plan pour explorer cette capacité. Pendant ce temps, les dirigeants de CCC ont commencé à lire sur une nouvelle approche de l’IA pour l’analyse d’images – les réseaux de neurones d’apprentissage en profondeur – qui, avec suffisamment de données de formation, pourraient parfois égaler ou dépasser l’analyse humaine.

CCC a réuni un groupe de scientifiques de données talentueux qui ont appris à mapper des photos sur la structure de divers véhicules et à annoter ou étiqueter les photos pour la formation. À la mi-2021, le système était prêt à être déployé et l’USAA s’est inscrite comme l’un de ses premiers clients. Le cercle vertueux de plus de données, de meilleurs modèles, plus d’affaires et plus de données est ce qui rend l’application d’imagerie de smartphone de CCC si puissante. De nouvelles données continueront d’affluer vers l’entreprise et seront utilisées pour améliorer les prévisions d’estimation et d’autres fonctions. Cela aidera les clients de CCC à prendre de meilleures décisions, ce qui apportera très probablement à CCC plus d’affaires et plus de données.

Nous pensons que les entreprises avec l’adoption la plus agressive de l’IA, la meilleure intégration avec la stratégie et les opérations et la meilleure mise en œuvre obtiendront la plus grande valeur commerciale. Savoir ce que font les principaux adopteurs peut aider les autres lorsqu’ils tentent d’évaluer le potentiel de la technologie pour transformer leur entreprise. Votre organisation peut prendre les 10 actions décrites ici pour aller dans la même direction.

Nous pensons également que l’IA, appliquée de manière stratégique et à grande échelle, sera essentielle au succès de presque toutes les entreprises à l’avenir. Les données augmentent à un rythme rapide, et cela ne va pas changer. L’IA est un moyen de donner un sens aux données à grande échelle et de garantir des décisions intelligentes dans l’ensemble d’une organisation. Cela ne va pas changer non plus. L’intelligence artificielle est là pour rester. Les entreprises qui l’appliqueront vigoureusement domineront leurs industries au cours des prochaines décennies.

Previous articleConcevoir correctement les tâches
Next articleLa société sans autorisation