Automatisation des processus : Quels challenges pour les PME suisses ?
Dans les années 80, le secteur industriel a été l’un des premiers à mettre en œuvre les « systèmes experts », ces outils capables de reproduire les mécanismes cognitifs dans un domaine particulier et qui tentent d’aboutir à l’Intelligence Artificielle (IA). Aujourd’hui, la Suisse n’a fait que démarrer sa transformation digitale et plusieurs questions se posent, notamment sur la récolte des données, la qualité des informations obtenues et leur utilisation, péniblement encadrée par la Loi Fédérale sur la Protection des Données (LPD).
Les organisations romandes sont confrontées au traitement d’une masse colossale d’informations. En phase de croissance exponentielle, ces données nécessitent un stockage adapté, mais aussi une capacité d’analyse en adéquation avec les besoins des PME, qui représentent plus de 99% des entreprises marchandes et deux tiers des emplois en Suisse (Source : Confédération suisse).
Pourtant, les algorithmes et outils de machine learning existent et restent relativement accessibles en termes de coûts ; qui plus est, l’automatisation des processus devrait stimuler la croissance économique et permettre une hausse de 40% de la productivité à l’échelle mondiale d’ici 2035, selon une étude rapportée par CNBC.
Pourquoi les applications professionnelles intégrant l’IA restent rares en Suisse romande ?
Notre expérience de la transformation digitale et de l’automatisation des processus au sein d’institutions comptant jusqu’à 250 collaborateurs nous a permis d’identifier 3 défis majeurs :
Obtenir les données adéquates
Il y a les questions de législation et de propriété bien sûr, mais aussi de qualité des données. Le plus souvent, ces dernières proviennent de différentes sources (ERP, CRM, plateforme e-commerce, programme de comptabilité non intégré, etc.) qu’il s’agira alors de “réconcilier” par l’intermédiaire d’un modèle de données ad hoc. Dès le lancement du projet, il faut s’autoriser à travailler en même temps sur des bases de données existantes, tout en collectant des nouvelles données pertinentes.
Communiquer avec les parties prenantes
Il ne s’agit plus d’un problème technique. Le fossé culturel séparant les experts en données des experts métiers est parfois saisissant. Pour augmenter la qualité de cet échange, une solution réside dans le fait d’informer sur les finalités de l’initiative (pour augmenter l’adhésion, en adressant les appréhensions) et d’inclure les experts métiers dès le départ (en se sentant impliqués, ils feront gagner du temps dans l’exécution du projet, mais aussi lors du déploiement en interne).
Garder les pieds sur terre, mais voir GRAND !
Rien ne sert de courir. Pour démarrer, un développement dont les données sont disponibles et la plus- value perceptible sera facilement validée. Par la suite, attention à ce que les projets qui visent à réduire les coûts ne prennent le pas sur ceux générant de la valeur. Ces derniers sont par essence plus risqués, mais offrent de nouvelles perspectives.
L’essor de l’IA et son utilisation en entreprise mettent en lumière un problème bien plus culturel que technique, car la perception de l’IA n’est pas complètement favorable à la mise en place d’une automatisation efficace. En 2018, Foxconn – fournisseur d’Apple – substituait 60’000 ouvriers et ouvrières par des robots. En 2019, l’IA se déploie dans presque tous les secteurs d’activité en Europe – finance, médias, restauration, transports, santé, commerce de détail, éducation ou extraction de ressources naturelles – et apparaît comme indispensable pour rester compétitif à l’avenir.