Le secteur de la construction fonctionne depuis des décennies avec une chaîne à plusieurs niveaux : maître d'ouvrage, entrepreneur principal, sous-traitants, fournisseurs. Cette chaîne est habituée à répartir les responsabilités et à livrer le travail par phases. Cela rend le secteur, à certains égards, mieux préparé à l'IA que d'autres secteurs — il y a de la discipline dans la planification, dans le contrôle qualité, dans la consignation des accords. Mais cette même chaîne rend les données fragiles. Les plans, les calculs, les plannings et les rapports d'avancement naissent chez différentes parties, dans différents systèmes, avec différentes versions de la vérité. Une application d'IA qui doit fonctionner sur ces données repose sur quelque chose qui est souvent incomplet, non actualisé ou non centralisé.
Cet écart entre la discipline organisationnelle et la maturité des données est précisément ce sur quoi de nombreux pilotes IA échouent dans la construction. Un chef de projet essaie de déployer un outil d'IA pour l'optimisation de la planification, mais les données d'entrée proviennent de trois systèmes qui ne se connectent pas entre eux. Un préparateur de travaux souhaite faire vérifier automatiquement les calculs, mais les données historiques sont dispersées dans des fichiers Excel séparés par projet. Le pilote s'enlise non pas parce que la technologie ne fonctionne pas, mais parce que l'organisation n'y est pas encore préparée.
La maturité IA ne mesure pas seulement si une organisation utilise des outils, mais si la base en dessous est solide. Cela commence par l'organisation elle-même : y a-t-il un responsable clair pour la digitalisation, les connaissances sont-elles partagées entre les projets, ou chaque projet reste-t-il une île isolée. Vient ensuite l'infrastructure informatique : les systèmes sont-ils connectés entre eux, existe-t-il une base sur laquelle de nouvelles applications peuvent fonctionner sans que tout doive être retapé manuellement. Ce n'est qu'après cela que vient la gestion des données : les données existantes sont-elles fiables, actuelles et accessibles à ceux qui doivent les utiliser.
Cet ordre n'est pas une préférence, mais la façon dont cela fonctionne. Une organisation qui veut améliorer la gestion des données sans que l'infrastructure informatique le permette construit sur du sable mouvant. Une organisation qui veut déployer des applications d'IA sans que l'organisation elle-même sache qui est responsable de quel processus obtient un outil que personne n'entretient. Dans la construction, ce schéma est visible : le secteur a souvent la volonté organisationnelle, mais l'infrastructure et les données sont en retard. Cela explique pourquoi les pilotes réussissent souvent au niveau du projet et échouent au niveau de l'organisation — les dimensions fondamentales n'ont pas suivi l'ambition.
La mesure de maturité de hybridresourcing examine sept dimensions, de l'organisation et l'infrastructure jusqu'aux couches plus dépendantes comme l'automatisation des processus et la prise de décision. Chaque dimension est évaluée selon l'un des cinq niveaux : baseline, foundation, activation, insight ou intelligence. Dans la construction, le tableau est souvent inégalement répartie entre ces dimensions. Une entreprise peut être bien avancée au niveau organisationnel — rôles clairs, agenda de digitalisation, soutien de la direction — et pourtant se situer encore au niveau baseline en matière de gestion des données, parce que les données de projet n'ont jamais été centralisées.
Cette inégalité devient visible lors de la série de plots, où plusieurs personnes au sein de l'organisation évaluent séparément. Un directeur et un chef de chantier peuvent évaluer la même entreprise de manière très différente, et cette dispersion est elle-même une information. Si le CIO pense que les données sont en ordre et que le préparateur de travaux se bat quotidiennement avec des fichiers dispersés, il y a là un point de blocage qu'un simple entretien n'aurait pas révélé. Dans un secteur où le travail se répartit entre projets et parties, cette dispersion est souvent plus importante que la moyenne — et donc plus riche en informations.
Cette mesure ne dit rien sur les tâches que l'IA peut reprendre ni sur le temps que cela permettrait d'économiser. Il s'agit de savoir si l'organisation peut porter l'IA : la base est-elle en place, l'infrastructure est-elle prête, les données sont-elles suffisamment fiables pour construire dessus. Cette question est plus pertinente pour la construction que dans des secteurs où les données sont naturellement déjà centralisées. Comparez cela avec le secteur de l'installation technique, où le travail par projet et les données fragmentées créent des points de blocage similaires, ou avec l'industrie manufacturière, où les données de production et la structure organisationnelle montrent un équilibre différent. Le secteur du transport connaît également une tension similaire entre discipline opérationnelle et fondation numérique, ce qui indique que ce schéma n'est pas propre à la construction, mais qu'il s'y manifeste avec une intensité particulière en raison de la structure de la chaîne.
L'outil permettant de réaliser cette mesure est en cours de développement. Ceux qui souhaitent effectuer la mesure dès qu'elle sera disponible peuvent s'inscrire sur la liste d'attente. Rien n'est proposé ici qui ne fonctionne pas encore, et rien n'est promis quant au résultat — seulement une image honnête de la situation actuelle de l'organisation, dimension par dimension.
S'il s'avère que les dimensions fondamentales sont en ordre, ou en voie de l'être, une autre question devient pertinente : quelle part du travail lui-même se prête à une reprise par l'IA. C'est une mesure différente de celle-ci. Là où hybridresourcing examine si l'organisation peut porter l'IA, le scan de travail de FTE TO AI calcule, tâche par tâche, quelle part du travail peut être reprise — non pas comme une estimation, mais comme le résultat d'une analyse des tâches. Pour une entreprise de construction qui sait où se situe sa base, c'est l'étape suivante logique : d'abord les fondations, puis la question de ce qui peut être construit dessus.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.