Les services aux entreprises — avocature, expertise comptable, conseil, services RH, conseil juridique et fiscal — vendent au fond quelque chose qui se laisse difficilement automatiser sans discussion : le jugement. Là où une usine optimise un processus et un magasin gère un assortiment, ce secteur vend l'expertise de personnes qui savent quelque chose que le client ne sait pas. Cela rend le rapport entre ambition et préparation différent d'ailleurs. L'intérêt pour l'IA est grand, souvent plus grand que dans des secteurs avec moins de marge sur la connaissance. Mais la question de savoir si l'organisation peut porter cet intérêt reste régulièrement en suspens sur des éléments qui n'ont rien à voir avec l'IA.
De nombreux cabinets dans les services aux entreprises se sont développés autour du partenaire, du conseiller senior, de la personne qui détient le réseau et la mémoire. La connaissance se trouve dans les têtes, dans les échanges de courriels, dans des dossiers constitués par client ou par affaire, pas dans des systèmes partagés qui communiquent entre eux. Cela fonctionne bien tant que les personnes restent. Cela devient un problème dès qu'on veut construire quelque chose qui doit pouvoir s'appuyer sur cette connaissance. Une IA qui doit travailler avec des dossiers, des précédents ou de la correspondance client a besoin de quelque chose sur quoi s'appuyer : une structure dans laquelle l'information est trouvable et comparable. Cette structure fait encore défaut dans certaines parties du secteur, non par manque de volonté, mais parce que le travail lui-même n'a jamais exigé cette structure.
Les cinq niveaux de la mesure — baseline, foundation, activation, insight, intelligence — montrent dans ce secteur une image variable par dimension, et cette image est rarement homogène. Certains cabinets ont leur gestion des données en ordre : les dossiers sont structurés, les droits d'accès sont réglés, on sait où se trouve quoi. Mais l'infrastructure informatique derrière est obsolète ou fragmentée entre des applications isolées qui ne communiquent pas entre elles. Dans d'autres cabinets, c'est l'inverse : des systèmes modernes, mais aucune clarté organisationnelle sur qui décide de quoi, qui peut approuver une application d'IA, ou qui est responsable en cas de problème. Les deux situations conduisent au même résultat — un projet pilote qui fonctionne bien en soi, mais qui ne s'étend pas à plus grande échelle parce que les dimensions fondamentales ne sont pas au même niveau. C'est l'ordre que la mesure met en évidence : l'organisation, l'infrastructure et la gestion des données doivent d'abord atteindre un certain niveau avant que les dimensions dépendantes, comme les tests automatisés ou l'optimisation continue, n'en tirent profit.
Le tour de scoring, dans lequel plusieurs personnes notent séparément, révèle souvent dans les services aux entreprises un schéma spécifique : le partenaire ou le directeur note l'organisation plus haut que le conseiller qui travaille quotidiennement avec les dossiers. Cette différence dit quelque chose. Elle peut signifier que les décisions concernant l'IA sont prises au niveau de la direction sans qu'elles ne parviennent jusqu'au terrain, ou que le terrain se bat depuis longtemps déjà avec un système jugé suffisant depuis le sommet. Les deux interprétations sont utiles, et les deux ne deviennent visibles qu'en faisant noter séparément différentes personnes, pas en demandant une seule impression à celui qui rédige le rapport.
Ce qui distingue ce secteur, par exemple, du commerce de détail ou de l'horeca est la sensibilité des données elles-mêmes. Un cabinet d'avocats ou d'experts-comptables travaille avec des informations soumises au secret professionnel, au droit disciplinaire, à des règles qui ne s'appliquent pas à un stock de magasin ou à une carte de menu. Cela touche directement la dimension de la gestion des données : pas seulement si les données sont trouvables, mais si ces données sont stockées et protégées d'une manière qui permette l'usage de l'IA sans rompre la confidentialité. Cela exige un rythme différent des secteurs où les données sont moins sensibles, et cette différence de rythme se reflète dans les scores sur cette dimension.
Le schéma d'une ambition élevée à côté d'une base incomplète n'est pas propre aux services aux entreprises. Dans le secteur informatique, c'est souvent le problème inverse qui se pose — une infrastructure solide sans clarté organisationnelle — et dans les services financiers, le retard se situe souvent dans une réglementation qui évolue plus vite que les systèmes ne peuvent suivre. La comparaison n'a pas pour but de rendre un secteur meilleur ou moins bon qu'un autre, mais de montrer que l'ordre — d'abord les dimensions fondamentales, ensuite les dimensions dépendantes — est le même partout, même si sa mise en œuvre diffère selon le secteur.
Cette mesure ne dit rien sur les tâches, au sein d'un cabinet, qui peuvent être reprises par l'IA, ni sur le temps que cela libérerait. C'est une autre question, qui demande un autre regard : pas sur l'organisation dans son ensemble, mais sur le travail lui-même, tâche par tâche. Celui qui, après cette mesure, veut savoir quel travail entre effectivement en ligne de compte pour l'IA, compte tenu de la préparation actuelle, le trouvera dans le scan de travail de FTE TO AI, qui calcule par tâche quelle part peut être reprise.
L'outil qui réalise la mesure de maturité et le tour de scoring est encore en construction. Celui qui souhaite l'utiliser dès qu'il sera disponible peut s'inscrire sur la liste d'attente.
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.