Parmi les phases finalement assez traditionnelles d’un projet basée sur l’IA générative, certaines se révèlent particulièrement critiques : le calcul des coûts et du RSI qui conditionnent la viabilité du projet, la préparation des données qui conditionne la fiabilité de l’IA et enfin, la conduite du changement qui conditionne l’adoption de l’IA, donc le succès à moyen et long terme.

Les différentes phases d’un projet impliquant le déploiement d’une IA générative (donc basée sur un Large Language Models (LLM)) sont celles de tout projet numérique : cadrage du périmètre d’intégration et calcul du retour sur investissement (RSI), choix des fonctionnalités, design, intégration, recette, déploiement, conduite du changement et contrôle de l’évolution du RSI. Parmi celles-ci, trois sont rendues particulièrement critiques par la nouveauté et les spécificités que représentent ce type d’IA :  le calcul (et le contrôle) du RSI, la préparation des données et la conduite du changement.

1 – Coût et retour sur investissement

La rentabilité d’un projet de chatbot ou d’agent augmenté basé sur une IA générative est particulièrement complexe à évaluer car il dépend de facteurs humains et économiques, inconnus ou évolutifs. Ainsi, une fois que la solution est déployée, on ne sait pas quel sera son degré d’adoption par les utilisateurs, ni la façon dont ils se l’approprieront. De même, le coût est très différent d’un LLM à l’autre et va probablement beaucoup évoluer. Ces incertitudes représentent l’un des principaux freins au déploiement de tels projets. Il faut d’abord les appréhender en acceptant une part de risque. Mais surtout, il est possible de calculer des fourchettes de coûts et de gains, donc de RSI, en produisant des hypothèses plausibles. Car certaines variables sont connues : tarification des différents LLM à la sollicitation, évolution du rôle des agents, accélération de certaines tâches ou encore, nombre de demandes qui seront automatisées, notamment en dehors des heures d’ouverture. D’autres incertitudes peuvent être anticipées, comme l’évolution de la réglementation. Par exemple, il faut prévoir la possibilité de collecter le consentement des utilisateurs avant d’engager un dialogue avec une IA et de traiter les refus. Forts de toutes ces hypothèses et anticipations, il s’agira en aval de surveiller attentivement l’évolution du RSI, en se fixant des étapes mensuelles, trimestrielles ou annuelles qui permettront le cas échéant d’adapter l’outil, la formation des utilisateurs ou les données.

2 – Préparation des données

Dans tout projet, la question de la donnée est évidemment cruciale. Elle l’est particulièrement dans un projet d’IA générative, qui suscite par nature une double incertitude : on ne sait pas à l’avance quelles questions vont poser les clients et on n’est pas absolument sûr de la pertinence des réponses, notamment à cause de la tendance des LLM à souffrir d’hallucinations. La qualité des réponses peut toutefois être pratiquement garantie, lorsque le LLM est entrainé sur des données fiables. Si bien que la préparation des données constitue l’étape la plus longue et la plus difficile d’un projet d’IA générative. Cette phase relève d’un travail minutieux, partiellement automatisable, visant à vérifier les données et leurs formats mais aussi la légitimité de l’entreprise à les exploiter, donc à les soumettre au LLM. Ainsi, on anonymisera certaines d’entre elles et on en écartera d’autres, contraires à la réglementation ou à l’éthique. On peut également dupliquer la donnée en anonymisant les informations sensibles puis vérifier le comportement de l’IA dans le périmètre choisi, et le cas échéant, affiner la donnée pour anticiper son cadrage. L’étude des résultats permet ensuite de formaliser des prompts permettant d’améliorer la qualité des futures réponses. En résumé, la qualité de la donnée et sa maîtrise en amont favorisent ce processus d’intégration, crucial pour la suite du projet.

3 – Conduite du changement

L’IA suscite auprès des collaborateurs de nombreuses interrogations auxquelles il s’agit de répondre. On lèvera d’abord certains fantasmes en expliquant que l’IA ne va pas remplacer les compétences humaines mais qu’il s’agit essentiellement d’un outil qui va accompagner les collaborateurs à mieux faire leur métier, voire à monter en compétences. C’est d’autant plus vrai qu’une bonne partie des projets visent d’abord à accompagner et « augmenter » les agents, plutôt qu’à répondre directement aux clients. Il s’agit ensuite d’expliquer aux utilisateurs comment tirer le meilleur parti de l’IA.

La conduite du changement proprement dite comprend trois phases. Tout d’abord, on diffuse en interne et dans une totale transparence, le futur périmètre d’intervention de l’IA, afin de gagner la confiance des collaborateurs. Pour faciliter cette communication tout au long du projet, on peut nommer des ambassadeurs qui centraliseront les retours utilisateurs durant la phase de formation. En phase de recette métier, on valide l’implémentation et on éprouve la future utilisation de l’IA. Cette phase permet d’anticiper quelques correctifs avant la mise en production et d’adapter la troisième et dernière phase. Dédiée à l’accompagnement et à la formation, celle-ci permet de transformer le quotidien des collaborateurs et de finaliser les derniers préparatifs avant le lancement. Elle est cruciale pour l’adoption de l’outil, sa mise en épreuve technique et la pré-évaluation de son RSI.

Maxime Lei, Consultant Confirmé Salesforce chez Almavia CX

Indispensable au bon fonctionnement de l’entreprise et véritable outil de pilotage, le SIRH est un environnement indispensable à déployer. Si ce dernier est largement mis en œuvre, il est pourtant encore trop souvent sous-exploité. Voici les 5 principaux freins à son utilisation.

Une mauvaise approche de la conduite du changement

La résistance au changement est le premier frein à l’adoption. Il s’agit bien sûr d’un classique, connu de tous. Qui dit adoption, dit conduite du changement pour dépasser les résistances. Mais l’on s’aperçoit que le sujet de l’accompagnement au changement n’est pas toujours bien traité, alors que la problématique est connue depuis bien des années. L’accompagnement au changement est pourtant en première ligne des dépriorisations dans certains projets, alors que nombre d’entreprises s’accordent à dire qu’il est essentiel et devrait au contraire être priorisé et se voir attribuer plus de budget et de ressources. Au-delà de l’outil, ce sont d’abord les processus métiers RH qu’il faut faire adopter.

Un manque de volonté au changement

La résistance au changement est un frein observé dans tous les projets. Il faut porter notre attention sur les personnes présentes avant le changement et qui vont le subir en voyant leurs habitudes modifiées. Ainsi, enlever toute résistance liée au passage au digital et éviter le fameux “C’était mieux avant“. De plus, on constate un degré supérieur de résistance : un manque de volonté à changer, voire un refus catégorique de le faire. Pour quelles raisons ? Cela expliquerait peut-être une tendance/déformation d’aller vers le support plutôt qu’une conduite du changement complète. Cependant, la raison du manque de temps dissimule dans certains cas un manque de volonté à prendre ce temps pour changer ses pratiques et bénéficier de la valeur ajoutée du nouvel outil. Enfin, la nécessité d’un leadership pour insuffler le changement, en particulier dans les organisations décentralisées, est nécessaire et souvent sous-évaluée.

Une appétence au digital disparate

Le manque d’appétence au digital, c’est-à-dire l’attrait et l’aisance des utilisateurs vis-à-vis des outils digitaux, est identifié comme un facteur freinant l’adoption des solutions SIRH. Un constat est posé : les résistances à la digitalisation des processus de travail sont portées par une grande diversité de collaborateurs, managers compris. Le manque d’appétence du manager a naturellement un impact plus important, car il devrait être le moteur du changement auprès de ses équipes. Cette appétence n’est pas toujours corrélée à la pyramide des âges. D’autres pistes sont aussi à prendre en compte : la maîtrise du français et l’illectronisme, c’est-à-dire le manque de connaissances quant au fonctionnement des outils informatiques.

Un manque d’implication des parties prenantes dans les projets

Pour réussir l’adoption d’un nouvel outil RH, une collaboration étroite entre les équipes SIRH, RH et les utilisateurs finaux est indispensable. L’objectif est de bien comprendre les besoins des différentes parties prenantes afin de maximiser les bénéfices apportés par les nouvelles technologies, tout en réduisant les réticences et en garantissant une expérience utilisateur satisfaisante. À l’inverse, la sous-implication des parties prenantes constitue un frein majeur à l’adoption. Cela se traduit par une absence de prise en compte des besoins réels, aboutissant à des outils peu performants pour les utilisateurs finaux. N’ayant pas été consultés ni écoutés, mais contraints d’utiliser ces outils, ils seront frustrés, insatisfaits et ne les adopteront que partiellement. Rappelons ici que le verbe “adopter” vient du latin “adoptare” qui signifie “choisir”. Imposer un choix d’outil est contradictoire avec cette volonté d’adoption.

Notons aussi que l’acceptation du changement dépend des pairs. Les utilisateurs ambassadeurs et relais des bonnes pratiques doivent être informés de leur rôle et impliqués suffisamment en amont. Les équipes RH métiers et les managers jouent également un rôle crucial dans l’adoption du SIRH. Ils sont des relais locaux essentiels pour diffuser les formations et les messages à leurs équipes, répondre à leurs questions suite aux formations, et ce, en complément des dispositifs déjà mis à leur disposition.

Une défaillance de paramétrage des outils

Il existe aussi des freins liés à l’adoption, inhérents aux outils SIRH eux-mêmes. Au-delà d’un manque de simplicité, d’intuitivité ou de la présence de limitations technico-fonctionnelles des outils, un décalage est observé entre les objectifs escomptés et les résultats réellement obtenus avec les solutions. Cet écart pourrait s’expliquer par des études de choix d’outils menées de manière trop superficielle, ou par le non-respect des promesses formulées par les éditeurs. À noter que les rapports de force dans l’organisation ne sont pas propices à des choix optimisés. Le paramétrage de la solution choisie est également un point essentiel. Copier-coller les paramétrages de l’ancien outil sur le nouveau aboutit rarement à un bon choix, l’objectif numéro un d’un changement applicatif étant pourtant d’apporter des améliorations. Le résultat sera sans appel : les outils ne seront pas en phase avec les besoins du métier ou les spécificités de l’organisation. Ces décalages mèneront à des reparamétrages chronophages et coûteux. La confiance en l’outil ne sera pas au rendez-vous du fait de sa non-performance. Parfois, dans des phases de post-démarrage, des anomalies ou bugs peuvent apparaître. Cela va ralentir l’exécution des processus par les utilisateurs et contribuer à l’insatisfaction et à une mauvaise adoption.

Pour lever les freins et sécuriser l’adoption du SIRH et des processus, il est donc fondamental de bénéficier d’un accompagnement au changement préparé et renforcé, d’améliorer en continu l’outil, car le projet ne s’arrête pas au déploiement et d’intégrer une couche d’IA dans son projet qui permettra de gagner en pertinence et en performance.

Par Toan Nguyen, CEO chez Shortways