Self AI : recette pour démocratiser les agents

Première étape : faire foisonner les cas d’usages de l’IA

Dans la Self AI, ce sont les employés qui trouvent eux-mêmes des applications de l’IA, mais en respectant le choix des modèles imposés par l’entreprise et les politiques internes (données sensibles, etc.).

En ouvrant de manière plus sécurisée les vannes de l’IA – en demandant, voire en imposant de l’utiliser –, le nombre de cas d’usage explose naturellement.

Pour le fondateur du cabinet de conseils AI Builder, Stéphane Roder, le résultat de ce « foisonnement » plus ou moins pertinent est positif. Il permet au bout du compte de répondre « au gisement très important des cas » que les gros projets d’IA traditionnels ont laissé de côté, préférant cibler les 20 % d’applications avec le plus gros ROI.

Cette « longue trail », que cible la Self AI, représente donc les 80 % de cas plus modestes qui, cumulés, représentent 20 % de la valeur que peut apporter l’IA à une organisation.

Le foisonnement est positif donc, mais à une condition : avoir en tête qu’il peut être chaotique, qu’il ne s’agit que d’une première étape, et qu’il appelle une gouvernance.

Deuxième étape : le tri

La seconde étape pour concrétiser ces 20 % de gains (qui restent mineurs si on stagne au niveau de l’utilisateur individuel) est de faire le tri.

« Vous prenez les cas un par un. Dans la masse, vous allez en trouver que vous pouvez mutualiser », assure Stéphane Roder. Et d’autres, encore plus pertinents, qu’il appelle les « pépites ».

Stéphane Roder classe les cas d’usage en quatre « strates » :

1. Les « pépites », donc. « Il faut les solidifier et les développer en mettant des ressources ». Elles passeront par l’IT.
2. Les mutualisables qui, en étant réutilisés d’un service à l’autre, apportent « un gain énorme », assure l’expert.
3. Les cas « ok » (sic), qui améliorent les tâches quotidiennes d’un employé.
4. Et « ceux qu’il faut jeter », car ils consomment du token sans ROI tangible.

Cette sélection est d’autant plus importante que les fournisseurs ont déjà commencé à changer de modèle de tarification en passant à l’usage pur (au token) et en augmentant le prix du token.

« L’open-bar dans l’IA, c’est fini », a prévenu Frédéric CavazzaConsultant en usages numériques, lors de Ready For IT. « Maintenant il faut payer pour chaque token. Et ça, cela va changer la donne. »

« Je ne pense pas que cette augmentation va détourner les entreprises de l’IA. En revanche, cela va les détourner des mauvais cas d’usage », anticipe pour sa part Jeff Walters, senior partner chez BCG. D’où la nécessité de trier et de gouverner.

Autre bénéfice de la gouvernance, elle permet de garder des process homogènes d’une direction à l’autre – une homogénéité qui peut être mise à mal par la nature même de la Self BI.

Troisième étape : refondre les processus

Car l’étape suivante est de s’attaquer plus largement aux processus.

« Automatiser [uniquement] une partie d’un process [via les métiers] est une vision très “lean”. On ne touche pas vraiment au workflow. On l’améliore comme on peut. Localement », souligne Stéphane Roder, qui appelle à faire plus et mieux.

L’expert ne critique cependant pas cette approche. « Je pense que c’est une étape pour aller vers une refonte plus profonde avec une vision globale ».

Pour lui, en substance, c’est toujours mieux que rien. Tout dépend de la maturité de l’entreprise et de SI (serveurs MCP ou non, etc.). « On ne peut refondre ces process que quand il y a cet accès transverse [aux données et aux applications] », constate Stéphane Roder.

Les deux approches ne sont d’ailleurs pas exclusives. « Ce sera, encore une fois, à la gouvernance de faire le tri », insiste l’expert qui milite pour faire les deux en même temps. « Faire un agent que l’on déploie en Self AI et une refonte complète d’un workflow, ce n’est plus non plus la même timeline entre », justifie-t-il.

En résumé : à la première étape de la Self-AI, tout le monde fait son bot/assistant. Deuxième étape : la self-AI managée, avec une supervision, une gouvernance et un tri. Et troisième étape, refonte des process.

Process Mining vs re-engineering ?

Alors que sur ce type de chantier, Forrester invite à utiliser le Process Mining, AI Builder constaterait au contraire que « cela ne sert à rien » (sic).

« Le process mining vous dit comment le process est fait aujourd’hui. Or il faut réinventer le process et amener de la valeur ajoutée en le reconnectant à d’autres process », invite Stéphane Roder. « C’est une réinvention complète qui demande une connaissance globale de l’entreprise ».

Cette analyse ne pourrait par ailleurs pas être uniquement réalisée par la DSI. « Ça, c’est la vision du process mining », critique Stéphane Roder. « La DSI regarde comment tel ou tel système est impliqué tout au long d’un workflow ». Or, pour l’expert, une approche plus transformatrice consiste au contraire à adopter les principes du re-engineering.

En clair, identifier les 15 à 18 processus structurants d’une organisation et les ré-imaginer avec les agents IA, sans déplacer les experts. Un des facteurs d’échec du re-engineering était justement le « déplacement » des employés qu’éviterait, aujourd’hui, l’IA.

Les meilleurs acteurs de la Self AI

Les outils sont aussi une partie importante du succès de la Self AI. Le cabinet de conseils a publié un comparatif « qui ne dit pas qui est le meilleur », insiste AI Builders, mais qui liste vingt-quatre solutions, retenues pour « leur positionnement clair et leur pertinence fonctionnelle ».

Parmi elles, plusieurs pépites européennes, comme les Allemands de n8n, les Français de Dust, Prism.ai et Konverso, ou les Tchèques de Make (racheté par Celonis).

Mais, insiste AI Builder, ces outils doivent s’inscrire dans cette stratégie en trois étapes pour concrétiser leurs bénéfices.