Initiative IA ? Commencez par la culture IA

Vous avez donc décidé de construire une entreprise d'IA, défini votre propre avantage concurrentiel et conçu une bonne stratégie produit et IA. Vient ensuite l'exécution. Attention : certains faits propres aux systèmes d'IA vont à l'encontre de l'intuition d'ingénierie classique.

Dans son livre Good Strategy / Bad Strategy, Richard Rumelt, professeur à l'UCLA Anderson School of Management, raconte un entretien mené en 1996 avec Jean-Bernard Lévy, alors président-directeur général de Matra Communications. Nous sommes à l'âge d'or des télécoms, au moment où l'Internet commercial décolle. Les opérateurs investissent massivement dans la fibre, et la bande passante semble devoir devenir le produit vedette de l'économie numérique. Rumelt et Lévy s'interrogent sur le phénomène Cisco Systems, jeune entreprise qui s'impose soudain sur le marché des équipements télécoms alors que les analystes attendaient une bataille entre IBM et AT&T.

« J'essaie de comprendre les forces qui transforment la structure du secteur », explique Rumelt. « Par exemple, regardez le succès spectaculaire de Cisco Systems. Comme vous l'avez dit, la taille est la barrière décisive pour devenir un acteur majeur des équipements télécoms. Pourtant, Cisco a franchi cette barrière sans difficulté apparente. Comment cela a-t-il été possible ? »

« Nous avons eu chez Matra des ingénieurs travaillant sur les équipements d'internetworking », répond Lévy. « Les principes de base sont connus. Mais nous n'arrivons pas à reproduire la performance des routeurs multiprotocoles de Cisco. Le cœur du routeur Cisco, c'est le firmware : un logiciel d'une très grande qualité, écrit par une équipe minuscule. C'est ce bloc de code particulièrement intelligent qui donne son avantage au produit. »

Depuis lors, l'ingénierie logicielle dominante a complètement changé. Le cloud a rendu la puissance de calcul accessible à la demande, le stockage est devenu bon marché et une multitude d'outils, de frameworks et de composants réutilisables ont simplifié le développement. Aujourd'hui, sauf dans quelques niches, on attend des ingénieurs qu'ils livrent des fonctionnalités aussi vite et aussi efficacement que possible. Cette culture a permis de construire l'Internet actuel, mais elle a aussi rendu la reproduction d'une solution technique bien plus simple qu'en 1996.

Construire un avantage concurrentiel grâce à l'IA repose pourtant sur des prémisses très différentes.

1. Vos modèles d'IA doivent être difficiles à implémenter avec peu de données, et la première version doit rester imparfaite.

Un avantage concurrentiel n'en est un que s'il est difficile à reproduire. Idéalement, il doit être impossible de le copier sans accès à vos données. La collecte de ces données doit elle aussi être difficile, idéalement impossible sans votre produit ou un produit très similaire.

Cela conduit à une conclusion contre-intuitive : même avec une excellente équipe d'ingénierie, implémenter vos modèles avec un volume limité de données doit rester difficile, et la première version ne doit pas être excellente.

Livrer rapidement une fonctionnalité produit est un signe de bon engineering. En revanche, si vous arrivez à construire sans effort une solution d'IA convaincante avec peu de données, c'est un signal d'alerte. Cela signifie qu'un concurrent pourra probablement produire quelque chose de comparable au même rythme.

2. Vos modèles d'IA ne doivent pas être facilement transférables d'un secteur à l'autre.

Pour un produit logiciel classique, une solution facilement extensible à d'autres marchés est souvent un signe d'excellence. Pour un avantage concurrentiel fondé sur l'IA, c'est l'inverse. Si un modèle entraîné sur des données retail fonctionne presque immédiatement dans les services financiers, un concurrent pourra faire le chemin inverse et entrer sur votre marché sans devoir acquérir beaucoup de données spécifiques.

C'est plutôt bon signe si votre solution fonctionne bien dans une verticale mais se dégrade nettement dans une autre sans nouvelles données de domaine. Cela rendra votre expansion plus lente et plus coûteuse, mais créera aussi une barrière réelle à l'entrée.

3. Les gains futurs doivent venir principalement de l'accumulation de données, pas d'un meilleur algorithme.

Dans le développement produit classique, on attend des équipes qu'elles conçoivent des algorithmes meilleurs, plus rapides, moins coûteux et plus agréables à utiliser. Avec l'IA, ce levier ne suffit pas à créer un avantage défendable.

Le véritable levier doit être la donnée. Vous pouvez bien sûr investir dans de meilleurs algorithmes pour votre niche, mais si la valeur future du produit dépend surtout d'une amélioration algorithmique et non d'une hausse de la quantité et de la qualité des données pertinentes, le signal est mauvais. Une autre équipe talentueuse pourra vraisemblablement reproduire vos modèles.

4. Dans l'IA, l'avantage revient aux plus rapides à apprendre, pas aux simples premiers entrants.

Certaines industries récompensent fortement le first mover. Dans la pharmacie, par exemple, un brevet peut protéger votre formule pendant des années et créer un monopole temporaire. Dans ce cas, arriver le premier est déterminant.

Les logiciels d'IA obéissent à une autre logique. Pour gagner, il faut accumuler la bonne donnée, celle qui améliore réellement vos modèles. Être le premier sur le marché sans un bon design produit, IA et marketing n'offre pas beaucoup de protection. Cela révèle surtout l'opportunité à des concurrents plus disciplinés, qui finiront par faire mieux.

Pour réussir, il faut donc un alignement clair entre direction, produit et engineering sur la différence entre développement produit traditionnel et développement de produits d'IA. Appliquer aux initiatives IA les réflexes habituels du logiciel classique les condamne souvent dès le départ.

Une histoire édifiante

Il y a quelque temps, j'ai accompagné un éditeur de logiciels d'entreprise. Le cofondateur James, nom fictif, avait une vision produit forte et voulait faire de sa startup une entreprise d'IA. Il n'avait pourtant aucune expérience préalable dans ce domaine. Malgré cela, il a pris le rôle de chief product officer d'un produit complexe reposant sur le machine learning, présenté comme le futur vaisseau amiral de l'entreprise.

Convaincu de l'avantage du premier entrant, James voulait sortir le produit au plus vite. Le développement s'est déroulé dans un secret extrême. L'équipe produit n'était pas autorisée à parler de son travail, même en interne. Or cela va directement à l'encontre du quatrième principe : un produit d'IA n'a pas besoin d'être premier, mais il doit être bien conçu. L'absence de collaboration transverse a réduit les chances de concevoir correctement le produit et les modèles.

James a ensuite imposé une roadmap très agressive, en partant du principe que l'équipe pourrait livrer rapidement un produit de qualité supérieure malgré un faible volume de données disponibles. Cela contredisait les deux premiers principes : la qualité devait venir des données, et même si une équipe parvenait à créer un excellent produit d'IA en six mois, sa valeur serait limitée s'il restait facile à copier.

À l'approche du lancement, James a aussi déployé une campagne marketing ambitieuse promettant une qualité exceptionnelle et une applicabilité large sur plusieurs marchés. Là encore, cela contredisait les principes précédents : la première version aurait probablement été imparfaite même pour un seul marché, et certainement pas immédiatement transférable à d'autres.

Concevoir une solution de machine learning de haute qualité, transférable entre domaines, avec peu de données, était une contradiction évidente pour n'importe quel ingénieur ou stratège IA. Le produit a bien été lancé, mais la qualité initiale des modèles est restée très en dessous des promesses marketing. Le conseil d'administration a remplacé James, le produit a été abandonné, et l'entreprise s'est repositionnée. Aujourd'hui, le marché est dominé par un concurrent qui a lancé un produit similaire après avoir observé cet échec.

Ce blog est consacré à l'avantage concurrentiel fondé sur l'IA, et nous essayons d'expliquer concrètement comment il fonctionne et comment le construire pour votre produit ou votre entreprise. Vous pouvez aussi lire nos autres articles pour comprendre ce qu'est l'effet de réseau et comment l'IA le rend possible.

Si vous voulez bâtir un avantage concurrentiel durable grâce à l'IA, notre équipe peut vous y aider. Nous accompagnons des entreprises technologiques sur toute la chaîne, de la collecte de données à la conception des algorithmes, pour transformer l'IA en barrière concurrentielle réelle plutôt qu'en simple fonctionnalité.