6 raisons pour lesquelles les projets d'IA échouent

Il semble que l'IA soit présente partout, mais en réalité, de nombreuses entreprises éprouvent des difficultés à la mettre en œuvre avec succès. Selon le MIT SMR-BCG Artificial Intelligence Global Executive Study and Research Report (en anglais)Selon le rapport de la Commission européenne, sept dirigeants sur dix dont les organisations ont investi dans l'intelligence artificielle (IA) ont déclaré n'avoir constaté que peu ou pas d'impact de ces investissements.

En outre, 40% des entreprises qui investissent Les entreprises qui investissent massivement dans l'IA ne font état d'aucun avantage pour l'entreprise. Le taux d'échec ne devrait pas être aussi élevé étant donné le nombre de cerveaux intelligents, de ressources et d'efforts investis dans ces projets. Le problème réside dans le non-respect des meilleures pratiques de gestion des initiatives d'IA, et non dans une technologie de qualité inférieure ou des personnes non motivées.

Dans cet article, nous examinons les 6 raisons qui expliquent l'échec des projets d'IA, et nous vous donnons quelques conseils pour éviter de devenir une autre statistique des initiatives d'IA qui ont échoué.

1. Mauvaise gestion des données

Pour que les solutions d'IA soient utiles, il faut disposer de suffisamment de données de haute qualité qui suivent une méthodologie cohérente et compréhensible. De nombreuses entreprises ne disposent pas des ressources ou de l'expérience nécessaires pour traiter des données qui ne sont pas propres, conservées dans des formats ou des emplacements incompatibles. Les scientifiques des données perdent trop de temps (souvent jusqu'à 70% de leur temps) à manipuler des données au lieu d'appliquer leurs connaissances à la création de solutions utiles ou à l'obtention d'informations pour soutenir les décisions de l'entreprise.

2. Manque de capacités en matière d'IA et de sensibilisation des employés

Un sondage Gartner a révélé que 56% des entreprises avaient des difficultés à utiliser l'IA en raison d'un manque de compétences dans leur personnel. Les employés peuvent manquer de confiance dans l'IA, la rejeter catégoriquement, ou lui faire totalement confiance et accepter tous les résultats d'un modèle d'IA sans poser de questions. Une idée fausse très répandue parmi les professionnels est que l'IA les remplacera. En raison de tous ces facteurs, les entreprises devraient envisager de renforcer les connaissances en ML / IA de leurs employés et de les former aux nouveaux processus technologiques.

La culture technologique permet de s'assurer que les compétences techniques et non techniques de l'utilisateur sont bien prises en compte. les employés sont informés sur l'IAIl est essentiel que les employés comprennent ce que l'IA peut faire pour eux, les forces et les faiblesses de la technologie et les avantages qu'elle peut leur apporter. Il est également essentiel que les employés ne s'en remettent pas à l'IA pour prendre des décisions sans comprendre comment la décision est prise.

3. Des objectifs commerciaux peu clairs

Au lieu de choisir des projets dans lesquels elles voient un potentiel de percée technique, les organisations doivent identifier des cas d'utilisation avec un retour sur investissement (ROI) qui peuvent avoir le plus d'influence sur leurs KPI (augmentation du chiffre d'affaires, diminution des coûts d'exploitation, amélioration de l'expérience client, etc.) Les projets d'IA échouent généralement en raison d'objectifs mal définis, d'un manque de données et de ressources insuffisantes.

4. Sous-estimation du temps et du coût de la composante "données" des projets d'IA :

Les organisations sous-estiment souvent le temps et les ressources nécessaires pour gérer efficacement les projets d'IA. Trop souvent, les projets démarrent sans tenir compte des exigences en matière de données et sans qu'une personne soit chargée de recueillir le bon type et la bonne quantité de données. Ces projets sont souvent ralentis par un manque d'accès aux données nécessaires. C'est pourquoi la collecte des données nécessaires pour alimenter l'IA est la première étape de la gestion d'un projet d'IA.

L'IA nécessite une stratégie centrée sur les données et les entreprises devraient examiner attentivement si elles disposent du temps et des ressources nécessaires pour collecter des quantités suffisantes de données de haute qualité pour leurs projets.

5. Manque d'engagement et d'appropriation de la part des dirigeants

Il s'agit d'une erreur courante dans tous les projets, et pas seulement dans ceux qui impliquent l'IA. Sans l'engagement et l'appropriation d'une équipe de direction interfonctionnelle, une initiative d'IA ne disposera pas des ressources ou des talents nécessaires à sa réussite. Un projet d'IA ne peut être couronné de succès que si des dirigeants compétents s'y consacrent.

6. Mauvais alignement des fournisseurs sur les promesses et la réalité

Les entreprises se laissent souvent séduire par le blitz marketing et les promesses faites par les vendeurs au sujet de leurs produits. Elles peuvent aussi choisir la solution d'un fournisseur particulier et découvrir qu'elle ne correspond pas à leurs besoins. Les facteurs liés aux fournisseurs sont souvent négligés, ce qui constitue l'une des principales causes d'échec d'un projet d'IA.

L'une des causes fréquentes de cette situation est le fait de ne pas poser les bonnes questions dès le départ, ce qui vous empêche de vous rendre compte que, bien que le produit soit fantastique, il ne répond tout simplement pas à vos besoins. Pour éviter d'être victime du battage médiatique, faites vos devoirs, posez les bonnes questions et comprenez comment gérer les initiatives en matière d'IA.

Comment Skim AI peut-il aider ?

L'IA révolutionne la façon dont nous menons nos affaires, et il faut du temps et des efforts pour découvrir comment créer des solutions utiles avec un ROl quantifiable.

Nous conseillons à nos clients d'élaborer un cadre pour la mise en œuvre de solutions de ML et d'IA basées sur les meilleures pratiques. Le rendement des investissements dans l'IA n'est pas linéaire. Au contraire, ils augmentent au fur et à mesure que l'on superpose un travail de qualité à une fondation créée sur la base des meilleures pratiques.