Aujourd’hui, j’accueille Sophie Stern, fondatrice de DATAI Consulting. Un profil scientifique, spécialisé sur l’IA avant même qu’elle devienne le sujet central qu’elle est aujourd’hui. Sophie a lancé la Data Science chez Renault avant de créer sa propre structure, dédiée au conseil et à la formation sur l’IA en entreprise.
Ce qui m’a frappée dans notre échange, c’est la précision de son regard sur les deux populations qu’on retrouve dans presque toutes les organisations : ceux qui pensent que l’IA générative va tout résoudre, et ceux qui pensent qu’elle ne les concerne pas. Et surtout, la méthode très concrète qu’elle a développée pour embarquer les uns comme les autres.
Sophie, tu as un profil scientifique et tu t’es spécialisée sur l’IA très tôt. Comment racontes-tu ce chemin, de la Data Science chez Renault jusqu’à la création de ta société ?
J’ai un master en IA. Chez Renault, j’ai lancé la Data Science pour la performance économique, sur du logiciel embarqué. C’était très novateur à l’époque.
Quand j’étais au diagnostic, je l’ai aussi utilisée à plusieurs reprises pour faire de la data analysis. Pour moi, c’est très complémentaire : ça permet de comprendre des cas d’erreur très difficiles à trouver sur des pannes logicielles. Je m’en suis servie aussi pour dimensionner des pièces avec du prédictif. L’idée, c’était d’arrêter de se baser sur l’intuition et de se baser plutôt sur les données.
Après Renault, j’ai rejoint Capgemini pour relier toutes ces expériences et approfondir le big data, qui était en train de s’industrialiser. Ensuite, je suis passée chez Samsung, sur leur plateforme data pour le véhicule connecté.
Puis j’ai créé DATAI Consulting, à la fois pour du conseil très en amont, de la continuité de projets de transformation et de la formation. Parce que je crois vraiment que la formation et l’acculturation à l’IA sont au cœur du sujet.
Tu fais un parallèle entre l’arrivée de l’informatique et de la bureautique dans les organisations et ce qu’on vit aujourd’hui avec l’IA générative. Qu’est-ce que ce recul historique t’a appris sur la façon d’accompagner les organisations ?
Je fais d’abord une distinction entre l’IA classique, qu’on appelle en réalité l’IA prédictive, et l’IA générative. Quand je dis « l’IA », je pense toujours à l’IA prédictive. Aujourd’hui, il y a un biais, alors j’ai appris à l’expliquer systématiquement.
L’utilisation de l’IA générative, comme la bureautique à l’époque, c’est finalement utiliser des outils. Il y a ceux qui apprennent tout seuls et ceux qui ont besoin d’être davantage accompagnés.
L’IA prédictive, c’est autre chose. C’est plus proche de l’informatique classique, avec un background différent. Il faut en parler de manière beaucoup plus technique et aller beaucoup plus loin. Les enjeux de ROI sont aussi beaucoup plus forts, même si l’IA générative a bien sûr ses propres enjeux de gains.
Un autre défi pour les organisations, c’est le rythme. Il est incroyable. C’est foisonnant, exponentiel, ça va très vite. Et ça met beaucoup de pression sur les entreprises.
C’est là que l’IA générative se distingue de la bureautique : il y a des enjeux de confidentialité et de sécurité. C’est pour ça que les utilisateurs doivent comprendre comment ça marche et quel est le principe de l’apprentissage. Pour avoir conscience des risques, et adapter leurs usages en fonction.
Il y a deux grands types de populations : ceux qui pensent que l’IA va tout résoudre, et ceux qui pensent qu’elle ne marchera jamais dans leur secteur. Ces deux postures appellent-elles deux stratégies différentes ?
Oui, je les aborde avec deux angles d’attaque différents.
Pour ceux qui pensent que l’IA va tout faire, sur de l’IA prédictive par exemple, on travaille sur des données métiers réelles. Je leur fais observer ces données dans des plateformes no-code de dataviz, et appliquer des traitements simples. Ils voient vite qu’il y a en général du travail à faire. Les données sont loin d’être parfaites. C’est tout le sujet de la qualité, sur lequel on reviendra.
Pour ceux qui pensent que l’IA ne les concerne pas, j’aime bien montrer, au sein de l’entreprise, ce qui marche dans un service aux autres services. Et quelque chose fonctionne très bien : le benchmark entre entreprises qui ne sont pas sur le même domaine, donc pas concurrentes, mais qui ont les mêmes grandes fonctions. RH, finance, commerce : sur ces fonctions, elles peuvent tout à fait échanger.
Ça permet aussi de montrer que c’est compliqué partout. Et ça peut rassurer.
Tu commences systématiquement par des exercices très pratiques. À quoi ressemble la première heure d’un atelier avec toi ?
Ce que j’ai constaté avec la pratique, c’est qu’il vaut mieux d’abord utiliser, ensuite expliquer les grands principes, et après seulement approfondir.
Je commence donc par montrer des résultats, c’est très motivant. Pour l’IA prédictive, je montre ce qu’on peut obtenir en termes de prédiction et de compréhension. Parfois, on trouve des liens entre des données qu’on n’aurait jamais imaginés. C’est passionnant. Ensuite, j’explique la mécanique interne.
Là, les réactions varient. On me dit souvent : « J’ai plein de données. » Plein, oui, mais de qualité ou pas ? La qualité des données, c’est complètement clé. La loi de Pareto s’applique parfaitement : on passe 80 % du temps à préparer les données. La qualité, mais pas seulement, toute la préparation. Choisir l’algorithme, comparer, tester, faire l’apprentissage, c’est 20 %.
C’est important qu’ils en soient conscients. L’idée n’est pas d’écraser les participants avec ce point, mais qu’il soit vraiment pris en compte. Surtout au niveau des dirigeants et des décideurs. Ça peut aussi aider les équipes de terrain à faire passer ce message.
Tu dis que les personnes qui ont les plus gros freins peuvent devenir les plus grands sponsors. Y a-t-il un mécanisme récurrent derrière ce retournement ?
Je ne suis pas psychologue, mais mon explication, c’est que certaines personnes ont besoin de voir pourquoi. C’est aussi pour ça que mes ateliers commencent par la pratique. Il leur faut du concret.
Une fois qu’elles ont vu du concret, ce sont les meilleures ambassadrices. Elles adhèrent complètement et poussent vraiment le sujet. Avec ces personnes, l’important est de lancer des expérimentations qui fonctionnent rapidement, pour qu’elles soient convaincues et deviennent porteuses.
Bien sûr, il y aura des freins, comme dans toute transformation. Et l’IA est un sujet sacrément structurant. On entend : « L’IA, ce n’est pas pour nous », « Ce n’est pas notre secteur », « On n’a pas de données ».
Je propose alors une démarche par étapes. Regardons d’abord quelle est éventuellement la problématique avec les données. Ça peut devenir un projet en parallèle à lancer. Sinon, travaillons avec ce qu’on a sous la main, sans viser tout de suite le 100 %. Petit à petit.
Dans les organisations avec lesquelles tu travailles, quel est selon toi le prochain grand défi humain sur l’adoption de l’IA ?
Pour moi, le vrai challenge aujourd’hui, c’est de croire que l’IA, notamment l’IA générative et l’IA agentique combinées, va tout faire toute seule, de bout en bout. C’est un mythe assez présent. Et il risque de générer de la déception.
C’est pour ça que, dans mes ateliers, je propose des exercices pour le montrer. Par exemple, je donne un sujet que les participants ne connaissent pas. Ils doivent faire une présentation en peu de temps, avec un outil d’IA générative donné. Puis on compare les résultats.
Ça permet de voir beaucoup de choses. Parfois beaucoup trop d’homogénéité, si ce n’est pas bien travaillé. Parfois des choses fausses. Il faut toujours garder son regard critique. Et c’est là que l’humain apporte sa grande valeur ajoutée.
Pour montrer un autre biais, je demande à la même IA générative deux raisonnements complètement contradictoires. J’obtiens deux raisonnements parfaits, qui se tiennent tous les deux. Lequel choisir ? Dans un cas professionnel, seul un humain peut trancher. Il faut l’expertise humaine pour être capable de faire ce choix.
Merci beaucoup Sophie pour ce retour d’expérience et pour tous ces conseils très concrets pour animer un atelier et embarquer les équipes. Ces freins qu’on entend souvent, ces phrases toutes faites autour de l’IA générative, montrent bien que l’adoption de l’IA n’est pas qu’une question de technologie ou de budget. C’est une question de pédagogie et de démonstration concrète. On a des sceptiques, on a des surenthousiastes, mais il existe une méthode. Et on a tous envie de l’expérimenter.
Si vous vous demandez comment structurer cette démarche dans votre organisation, c’est exactement ce que nous faisons chez Datalogy. Nous accompagnons les directions Data & IA pour créer les conditions de l’adhésion, à travers nos quatre leviers : la pédagogie, la communication, la communauté et le partage entre pairs, et l’influence. Pour nous, ce sont les quatre piliers de l’adoption de la data et de l’IA.
