Avez-vous déjà réfléchi à la différence entre un outil et un système ?
Les outils sont ce que nous utilisons pour effectuer des tâches. Les systèmes, de la même manière, rationalisent les tâches.
Certains pourraient imaginer un système comme un simple outil plus complexe.
Cependant, lorsque les tâches sont classées en deux types — le travail d'itération et le travail en flux — la distinction entre outils et systèmes devient claire.
Itération et Flux
Le travail d'itération est le processus de création progressive de livrables par des essais et erreurs flexibles.
Dans le travail d'itération, une boîte à outils pouvant être utilisée de manière interchangeable pour des tâches spécifiques est utile.
Inversement, le travail en flux est un processus qui progresse de manière incrémentielle, produisant un livrable à l'étape finale.
Dans le travail en flux, disposer d'un système pour guider le déroulement des tâches améliore considérablement la productivité et la qualité.
Conversion en travail en flux et systématisation
De nombreuses tâches effectuées par les humains sont soit du travail d'itération, soit une partie d'un travail en flux systématisé.
En convertissant le travail d'itération en travail en flux, puis en le systématisant, la productivité et la qualité peuvent être considérablement améliorées.
La Révolution Industrielle et la Révolution Informatique
La Révolution Industrielle et la Révolution Informatique sont des exemples éloquents de la manière dont la conversion du travail d'itération en travail en flux, puis sa systématisation, ont considérablement amélioré la productivité et la qualité.
Avant la Révolution Industrielle, la fabrication était réalisée comme un travail d'itération, les humains utilisant habilement des outils et modifiant librement les arrangements et les procédures à chaque fois.
De même, avant la Révolution Informatique, le traitement de l'information impliquait que les humains utilisent des outils de manière non structurée et itérative.
En systématisant ces processus, à l'instar des chaînes de production en usine ou des systèmes informatiques d'entreprise, la productivité et la qualité ont été considérablement améliorées.
Cependant, non seulement la systématisation, mais aussi la conversion en travail en flux des tâches itératives sont extrêmement cruciales. C'est la capacité à convertir en travail en flux qui a rendu la systématisation possible en premier lieu.
La Révolution de l'IA Générative
Lorsque l'objectif est d'améliorer la productivité et la qualité en utilisant l'IA générative dans les opérations commerciales, le simple fait d'utiliser l'IA comme un outil ne permettra pas de libérer sa véritable valeur.
L'objectif principal est la conversion du travail d'itération en travail en flux, suivie de la systématisation de ce travail en flux.
L'IA générative peut gérer le travail d'itération grâce à son adaptabilité. Cependant, qu'il soit effectué par des humains ou par l'IA générative, il existe des limites à la productivité et à la qualité du travail d'itération.
Par conséquent, viser la conversion en travail en flux et la systématisation est crucial.
On pourrait arguer que si la conversion en travail en flux pouvait améliorer la productivité et la qualité pour les travailleurs humains, de telles initiatives auraient pu être entreprises avant même l'avènement de l'IA générative.
Cependant, la conversion en travail en flux, lorsqu'elle est basée sur des travailleurs humains, est en réalité un problème très difficile. Les travailleurs humains ne peuvent pas s'adapter immédiatement aux changements d'affectation ou de contenu des tâches.
Inversement, lorsque le travailleur est une IA générative, il est facile de reconfigurer de manière itérative les rôles et le contenu des tâches.
Contrairement aux humains, l'IA générative peut oublier les étapes précédentes, lire et comprendre instantanément de nouvelles procédures, et effectuer des tâches en se basant sur celles-ci.
Pour cette raison, l'approche principale pour tirer parti de l'IA générative en entreprise sera la conversion du travail d'itération en travail en flux et sa systématisation subséquente.
Efficacité Commerciale Grâce à l'IA Générative
Prenons un exemple d'efficacité commerciale obtenue grâce à l'IA générative.
Considérons, à titre d'exemple, la tâche de répondre aux demandes des employés concernant les règles internes de l'entreprise.
L'IA générative peut être utilisée pour rechercher les règles internes et rédiger des réponses.
Cependant, il est possible que l'IA générative se réfère à des règles obsolètes ou génère par erreur des réponses basées sur des informations imaginées et non présentes dans les règles.
De plus, les demandes peuvent parvenir par divers canaux, tels que le courrier électronique, les outils de messagerie, le téléphone ou en personne.
Par conséquent, l'employé en charge des demandes doit toujours les recevoir comme auparavant.
On peut concevoir que l'efficacité pourrait être améliorée en demandant aux employés de répondre aux demandes sur-le-champ lorsque cela est possible, et pour celles nécessitant une vérification des règles, en saisissant le contenu de la demande dans l'IA générative pour obtenir des projets de réponse.
De plus, pour les questions fréquemment posées, il est nécessaire de les publier sur le site web interne de l'entreprise sous forme de FAQ.
L'IA générative peut également être utilisée pour saisir des questions et réponses représentatives et générer des brouillons sous forme de listes à puces pour la publication sur le site web.
En outre, l'IA générative peut être mise à contribution pour examiner le libellé des projets lorsque des modifications de règles sont nécessaires.
De telles utilisations pourraient rationaliser un certain pourcentage des tâches de traitement des demandes.
Cependant, cela traite simplement le traitement des demandes comme un travail d'itération et utilise l'IA générative comme un outil.
Par conséquent, les gains d'efficacité de cette approche sont très limités.
Conversion en travail en flux
Pour maximiser l'efficacité de la tâche de réponse aux demandes, citée en exemple, cette tâche doit être convertie en travail en flux.
Cela nécessite de détailler et de documenter les étapes suivies par la personne en charge lors du traitement des demandes :
- Recevoir les demandes par différents canaux.
- Si la demande est identique à une demande précédemment traitée et qu'il n'y a pas de modifications aux règles pertinentes, fournir la même réponse qu'auparavant.
- Pour une nouvelle demande, ou une demande impliquant un changement de règle, examiner les règles et préparer un projet de réponse.
- Vérifier si le projet de réponse fait référence à d'anciennes règles ou inclut des informations non mentionnées dans les règles.
- Vérifier si une approbation est requise avant de répondre, et l'obtenir si nécessaire.
- Répondre par le canal par lequel la demande a été reçue.
- Enregistrer le contenu de la demande, le résultat de l'approbation et le résultat de la réponse dans les données de l'historique des demandes.
- Vérifier périodiquement les données de l'historique des demandes pour créer des propositions de mise à jour pour les questions fréquemment posées et les réponses.
- Mettre à jour le site web interne de l'entreprise après avoir obtenu l'approbation.
- Lorsque les règles sont mises à jour, mettre à jour les données de règles référencées.
- Simultanément, enregistrer dans l'historique des demandes passées que des réponses et des mises à jour de règles connexes ont eu lieu.
- Vérifier si les questions fréquemment posées et les réponses nécessitent une révision en raison de changements de règles, et les mettre à jour si nécessaire.
En clarifiant les détails de ces tâches et en les connectant, le travail d'itération flexible peut être transformé en un travail en flux clair.
Exemple de systématisation
En convertissant les tâches en travail en flux, la voie vers la systématisation devient claire.
Lors de la systématisation, si un certain sacrifice en termes de commodité pour les employés est acceptable, une option consiste à consolider les canaux de demande.
Inversement, si la commodité des employés est la priorité absolue, tous les canaux de demande doivent rester ouverts.
Fondamentalement, le système doit recevoir directement les demandes. Ce n'est que dans le cas des demandes verbales qu'un humain saisirait les détails dans le système.
Une fois la demande reçue, le système informatique et l'IA générative effectueront autant de tâches subséquentes que possible selon le flux. Initialement, des vérifications et des approbations humaines devraient être intercalées tout au long du système, et les opérateurs humains devraient pouvoir apporter des corrections.
Ensuite, à mesure que le système est utilisé pour traiter les demandes, si l'IA générative commet une erreur, les instructions pour l'IA devraient être mises à jour avec des points de vigilance, des éléments à vérifier, des exemples d'erreurs et des exemples corrects pour éviter que l'erreur ne se reproduise.
Ce processus peut réduire les erreurs de l'IA générative. La mise à jour de ces instructions pour l'IA elle-même peut être rendue encore plus efficace en la convertissant du travail d'itération en travail en flux.
De cette manière, en systématisant les tâches converties en flux, même les opérations qui pourraient initialement sembler nécessiter une intervention humaine peuvent être remplacées par un système centré sur l'IA générative.
Idées reçues courantes
Nombreux sont ceux qui pensent que l'application de l'IA générative dans les entreprises a actuellement peu d'effet, ou qu'elle est prématurée.
Cependant, la plupart de ces personnes ont souvent deux types d'idées fausses.
La première idée fausse découle du fait de se concentrer sur l'utilisation de l'IA générative comme un simple outil.
Comme démontré ici, l'utilisation de l'IA générative comme outil pour le travail d'itération n'augmente pas significativement l'efficacité commerciale. Cette idée fausse naît de l'expérience ou de l'observation de résultats si limités.
La deuxième idée fausse provient du fait de se concentrer sur la performance de l'IA générative pour le travail d'itération.
En effet, tenter de faire accomplir le travail d'itération par l'IA générative actuelle est souvent infructueux. Par conséquent, les gens concluent à tort que l'IA générative ne peut pas prendre en charge les tâches effectuées par les humains, en se basant uniquement sur cette observation.
Conclusion
Comme nous l'avons vu, en convertissant le travail d'itération en travail en flux et en le systématisant, une efficacité supérieure à celle obtenue avec de simples outils peut être attendue.
De plus, même si l'IA générative ne peut pas effectuer un travail d'itération complet, elle peut gérer de nombreuses tâches individuelles au sein d'un processus de travail en flux. Même en cas d'erreurs initiales, une amélioration continue peut être obtenue en mettant à jour les instructions.
Alternativement, si nécessaire, les tâches peuvent être divisées, en séparant la rédaction de la vérification, ou en mettant en œuvre des vérifications à plusieurs étapes.
Si la systématisation peut être réalisée de cette manière, les améliorations progresseront à chaque tâche effectuée, et les opérations deviendront plus efficaces au fil du temps.
Il s'agit d'une méthode de travail qui permet l'amélioration continue du mécanisme lui-même, similaire à la production en usine et à la systématisation informatique.
Pour utiliser efficacement l'IA générative, un changement de mentalité est nécessaire : au lieu d'essayer d'améliorer son propre travail d'itération, il faut objectivement convertir ses tâches en travail en flux et les systématiser.