Comment passer des pilotes d'IA au retour sur investissement à l'échelle de l'entreprise?

D'après le dernier rapport de MIT, il y a de fortes chances que vous ayez été témoin d'une initiative d'IA qui n'a pas eu d'impact. En fait, 95 % de tous les projets pilotes d'IA ne génèrent aucun retour sur investissement (ROI). De nombreux fabricants sont confrontés à un phénomène frustrant : la fatigue liée à l'IA. Vous assistez à des démonstrations impressionnantes, vous investissez dans des projets pilotes prometteurs et vous assistez peut-être même à de petits succès. Pourtant, vous n'avez pas encore vu ces victoires se traduire par un retour sur investissement significatif et mesurable ?

L'étude du MIT indique que plus de 50 % des investissements dans les projets pilotes d'IA ont été consacrés aux ventes et au marketing. Ces projets sont faciles à présenter en interne, grâce à des applications qui promettent de rédiger des textes pour vous ou de déployer des chatbots pour répondre automatiquement aux questions des clients. Cependant, le véritable retour sur investissement se trouve dans des domaines tels que les opérations et les achats.

Les projets pilotes n'échouent pas parce que la technologie a échoué ; ils échouent parce que l'application était trop restreinte pour avoir un impact suffisamment significatif ou parce que les données étaient immatures et déconnectées. Bref, l'IA était déployée dans le cadre de la dernière tendance plutôt que pour résoudre un véritable problème commercial. L'IA industrielle ne peut plus être considérée comme une expérience cool, mais plutôt comme une transformation fondamentale des processus. Nous devons arrêter de nous demander : « Que peut faire l'IA ? » et commencez à vous demander : « Quel problème commercial critique l'IA peut-elle résoudre pour apporter une réelle valeur ajoutée ? »

Phase 1 : Jeter les bases grâce à une gouvernance des données de qualité

L'attrait de l'IA est puissant. La maintenance prédictive, l'analyse de la qualité et la prévision de la demande sont autant de possibilités intéressantes. Cependant, tous les programmes d'IA, même les pilotes à petite échelle, exigent des données de qualité pour générer les résultats souhaités. Souvent, les algorithmes fonctionnent exactement comme prévu dans leur environnement contrôlé. Les véritables défis apparaissent lorsque ces projets tentent de se développer à grande échelle. Si un programme d'IA ne produit pas les résultats escomptés, le principal responsable n'est peut-être pas le modèle d'IA lui-même, mais plutôt les données qui lui sont fournies.

L'IA au niveau de la production nécessite une source de données robuste. Les pilotes s'appuient souvent sur des ensembles de données sélectionnés manuellement, qui n'existent peut-être pas encore à grande échelle pour les grands fabricants. En fait, des données pilotes peuvent même être générées artificiellement pour entraîner le système d'IA à réagir correctement lorsque des données réelles sont fournies.

De plus, de nombreuses solutions d'IA fonctionnent dans des silos de données, déconnectées des systèmes MES, ERP et SCADA existants. Il est donc impossible de mettre en œuvre leurs connaissances dans les processus existants avec un impact suffisamment significatif. La limitation de l'ensemble de données fourni aux systèmes d'IA limite les informations potentielles qui peuvent être générées. C'est pourquoi une gouvernance des données robuste est fondamentale pour une mise à l'échelle réussie de l'IA, mais c'est un aspect souvent négligé de la mise en œuvre et entraîne l'échec de nombreux projets pilotes. Les silos de données sont les ennemis de l'IA d'entreprise.

Identifiez donc les données requises pour une application d'IA spécifique, investissez dans la création de ces données au fil du temps et mettez en œuvre des contrôles de qualité pour vous assurer de développer progressivement une base de données évolutive. Les outils assistés par l'IA les plus précieux sont ceux qui contiennent des données en temps réel, qui sont connectés et qui contiennent des ensembles de données complets.

Phase 2 : Identifiez la stratégie la plus rentable

Une autre erreur majeure lors de la mise à l'échelle de l'IA industrielle est d'essayer d'automatiser dans un souci d'automatisation plutôt que de cibler des résultats commerciaux spécifiques. Cela dilue les efforts au sein de l'entreprise et rend difficile la quantification du succès. Le véritable retour sur investissement à l'échelle de l'entreprise est obtenu grâce à la qualité des améliorations, et non à leur quantité.

Identifiez un indicateur clé de performance (KPI) à fort impact qui permettrait à l'organisation de remporter la plus grande victoire tout en offrant la plus grande amélioration financière. La mise en œuvre de l'IA ne consiste pas à automatiser chaque petite tâche, mais à apporter des améliorations sur un indicateur réellement important pour l'ensemble de l'entreprise. Parmi les indicateurs de performance clés courants que les organisations mesurent, citons :

• OEE (efficacité globale de l'équipement)
• Débit
• Temps d'arrêt
• Déchets

Phase 3 : mise à l'échelle avec une feuille de route

Une fois que vous avez identifié la plus grande victoire pour votre entreprise, il est temps de procéder à un déploiement stratégique. Veillez à rester discipliné tout au long de ce processus, en évitant que la mise en œuvre de l'IA industrielle ne se développe trop rapidement ou de façon trop sporadique. N'essayez pas de déployer l'IA dans toutes les usines en même temps.

Étape 1 : Choisissez un site pilote

Choisissez un site pilote unique qui sera la base d'accueil du modèle d'IA. Il doit inclure un leadership fort et l'adhésion des employés pour garantir un impact maximal. L'installation pilote permettra d'affiner le système d'IA, d'optimiser les sources de données et de surmonter les éventuels obstacles opérationnels.

Étape 2 : Mobiliser les travailleurs pour obtenir des commentaires

Ensuite, impliquez les opérateurs de première ligne, les équipes de production, les équipes de maintenance et tous les autres travailleurs qui interagissent avec le système d'IA pour obtenir un feedback immédiat sur la façon dont la mise en œuvre se déroule. L'IA dans le secteur manufacturier ne vise pas à remplacer les travailleurs, mais à les soutenir et à leur permettre de faire leur travail plus rapidement et mieux que jamais. Bien qu'une solution d'IA soit techniquement faisable, si les travailleurs ne lui font pas confiance ou ne l'utilisent pas, sa mise en œuvre échouera. Identifiez les progrès et célébrez les victoires lorsqu'elles se produisent afin de propager les bons comportements.

Étape 3 : Standardiser les objectifs pour la création de modèles

Quantifiez la valeur générée par le flux de travail de l'IA ou les résultats qu'il a fournis et qui ne se produisaient pas auparavant sur le site pilote. Utilisez cet impact mesurable pour créer des directives claires sur la manière dont le système d'IA est destiné à être utilisé dans l'entreprise afin de garantir un impact maximal. Les solutions d'IA sont maintenant prêtes à générer un modèle à utiliser sur d'autres sites. Et restez adaptable lors de la mise en œuvre sur d'autres sites, qui peuvent avoir des circonstances ou des ensembles de données uniques.

{{appel}}

Une IA performante à l'échelle de l'entreprise

N'oubliez pas que passer de programmes pilotes d'IA isolés à une IA à l'échelle de l'entreprise n'est pas un sprint rapide, mais un marathon stratégique. Le succès ne se mesure pas au nombre de modèles d'IA déployés, mais à l'impact mesurable sur les résultats de votre entreprise.

Cette évolution nécessite un changement de perspective fondamental, passant de l'IA en tant que technologie innovante à un aspect essentiel de votre processus de production. La mise à l'échelle de l'IA concerne moins la technologie que la gouvernance des données, les mesures efficaces et la planification stratégique. Les outils assistés par l'IA efficaces sont ceux qui disposent de données en temps réel, sont connectés et bénéficient de l'adhésion des employés de l'entreprise.

En donnant la priorité à une feuille de route centrée sur l'humain, les fabricants peuvent enfin s'affranchir du cycle d'échec des pilotes et exploiter toute la valeur de l'IA industrielle.