Quand l’expertise se diffuse, le timing fait la différence

Le contenu de cette page a été traduit automatiquement par un service tiers.

L’IA est en train de changer l’économie de l’expertise.

Cela peut sembler abstrait, mais nous pouvons déjà en observer les effets. Des tâches qui exigeaient autrefois beaucoup de temps, des connaissances spécialisées ou l’intervention du bon expert peuvent de plus en plus être réalisées avec l’aide de l’IA. Il est désormais possible de rassembler plus rapidement des informations, d’explorer différentes options, de remettre en question certaines hypothèses et d’obtenir une première analyse pertinente sans partir de zéro.

Pour les organisations d’ingénierie, cette évolution présente de nombreux avantages. L’expertise a toujours été difficile à déployer à grande échelle. La personne qui sait pourquoi une exigence a été modifiée il y a trois ans, ou qui se souvient du raisonnement ayant conduit à une décision de configuration inhabituelle, ne peut pas participer à toutes les réunions. L’IA offre un autre moyen d’intégrer ces connaissances dans le travail quotidien.

Mais faciliter l’accès à l’expertise crée aussi un nouveau problème.

Lorsque presque tout le monde peut produire une analyse crédible, la ressource rare n’est plus l’analyse elle-même. Il s’agit de savoir quelles informations sont importantes, ce qui mérite notre attention et à quel moment nous disposons de suffisamment d’éléments pour agir.

Je pense que ce changement aura un impact plus important sur les entreprises que le simple fait de donner à davantage de personnes accès à l’IA.

L’IA change la nature de l’expertise

Pendant des années, les organisations ont concentré leur expertise dans les personnes. Les ingénieurs expérimentés savaient où chercher lorsqu’un problème survenait. Les responsables produit reconnaissaient certaines tendances parce qu’ils les avaient déjà rencontrées dans des programmes précédents. Quelques personnes étaient capables de relier des décisions prises à un stade du cycle de vie aux conséquences qu’elles pouvaient avoir ailleurs.

Leur valeur ne résidait pas simplement dans le fait d’en savoir davantage. Elles comprenaient le contexte.

L’IA change une partie de cette équation. Elle peut aider à trouver des informations pertinentes, comparer des alternatives, résumer des contenus techniques et identifier des relations qui nécessiteraient autrement des efforts considérables pour être mises au jour.

Cela relève le niveau de base.

Un ingénieur n’a pas nécessairement besoin de vingt ans d’expérience pour commencer à poser de meilleures questions sur un problème. Un responsable produit peut explorer des implications qui dépassent son domaine habituel. Une personne qui analyse un problème peut examiner un ensemble d’informations beaucoup plus vaste avant de faire appel à un expert.

Rien de tout cela ne réduit la valeur d’une expertise approfondie. À certains égards, elle devient même plus importante, car les personnes expérimentées sont mieux équipées pour évaluer les résultats produits par l’IA.

Ce qui change, c’est l’avantage que procurait à lui seul l’accès aux informations.

Si cinq concurrents peuvent utiliser des modèles d’IA similaires pour analyser la même évolution du marché, produire des scénarios comparables et parvenir à des conclusions globalement similaires, l’analyse elle-même apporte peu de différenciation. C’est ce qui se passe ensuite qui compte.

Le nouveau défi consiste à savoir ce qui compte vraiment

Les organisations d’ingénierie doivent déjà gérer davantage d’informations qu’une seule personne ne pourrait raisonnablement en assimiler.

Une modification apportée à un produit peut avoir des répercussions sur les exigences, les pièces, les logiciels, les fournisseurs, les processus de fabrication, les dossiers qualité, les certifications et les informations de service. Ces connexions s’accumulent au fil des années, parfois des décennies.

L’IA peut aider à comprendre cette complexité. Mais elle peut aussi générer une nouvelle couche de résultats à analyser.

Demandez à une IA quelles sont les causes possibles d’un problème de qualité et elle peut vous en proposer dix. Demandez-lui comment un changement de fournisseur pourrait affecter un programme et elle peut générer plusieurs scénarios. Demandez-lui quelles réponses pourraient être apportées à une nouvelle exigence et une demi-douzaine de pistes plausibles peuvent émerger.

Toutes sont utiles. Aucune ne constitue une décision.

C’est là, à mon avis, que les organisations doivent veiller à ne pas confondre davantage d’analyses avec de meilleures décisions.

L’IA rend moins coûteux le fait de poursuivre l’analyse. Il existe toujours un scénario supplémentaire à examiner ou une autre interprétation à envisager. Dans une organisation qui éprouve déjà des difficultés à prendre des décisions entre différentes fonctions, cela peut facilement devenir une raison supplémentaire d’attendre.

La véritable question est de savoir si l’IA aide une équipe à identifier plus tôt le signal important.

Au départ, ce signal peut sembler relativement anodin. Il peut s’agir d’une solution de contournement récurrente dans l’atelier de production. D’un problème fournisseur qui réapparaît dans différents programmes. D’une tendance inhabituelle dans les modifications techniques. Des techniciens de maintenance remplacent le même composant sérialisé plus tôt que prévu. Une exigence provoque régulièrement de la confusion en aval.

Pris séparément, ces éléments peuvent sembler être de simples problèmes opérationnels courants. Reliés entre eux au fil du temps, ils peuvent raconter une tout autre histoire.

C’est là que l’accès au contexte produit devient essentiel.

Les organisations d’ingénierie ont besoin de meilleurs signaux, pas de davantage d’idées

On parle souvent de dirigeants capables de « voir ce qui se cache derrière le prochain virage ». Je n’ai jamais été totalement à l’aise avec cette expression, car elle donne l’impression que l’anticipation relève d’un mystérieux talent personnel.

Dans un environnement où l’IA est omniprésente, cette capacité devrait devenir beaucoup plus systématique.

Une organisation devrait pouvoir détecter une tendance qui se dessine entre l’ingénierie, la fabrication, la qualité, les fournisseurs et le service sans attendre qu’une personne exceptionnelle rassemble manuellement toutes les pièces du puzzle.

L’IA peut y contribuer, mais seulement si elle dispose d’un contexte pertinent.

Prenons une modification technique. Examiner uniquement la demande de modification fournit relativement peu de contexte à une IA. Ce sont les relations qui l’entourent qui lui donnent du sens. Quelles exigences sont concernées ? À quelle configuration s’applique-t-elle ? Une modification similaire a-t-elle déjà été effectuée ? Quels composants, fournisseurs, processus de fabrication ou procédures de service pourraient être affectés ? Quelles décisions ont été prises auparavant, et pourquoi ?

C’est ici que la continuité numérique devient importante pour l’IA.

Lorsque les informations produit et leurs relations sont connectées et gouvernées, l’IA dispose de bien plus qu’un simple ensemble de documents dans lesquels effectuer des recherches. Elle bénéficie du contexte nécessaire pour interpréter ce qui se passe tout au long du cycle de vie du produit.

Cela ne signifie pas que l’IA décide seule de ce qui est important. Les ingénieurs et les autres experts métier continuent d’apporter un jugement que la technologie ne possède pas.

Ce que l’IA peut faire, en revanche, c’est élargir le champ de vision de l’organisation.

Elle peut aider à faire ressortir des relations qui seraient faciles à manquer, intégrer des décisions antérieures dans le travail en cours et révéler des tendances dans des informations qu’aucune personne ne peut appréhender dans leur totalité. Les équipes ont ainsi davantage de chances de remarquer quelque chose lorsqu’il ne s’agit encore que d’un signal précoce, plutôt que d’un problème devenu évident.

Et c’est précisément parce qu’ils ne sont pas encore évidents que les signaux précoces ont de la valeur.

L’avantage consiste à réduire le délai entre le signal et la décision

Détecter quelque chose plus tôt n’a de valeur que si l’organisation peut agir en conséquence.

C’est peut-être là que réside la plus grande difficulté.

De nombreuses entreprises sont organisées de manière à réduire l’incertitude avant de prendre une décision. C’est compréhensible, en particulier dans les environnements d’ingénierie où les erreurs peuvent coûter cher. Les revues, les approbations, la validation et la traçabilité existent pour de bonnes raisons.

Mais il y a une différence entre la rigueur et le fait d’attendre d’avoir une certitude absolue.

L’IA pourrait rendre cette distinction plus difficile, car elle nous offre de nombreuses possibilités de poursuivre l’analyse d’un problème. Elle pourrait aussi nous aider à prendre plus tôt une décision bien étayée.

Je préférerais voir les organisations d’ingénierie suivre cette deuxième voie.

Cela pourrait signifier utiliser l’IA pour identifier les informations nécessaires à une décision plutôt que de simplement rassembler tout ce qui est disponible. Elle pourrait permettre de trouver des modifications comparables et de montrer ce qui s’est passé par la suite. Elle pourrait faire ressortir les configurations produit concernées, résumer les décisions précédentes ou identifier les informations manquantes.

L’objectif n’est pas que l’IA prenne une décision d’ingénierie et passe à la suite.

L’objectif est de fournir aux personnes suffisamment de contexte pertinent pour prendre une meilleure décision tant qu’il est encore temps pour que cette décision ait un impact.

Cette distinction est importante.

Une entreprise qui identifie une tendance chez un fournisseur six mois plus tôt dispose de plusieurs options. Une équipe qui détecte un risque de configuration avant qu’une modification n’atteigne la production dispose de plusieurs options. Une organisation qui identifie un problème de service émergent alors que seul un petit nombre d’actifs est concerné dispose de plusieurs options.

Lorsque tout le monde finit par s’accorder sur le fait qu’il existe un problème, bon nombre de ces options peuvent avoir disparu.

Utiliser l’IA pour accélérer les décisions, pas seulement les idées

Avec chaque nouvelle technologie, la tentation est grande de mesurer ce qu’elle permet de faire plus facilement.

Avec l’IA générative, les premières mesures se sont naturellement concentrées sur la productivité. À quelle vitesse pouvons-nous créer quelque chose ? Quelle quantité d’informations pouvons-nous résumer ? Combien de tâches pouvons-nous automatiser ?

Ce sont des questions légitimes, mais je ne pense pas qu’elles nous rapprochent beaucoup de la véritable opportunité que représente l’IA pour l’ingénierie.

Je m’intéresse davantage à des questions comme celles-ci :

• Avons-nous identifié le problème plus tôt ?
• Avons-nous mieux compris l’ensemble de ses répercussions ?
• Les bonnes personnes disposaient-elles du contexte dont elles avaient besoin ?
• Pouvions-nous retracer le raisonnement à l’origine de la décision ?
• Avons-nous agi alors que nous disposions encore de véritables options ?

Ces indicateurs rapprochent l’IA du travail qui détermine réellement les résultats liés aux produits et à l’entreprise.

Ils permettent également de remettre l’accent là où il doit être. L’IA peut élargir l’accès aux connaissances et rendre des analyses sophistiquées accessibles à beaucoup plus de personnes. Elle peut aider une organisation à identifier des tendances auparavant enfouies dans différents systèmes, documents et équipes.

Mais quelqu’un doit toujours décider de ce que signifient ces tendances.

C’est pourquoi je ne pense pas que la diffusion de l’IA rende l’expertise moins pertinente. Elle change le rôle que doit jouer cette expertise.

Le facteur de différenciation réside moins dans le fait de posséder des informations auxquelles les autres n’ont pas accès. Il réside davantage dans la capacité à réunir l’expérience, le contexte produit et les signaux émergents afin de prendre une décision éclairée avant que la réponse ne devienne évidente.

Les idées générées par l’IA ne manqueront pas.

La capacité la plus difficile à développer est celle d’une organisation qui sait reconnaître lorsqu’une de ces idées révèle quelque chose d’important et qui est prête à agir.