Memoire Online - L'intelligence artificielle au sein des services marketing

SPÉCIALITÉ : spécialité Marketing Digital et Communication
PARCOURS : Parcours Excellence Business Connecté

Sous la direction de : M. Grégory BRESSOLLES
Soutenu le mardi 17 juillet 2018

Les opinions exprimées dans ce mémoire sont propres à leur auteur et n'engagent en aucun cas KEDGE Business School et le Parcours d'Excellence Business Connecté.

Je souhaiterais remercier dans un premier temps mon directeur de mémoire, Monsieur Grégory Bressolles à la fois pour ses judicieux conseils et également ses réponses à mes nombreuses sollicitations techniques, et plus globalement pour toute son oeuvre à mes côtés durant ces deux années de Master spécialisé au sein de Kedge Business School où je me suis pleinement épanoui.

Je désir aussi témoigner toute ma reconnaissance à l'ensemble des intermédiaires sans qui je n'aurais certainement pas eu la chance d'assister à de nombreux événements privés et forums, que ce soit Sylvie Chenivesse, Romain Mouton, Paolo Jesson, Bruno Bonnell ou encore l'agence Rivington. Ces expériences ont pu nourrir mes connaissances et réflexions sur mon sujet de recherche.

La finalisation de ce mémoire a été possible grâce notamment à la disponibilité de Messieurs Bruno Bonnell, Lo
·s Aoun, Philippe Bornuat et Patrick Johnson qui m'ont offert la possibilité de les rencontrer et d'échanger professionnellement avec eux concernant leurs activités et leur vision du marché ; et ce même si certains n'ont pu malheureusement être enregistrés.

L'intelligence artificielle est au coeur des recherches, des débats et bien souvent sujet à critique aujourd'hui : que ce soit par l'intermédiaire des entreprises multinationales, spécialisées ou locales mais également par l'intermédiaire d'organisations, touchant ainsi de multiples secteurs à des degrés divers.

Son utilisation est grandissante au sein des entreprises, particulièrement dans les services marketing et plus spécifiquement à des fins prédictives et stratégiques, grâce à l'ensemble des données offertes par le Big Data notamment. Des perspectives positives sont à prévoir, autant sur les technologies que sur l'utilisation des outils marketing.

Avec ces nouvelles techniques d'approches marketing, des changements sur la captation et l'anticipation des marchés sont mis en oeuvre, mais c'est aussi en interne, au sein des entreprises, que des processus sont en cours à des degrés divers et des impacts à des échelles différentes.

Mots clés : Intelligence Artificielle, Big Data, Marketing, Révolution Digitale, Révolution IA, Impacts de la Révolution IA, Bénéfices et dangers, Schumpeter, Emplois, Éducation, Connaissances, Technique, Systèmes Intelligents, Innovation, Algorithmes, Assistant de Prise de Décision, Systèmes Hybrides Intelligents, Connexion Neuronales Artificielles, Logique Flou, Apprentissage Machine, Technologies, Ad-Hoc, Marketing Industriel, Marketing Décisionnel, Idées, Marketing Stratégique, Systèmes d'Information, Intelligence Marketing, Intelligence de masse, Méthodes Analytiques, Environnement Marketing, Méthodologie.

Artificial intelligence is at the core of contemporary research, debates and frequently a critical issue today: whether through multinational firms, specialized companies or local enterprises but also through organizations, affecting several lines of business to varying extends.

Its use is increasing at the heart of business and particularly in Marketing departments as part of predictive and strategic uses, thanks to Big Data and its data abundance. This leads to positive prospects, both on the technology and the use and creation of marketing instruments.

With these new marketing approach technologies, deep changes in picking up and predict market signals are in place, but changes are also implement within and among firms on various scales.

Key words : Artificial Intelligence, Big Data, Marketing, Digital revolution, AI revolution, Impact of AI revolution, Benefits and dangers of AI technologies, Schumpeter, Employment, Education, Knowledges, Training, Support, Benefits and dangers of AI technologies, Intelligent systems, Marketing intelligent systems, Innovation, Algorithms, Decision Support System, Programming Model based, Hybrid intelligent system, Artificial neural networks, Fuzzy logic, Machine learning, AI technologies, Ad-hoc, Industrial Marketing , Decisional Marketing, Insights, Marketing Strategy, Information Systems, Marketing Intelligence, MkDSS, Autonomous-intelligent system, Hybrid-augmented Intelligence, Crowd Intelligence, Management support, Analytical method, Knowledge discovery, Genetic Fuzzy Systems, Marketing Environment, Methodology

B2C : «Business to Consumer», marketing ou commerce s'adressant aux particuliers

B2B : « Business to Business », marketing ou commerce s'adressant aux professionnels

C.A.I.O.: Chief AI Officer

O.E.C.D. : O.C.D.E. - Organisation de coopération et de développement économiques

1.2.1.2 La place de ces outils marketing dotés d'une intelligence artificielle 32

2.1.1 Qu'entend-on par marketing prédictif : quelques éléments de compréhension 50

2.2 É Et bien souvent couplé au stratégique grâce à ses outils intelligents 57

2.3 Approfondissement de l'implication et de l'utilisation des outils marketing 60

The rise of powerful AI will be either the best or the worst thing ever to happen to humanity. We do not yet know which.

INTRODUCTION

Introduction

Un certain scepticisme est mis en avant de la part de professionnels, tandis que d'autres voient l'évolution technologique et ses avancements quotidiens comme une destruction créatrice, concept propre à l'économiste J. Schumpeter datant du milieu du XXème siècle. En effet, deux écoles de pensées s'opposent quant à la réorganisation des besoins du fait des changements des ressources disponibles pour les assouvir.

Pour exemple, le groupe de réflexion France IA, crée en 2017 et dont le rapporteur principal est le mathématicien et député M. Villani, chargé également de la remise d'un rapport parlementaire en 2018¹ va dans ce sens et confirme ainsi que l'ensemble des entreprises et des organisations plus globalement prennent en compte ces changements majeurs qui sont et vont être opérés grâce à cette technologie, qui concernera l'ensemble des secteurs d'activité, en passant par l'industrie.

Pour illustrer ces propos, une étude émanant du cabinet de conseil McKinsey² nous indique que « 60% des emplois actuels comprennent 30% d'activités automatisantes à une échéance de 20 à 40 ans » seulement.

¹ Claude de Ganay & Dominique Gillot, Rapport parlementaire pour une intelligence artificielle maîtrisée, utile et démystifiée, Office parlementaire d'évaluation des choix scientifiques et technologiques, Assemblée Nationale, Mars 2018, Tome 1 & 2, consulté en mars 2018 et disponible à l'adresse : < www.assemblee-nationale.fr>.

Notre cadre d'étude étant axé principalement sur les domaines du marketing, de l'innovation, de la communication et du digital grâce notamment au parcours spécialisé Business Connecté, il nous a été naturel de nous diriger vers cette science encore nouvelle par la quantité de ses connaissances dont nous disposons même si des prémisses avaient déjà été descellées durant la dernière moitié du siècle dernier.

D'après Marvin Minsky, un des fondateurs de l'intelligence artificielle, « L'IA consiste à faire faire à une machine ce que l'homme fait moyennant une certaine intelligence ». Mais cette définition, en sus de son caractère incomplet, pose surtout le problème de son ouverture. En effet, « l'IA consiste à parvenir à faire faire aux machines, ce que l'homme fait aujourd'hui mieux qu'elles, notamment s'adapter, apprendre, communiquer et interagir d'une manière riche et variée avec leur environnement » (France IA, 2017).

On distingue aujourd'hui trois catégories d'intelligence artificielle dont la plus commune à ce jour étant la forme ANI, dont la mission est réduite à une tâche unique, comprenant l'Alpha Go de Google par exemple. Les AGI et la Superintelligence n'étant encore que deux formats peu développés ou tenant uniquement de la fiction pour l'heure. Au-delà des deux types d'IA (fortes ou faibles), l'IA se matérialise par deux familles d'apprentissage : le machine learning et deep learning.

Le premier se réfère à l'apprentissage automatique des machines et les capacités d'apprentissage de ces dernières, communément appelé apprentissage machine. C'est un sous-domaine de l'intelligence artificielle et dont les premières traces remontent aux années 80. Le second, dont le spécialiste Yann LeCun est considéré comme l'un des pères fondateurs³, a été découvert en 1980 avant son utilisation généralisée plus récemment. L'apprentissage profond « deep learning », est en réalité la résultante de l'apprentissage dans les réseaux de neurones

³ Yann LeCun (2015-2016). Recherches sur l'intelligence artificielle - Les enjeux de la recherche sur l'intelligence artificielle. Chaire informatique et sciences numériques

profonds ⁴. L'objectif à terme pour ce dernier est d'être entrainé afin de le rendre meilleur que lui-même⁵, même si aujourd'hui il n'en est qu'à ses débuts.

L'avantage de cette méthode est, d'après LeCun, sa « capacité d'apprendre à représenter le monde de manière hiérarchique ». C'est un sous domaine de l'intelligence artificielle mais également du machine learning grâce à son caractère neuronal puisqu'il utilise les réseaux de neurones profonds. Il est néanmoins encore loin d'être parfait et ne devrait être considéré comme abouti que d'ici 10 ans au minimum tant par son caractère inachevé qu'inexploitable et non fiable pour l'heure, comme nous avons pu le constater lors de nos recherches et confirmé avec des entretiens.

Ces intelligences, toutes formes considérées, sont conçues afin d'être en capacité de comprendre un besoin et d'y répondre de manière personnalisée et en autonomie. Elles sont rendues possibles par la base de données grandissante des API de la plupart des GAFA ou d'autres acteurs économiques, mais aussi la construction de procédures « pas à pas » et bien entendu l'auto-apprentissage, coeur du système d'IA. Ces dernières sont vouées au remplacement de certaines tâches réalisées par des effectifs humains existants au sein des entreprises et dont de nouvelles tâches seront alors réalisables pour eux⁶.

La présence de la technologie aura pour rôle de soulager le travail des collaborateurs, l'accompagner dans la prise de décision et dans des travaux faisant appel à la créativité ; les fonctions et tâches affectées aux humains seront durablement touchées⁷, impactant plus globalement l'ensemble de la gestion des individus⁸ et l'organisation dans l'entreprise⁹ pour per-

⁵ Stéphane Mallard, Jean-Philippe Desbiolles, Anne-Laure Barcori (Juin 2018), Forum IA Summit, INSEEC Lyon.

⁶ Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume) Emerald Publishing Limited, pp.113 - 137

⁷ Vegard Kolbjørnsrud, Richard Amico, Robert J. Thomas, (2017) "Partnering with AI: how organizations can win over skeptical managers", Strategy & Leadership, Vol. 45 Issue: 1, pp.37-43

⁸ John Chelliah, (2017) "Will artificial intelligence usurp white collar jobs?", Human Resource Management International Digest, Vol. 25 Issue: 3, pp.1-3

mettre une efficience maximale dans la relation humain - machine¹⁰, encore nouvelle au-jourd'hui.

Un nouveau marketing est en construction¹¹ puisque ces intelligences permettent de réduire un écart entre les offres et la réception des réponses, supprimant ainsi des intermédiaires, en parallèle du délai de réponse. À terme, l'IA sera un apporteur et simplificateur d'affaires dès lors qu'il permettra de relier des informations, cibler avec une précision parfaite et mesurer des résultats de manière inégalée. Elle permettra également comme dit plus haut de suppléer et de réaliser des tâches dans un délai de réponse parfois infime. Nous pouvons donc légitimement nous poser la question de la place de l'Intelligence Artificielle au sein des services marketing et son impact au sein des différentes organisations ainsi que ses perspectives aujourd'hui.

Tous les secteurs sont concernés, qu'ils soient B2B ou B2C, mais ceux de l'éducation ainsi que ceux du secteur retail, bancaire, de la musique, de la santé, des voyages et bien entendu de l'automobile, dont les premières innovations sont et seront celles qui toucheront le plus significativement à court terme les consommateurs.

L'arrivée d'objets connectés dans le quotidien des consommateurs et des entreprises, et plus particulièrement ceux intégrant une forme d'IA, n'est pas nouveau : nous pourrions discuter des chatbots aujourd'hui incontournables dans la stratégie digitale et marketing d'une entreprise. Cet usage devient incontournable par sa rapidité de réponse et sa qualité. En France par exemple, les premiers à avoir mis au point ces derniers par l'intermédiaire de la plateforme social Facebook étaient Pizza Hut et Voyages-Sncf, ce dernier permettait notamment de consulter des horaires ou réserver un billet de train simplifiant ainsi l'accès à l'information plus globalement. Ces derniers, disponibles 24h/24h et 7j/7, montrent par ail-

⁹ Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

¹⁰ Bruno Teboul (2017). Robotariat - Critique de l'automatisation de la société. Paris, France : Kawa. Consulté en octobre 2017

¹¹ Augustin Huret, Jean-Michel Huet, « L'intelligence artificielle au service du marketing », L'Expansion Management Review 2012/3 (N° 146), p. 18-26. DOI 10.3917/emr.146.0018.

Consulté en octobre 2017 et disponible à l'adresse : www.cairn.info/revue-l-expansion-management-review-2012-3-p-18.htm.

leurs une efficacité redoutable sans précédent dans le service client. La reconnaissance d'images, par l'apprentissage gagné grâce à des images réelles ou générées par un ordina-teur¹², ou faciale grâce au jeu du machine learning (Apple encore et son dernier smartphone iPhone X) sont également parties intégrantes de ces nouvelles technologies développées ayant recours à une intelligence.

Nous pouvons évoquer le développement d'une IA dotée d'une intelligence permettant de détecter le sarcasme à partir de tweets extraits de la plateforme Twitter¹³ : cet usage nous montre ainsi les avancées considérables d'outils pour les décideurs en matière de marketing émotionnel et ainsi dans l'étude de la réaction des consommateurs ou clients¹⁴.

Nous pourrions encore en citer beaucoup, mais plus globalement ces technologies sont dotées d'un énorme potentiel et doivent dès aujourd'hui faire partie intégrante de la stratégie marketing de l'entreprise. Google entretient 5000 projets en interne uniquement fondés sur l'intelligence artificielle et son intégration¹⁵. Alibaba vient d'annoncer en 2018 un plan de 15 milliards de dollars en 3 ans pour la recherche en Intelligence Artificielle, privilégiant ces derniers sur la technologie de rupture principalement comme les marchés de la fintech, l'informatique quantique, le big data et le design, mettant essentiellement l'accent sur le traitement automatique du langage naturel et l'informatique visuelle. Ceci n'est qu'un exemple et tend bien entendu à être généralisé.

Des changements importants en interne sont également à prévoir au sein des entreprises et de leur organisation : en effet, comment ces dernières vont implémenter ces évolutions opérantes à la fois sur le décisionnel et l'opérationnel et ainsi faire collaborer machines et humains ? Quelles sont les nouvelles techniques marketing d'approches utilisées et quelles

¹² Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb - Apple Inc - (2016). Learning from Simulated and Unsupervised Images through Adversarial Training

¹³ Shubhadeep Mukherjee, Pradip Kumar Bala, (2017) "Detecting sarcasm in customer tweets: an NLP based approach", Industrial Management & Data Systems, Vol. 117 Issue: 6, pp.1109-1126

¹⁴ Laurent Charlin (2017). Intelligence artificielle : une mine d'or pour les entreprises. Gestion, vol. 42, (1), 7679. doi:10.3917/riges.421.0076.

¹⁵ Stéphane Mallard, Jean-Philippe Desbiolles, Anne-Laure Barcori (Juin 2018), Forum IA Summit, INSEEC Lyon.

sont les mesures interne prises par les entreprises face à ces changements ? De quelle forme les produits ou services sont-ils impactés ainsi que les techniques marketing employées par les professionnels pour atteindre les clients et consommateurs, et l'impact de ces dernières pour ses intermédiaires ?

La problématique identifiée est un sujet phare de l'actualité et évolue chaque jour, en ce qu'elle est un réel défi au sein même des entreprises en 2018. Nous verrons ainsi comment cette science, nouvelle pour le grand public, impacte non pas uniquement les consommateurs et clients mais aussi les organisations et particulièrement les marketeurs.

La majorité des concepts abordés sont d'une part de l'ordre théorique, mais aussi pratique avec l'intervention d'exemples concrets issus de technologies déjà existantes ou en cours d'élaboration, d'intervenants du domaine du marketing et de l'intelligence artificielle mais aussi de personnages publics. Des travaux de recherches ainsi que des oeuvres récentes pour la plupart soutiendront ces propos.

L'objectif de la recherche est de rendre compte des différentes méthodes employées ainsi que les changements provoqués par ces nouvelles méthodes, leurs impacts sur l'ensemble des parties prenantes ainsi que les évolutions induites par ces changements.

Nous souhaitons aborder une stratégie ayant une approche qualitative dans la collecte de données. En effet, le travail de recherche sera construit autour de plusieurs recueils portant à la fois sur les impacts internes aux entreprises et les changements employés ainsi que la manière dont ces changements seront opérés avec l'intervention de personnalités du monde de l'entreprise (tous secteurs confondus) mais également des questions sur les enjeux sociétaux, d'autres intervenants spécialisés pourront prendre part à la recherche.

La connaissance des nouveaux outils marketing ainsi que l'évolution probable de ces derniers seront également au programme de ces échanges, et plus particulièrement ceux tenant du marketing prédictif et décisionnel. L'ensemble des questions seront pour une forte majorité

ouvertes afin d'obtenir des propos riches et diversifiés. Les résultats pourront fluctuer en fonction de l'actualité, riche et en plein changement pour ce sujet. L'analyse des données permettra de mesurer l'impact de ces changements à la fois au sein de l'entreprise, mais aussi sur les consommateurs ainsi que la société plus globalement.

PARTIE 1

Un de ses fondateurs Marvin Minsky définissait l'intelligence artificielle et son objectif comme étant une science qui « consiste à faire faire à une machine ce que l'homme fait moyennant une certaine intelligence », et ce bien après le Congrès de Dartmouth en 1956 qui scella définitivement l'emploi de ce terme par le scientifique John McCarthy. Ces deux experts ont d'ailleurs été les créateurs du célèbre MIT Artificial Intelligence Laboratory à l'Université de Stanford, aux États-Unis.

Mais nous ne pouvons évoquer les fondements de l'IA sans évoquer l'expérience réalisée par Alan Turing, donnant naissance au célèbre test éponyme ayant pour but de démontrer l'intelligence d'une machine et sa capacité d'imitation de l'intelligence humaine. Elle ne date d'ailleurs pas d'hier puisque historiquement Leibniz pensait déjà en 1694 à la confection d'un prototype de machine à raisonnement autonome grâce à des calculs (Ganay et Gillot, 2018)¹⁶.

Alors que l'économiste français Jean-Baptiste Say avançait déjà en 1828 l'hypothèse où les chevaux allaient être concurrencés puis remplacés par des voitures¹⁷, il était encore loin d'imaginer que ces derniers n'allaient pas seulement être conduits par des humains mais bien guidés automatiquement par l'intelligence et en totale autonomie comme les voitures Google ou bien celles d'Uber désormais aux États-Unis ^18.

Aujourd'hui, les causes de l'évolution des recherches sont bien différentes, comme l'évoque le mathématicien et député français Cédric Villani en 2018 : « dans les années 1950 c'était l'idée que l'on pourrait reproduire en algorithme la pensée humaine, maintenant c'est tout simplement n'importe quelle technique informatique qui permet d'aboutir à un résultat sophistiqué (traduire un texte par exemple) ; on est passé d'un concept d'imitation à un con-

¹⁶ Claude de Ganay & Dominique Gillot, Rapport parlementaire pour une intelligence artificielle maîtrisée, utile et démystifiée, Office parlementaire d'évaluation des choix scientifiques et technologiques, Assemblée Nationale, Mars 2018, Tome 1 & 2

¹⁷ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

¹⁸ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

cept utilitaire puisque l'intelligence artificielle est désormais conçue pour être utile » et non pour remplacer les humains.

Le fondement même des ordinateurs repose sur l'exécution de programmes pré-conçus en amont de la technologie, à la différence de l'IA désormais capable d'apprendre de ses erreurs ou succès¹⁹. Ce concept d'imitation est d'ailleurs repris par Yan LeCun (2016)²⁰, pionnier du deep learning et Directeur de la Recherche sur l'IA chez Facebook, et ajoute même la notion de hiérarchisation des informations et son importance dans la connexion neuronale.

Mais alors, par quels moyens les marketeurs ont-ils nourrit leurs fins et utilisé le développement de concepts des scientifiques et chercheurs ? Comment les institutions font-elles face à ces changements qui opèrent non pas seulement au sein des entreprises mais aussi dans le quotidien de l'ensemble de leurs populations ?

¹⁹ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

²⁰ Yann LeCun (2015-2016). Recherches sur l'intelligence artificielle - Les enjeux de la recherche sur l'intelligence artificielle. Chaire informatique et sciences numériques

1.1 Au sein de notre société

1.1.1 État des lieux

1.1.1.1 Vers une société de robots ?

La crainte d'aujourd'hui pour la plupart des personnes nourrissant un intérêt dans l'IA consiste en l'inversion des rapports de force et des puissances intellectuelles entre les robots et les humains. D'après Pan (Yunhe Pan, 2016), l'intelligence artificielle ne devrait pas dépasser l'intelligence humaine mais seulement la compléter et l'enrichir mécaniquement²¹. Il pense que la menace n'est pas réelle et demeure inconcevable pour l'heure.

À l'image de la transformation des modes de circulation véhiculés par Ford et ses voitures modernes qui ont supplantés les calèches à la fin du XIXème siècle, il suffirait « d'un demi-siècle pour obtenir une transformation aussi importante » (Bruno Bonnell, 2018)²² au sein de notre société, tout comme ce changement qui n'a été vraiment démocratisé qu'au début du XXème siècle.

1.1.1.2 Une guerre mondiale des acquisitions

En ce qui concerne l'intelligence générale (appelée aussi Superintelligence) celle-ci ne devrait pas être au point avant les 60 prochaines années²³. C'est également l'avis de

²¹ Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

²² Bruno Bonnell, Pierre Marquis, Jean Gabriel Ganascia, Albane Gaillot (Mars 2018) ; Intelligence Artificielle : la data levier de compétitivité, conférence, Maison de la Chimie, Paris, Matinales du Numérique.

²³ Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

l'optimiste Yann LeCun (Facebook) et ce malgré l'opposition d'opinion avec un de ses contemporain Elon Musk (Dirigeant de Tesla et Space X), où ce dernier pense que l'IA va conduire à une troisième guerre mondiale (dans sa récente intervention lors du festival SXSW en 2017), et qualifie même l'IA comme étant « plus dangereuse que les armes nucléaires ».

Cette déclaration fait écho à la course aux avancées technologiques menées par la Russie, la Chine et la plupart des puissances étatiques ayant fait de la recherche sur ce sujet une de leur priorité tant au niveau intellectuel que budgétaire. La France n'est d'ailleurs pas en reste mais concède un léger retard.

Figure 1 : LES DOMAINES DE L'INTELLIGENCE ARTIFICIELLE, GOUVERNEMENT FRANÇAIS, 2018

Ce retard est souvent dû à une législation encore trop peu garante et une population parfois fébrile quant aux expérimentations, indépendamment des budgets alloués et de leurs caractères encore incomparables face aux pays émergents en matière de recherche en IA.

Il est pour lui fondamental de stopper cette course et prévient d'un risque à la fois humain mais surtout d'un problème de gouvernance à l'échelle mondiale où l'éclosion d'une dominance d'un pays en marge aurait le même effet que l'obtention d'un avantage nucléaire et redistribuerait nécessairement les cartes du modèle de la gouvernance mondial.

Il préconise par ailleurs un durcissement rapide des législations mondiales en matière de technologies numériques et intelligentes. Cette guerre mentionnée ne peut être attribuée uniquement aux États puisque cette dernière en est d'ailleurs déjà à ses prémices d'un point de vue économique si l'on se fie à la « guerre des acquisitions » menée par les GAFA au-jourd'hui et la course à l'équipement en intelligence artificielle qu'ils opèrent (Makridakis, 2017)²⁴, à l'instar des Microsoft, IBM ou encore les chinois BATX (Baidu, Alibaba, Tencent, Xiami) en tête de liste.

1.1.1.3 L'emploi, un enjeu clé

Au-delà de l'impact sur les services au sein des entreprises, l'intelligence artificielle va aussi entraîner une inégalité sociale importante au sein et à l'extérieur des entreprises. Les emplois tenant du « middle range jobs » seront les plus impactés²⁵, et si ces changements prennent forme nous serons face à une montée exponentielle des écarts dans la mobilité verticale économique.

Ils pourraient être compensés par des mesures législatives avec par exemple l'introduction d'un revenu universel (Dirican, 2015)²⁶ , aussi évoqué par Stieglitz, qui absorberait les effets néfastes de ces changements. Il dit aussi que grâce aux nouvelles avancées technologiques, nous serons les nouveaux aristocrates modernes, d'ici 75 ans, où il avance

²⁴ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

²⁵ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

²⁶ Cüneyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

également que nous serons maîtres de nos vies désormais consacrées aux loisirs et au bien-être, car les machines vont oeuvrer pour nous comme les esclaves d'autrefois ou bien serons uniquement des concurrents directs pour le rapport bonheur - emploi.

Avant d'affirmer ou non ces allégations, il est important que la société prenne pleinement conscience des risques qu'elle encourt et des opportunités qui lui sont offertes : alors que certains penseurs accusent les États et leur enseignement qui selon eux n'est pas digne de la connaissance demandée aujourd'hui²⁷ réprimant une éducation encore trop fixée sur son modèle historique, ils demandent également plus à la fois d'autonomie et d'accompagnement dans l'apprentissage.

Mais c'est également les emplois, débouché logique après l'apprentissage scolaire, qui seront impactés par l'introduction de la technologie avec l'évolution des postes et des tâches qui en incombe. Prenons par exemple la fonction support : cette dernière devrait nécessairement se développer si les robots advenaient à remplacer les humains dans leurs tâches, et quand bien même cette hypothèse ne devait pas se concrétiser, la place de l'IA dans le quotidien d'un bon nombre de travailleurs et en particulier des marketeurs devrait devenir importante. Certaines tâches seront automatisées et les humains devront remplacer ce temps de travail effectif par de la fonction support, afin de vérifier que ces dernières soient accomplies correctement.

Les emplois vont donc au mieux se transformer, sinon être remplacés par des machines et d'autres seront créés.

²⁷ Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

1.1.1.4 « Disruption créatrice », vraiment ?

Une notion revient fréquemment aujourd'hui et elle ne date pourtant pas d'hier : rendue célèbre par son illustre penseur économique autrichien J. Schumpeter, la destruction créatrice est souvent associée au progrès technique où l'ancien est transformé ou absorbé par le nouveau dans le processus de création. Elle est invoquée lors de profonds changements dans la structure économique plus généralement, du fait bien souvent d'une innovation majeure bouleversant irrémédiablement la société dans son ensemble et nécessitant des changements imminents pour renouveler efficacement la production sans l'impacter ou limiter ses impacts économiques.

Bien que de profonds changements sont déjà opérés dans les grands groupes, ces derniers sont encore trop peu nombreux mais tendent à se généraliser sur l'ensemble des domaines, postes et taille d'entreprise et alors que certains parlent désormais de destruction créatrice ou bien de destruction pure, qu'en est-il vraiment ?

Les chiffres montrent bien la prise de conscience générale puisque d'après le cabinet d'audit Tractica, le marché des produits en entreprise ayant recours à l'intelligence artificielle passerait d'une cotation à 643 millions de dollars en 2016 à une évaluation dépassant les 36 milliards de dollars en 2025, soit approximativement le poids du PIB des États-Unis en 2016. Une tribune du The New-Yorker²⁸ affirmait d'ailleurs que l'évaluation des impacts de cette révolution prendrait trois à quatre fois moins de temps par rapport à ceux de la révolution digitale, et même près de 20 fois moins que pour celle de la révolution industrielle du siècle dernier.

Avec l'intervention de l'IA, les entreprises s'organisent afin d'introniser une transition douce même si cette dernière est souvent freinée par la dichotomie entre le process en cours d'implantation et les nouvelles méthodes supplantant ce dernier (Aoun, 2018)²⁹. C'est notam-

²⁸ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

ment par l'intermédiaire de nouvelles fonctions au sein des entreprises avec par exemple la création du poste de CAIO (Chief AI Officier), qui pourrait être également perçu comme une simple évolution de la fonction support, comme l'évoque Frey et Osborne en 2013 avec l'extension des compétences d'emploi dont les estimations seraient à hauteur de 47% des emplois actuels qui pourraient être concernés par ces changements³⁰.

Stieglitz fait pourtant le pari d'une augmentation conséquente des pertes d'emploi avec le remplacement du capital et de l'humain par l'innovation robotique ou intelligente³¹. Pour lui, ces changements entraineront inéluctablement une déflation, ou tout au mieux une « stagflation »³² chère à Bruno Teboul (2017), qui pour sa part va même jusqu'à évoquer l'idée d'une « disruption créatrice », opposant les concepts de Schumpeter et Sauvy.

Il est complété par Dirican qui entend qu'une hausse de l'efficacité au sein des entreprises est nécessaire pour absorber cette perte de Demande³³. C'est également le cas pour Yu (2018)³⁴ et Kodama (1986)³⁵ qui revendiquent tous deux une hypothèse où la robotique et sa forme physique prendront la place des humains au sein de la chaine de valeur travail ainsi que dans de nombreux domaines et particulièrement au sein des travaux manufacturés.

³⁰ Frey, C. B., & Osborne, M. A. (2013). The future of employment: How susceptible are jobs to computerisation?, Oxford Martin School

³¹ C·neyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

³² Bruno Teboul (2017). Robotariat - Critique de l'automatisation de la société. Paris, France: Kawa.

³³ C·neyt Dirican, The Impacts of Robotics, Artificial Intelligence On Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

³⁴ Lim, J.; Gil, J.-M.; Yu, H. A Distributed Snapshot Protocol for Efficient Artificial Intelligence Computation in Cloud Computing Environments. Symmetry 2018, 10, 30.

³⁵ Fumio Kodama, Japanese innovation in mechatronics technology, Science and Public Policy, Volume 13, Issue 1, 1 February 1986, Pages 44-51

1.1.2 Révolution IA et révolution digitale : une (r)évolution historique

1.1.2.1 Vers une révolution cyclique programmée ?

Trois facteurs sont à l'origine des changements entre les prémisses de la technologie et « l'intelligence artificielle 2.0 » évoquée par Yunhe Pan³⁶ comme étant ce vers quoi nous nous tournons depuis des mois : premièrement par la nature des données collectées et l'environnement dont elles disposent, mais également par la puissance de la demande citoyenne envers l'IA considérée désormais comme supérieure à la création de la valeur de l'offre, et enfin la nature de l'offre d'IA qui est désormais plus complexe et complète aujourd'hui grâce aux succès des travaux de recherche préalablement réalisés.

Nous pourrions ainsi parler d'une « Révolution IA » 37 qui n'est qu'à l'aube de son achèvement tant elle galvanise les peuples et suscite l'intérêt commun, qu'il soit positif ou négatif comme évoqué plus tôt.

Ce sujet de recherche est donc nécessaire et la demande grandissante le prouve. Nous pouvons donc naturellement nous demander dans quelle mesure la révolution numérique et digitale, appellée révolution de l'information, dans les années 1990 a-t-elle introduit la révolution IA dont nous faisons face aujourdhui ?

La Révolution IA qui est menée aujourd'hui va conduire à des bouleversements à tous les degrés et l'IA deviendra un assistant subordonné à l'humain avant de devenir son plus sérieux concurrent : par cette pensée, Makridakis (2017) affirme pleinement son positionnement et voit en l'IA les futurs ordinateurs et micro-ordinateurs (smartphones) de la précédente révolution digitale, autrement appelée révolution de l'information. La période actuelle pour-

³⁶ Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

³⁷ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

rait être aisément assimilée à celle de 1995 où l'idée de l'acceptation et de la connaissance de la puissance d'internet était encore trop vague pour la plupart des personnes et était sujet à un scepticisme immense (Stoll, 1995)³⁸.

Mais cette nouveauté modifiera radicalement l'accès à l'information, et les technologies sont d'ailleurs une source indéniable de changement : on l'a constaté avec les ordinateurs, les smartphones et aujourd'hui l'IA, que ce soit dans le quotidien ou bien dans la balance des pouvoirs (S. Holtel, 2016)³⁹ et par extension ses piliers fondateurs.

Figure 2 : LES PERIMETRES D'ACTION ET CONSEQUENCES DE CES REVOLUTIONS, RAPPORT PARLEMENTAIRE FRANCE IA,

³⁸ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

³⁹ Stefan Holtel, Artificial Intelligence Creates a Wicked Problem for the Enterprise, Procedia Computer Science, Volume 99, 2016, Pages 171-180, ISSN 1877-0509

1.1.2.2 Une cohabitation tripartite inédite dans notre société...

Des changements imputant les fondements même de notre société sont à l'oeuvre avec l'introduction d'une tierce partie prenante, donnant une nouvelle séparation tripartite de notre société : humaine (humain, société), cyber et physique⁴⁰.

Depuis les débuts de cette révolution, les clivages ne cessent de progresser entre ces membres, même si pour certains auteurs l'écart devrait se dissiper au profit d'une fusion si le cyber venait à prendre la place de l'humain. Tant que des solutions ne seront pas trouvées pour chaque entreprise, l'intelligence artificielle ne sera pas comprise par la plupart de ces dernières : chaque entreprise doit se questionner sur sa valeur ajoutée et tester pour obtenir des résultats uniques et affirmer des solutions en cohérence avec la politique, les missions et l'environnement de l'entreprise en question (Holtel, 2016)⁴¹.

1.1.2.3 É Qui mènera à terme à celle des robots - humains ?

D'après l'hypothèse de Mizroch (2015) émanant de son rapport « Creativity versus Robots »⁴², les emplois les plus menacés par ces évolutions seraient essentiellement les emplois administratifs ne demandant pas de créativité ou à une très faible quantité horaire rapportée au temps effectif total de travail⁴³. Il est également constaté que les emplois créatifs pouvant être concernés représenteraient 21% des 721 profils d'emplois considérés dans le

⁴⁰ Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

⁴¹ Stefan Holtel, Artificial Intelligence Creates a Wicked Problem for the Enterprise, Procedia Computer Science, Volume 99, 2016, Pages 171-180, ISSN 1877-0509

⁴² Mizroch, A. (2015). Is your job creative enough to resist robot automation? The Wall Street Journal Newspaper, Blog, Management, At Works.

⁴³ Cüneyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

rapport. Ils seront majoritairement subordonnés par des humains dont la fonction support sera essentielle au sein de l'entièreté du processus créatif.

L'intelligence n'est ailleurs pas encore assez développée pour permettre aux objets d'obtenir ces facultés inventives même si de nombreux chercheurs ont déjà effectué des avancées sur ce sujet. Rapporté aux États-Unis d'Amérique, une enquête menée par le centre de recherche de l'Université d'Oxford et le cabinet de conseil Deloitte mentionnait en 2013 que 47% des emplois pourraient être affectés par l'informatisation de l'ensemble des tâches d'ici les 20 prochaines années et dont une grande partie était déjà partiellement automatisée ou réalisée par des robots, que ce soit dans les administrations ou dans les entreprises (Chelliah, 2017)⁴⁴. 702 postes seraient ainsi concernés, ce chiffre fait écho à ceux exposés par la théorie de Dirican, et rajoute même qu'un glissement des emplois de ceux des manufactures au profit de ceux des services en serait une conséquence inéluctable, observant ainsi une augmentation exponentielle des « cols blancs ».

Sciamma (2012) avançait même déjà des travaux de recherche pour organiser une société de cohabitation entre robots et humains, à la fois au quotidien, en entreprise mais aussi dans le dessin des villes et pays⁴⁵.

Pourtant Stewart (Makridakis, 2017)⁴⁶ fait la conclusion que depuis la création des technologies, ces dernières ont toujours créé plus d'emploi qu'elles n'en ont détruit et décuplerait même les pouvoirs des humains, même si l'inverse se produit quant à la rémunération qui leur est offerte.

Julie Shah (2014) dans sa recherche commandée par le MIT⁴⁷ démontrait que les humains sont désormais prêts sur tous les aspects à collaborer avec les machines (quelles soient

⁴⁴ John Chelliah, (2017) "Will artificial intelligence usurp white collar jobs?", Human Resource Management International Digest, Vol. 25 Issue: 3, pp.1-3

⁴⁵ Dominique Sciamma, « Vivre avec des robots : designer la relation », Annales des Mines - Réalités industrielles 2012/1 (Février 2012), p. 103-108.

⁴⁶ Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

physiques ou virtuelles) lors de la réalisation de tâches complexes, qui est l'essence même de la création de ces outils d'assistance afin de faire naître une collaboration symétrique et complémentaire des intelligences (Shukla et James Wilson et Allab Alter et David Lavieri, 2017)⁴⁸.

Anne-Laure Barcori pense pourtant que « c'est l'intelligence artificielle qui va remettre l'humain à sa place et non pas l'inverse È⁴⁹, où l'IA jouera un rôle majeur dans la redéfinition des pouvoirs puisque que les humains auraient un rôle tourné de facto vers des pouvoirs de soft skills et donc beaucoup moins dans la gestion au sein même des entreprises. De nouvelles solutions seront offertes aux entreprises par ces biais, et particulièrement au sein des services marketing qui en seront les premiers impactés.

1.2 Au sein des entreprises et de ses services marketing

1.2.1 Tour d'horizon

1.2.1.1 Une utilisation pas vraiment nouvelle

L'utilisation de ces outils n'est pas nouvelle puisque déjà en 1986 Schwoerer et Frappa introduisaient l'usage de systèmes d'expertise pour le développement de media planning (Amaravadi, Samaddar, Dutta, 1995)⁵⁰.

⁴⁸ Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

⁴⁹ Stéphane Mallard, Jean-Philippe Desbiolles, Anne-Laure Barcori (Juin 2018), Forum IA Summit, INSEEC Lyon.

⁵⁰ Chandra S. Amaravadi, Subhashish Samaddar, Siddhartha Dutta, (1995) "Intelligent marketing information systems: computerized intelligence for marketing decision making", Marketing Intelligence & Planning, Vol. 13 Issue: 2, pp.4-13

C'est également le cas pour Kastiel (1987)⁵¹ qui suggérait l'utilisation de plusieurs systèmes offrant un appui technique lors de la réalisation et de l'évaluation de démarches promotionnelles par mail ou télémarketing.

Historiquement, les principaux échecs de l'utilisation d'une intelligence artificielle étaient dû à l'incapacité de ces dernières à utiliser les variations de données provenant de l'environnement des informations acquises (Yunhe Pan, 2016)⁵². Sur quoi se fient ces outils ?

1.2.1.2 La place de ces outils marketing dotés d'une intelligence artificielle

Les outils marketing ne dérogent pas à la règle : dans l'enquête menée par Accenture auprès de 1170 managers de 14 pays, 36% d'entre eux ont peur de la place prépondérante que pourrait prendre ces outils dans leur quotidien ainsi que celui de leurs collaborateurs, alors même qu'ils sont une majorité importante (84%) à accorder que ces outils auront un impact positif sur leur fonction, dans la gestion de tâches simples et celles de leurs subordonnés (Kolbjørnsrud, Amico, Thomas, 2017)⁵³.

Il est intéressant de noter que moins le pouvoir de décision managérial est fort, plus la crainte augmente et l'intérêt de l'utilisation est faible, ce qui confirme donc la corrélation de ces chiffres. Pourtant, nous pouvons voir qu'il serait utile voir fondamental d'implémenter cette aide technologique à tous les niveaux de hiérarchie.

⁵¹ D.L. Kastiel, «Computerized consultants», Business Marketing, March, 1987, pp. 52-74

⁵² Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

⁵³ Vegard Kolbjørnsrud, Richard Amico, Robert J. Thomas, (2017) "Partnering with AI: how organizations can win over skeptical managers", Strategy & Leadership, Vol. 45 Issue: 1, pp.37-43

1.2.2 Le Big Data, élément central d'une nouvelle ère

1.2.2.1 L'empreinte digitale de chacun d'entre nous

Le Big Data et les données qui en référent sont l'empreinte digitale de chacun de nous dans une réalité virtuelle, en ce que chaque action en ligne est marquée puis collectée et examinée afin d'être potentiellement exploitée (Christensen, Scholderer, Hersleth, 2018)⁵⁴.

Ces données et son offre multiple (on génère actuellement plus de 2,5 trillions d'octets de données par jour d'après la société IBM) ont donné lieu au désormais anglicisme Big Data, données massives ou volumes massifs de donnés en français, du fait de sa variété et sa quantité.

C'est essentiellement dû au fait d'une incapacité forte à ne plus pouvoir structurellement et quantitativement traiter ces dernières afin d'en extraire des scénarios ou approches. Ces informations sont recueillies grâce à des sondages, plateformes et expérimentations.

1.2.2.2 Une ressource et non un outil

Le Big Data doit être pensé comme étant une ressource et non plus un outil : cette technologie apporte une plus-value significative en terme qualitatif et quantitatif dans la création de valeur au sein des entreprises et pour les entreprises, et cela particulièrement dans un contexte de concurrence forte où chaque valeur différenciante peut compter.

⁵⁴ Christensen K, Scholderer J, Hersleth SA, et al. How good are ideas identified by an automatic idea detection system? Creat Innov Manag. 2018 ;27 :23-31

Les entreprises n'ont pour l'instant qu'une vision secondaire sur ce sujet alors qu'il devrait désormais être parmi les champs les plus discutés lors des réunions stratégiques et directives. Mais c'est surtout en terme qualitatif que l'extraction des données peut présenter des difficultés.

Christensen illustre le potentiel d'un système d'automation spécifique où l'intelligence donne sa suggestion sur la faisabilité, la nouveauté et la valeur d'une l'idée publiée sur les réseaux sociaux ou bien dans des communautés d'utilisateurs. Les suggestions ou idées concernent une entreprise particulière, et ces données riches en contenu se trouvent au sein même de recueils d'informations émanant de réseaux sociaux ciblés avec notamment des citations de personnes. La qualité de l'information offerte par les messages retirés à partir des réseaux sociaux ou des communautés en ligne (les forums par exemple) a pu être évaluée grâce à quatre facteurs, à savoir : la nouveauté, la pertinence, la spécificité et bien entendu le réalisme de chaque propos (Ganay et Gillot, 2018)⁵⁵.

1.2.2.3 Les 4 V : facteurs caractéristiques du Big Data

Ces facteurs développés par Christensen coïncident bien avec les fondements du Big Data et ses quatre V caractérisant ses dimensions d'application et de caractérisation : volume de données, vitesse de circulation, véracité et variété des sources. Les données sont à la fois collectées en plus grand nombre, mais surtout plus rapidement et décryptées de moins bonne qualité à cause notamment des conséquences de la Révolution Numérique et de l'utilisation exponentielle de données internet.

⁵⁵ Claude de Ganay & Dominique Gillot, Rapport parlementaire pour une intelligence artificielle maîtrisée, utile et démystifiée, Office parlementaire d'évaluation des choix scientifiques et technologiques, Assemblée Nationale, Mars 2018, Tome 1 & 2

Walmart par exemple utilise ses ressources à des fins prédictives et dont la valeur est de 2,5 petabytes par heure et concerne plus d'un million d'utilisateurs (Ross, Ressia, Sander, 2017)⁵⁶. Ces données qualitatives mais surtout quantitatives sont traitées par des algorithmes afin d'en extraire des indicateurs de performance et des analyses sous forme de tableau de bord, de synthèse ou de recommandation.

1.2.3 Les différentes formes de programmation et ses enjeux marketing, ou comment l'outil automatisé assouvit les besoins des humains

1.2.3.1 Les méthodes et technologies implémentées au sein de l'algorithme

Les algorithmes sont une suite finie et non ambiguë d'opérations ou d'instructions (entrées) permettant de résoudre un problème ou d'obtenir un résultat (sorties) à partir d'un certain rendement (Donald Knuth, 1998)⁵⁷. Fonctionnant grâce aux données du Big Data, ils nécessitent cinq prérequis : une définition précise du plan d'action, une finitude exacte et bien pensée, des entrées et sorties, et enfin un rendement suffisant.

Ce dernier principe mentionné précédemment pourrait attirer notre attention en ce qu'il définirait ce dernier comme une étape clé, où « chacune des opérations que l'algorithme doit accomplir doivent être suffisamment basiques pour pouvoir être en principe réalisées dans une durée finie par un homme utilisant un papier et un crayon ». Les mécanismes automatiques formatés par les algorithmes donnent naissance à des outils programmatiques et

⁵⁶ Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume) Emerald Publishing Limited, pp.113 - 137

⁵⁷ Donald Ervin Knuth, The Art of Computer Programming. 3rd Ed, Volumes 1-3 Boxed Set. Second Edition (Reading, Massachusetts : Addison-Wesley, 1998)

d'autres programmés, mais la programmation de ces derniers ne permet toutefois pas de traiter les cas « déviants » (Huet et Huret, 2012)⁵⁸, et sont majoritairement effacés dû au fait que ces derniers ne correspondent pas au profilage préenregistré des programmes.

Ces programmes ont historiquement été conçues avec une intelligence artificielle capable d'apprendre de ses succès ou échecs.

1.2.3.2 Le Machine learning, première technique à voir le jour

« L'apprentissage automatique, également appelé Machine learning, est un sous-ensemble de l'informatique de pointe permettant aux ordinateurs d'utiliser un algorithme pour trier des données, prendre des décisions, évaluer et améliorer continuellement leurs fonctionnalités » (Shukla et Wilson et Alter et Lavieri, 2017)⁵⁹. Cette technique a été largement développée précédemment. Elle est désormais répandue abondamment dans le quotidien des entreprises et permet aujourd'hui à des voitures autonomes d'être commercialisées dans certains pays par exemple.

Plus globalement, l'utilisation du machine learning aurait des effets positifs directs sur le process et les résultats des entreprises. D'après l'étude menée, 45% des industries interrogées éprouveraient une hausse de 10 fois supérieure à la normale quant à leurs KPIs, ce qui veut dire que leurs actions son dix fois plus bénéfiques que sans l'utilisation d'un outil doté d'une capacité d'apprentissage machine dans un de leurs process⁶⁰.

⁵⁸ Augustin Huret, Jean-Michel Huet, « L'intelligence artificielle au service du marketing », L'Expansion Management Review 2012/3 (N° 146), p. 18-26. DOI 10.3917/emr.146.0018.

⁵⁹ Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

⁶⁰ Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

Cette utilisation bénéfique pose aujourd'hui des questions quant à son éthique et ses probables dérives (Shrivastava et Pfister et Tuzel et Susskind et Wang et Webb, 2016)⁶¹ : par l'intermédiaire de la reconnaissance d'images, par l'apprentissage gagné grâce à des images réelles ou générées par un ordinateur (Apple en est l'exemple même de la démocratisation de cette technologie avec son nouveau smartphone) ce n'est aujourd'hui plus un secret pour personne et encore moins pour certaines nations comme le Japon qui l'utilise dans son programme de surveillance fournit par Panasonic dernièrement révélé en 2017. Le profilage des individus porte un débat concernant la vie privée des personnes et des informations qui en découle.

On peut désormais différencier l'apprentissage machine de l'apprentissage profond, par sa nature et son utilisation considérée comme plus adaptable.

1.2.3.3 Deep learning, autre évolution d'une intelligence

Le deep learning, également nommé apprentissage profond quant à lui utilise une technologie de synthèse neuronale proche de celle des humains et dont les résultats sont mesurables, à la différence de l'apprentissage machine (Harris, 2017)⁶².

Google Translate, célèbre traducteur en ligne proposant de multiples traductions et des synthèses vocales, est un réseau de neurones profonds n'ayant pas de système propre d'apprentissage autonome : les utilisateurs peuvent proposer une correction et cette dernière est mise en place après vérification. L'outil n'est pas non plus en apprentissage autonome puisqu'il ne permet pas de s'adapter aux cultures par exemple car trop pragmatique dans la transcription (Pierre Marquis, 2018)⁶³.

⁶¹ Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb - Apple Inc - (2016). Learning from Simulated and Unsupervised Images through Adversarial Training

⁶² Steven Harris (2017). How to apply AI to Brand Marketing. < machinelearning.co>

⁶³ Bruno Bonnell, Pierre Marquis, Jean Gabriel Ganascia, Albane Gaillot (Mars 2018) ; Intelligence Artificielle : la data levier de compétitivité, conférence, Maison de la Chimie, Paris, Matinales du Numérique.

L'entreprise Mondelez utilise pour sa part cette technologie à des fins de conception graphique, dans un cadre publicitaire : leur outil interne, après avoir préalablement enregistré dans sa base de données certaines oeuvres publicitaires ayant été reconnues pour leur conception graphique au rendu supérieure à la moyenne (vainqueurs de prix notamment), permet de dégager en premier lieu un cahier des charges pour le client à l'aide des requêtes émises par le client concerné, puis de mettre en place à l'aide de ces données la réalisation graphique finale destinée au client. Le projet de départ de son créateur Shun Matsusaka était de donner naissance à un assistant créatif, mais après étude, ce dernier a finalement fait naître son remplaçant, n'ayant recours qu'à une aide humaine partielle et mettant directement en concurrence les humains et ses outils : « Nous pensons que comprendre l'apprentissage profond ne nous servira pas uniquement à construire des machines plus intelligentes, mais nous aidera également à mieux comprendre l'intelligence humaine et ses mécanismes d'apprentissages » (Yann LeCun, 2016)⁶⁴.

Yann LeCun sous-entend directement que l'analyse des machines et de ses raisonnements ainsi que la modification pourrait donc permettre à la fois d'en apprendre davantage sur les réflexions humaines mais également de faire naître des cas comme celui évoqué précédemment qui serait une illustration parfaite de la non-maîtrise et connaissance des capacités de ces nouvelles technologies.

Ce dernier extrait trois formes d'apprentissage désormais à l'oeuvre : celles supervisées (dont l'entrée et la sortie est connue), par renforcement (dit d'expérience, à signal unique) et non-supervisée. Il compare l'apprentissage non supervisé à celui des animaux et plus généralement, donc à l'enseignement par le factuel et l'observation.

⁶⁴ Yann LeCun (2015-2016). Recherches sur l'intelligence artificielle - Les enjeux de la recherche sur l'intelligence artificielle. Chaire informatique et sciences numériques

1.2.3.4 La programmation robotique

Alors que la plupart de ses pairs font état de l'importance du rôle joué par les marke-teurs et les ingénieurs dans la conception physique et technique des robots, Sciamma (2012) est lui plus sceptique et démontre que la place du designer est tout aussi, voire plus fondamental encore, car il permet de réfléchir au rôle social de ce dernier au sein de la société et c'est cette mission même qui sera au coeur du projet de l'insertion des robots dans le quotidien du monde entier et de la coopération des systèmes humains et robotiques⁶⁵.

Nous pourrions même étendre le périmètre de ce dernier aux outils marketing au sein des entreprises et même penser que le designer serait le Responsable des Ressources Humaines des robots. Le Syrobo (Syndicat de la robotique) prévoit une vente de 31 millions de robots industriels et personnels dans le monde entre 2014 et 2017⁶⁶, ce qui ne serait pas étonnant au vu de la croissance exponentielle prévue par le Boston Consulting Group qui prédit 10% de croissance chaque année dès 2017, contre 2% avant 2014.

La Bank of Tokyo (Mitsubishi UFJ) utilise désormais des robots aux allures d'humains pour répondre aux demandes de leurs clients sur les stands ou dans les bureaux de banque, et ces substituts récoltent dans le même temps les informations données par les clients afin d'affiner leur CRM et obtenir de précieux renseignements non plus seulement tenant de leur profil mais également des tendances de requêtes⁶⁷ afin d'en dégager des conclusions sur les récurrences.

Artificial neural networks (ANNs) (Liao, 2004) ou « réseaux de neurones artificiels » sont des modèles de calcul basés sur la structure et la fonction des réseaux de neurones biolo-

⁶⁵ Dominique Sciamma, « Vivre avec des robots : designer la relation », Annales des Mines - Réalités industrielles 2012/1 (Février 2012), p. 103-108.

⁶⁶ Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

⁶⁷ Cüneyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

giques (2014)⁶⁸ dont les origines remontent à 1957 avec les travaux de Frank Rosenblatt et son Perceptron (1958)⁶⁹, premier système modélisé de neurones artificiels ; et dont Marvin Minsky, un des pères fondateurs de l'intelligence artificielle, avait émis de sérieux doutes quant à son modèle théorique présenté par ce rendu.

Ses recherches étaient principalement fondées sur celles de McCulloch et Pitts plus tôt, en 1943, qui avaient tous deux étés à l'origine du terme neurone formel.

⁶⁸ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

⁶⁹ Frank Rosenblatt, The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, Vol. 65, No 6, 1958

1.2.3.5 Les outils marketing majeurs

On évoque bien souvent les Marketing intelligent systems dans l'utilisation d'outils au sein des services marketing et sont utilisés à des fins d'accompagnement et non de remplacement dans l'éxécution de tâches simples. Cette technique est une avancée majeure dans sa découverte en ce qu'elle est considérée comme similaire au cerveau humain dans ses techniques de réflexion, constatée lors de l'observation des réponses apportées par ces systèmes utilisant la technique heuristique, celle à l'origine de la réflexion au sein du cerveau humain⁷⁰.

Ces systèmes autonomes sont automatisés et développent une intelligence bientôt à même de réaliser des tâches complexes sans intervention de l'humain au sein du processus d'éxécution, ce dernier sera ainsi considéré comme un simple agent de maintenance pour lui.

Connus par le grand public notamment pour son assistance technique sous différentes formes aujourd'hui, les agents conversationnels, également appelés chatbots ou bots : ils ont pourtant été conçus pour la première fois par Joseph Weizenbaum en 1966 avec Eliza comme un assistant psychologique dont les capacités limitées ne prétendaient pas à un tel avenir. En effet, ce dernier n'était pas encore capable de répondre mais uniquement de lancer des alertes et le plus souvent sous forme de questionnement, comme des relances ou notifications.

⁷⁰ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

Figure 6 : EXEMPLE D'UNE CONVERSATION AVEC L'OUTIL CONVERSATIONNEL ELIZA,1964 - 1966

Ces derniers, malgré leur aspect reconnu comme trop mécanique et ayant encore une efficacité discutable pour certains (on le voit par exemple avec quelques-uns des bots sur Fa-cebook), possèdent des qualités indéniables en matière d'information pour les consommateurs ou clients lors de la phase précédant l'achat et particulièrement dans un contexte multicanal (Poncin et Mimoun, 2011)⁷¹.

D'ailleurs, ces mêmes clients acceptent pour une majorité l'idée d'utiliser cet outil marketing dans leur quotidien, à des fins de rapidité de réponse et de qualité de service (Jour-

⁷¹ Poncin, I. & Ben Mimoun, M. (2011). Coexistence et complémentarité entre vendeur virtuel ubiquitaire et vendeurs réels. Gestion 2000, volume 28, (5), 31-46. doi:10.3917/g2000.285.0031.

dain, 2017)⁷². Pour preuve, « 63% des 18-65 ans envisagent d'utiliser un chatbot pour dialoguer avec une entreprise » (Iadvize, 2016).

BNP Paribas avec son outil intelligent et en partenariat avec Criteo fait état d'un avancement fort en matière d'agent conversationnel et ces derniers investissent fortement dans le développement de cette technologie pour dialoguer à la fois en interne avec ses salariés mais aussi avec ses clients et la relation avec ces derniers. Ils suivent également de près le développement d'agents conversationnels à interface vocale comme Smartly.ai.

Figure 7 : IADVIZE, ETUDE SUR LE COMPORTEMENT DES UTILISATEURS DE CHATBOTS, 2016

⁷² Camille Jourdain (4 octobre 2017). Réflexions autour de la combinaison Artificielle et Marketing. France

Mais ces robots en ligne n'ont pas seulement des qualités conversationnelles, ils permettent également de simplifier le parcours d'achat des clients pour augmenter les conversions à l'étape finale du parcours d'achat : que ce soit pour le cas français avec ceux d'Auchan et Leclerc pour le vin, ou bien celui de Engie.

Ils permettent également de simplifier les tâches et d'augmenter la productivité des salariés au sein même des entreprises : l'exemple du Crédit Mutuel démontre qu'avec sa technologie de scannage des mails, une intelligence permet d'automatiser certaines réponses et ainsi d'augmenter de 60% l'efficacité des salariés⁷³. Il faut ainsi « intégrer l'IA au départ du parcours client et non pas pendant » comme le sait si bien Jean-Philippe Desbiolles, en charge de la promotion de l'outil Watson produit par IBM. Il démontre également que grâce à l'outil d'IBM, « seulement 40% des questions sont répondues par des humains » sur la plateforme conversationnelle de la banque innovante Orange Bank, nouveau produit de l'entreprise française dont les qualités disruptives sont mises en avant cette année.

Ces derniers sont accessibles depuis Facebook Messenger et délivrent également de précieuses données pour les marketeurs online : en effet, les données récoltées sur Messenger sont accessibles pour renforcer le ciblage publicitaire sur Facebook Advertising (Facebook Ads) et offrent aux entreprises des opportunités plus que conséquentes en matière de précision du ciblage et du profilage des utilisateurs.

Il existe bien évidemment d'autres formes d'agents, que ce soit en interne au sein des entreprises ou bien sur les sites internet : on pourrait citer la plateforme Intercom qui permet à la fois de gérer des conversations avec les visiteurs, mais aussi de définir des réponses automatiques et de procéder à du mailing groupé (que ce soit des newsletters ou de simples courriers d'information).

A la différence des proches Marketing Intelligent Systems, les Marketing Decision Support Systems (MkDSs) : « sont des systèmes informatiques destinés à aider les décideurs à

⁷³ Stéphane Mallard, Jean-Philippe Desbiolles, Anne-Laure Barcori (Juin 2018), Forum IA Summit, INSEEC Lyon.

utiliser des données et des modèles pour identifier et résoudre des problèmes » (Rauscher, 1999) 74 ; rapporté au marketing, l'utilisation de ces derniers pourront produire des informations concernant le cycle de vie d'un produit et son état actuel⁷⁵, à partir de données émanant de l'historique des ventes et des fiches produit.

Des opportunités sont offertes par les nouvelles technologies mobiles, comme la technologie RFID, utilisées dans certains festivals par le support bracelet ou encore le cloud com-puting⁷⁶.

Le knowledge based systems⁷⁷ est fondé sur des règles préconçues en amont au sein de la technologie (Mahapatra et Lai, 1997)⁷⁸ ce système (Laudon & Laudon, 2002⁷⁹ ; Wiig, 1994⁸⁰) permet une prise de décision rapide et efficace grâce à son expertise en matière de data et sa connaissance en matière de couplage de données. Il est guidé par un assistant qui retranscrit les informations et questions en réponses concises. Mais cet usage n'est que très spécifique en ce qu'il ne concerne que des problèmes de l'ordre du Management et particulièrement des tâches souvent automatisées ou bien nécessitant peu d'intermédiaires comme les contrats par exemple (Narayanan, Olson, & Jayaraman, 1994) ^81.

⁷⁴ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

⁷⁵ Chandra S. Amaravadi, Subhashish Samaddar, Siddhartha Dutta, (1995) "Intelligent marketing information systems: computerized intelligence for marketing decision making", Marketing Intelligence & Planning, Vol. 13 Issue: 2, pp.4-13

⁷⁶ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

⁷⁷ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

⁷⁸ Vincent S. Lai, Radha K. Mahapatra, Exploring the research in information technology implementation, Information & Management, Volume 32, Issue 4,1997, Pages 187-201, ISSN 0378-7206

⁷⁹ K. C. & J. P. Laudon (2002). Essential of management information systems (5th ed.). Englewood cliffs, NJ: Prentice Hall

⁸⁰ K. M. Wiig (1994). Knowledge management, the central management focus for intelligent-acting organization. Arlington: Schema Press.

⁸¹ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

L'approche « hypercube »⁸² est le pilier des systèmes experts (Expert Systems) apprenants qui permet « d'expliquer et de décrire à partir des observations, ou des données telles qu'elles sont collectées, les règles décrivant ces phénomènes ». D'abord appliqué à l'industrie, cette dernière est désormais utilisée dans les services marketing, elle permet d'appréhender l'entièreté des données et sous plusieurs dimensions : nature de l'information, sa provenance technologique et l'historique de l'information. Elle est d'ailleurs illustrée avec l'exemple d'une entreprise de télécommunication où la rétention est particulièrement contrôlée et ajustée grâce à ce système.

Résoudre des problèmes nécessitant le traitement d'informations approximatives, incertaines et insuffisantes (Kablan, 2009) ⁸³ est désormais possible grâce à la logique flou (fuzzy logic). Cette logique sera développée et argumentée dans un prochain point rapporté au marketing.

Il existe d'autres outils de surveillance et d'alerte dans les industries comme notamment ceux utilisant la mécatronique (Dirican, 2015)⁸⁴. C'est un terme utilisé historiquement depuis les années 60 au Japon et concerne une technique intelligente dans le process marketing de manufacture de produits et leur design. Il confond l'automation et la mécanique électronique.

Ces outils et approches ont démontré des bienfaits majeurs dans la productivité au sein des entreprises et notamment quant à l'approche que ces derniers avaient sur des consommateurs ou clients et particulièrement dans le domaine prédictif grâce notamment à l'industrie mais aussi dans l'élaboration stratégique au sein même des entreprises.

⁸² Augustin Huret, Jean-Michel Huet, « L'intelligence artificielle au service du marketing », L'Expansion Management Review 2012/3 (N° 146), p. 18-26. DOI 10.3917/emr.146.0018.

⁸³ E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

⁸⁴ Cüneyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

PARTIE 2 :

2.1 Le marketing prédictif est nécessaire et essentiel...

« Le marketing est l'effort d'adaptation des organisations à des marchés concurrentiels, pour influencer en leur faveur le comportement des publics dont elles dépendent, par une offre dont la valeur perçue est durablement supérieure à celle des concurrents. Dans le secteur marchand, le rôle du marketing est de créer de la valeur économique pour l'entreprise en créant de la valeur perçue par les clients » (Mercator, 2014)⁸⁵.

Dans sa définition principale d'assouvissement de besoins et désirs, le marketing ne fait pas écho des technologies utilisées, mais fait état d'une volonté de se différencier des concurrents au moyen d'une adaptation des organisations. L'implémentation de l'intelligence artificielle et de ses outils serait un des moyens de mettre en oeuvre ces actions et d'en simplifier les processus tout en réduisant dans certains cas les intermédiaires.

Les intelligences artificielles pourront désormais construire rapidement des plans d'action à partir de retours d'expériences et de concepts qui donneront nécessairement un gain de temps conséquent quant à la réalisation de ce dernier et une efficacité incontestable (Ama-ravadi, 2015)⁸⁶. Il est d'ailleurs question ici du cas PepsiCo, illustration pratique de l'utilisation de frameworks déjà préenregistrés et de données récoltées afin de réaliser à l'aide d'une intelligence un marketing mix qui donnera naissance par la suite à des recommandations décisionnelles et stratégiques : c'est le cas également de l'ensemble des compagnies de télécommunication ou bien encore d'assurances avec une analyse approfondie des comportements de ses clients⁸⁷.

⁸⁵ Lendrevie, J., & Lévy, J. (2014). Mercator. Tout le marketing à l'ère numérique (11ème édition). Paris: Dunod.

⁸⁶ Chandra S. Amaravadi, Subhashish Samaddar, Siddhartha Dutta, (1995) "Intelligent marketing information systems: computerized intelligence for marketing decision making", Marketing Intelligence & Planning, Vol. 13 Issue: 2, pp.4-13

⁸⁷ Augustin Huret, Jean-Michel Huet, « L'intelligence artificielle au service du marketing », L'Expansion Management Review 2012/3 (N° 146), p. 18-26. DOI 10.3917/emr.146.0018.

La nécessité et les bienfaits de ces outils ne sont plus à démontrer et particulièrement dans le domaine du marketing prédictif et décisionnel.

2.1.1 Qu'entend-on par marketing prédictif : quelques éléments de compréhension

Par le moyen d'algorithmes et de framework, le marketing prédictif a pour but d'anticiper les besoins et comportements des consommateurs ou clients. Et l'utilisation de base de données est essentiel pour obtenir un historique et se fier aux précédentes expériences permettant la prise de décision. Ce dernier s'avère très utile en matière de personnalisation et dont la plupart des outils occupent une intelligence artificielle (Charlin, 2017)⁸⁸.

Pour rendre opérationnelles ces recommandations, le marketing prédictif est souvent couplé au marketing décisionnel. Wallmart utilise également ses données récoltées massivement à des fins prédictives⁸⁹ pour l'anticipation du stockage de produits par exemple (DeZyre, 2015)⁹⁰.

C'est aussi le cas d'Uber et de son ajustement de prix en temps réel et en fonction des retours de clients, tout comme Facebook et son fil d'actualité qui teste en temps réel des combinaisons et évolue sans interruptions afin d'offrir un système en constante évolution en identifiant des corrélations entre les attentes et les besoins.

Un exemple dans le domaine de l'agriculture est disponible ci-dessous, tout comme en matière d'aéronautique avec Safran ou bien de publicité avec Publicis et son système Cyc.

⁸⁸ Laurent Charlin (2017). Intelligence artificielle : une mine d'or pour les entreprises. Gestion, vol. 42, (1), 7679. doi:10.3917/riges.421.0076.

⁸⁹ Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume) Emerald Publishing Limited, pp.113 - 137

⁹⁰ Dezyre (2015), How Big Data Analysis helped increase Walmarts Sales turnover?, dezyre.com.

Figure 8 : LES APPLICATIONS FRANÇAISES, RAPPORT PARLEMENTAIRE FRANCE IA, 2018

Figure 9 : TRAITEMENT DES DONNÉES AVEC L'EXEMPLE DE L'AGRICULTURE, INRA, 2018

Utilisés dans les technologies citées plus haut et pourraient bien prendre la place humaine au sein des entreprises, les Expert System (systèmes experts) « sont des systèmes informatiques qui fournissent superficiellement des informations similaires à celles attendues d'un expert humain » (Turban & Aronson, 2001)⁹¹, aussi dénommés systèmes à base de connaissances.

Plusieurs logiques ont été développées afin de faire fonctionner ces systèmes, dont la logique flou évoquée plus tôt qui pourrait être aussi bien associée au marketing prédictif qu'à celui tenant du décisionnel par l'informatique décisionnelle.

2.1.2 Systèmes experts et logique flou 2.1.2.1 Explications théoriques

Avec la logique flou (« fuzzy systems ») et ses règles en « IF...THEN... » (Si...Alors...), propres aux systèmes experts, les algorithmes génétiques peuvent désormais collaborer pour résoudre ensemble des problèmes donnés relevant bien souvent du domaine du marketing (Martínez-López, 2009, 2013)92 ^93.

⁹¹ E. Turban, J.E. Aronson, (2001). Decision support systems and intelligent systems, sixth Edition (6th ed). Hong Kong: Prentice International Hall.

⁹² Francisco J. Martínez-López, Jorge Casillas, Marketing Intelligent Systems for consumer behaviour modelling by a descriptive induction approach based on Genetic Fuzzy Systems, Industrial Marketing Management, Volume 38, Issue 7, 2009, Pages 714-731, ISSN 0019-8501.

⁹³ Francisco J. Martínez-López, Jorge Casillas, Artificial intelligence-based systems applied in industrial marketing: An historical overview, current and future insights, Industrial Marketing Management, Volume 42, Issue 4, 2013, Pages 489-495, ISSN 0019-8501

Cette méthode nécessite de sérieuses données récoltées en amont pour générer une base fiable pouvant déduire automatiquement une réponse en fonction d'une question précise avec des termes sémantiques déjà enregistrés.

D'après son auteur, la pratique de cette méthode permet d'obtenir une vision côté « Demande » du marché, grâce notamment à une expérimentation avec des consommateurs et ayant pour but d'assister les décisionnaires dans l'exercice quotidien de leur fonction, et particulièrement pour un usage destiné au consommateur classique.

Elle se présente sous deux formes de systèmes experts⁹⁴ : le système d'interprétation des données et le système de prédiction.

Le système d'interprétation des données établit un constat à partir de données présentes et anciennes tenant d'un historique, et pourrait aussi bien être utile pour des questions liées aux patients médicaux, sociaux, psychologiques et bien d'autres encore.

Le système de prédiction est quant à lui porté sur des données futures à partir de données plus ou moins récentes. Il pourrait par exemple prévoir des phénomènes sismiques ou météorologiques importants ou bien même des variations économiques.

Ces systèmes sont donc prêts à répondre à la fois par des réponses fermées mais aussi ouvertes comme nous avons pu le voir, et également d'argumenter comme c'est le cas avec cet exemple illustré.

⁹⁴ Haton, J.-P. (1989). Modèles connexionnistes pour l'intelligence artificielle. Rapport INIST-CNRS, CRIN-89R-149.

2.1.3 Illustration avec trois cas d'usage 2.1.3.1 Le tourisme

Stalidis, Karapistolis et Vafeiadis (2015)⁹⁵ développent une étude portant sur le tourisme où les données résultant de personnes interrogées ont été traitées puis classifiées pour

⁹⁵ George Stalidis, Dimitrios Karapistolis, Athanasios Vafeiadis, Marketing Decision Support Using Artificial Intelligence and Knowledge Modeling: Application to Tourist Destination Management, Procedia - Social and Behavioral Sciences, Volume 175, 2015, Pages 106-113, ISSN 1877-0428

les insérer dans un réseau de neurones artificiels donnant des recommandations automatiquement en fonction de requêtes de clients potentiels ou effectifs.

Ces dernières portaient essentiellement sur des destinations et les retours d'expériences de chaque voyageur questionné, ayant pour ultime but de recevoir des informations sur l'image de la ville perçue par ses touristes, et les raisons de leur voyage ainsi que leurs retours sur ce dernier.

2.1.3.2 Le sarcasme sur le réseau social Twitter

Nous pouvons également évoquer le développement d'une IA dotée d'une intelligence permettant de détecter le sarcasme dans la sémiotique à partir de 5000 tweets extraits de la plateforme Twitter à travers d'autres requêtes (Mukherjee et Kumar Bala, 2017)⁹⁶, et classées entre trois formes de réponses selon leur sémantique : positives, neutres ou négatives. La sémiotique est une combinaison de la syntaxe, sémantique et le pragmatique correspondant à la recherche en ligne sur internet⁹⁷. Cette méthode est une intelligence artificielle (Lolli, 2013) puisqu'elle prend en compte les besoins et les sens des requêtes émanant de l'utilisateur.

Cette expérience est applicable à l'ensemble des textes et pas seulement réduit à un réseau social : on pourrait l'imaginer sur un forum interne d'une entreprise ou encore lors d'événements comme une sortie de produit, par exemple.

Cet usage nous montre ainsi les avancées considérables d'outils pour les marketeurs en matière d'étude de la réaction des consommateurs ou clients, ainsi que dans le marketing comportemental plus globalement.

⁹⁶ Shubhadeep Mukherjee, Pradip Kumar Bala, (2017) "Detecting sarcasm in customer tweets: an NLP based approach", Industrial Management & Data Systems, Vol. 117 Issue: 6, pp.1109-1126

⁹⁷ C·neyt Dirican, The Impacts of Robotics, Artificial Intelligence on Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

2.1.3.3 Automatic Idea Detection System

Proche de celle évoquée par Mukherjee et Kumar Bala⁹⁸, « l' automatic idea détection system » (système de détection automatique d'idées) développé par Christensen⁹⁹ génère automatiquement un catalogue d'idées dans un premier temps survenus de suggestions ordonnées par des humains. Il ferait partie intégrante d'un système d'assistance intelligent pour les marketeurs. Mais au-delà de l'assistance, ce dernier peut s'avérer tout aussi utile dans une fonction d'analyse.

Christensen en fait la preuve avec une démonstration du potentiel d'un système d'automation spécifique où l'intelligence donne sa suggestion sur la faisabilité, la nouveauté et la valeur d'une idée. L'idée a été publiée en amont sur les réseaux sociaux ou bien dans des communautés d'utilisateurs. Elle concerne une entreprise donnée au préalable et les données scrutées proviennent de réseaux sociaux ciblés et des citations de personnes.

Au-delà de la complexité du système mis en place du fait de sa nature semi-structurée voire nulle, ces derniers ont classé les données et détecté que 67% des cas examinés automatiquement par la machine étaient en adéquation avec les résultats obtenus par l'analyse des professionnels. Ce résultat peut être paru comme mitigé tant il est encore loin de la perfection, mais ce dernier montre bien la puissance de ce système pouvant être suffisamment fiable dans l'utilisation que des marketeurs pourraient en avoir dans un but de recherche, de prise d'information et non de prise de décision.

⁹⁸ Shubhadeep Mukherjee, Pradip Kumar Bala, (2017) "Detecting sarcasm in customer tweets: an NLP based approach", Industrial Management & Data Systems, Vol. 117 Issue: 6, pp.1109-1126

⁹⁹ Christensen K, Scholderer J, Hersleth SA, et al. How good are ideas identified by an automatic idea detection system? Creat Innov Manag. 2018 ;27 :23-31

2.2 É Et bien souvent couplé au stratégique grâce à ses outils intelligents 2.2.1 Avertir : rôle clé de ces outils proactifs

L'Intelligence artificielle et l'utilisation de données permet également d'avertir d'un danger (sous forme de notifications par exemple) compte tenu de l'environnement donné et des informations préalablement enregistrées émanant de scénarios antérieurs¹⁰⁰.

C'est le cas du Gouvernement Fédéral australien qui utilise un système intelligent capable de communiquer une information anormale ou une anomalie détectée dans un but préventif et tenant du domaine stratégique.

Ce cas pourrait naturellement s'appliquer aux entreprises dans les secteurs commerciaux, industriels ou bien plus spécifiquement à la communication et au marketing, comme c'est déjà le cas avec certains systèmes d'information.

L'étude portée par l'OECD en 2015 nous invite à croire que l'implantation dans plus de 300 entreprises d'Amérique du Nord a été bénéfique pour une grande majorité et dont les retombées à la fois productives et économiques face à leurs concurrents ont été nettement marquées. Cet outil avait pour vocation d'accompagner les décideurs dans leurs choix.

Le concept de « l'evidence » 101 est évoqué afin de conduire le lien entre les résultats obtenus sur le tableau de bord à la suite de l'analyse des données et la liste des recommanda-

100 Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume) Emerald Publishing Limited, pp.113 - 137

101 Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume ) Emerald Publishing Limited, pp.113 - 137

tions fournies au client. Son auteur par ce concept souhaite mettre l'accent sur la puissance réelle de l'automatisation et la plus-value que chaque entreprise pourrait en tirer : son illustration avec la demande client de PayPal est équivoque.

Mais cette technologie cache aussi une fonction sous-jacente qui pourrait être bien utile pour les entreprises et chacun des services concernés : en effet, nous pourrions imaginer comme le dit Ross que l'outil puisse en parallèle de ses recommandations offrir des recueils de bonnes pratiques à ses employés afin d'améliorer l'exécution de leurs tâches mais surtout leurs décisions.

2.2.2 L'outil Cyc, un modèle d'intégration au sein des entreprises

L'Oréal et Publicis utilisent tous deux des technologies avancées en matière de marketing prédictif et d'aide à la décision : pour ce dernier, c'est le système Cyc qui est à l'oeuvre afin d'assister les décideurs dans leurs prises de décisions marketing et stratégiques.

2.2.3 Un degré de satisfaction encore trop faible

L'exemple analysé d'un prototype de système d'intelligence hybride décrit par Li (1999 - 2000) et ayant pour objectif d'accompagner les décisionnaires au sein des services marketing montre bien qu'à travers ses cinq fondements il était plus judicieux d'intégrer ces décisions au sein même d'un cortège de groupe de décisionnaires et non plus personnel. Ces derniers ont montré l'utilité de l'outil même s'ils n'en ont été que partiellement satisfaits, dû principalement à l'apport trop peu riche dans son soutien sur les missions faisant appel au domaine du marketing stratégique pour être pleinement fonctionnel et d'une manière encore autonome. Le rendu de cette dernière est également bridé par des lois peu homogènes entre les États et les régions, des pays tente de renforcer leurs lois ou au contraire de les rendre plus

permissives ce qui peut exclure certains domaines de ces avancées. C'est le cas par exemple du domaine de la santé avec des lois qui ne régissent que sur l'aide à la décision mais ne permet pas (encore ?) à une intelligence de prendre une décision seule malgré l'apprentissage autonome (Albane Gaillot, 2018)¹⁰² : c'est le cas par exemple en France.

Ces technologies sont donc pratiquées au sein des entreprises et ont un but de réalisation précis, mais quelle est l'implication de ces derniers ? Quelle est la fréquence d'utilisation ainsi que le degré d'utilité reçu par ses utilisateurs ?

Toutes ces questions devront être approfondies dans un second temps, et nécessairement par l'intermédiaire des principaux concernés qui seront les plus aptes à répondre à ces problématiques encore non étudiées précédemment puisque la plupart des recherches menées précédemment impliquaient plutôt des questions d'évolution historiques, d'innovation, de disruption de marché mais trop peu d'utilité et d'impact sur le quotidien de ses utilisateurs même si une logique évidente pourrait nous pousser à penser qu'elle améliore ce dernier.

102 Bruno Bonnell, Pierre Marquis, Jean Gabriel Ganascia, Albane Gaillot (Mars 2018) ; Intelligence Artificielle : la data levier de compétitivité, conférence, Maison de la Chimie, Paris, Matinales du Numérique.

2.3 Approfondissement de l'implication et de l'utilisation des outils marketing

2.3.1 Le choix des entretiens et la méthode qualitative 2.3.1.1 Les raisons de ce choix

Mon choix était naturellement guidé vers ce format d'enrichissement de contenu puisque ce dernier permet à la fois de rencontrer des professionnels du monde de l'entreprise mais surtout des experts dans leur domaine respectifs, dans la perspective d'une intervention qualitative.

Grâce à la disponibilité offerte par les intervenants, j'ai pu me rendre à la fois dans leurs locaux, pour certains, et rencontrer d'autres lors de forums organisés afin d'échanger plus en détail sur leurs expériences et leurs métiers. J'ai eu l'occasion de me déplacer à Lyon et Paris afin d'obtenir ces réponses.

Avec l'aide des entretiens physiques, des expressions faciales et des réactions sont attendues et ont pu naturellement ouvrir le dialogue plus aisément, nourrissant ainsi bien plus d'échanges et approfondissant les connaissances partagées.

L'objectif était d'obtenir des informations sur l'impact des changements induits par l'automation et des autres services intelligents développés avec une intelligence artificielle dans les départements Marketing des entreprises, et plus précisément au sein de leur stratégie

décisionnelle et prédictive ; et notamment sur les problématiques de positionnement et de ci-blage.

Nous avons donc souhaité interroger à la fois les porteurs de solutions, intégrateurs de ces outils au sein des entreprises et développeurs de ces services ; les utilisateurs de ces outils donc plus globalement les marketeurs des grands groupes qui sont les acteurs principaux de cette recherche ; les personnes d'influence qui ont une connaissance parfaite de ce marché et de l'environnement de ce dernier comme les conférenciers et conseillers ; les pionniers également qui ont développés en interne ces outils et qui ont connu un succès marqué grâce à la création et l'implémentation de l'automation.

Après avoir établi une liste des différents interlocuteurs potentiellement abordables et la prise de contact avec ces derniers, approcher ces derniers a été plus difficile que nous aurions pu l'imaginer même si certains ont accepté de prendre le temps de nous recevoir.

Les rencontres, colloques ou forums organisés ont été un vivier fort et une opportunité certaine d'obtenir une prise de parole d'intervenants qualifiés et un support indéniable d'introduction pour organiser une rencontre. Nous avons donc profité de ces nombreuses occasions qui nous ont été offertes pour approcher ces experts au plus près de leur activité.

2.3.1.3 Quantitativement, une réussite en demi-teinte...

Notre volonté première était d'interroger des acteurs majeurs de ces sujets afin de retenir des expériences qualitatives et non des acteurs mineurs dans un soucis de pertinence. La réalisation des entretiens n'a pu aboutir à l'intervention d'une quantité importante d'acteurs. Plusieurs facteurs pourraient avoir fait naître cette situation.

D'une part, cela est dû au fait que le nombre d'experts en intelligence artificielle en France n'est pas élevé et ce, même si ces derniers tendent à être de plus en plus nombreux.

D'autre part, la concordance des agendas et le temps nécessaire à ces entretiens, que ce soit pour certains Députés ou même chefs d'entreprise ou bien Directeur Marketing, était trop importante pour réaliser des entretiens de qualité. J'ai pu par exemple en faire l'expérience avec Monsieur le Député Cédric Villani avec qui j'ai pu m'entretenir sans toutefois avoir le temps nécessaire pour relever des réponses à l'ensemble de mes interrogations. Ce dernier possède comme beaucoup d'experts, un emploi du temps cadré et laissant peu de place à des interventions de la sorte.

Il nous a donc été difficile de réaliser pleinement cette tâche, et ce sans citer également des prises de rendez-vous confirmées mais non réalisées à cause de facteurs indépendants des parties comme la grève SNCF par exemple qui a contraint trois personnes susceptibles d'être intéressées de devoir partir plus tôt que prévu lors des événements auxquels nous avons pu assister à Paris ou Lyon. Laurent Alexandre par exemple en faisait partie, lui qui est un acteur providentiel et incontournable de ces sujets.

Mais ces barrières ne nous ont pas découragé et nous avons pu tout de même réaliser certains entretiens avec ces mêmes acteurs.

2.3.1.4 Des rencontres riches en savoir et expériences

L'expertise des intervenants était nécessaire et essentielle pour obtenir des réponses de qualité. Que ce soit au sein même de leur entreprise leader sur un marché et dont l'utilisation d'outils d'automation marketing et prédictifs est nécessaire et généralisée, à commencer par le service Marketing et plus spécifiquement le service des données et les technologies pour lequel Frédéric Bornuat en est en charge chez Cegid.

Ou bien en tant que directeur de l'Innovation et de la Recherche et Développement chez Dassault Systèmes pour Patrick Johnson, qui a la particularité d'être à la fois porteur de solutions et créateur de ces dernières au sein du groupe Dassault. Grâce à ses activités antérieures de chercheur dans ce domaine, ce dernier maîtrise ainsi parfaitement les clefs du secteur, que ce soit dans l'utilisation que dans la technique et même les services offerts.

2.3.2 Des enrichissements concordants 2.3.2.1 É sur la présence des outils

Avant l'implémentation interne ou externe d'outils marketing, il est nécessaire de construire à la fois son approche théorique mais aussi pratique. Pour Patrick Johnson, la présence des outils nécessite « un travail chirurgical avec des scénarios, des cas d'usage, des données qui en incombe et même après de l'évolution du logiciel (de nouvelles données qui arrivent) ». Ces cas d'usage, principalement nécessaires pour des fins prédictives, vont servir de fondements au développement des outils et ses réglages lors de son approche pratique. L'apprentissage machine n'étant pas encore assez fiable, il est nécessaire de tirer des conclusions à partir de cas externes, et par des humains afin de faire de l'outil un puissant vivier comme il ne peut pas le réaliser (encore) seul. Ils sont d'ailleurs qualifiés bien souvent d'outils de production et même « critiques » comme nous le mentionnait Frédéric Bornuat : « nous ne pouvons pas travailler sans ».

Patrick Johnson nous donnait comme exemple la conception d'un outil marketing et de conception pour l'entreprise automobile Toyota : ce dernier permettait aux pièces détachées de s'adapter d'une manière autonome lors de pannes ou dysfonctionnement au sein même du véhicule. Cette technologie, dont il est l'un des fondateurs, a permis « (d') internalisé le savoir-faire dans les pièces ce qui faisait que quand quelque chose devait être modifié les pièces savaient presque d'elles même comment faire ».

Cet outil aurait très bien pu d'ailleurs faire l'objet non pas seulement d'assistant virtuel technique prédictif, mais aussi (et surtout) de dérivé marketing à des fins visuelles par exemple (la couleur de la carrosserie en fonction de la météorologie par exemple, ou bien encore la forme de la carrosserie) comme nous le partageait Monsieur Johnson.

Ce n'est en revanche pas le cas de celui acquis et utilisé par Cegid qui pour sa part utilise des outils prédictifs « dans un cadre défensif pour scorer des comptes qui ont été attaqués par un concurrent bien identifié », et donc bien moins dans un cadre d'acquisition de leads et de clients. Plus simplement, la solution permet de faire valoir un statut d'un client et la faisabilité (ou risque) que ce dernier soit recruté par un concurrent.

En revanche, elle ne permet pas (encore) d'acquérir de nouveaux clients ; et ce, même si cette dernière solution serait en projet. Mais Cegid achète principalement ses solutions pour les faire évoluer en interne par la suite, et l'outil « IBM SPSS Modeler » est le principal.

Cegid utilise bien un outil technique de Cloud permettant de détecter des incidents autour de ses machines en interne grâce à un paramétrage ordonné et fiable acquis grâce à l'apprentissage.

Patrick Johnson a relevé un point important quant à la faisabilité d'une IA de réaliser plusieurs tâches en même temps, et que seul DeepMind est pour le moment en mesure d'aborder la phase de test.

Au-delà de la mission principale de ces solutions qui tiennent à la fois du stratégique et du prédictif, c'est également une « sécurité » acquise puisque ces dernières sont constituées par de grands groupes « ayant 20 à 30 ans d'expérience ». C'est une garantie potentielle qui avait était mentionnée par les deux personnes.

On comprend donc bien l'enjeu de la présence de ces deux outils au sein des organisations aujourd'hui grâce à ce retour terrain et plus spécifiquement au sein des services marketing, que ce soit à la fois sur les domaines de la prédiction ou bien plus globalement sur la stratégie et la prise de décision.

2.3.2.2 É l'association avec les employés ou parties prenantes

Durant l'ensemble des rencontres, un constat majeur a été fait avec une idée globale que chaque outil doit être inventé et implanté au sein des entreprises et où l'humain sera toujours impliqué « dans la définition des tests » et assets. En effet, l'avancement technologique ne pourrait permettre pour l'instant l'implémentation unique des outils, que ce soit en matière de suivi ou bien d'apprentissage.

Et au-delà de cet aspect, c'est même une fonction transverse que l'outil développe avec chaque département, comme nous avons d'ailleurs pu le constater chez Cegid avec l'étroite collaboration des équipes de Business Analyst et de Marketing Automation. « Ils ont pour fonction de mettre en oeuvre les programmes marketing dans la solution marketing « Marketo » », permettant de lier les campagnes entre celles destinées aux clients et celles des prospects.

Une autre mission sous-jacente de certains outils a été détectée concernant la communication : lors de l'exposition de projets ou bien même du caractère exploitable d'une action, comme le démontre Frédéric Bornuat « son utilisation permet d'un point de vue de la communication et de l'explicabilité d'être limpide et d'être très clair dans la communication », principalement aux parties prenantes et en interne également. Elle peut aussi nécessiter de la formation et toute autre forme « d'évangélisation » ou démocratisation.

La relation humaine, acheteur - vendeur et professionnelle est en passe d'évoluer et n'en est qu'à ses prémisses et la plupart des auteurs et acteurs ont une vision assez différente de ce que l'avenir préserve, mais nos entretiens ont pu démontrer qu'une vision assez claire et similaire de ces experts en est ressorti.

2.3.2.3 É Quant aux perspectives

L'ensemble des intervenants étaient unis pour affirmer que « dans 50 ou 70 ans » l'utilisateur sera confronté au quotidien à des IA grâce à « l'accélération de la performance » devant laquelle nous allons faire face ces prochaines années. Il est donc essentiel aujourd'hui d'en comprendre les enjeux et aussi de préparer nos employés et futures générations à ces nouveaux systèmes.

Un constat fort a été également relevé par les deux parties : le côté « artisanal » de la technologie et plus particulièrement de la connaissance en cette dernière. L'exemple de la voiture autonome produite par Google est un « cas emblématique » : « c'est l'accident de la voiture autonome survenue il y a peu avec un vélo. Parce que le training set entrainait l'IA à reconnaitre les vélos et les cyclistes mais pas les cyclistes qui marchaient à côté des vélos ». L'outil était donc mal préparé à affronter des inconnus malgré le fait que ce dernier ait été mis au point par des humains.

Ces actions entrainent bien souvent une image négative de l'outil pour les plus mal informés, et particulièrement aujourd'hui où l'on est face à « l'ère de la mobilité et de l'usage instantané donc la tolérance à l'erreur est nulle ».

Ces nouvelles technologies fonctionnent « de manière exponentielle » et la révélation de ces dernières au grand public avec un usage de masse ne devrait ainsi intervenir que dans une moitié de siècle, avec certainement dans un premier temps la technologie du Deep Learning qui est en pleine émergence comme nous avons pu le relever lors de nos entretiens.

CONCLUSION

Conclusion

Alors que certaines intelligences sont désormais clairement implantées et installées au coeur de la stratégie digitale des entreprises et de leurs services marketing, nous avons donc constaté que pour l'heure, une marge de progression significative et inconnue est encore à développer et bien loin d'être commercialisable au grand public.

Le marché français en est à ses balbutiements face au marché américain et asiatique qui ne cesse de croître et de développer de nouvelles technologies, à l'image de ses BATX. Nous avons tout de même relevé qu'il est encore possible pour les entreprises françaises de progresser sur ces parts de marché en ce que ce dernier présente un caractère nouveau et en plein essor.

Avec ces changements impératifs et imminents, les entreprises doivent prendre dès maintenant le virage de l'Intelligence Artificielle après avoir adopté celui du numérique un peu plus tôt, et ce malgré le fait que ces intelligences ne sont encore qu'à leurs prémisses et qu'elles tendent à évoluer sur bien des aspects. L'illustration du deep learning et sa marge de progression incroyable confirme d'ailleurs ces tendances.

Partant d'un constat simple lors de la réflexion du sujet de ce travail de recherche, nous avons décidé d'approfondir des connaissances sur un sujet en plein débat et riche en actualité. En effet, nos connaissances théoriques sur le marketing et plus spécifiquement sur le digital nous ont poussé à enrichir ces dernières en allant à la conquête d'un sujet dont l'ensemble des utilisateurs de réseaux ont évidemment fait face directement ou même sans le savoir.

Des entreprises désireuses de ces résultats à des fins informationnelles sur ce marché nous ont contacté afin de partager leurs résultats. La réalisation de ces travaux a d'ailleurs nourri l'intérêt de certaines entreprises lors de prises d'informations et ont même suscité

l'intérêt plus personnel de son rapporteur à des entreprises non connues auparavant. Une vision 360° du marketing et son futur est donc désormais clairement acquise grâce à ces recherches et sera un élément différenciant dans nos prises de fonctions futures, et même dès aujourd'hui puisque certains entretiens ont par ailleurs été acquis grâce à ce sujet.

Lors de la réalisation de la recherche tout au long de cette année, la collecte de données qualitatives a été un élément fastidieux mais déterminant dans la construction de ce travail : que ce soit par l'intermédiaire de forums avec l'intervention publique ou privée de différentes parties prenantes qualifiées émanant de secteurs spécialisés et divers, ou bien encore dans le processus de réalisation des rencontres pour nous entretenir avec ces derniers. En effet, notre objectif était principalement d'obtenir l'intervention de professionnels qualifiés gravitant dans des domaines experts, allant de la politique aux industries en passant bien entendu par les fonctions marketing.

Malgré une volonté forte construite depuis le mois de janvier 2018, la plupart des personnes contactées n'ont pas ou n'ont pu donner suite à ma demande pour des raisons souvent accordées aux emplois du temps. Peut-être avons-nous eu l'intention d'interroger des personnalités très demandées et donc ayant un faible temps à consacrer pour ce type d'exercice mais cette volonté n'a jamais été découragée et l'ensemble des moyens mis à disposition grâce au numérique ont pu tout de même favoriser certains échanges, et ce même si certains n'ont pu aboutir à des entretiens officiels. Nous pensons notamment à Monsieur le Député Cédric Vil-lani qui a eu l'amabilité de nous accorder quelques précieuses minutes de son temps libre pour échanger.

Nous avons malgré tout réalisé des entretiens avec des personnes qualifiées et spécialisées dans leurs domaines qui ont une connaissance globale du marché et ce même au-delà de leurs fonctions. Ces entretiens se sont par ailleurs fait écho, et même au sujet développé précédemment : ils confirmaient donc bien les théories mises en avant et enrichissaient même les propos tenus.

Il est donc essentiel pour l'ensemble des organisations d'opérer au changement mais surtout d'adapter leurs usages et d'intégrer les outils afin d'en exploiter le meilleur de ces derniers, que ce soit pour les humains ou les machines. Nous pourrions donc nous demander légitimement par quels moyens un plan d'action, à la fois unilatéral et universel, pourrait-être mené ? Que va-t-il advenir des entreprises lorsqu'elles seront passées pour l'ensemble à l'implémentation de l'Intelligence Artificielle ? Va-t-on trouver d'autres processus plus efficace que l'intelligence où l'idée même d'intelligence demeurera indépassable ?

Bibliographie

Ashish Shrivastava, Tomas Pfister, Oncel Tuzel, Josh Susskind, Wenda Wang, Russ Webb - Apple Inc - (2016). Learning from Simulated and Unsupervised Images through Adversarial Training

Augustin Huret, Jean-Michel Huet, « L'intelligence artificielle au service du marketing », L'Expansion Management Review 2012/3 (N° 146), p. 18-26. DOI 10.3917/emr.146.0018.

Consulté en octobre 2017 et disponible à l'adresse : www.cairn.info/revue-l-expansion-management-review-2012-3-p-18.htm.

Bruno Bonnell, Pierre Marquis, Jean Gabriel Ganascia, Albane Gaillot (Mars 2018) ; Intelligence Artificielle : la data levier de compétitivité, conférence, Maison de la Chimie, Paris, Matinales du Numérique.

Bruno Teboul (2017). Robotariat - Critique de l'automatisation de la société. Paris, France : Kawa. Consulté en octobre 2017

Chandra S. Amaravadi, Subhashish Samaddar, Siddhartha Dutta, (1995) "Intelligent marketing information systems : computerized intelligence for marketing decision making", Marketing Intelligence & Planning, Vol. 13 Issue : 2, pp.4-13

Laurent Charlin (2017). Intelligence artificielle : une mine d'or pour les entreprises. Gestion, vol. 42, (1), 76-79. doi:10.3917/riges.421.0076.

Christensen K, Scholderer J, Hersleth SA, et al. How good are ideas identified by an automatic idea detection system? Creat Innov Manag. 2018 ;27 :23-31

Claude de Ganay & Dominique Gillot, Rapport parlementaire pour une intelligence artificielle maîtrisée, utile et démystifiée, Office parlementaire d'évaluation des choix scientifiques et technologiques, Assemblée Nationale, Mars 2018, Tome 1 & 2, consulté en mars 2018 et disponible à l'adresse : < www.assemblee-nationale.fr>.

C·neyt Dirican, The Impacts of Robotics, Artificial Intelligence On Business and Economics, Procedia - Social and Behavioral Sciences, Volume 195, (2015), Pages 564-573, ISSN 1877-0428

Dezyre (2015), How Big Data Analysis helped increase Walmarts Sales turnover?, dezyre.com.

Dominique Sciamma, « Vivre avec des robots : designer la relation », Annales des Mines - Réalités industrielles 2012/1 (Février 2012), p. 103-108.

Donald Ervin Knuth, The Art of Computer Programming. 3rd Ed, Volumes 1-3 Boxed Set. Second Edition (Reading, Massachusetts: Addison-Wesley, 1998), pp.., consulté en janvier 2018.

D.L. Kastiel, «Computerized consultants», Business Marketing, March, 1987, pp. 52-74., consulté en mars 2018

E. Turban, J.E. Aronson, (2001). Decision support systems and intelligent systems, sixth Edition (6th ed). Hong Kong : Prentice International Hall.

E.W.T. Ngai, S. Peng, Paul Alexander, Karen K.L. Moon, Decision support and intelligent systems in the textile and apparel supply chain: An academic review of research articles, Expert Systems with Applications, Volume 41, Issue 1, 2014, Pages 81-91, ISSN 0957-4174

Francisco J. Martínez-López, Jorge Casillas, Artificial intelligence-based systems applied in industrial marketing: An historical overview, current and future insights, Industrial Marketing Management, Volume 42, Issue 4, 2013, Pages 489-495, ISSN 0019-8501

Francisco J. Martínez-López, Jorge Casillas, Marketing Intelligent Systems for consumer behaviour modelling by a descriptive induction approach based on Genetic Fuzzy Systems, Industrial Marketing Management, Volume 38, Issue 7, 2009, Pages 714-731, ISSN 0019-8501

Frank Rosenblatt, The Perceptron : A Probabilistic Model for Information Storage and Organization in the Brain. Psychological Review, Vol. 65, No 6, 1958, Consulté en février 2018 et disponible à l'adresse :

Frey, C. B., & Osborne, M. A. (2013). The future of employment: How susceptible are jobs to computerisation?, Oxford Martin School

Fumio Kodama, Japanese innovation in mechatronics technology, Science and Public Policy, Volume 13, Issue 1, 1 February 1986, Pages 44-51

George Stalidis, Dimitrios Karapistolis, Athanasios Vafeiadis, Marketing Decision Support Using Artificial Intelligence and Knowledge Modeling: Application to Tourist Destination Management, Procedia - Social and Behavioral Sciences, Volume 175, 2015, Pages 106-113, ISSN 1877-0428

Haton, J.-P. (1989). Modèles connexionnistes pour l'intelligence artificielle. Rapport INIST-CNRS, CRIN-89-R149.

Stéphane Mallard, Jean-Philippe Desbiolles, Anne-Laure Barcori (Juin 2018), Forum IA Summit, INSEEC Lyon.

James Manyika, Susan Lund, Michael Chui, Jacques Bughin, Jonathan Woetzel, Parul Batra, Ryan Ko, and Saurabh Sanghvi, Jobs lost, jobs gained: What the future of work will mean for jobs, skills, and wages,

John Chelliah, (2017) "Will artificial intelligence usurp white collar jobs?", Human Resource Management International Digest, Vol. 25 Issue: 3, pp.1-3

K. M. Wiig (1994). Knowledge management, the central management focus for intelligent-acting organization. Arlington: Schema Press.

Lendrevie, J., & Lévy, J. (2014). Mercator. Tout le marketing à l'ère numérique (11ème édition). Paris: Dunod.,

Lim, J.; Gil, J.-M.; Yu, H. A Distributed Snapshot Protocol for Efficient Artificial Intelligence Computation in Cloud Computing Environments. Symmetry 2018, 10, 30.

Makridakis, S. The forthcoming artificial intelligence (ai) revolution: Its impact on society and firms. Futures 2017, 90, 46-60.

Mizroch, A. (2015). Is your job creative enough to resist robot automation? The Wall Street Journal Newspaper, Blog, Management, At Works.

Peter K. Ross & Susan Ressia & Elizabeth J. Sander (2017), Data Driven Management, Artificial Intelligence, and Automation (ed.) Work in the 21st Century (The Changing Context of Managing People, Volume ) Emerald Publishing Limited, pp.113 - 137

Poncin, I. & Ben Mimoun, M. (2011). Coexistence et complémentarité entre vendeur virtuel ubiquitaire et vendeurs réels. Gestion 2000, volume 28, (5), 31-46. doi:10.3917/g2000.285.0031.

Prashant Shukla, H. James Wilson, Allan Alter, David Lavieri, (2017) "Machine reengineering: robots and people working smarter together", Strategy & Leadership, Vol. 45 Issue: 6, pp.50-54

Shubhadeep Mukherjee, Pradip Kumar Bala, (2017) "Detecting sarcasm in customer tweets: an NLP based approach", Industrial Management & Data Systems, Vol. 117 Issue: 6, pp.1109-1126

Shuliang Li, The development of a hybrid intelligent system for developing marketing strategy, Decision Support Systems, Volume 27, Issue 4, 2000, Pages 395-409, ISSN 0167-9236

Stefan Holtel, Artificial Intelligence Creates a Wicked Problem for the Enterprise, Procedia Computer Science, Volume 99, 2016, Pages 171-180, ISSN 1877-0509

Vegard Kolbjørnsrud, Richard Amico, Robert J. Thomas, (2017) "Partnering with AI: how organizations can win over skeptical managers", Strategy & Leadership, Vol. 45 Issue: 1, pp.37-43

Vincent S. Lai, Radha K. Mahapatra, Exploring the research in information technology implementation, Information & Management, Volume 32, Issue 4,1997, Pages 187-201, ISSN 0378-7206, Consulté en mars 2018 et disponible à l'adresse : https://doi.org/10.1016/S0378-7206(97)00022-0.

Yann LeCun (2015-2016). Recherches sur l'intelligence artificielle - Les enjeux de la recherche sur l'intelligence artificielle. Chaire informatique et sciences numériques

Yunhe Pan, Heading toward Artificial Intelligence 2.0, Engineering, Volume 2, Issue 4, 2016, Pages 409-413, ISSN 2095-8099

Annexe 1 : Pistes de réflexion avant la phase d'entretiens et guide d'entretien 77

Annexe 1 : Pistes de réflexion avant la phase d'entretiens et guide d'entretien

- Les pionniers : Seb est un cas d'école en termes d'intégration (peu de solutions innovantes extérieures et transformation rapide sur un business large et traditionnel), en avance sur de nombreuses entreprises. Il existe peu d'entreprises sous ce modèle, intégrant des solutions impliquant une intelligence artificielle innovantes au sein de leurs services et crées en interne. Ce cas d'entreprise doit être une des priorités d'entretien du fait de sa valeur ajoutée sur ce marché et son périmètre d'action innovant. En effet l'entreprise possède beaucoup d'internalisation, l'entretien aurait pour but de faire un état de leurs procédés et méthodes afin d'en comprendre les enjeux et en quoi ce modèle d'intégration rapide pourrait être considéré comme un exemple au sujet de l'avenir de la plupart des entreprises :

Quelle est la proportion quotidienne de l'utilisation de l'outil, quel a été le but de l'installation de l'outil, qui ont été les premiers concernés, quel impact, quels moyens à mettre en oeuvre pour son fonctionnement, quel est le ressenti face à cet outil lors de son arrivée / ressenti lors de la phase de préparation / ressenti lors de l'exécution / ressenti face au résultat donné par l'outil ?

- Les porteurs de solutions : Des start-ups innovantes comme Tilkee (outil de management des pratiques marketing) ou Geolead (référencement local et personnalisé), dont les outils favorisent le développement de ces pratiques intelligentes au sein des entreprises et ont un puissant levier à actionner ces prochains mois ou années du fait de la nature prometteuse et porteuse de ce marché encore en plein expansion :

Certaines sont inscrites dans des partenariats avec des grands comptes comme La Poste par exemple : quelle est la principale demande des clients, quel est le rôle majoritaire de l'outil chez eux, est-il changeant en fonction des domaines, quelles perspectives dans ce marché en plein expansion, existe-t'il déjà des signes avant-gardistes prouvant ces changements imminents, de quelle nature sont-ils, quelle évolution pour les outils d'aide à la décision ?

- Les acquéreurs de ces solutions : Comme évoqué précédemment, La Poste en fait partie intégrante mais nous pourrions en citer bien d'autres. L'objectif serait d'obtenir des réponses quant à la non conception en interne de ces process, mais aussi les motivations de ces derniers, et les process mis en place pour effectuer leurs choix (ou les modifier), conception unique ou calquée sur un modèle ? ressenti lors de l'exécution / ressenti face au résultat donné par l'outil ?

- Les conférenciers et conseils aux entreprises : Ils ont une forte connaissance du terrain et de la diversité des solutions proposées, sont souvent porteurs de nouvelles idées pour les entreprises et sont directement impliquées parfois dans ces changements (notamment les personnes que nous interrogerons) de par leur activité de conseil aux entreprises. Il sera question d'obtenir leur point de vue sur l'avancée des outils, quel est la principale innovation à pousser s'il fallait en implémenter une seule au sein des services marketing, quelle est l'innovation la plus prometteuse, celle qui est désormais la plus utilisée, celle qui est la plus génératrice de ROI, comment les entreprises font face à ces changements, quel est leur rôle dans ces changements

Modèle, pistes de propositions, méthodologie de recherche et guide de l'entretien

L'impact des changements induits par l'automation et des autres services intelligents développés avec une intelligence artificielle dans les départements Marketing, et plus précisément au sein de leur stratégie décisionnelle et prédictive (notamment sur les problématiques de positionnement et de ciblage).

- Qui est en charge de la maintenance et de l'entretien, ainsi que de l'évolution de l'outil

- Perspectives d'évolution du marché ? aujourd'hui / dans 3 ans / dans 5 ans / dans 10 ans

- Existe-t'il déjà des signes avant-gardistes prouvant ces changements imminents ? De

4 Qui est en charge de la maintenance et de l'entretien, ainsi que de l'évolution de l'outil

4 Quel est la principale innovation à pousser s'il fallait en implémenter une seule au sein des

- Des entreprises de plus de 10 salariés ayant un profil commercial B2B ou B2C et résidant en France

- Entreprises innovantes et start-ups développant des outils marketing ayant recours à l'intelligence artificielle pour améliorer la qualité des services internes et externes - Entreprises innovantes ayant recours à toute forme intelligence artificielle dans l'aide à la décision, le marketing prédictif (ciblage, positionnement de préférence)

- Entreprises ayant recours à une intelligence artificielle dans un but d'amélioration de la productivité de ses salariés au sein du service Marketing

- La rencontre se déroulera dans les locaux de l'entreprise avec un entretien audio enregistré. Dans le cas d'une indisponibilité des personnes interrogées pour un entretien physique, les réponses seront rédigées à l'écrit avec des échanges de courriers électroniques.

- La rencontre pourra également avoir lieu lors de conférences si nécessaire.

1/ Introduction (Remerciements, Présentation de l'intervieweur, Présentation de la démarche, présentation des thèmes objectifs, demandes concernant la confidentialité / anonymat, conditions matérielles pour l'entretien)

2/ Présentation de l'interviewé (Emploi, Ancienneté & Mobilité professionnelle, Statut familial, détails personnels)

3/ Entrée dans la thématique (par catégorie d'objectifs) par l'intermédiaire des questions principales et de ses questions complémentaires

Patrick Johnson (Vice-président Corporate Research & Science chez Dassault Systèmes), Frédéric Bornuat (Chief Data Officer à CEGID)

Annexe 2 : Entretien Patrick Johnson

PATRICK JOHNSON

Patrick Johnson est VP Corporate Research & Science chez Dassault Systèmes. Dans ce cadre, il définit les bases scientifiques des solutions de Dassault Systèmes, invente de nouvelles technologies disruptives pour l'industrie du futur et anime l'écosystème mondial de recherche pour le groupe.

Après quelques années durant lesquelles il invente plus d'une vingtaine de produits innovants qui transforment les pratiques de conception grâce à la gestion de la connaissance et l'intelligence artificielle (marque phare CATIA), il prend la direction de la Recherche en 2004, contribuant au développement de nouvelles technologies originales pour l'ensemble des marques du groupe, et développe significativement l'écosystème mondial d'innovation en favorisant la création de partenariats pu-blic/privé avec de prestigieux instituts et organismes de recherche.

Par ailleurs, il lance un domaine de diversification entièrement nouveau, avec la création d'une suite d'applications collaboratives destinées au secteur des sciences de la vie (marque BIOVIA) dans le cadre du programme BioIntelligence (+120 millions d'euros, une douzaine de partenaires publics et privés) et la constitution d'un laboratoire mondial R&D en modélisation, simulation, big data et développement de bioprocédés pour les sciences de la vie.

Diplômé de l'ENSAE et d'un Master d'informatique, Il a également été membre des Conseils Scientifiques d'INRIA, de l'ARISS, de la société internationale en biologie computationnelle (ISCB), de l'Institut Mines Telecom, d'IRCAM, du Comité de Culture Mathématique de l'IHP (Institut Henri Poincaré).

- Merci d'être avec moi ce jour Patrick Johnson. Je vais d'abord me présenter briève-

ment et vous présenter la démarche de notre rencontre dans ce cadre. Puis je vais vous laisser vous présenter brièvement également avec notamment votre emploi, vos anciens emplois, votre ancienneté et mobilité professionnelle. J'entrerai ensuite dans la thématique avec quelques questions où nous échangerons sur le sujet. L'entretien sera plus sous forme d'échange que de questions en réalité.

Déjà je vous remercie d'être là aujourd'hui. Je me présente je suis Erwan Roux de Bezieux, je suis étudiant à Kedge Business School Bordeaux dans la Chaire Business in a Connected World, spécialisée Marketing Digital et Communication. Je suis là ce jour car je rédige actuellement un mémoire actuellement concernant l'intelligence artificielle au sein des services marketing. Plus globalement ce sont plus les tendances d'évolution et comment les outils marketing aident les services marketing et comment les emplois peuvent être im-pactés par cela et comment c'est impliqué.

Je vais procéder si vous le voulez bien à un enregistrement audio de notre conversation : il est déjà lancé est-ce que vous êtes d'accord pour que nous continuons l'enregistrement de nos échanges ?

- Patrick Johnson, Responsable des activités de recherche pour le groupe Dassault Sys-

temes qui est une société d'environ 16.000 personnes et qui est dans les trois géographies mondiales, qui est éditeur de logiciels centré sur ce que nous appelons les expériences, c'est à dire comment l'économie a shifté du produit à l'usage, comment est-ce qu'on aide les grands industriels à inventer de nouveaux produits ou services pour un usage supérieur ou innovant. Cela fait une vingtaine d'années que je suis dans le groupe j'ai fait un certain nombre de trucs dedans et ça fait maintenant plus d'une dizaine d'années que je suis à la recherche.

- Je suis rentré comme un ingénieur. De formation ingénieur de développement, plutôt

infrastructure et puis j'ai vite pris des responsabilités : j'ai été chef de produit donc j'ai vite été confronté à des problématiques un peu marketing (suivi produit, création d'une ligne de produit) d'abord en mécanique puis en intelligence artificielle. J'ai vraiment fait mes premières armes en intelligence artificielle. J'ai d'ailleurs développé pas mal de suites qui ont fait que des industriels comme Toyota ont par exemple vraiment changé la façon qu'ils avaient de travailler en digitalisant les savoir et savoir-faire de conception de voiture à l'intérieur même des modèles de voiture. C'est à dire qu'on avait internalisé le savoir-faire dans les pièces ce qui faisait que quand quelque chose devait être modifié les pièces savaient presque d'elles même comment faire.

Après j'ai eu un parcours un peu particulier puisque j'ai été « sherpa » du PDG, d'un parcours toujours en « learning » on va dire (rires) : ce n'est pas artificiel et c'est très intelligent (rires) et puis après j'ai fait la recherche, mon poste actuel.

- Justement vous parliez de Toyota, quelle est la principale innovation ou « prototype »

comme vous me l'aviez évoqué plus tôt en off pour laquelle vous avez été impliqué dernièrement et dont vous avez été le plus fier ?

- Je vais vous en donner deux : celle-là dont je vais vous parler qui est une suite de

produits appelée « Knowledge wear » : cela a vraiment changé les pratiques de conception et pas que dans l'automobile mais dans plein de secteurs.

Et puis j'ai fait quelques années après dans le cadre de mes activités de recherche où en fait toujours en exploitant le Big Data, la médiation, la simulation et l'IA on s'est dit que c'était « bête » de se concentrer que sur les sciences de l'ingénieur et que en fait il y avait plein de défis dans les sciences du vivant et donc j'ai été à la base de toute une création d'une division chez Dassault Systèmes, qui s'appelle Biovia. C'est à dire consacrées aux sciences de la vie et qui a démarré avec un très grand projet de recherche en Europe, qui a généré une douzaine d'applications en Discovery, Pré Clinique et Cancérologique. Puis après on a structuré par une acquisition externe et maintenant on a un très gros pôle donc je vais mettre ca sur mes actifs.

- C'est ce que j'avais lu dans une de vos interviews. Et c'était qu'elle technologie qui

- Sur le projet initial oui. Je voulais tout refaire en interne. Non pas par arrogance mais

disons que ce qui était à l'extérieur n'était pas bien et on voulait y mettre notre propre savoir-faire et ADN. Beaucoup de choses sont faites en science du vivant qui sont du Big Data (de l'analytics) mais moi je suis un fervent convaincu que l'IA touche tous les secteurs et ce n'est pas une formalité mais c'est juste un moyen et si on rentre un peu dans la technique, entre les différentes formes d'apprentissage (supervisée, non supervisée, guidée ou pas) on pense que quand vous avez une bonne compréhension du métier (des

modèles industriels) d'une certaine façon vous supervisez l'apprentissage, vous comprenez mieux les données. Je suis un fervent défenseur de l'adjonction des modèles et de la simulation à l'IA (ce n'est pas l'un ou l'autre) et beaucoup de projets qu'on voit en ce moment c'est souvent de l'IA pour de l'IA. Et nous on pense que c'est une dialectique très vertueuse (confrontation de données et simulation). C'est presque épistémologique en fait (rires).

Le démarrage du projet a été avec nos propres technologies et notre propre ADN : on a par exemple modélisé une cellule cancéreuse intégrale, ce qui était une première mondiale et on l'a calibrée (alors la calibration était très compliquée à faire) avec des données cellulaires qui venaient d'hôpitaux etc.

Puis quand on a fait une croissance externe, la société qui nous a rejoint est venue avec plein de technologies : elle avait déjà développé des technologies par elle-même mais également en collaboration avec des centres universitaires. Je vais en citer un par ce qu'il est assez emblématique : on travaillait en modélisation moléculaire pour que les molécules se recroquevillent sur elles-mêmes. Pour qu'un médicament marche bien faut qu'il se recroqueville bien. On a travaillé avec un Prix Nobel de Harvard qui s'appelle Martin Karplus. Il a développé une technologie qui est assez connue et on est le seul acteur industriel qui incorpore cette technologie.

- Si je comprends bien vous avez, plutôt que d'avoir des partenaires en extérieurs, pri-

- Pour parler plus globalement sur vos expériences, que ce soit des prototypes ou des

technologies / innovations, quels sont les facteurs déterminants pour que le prototype soit pertinent et mis sur le marché ? Je fais référence à ceux qui sont à l'IA.

- Je vais essayer de répondre en deux crans : il y a ceux qui ne sont pas inhérentes à

l'IA mais vous les connaissez comme les MVP, il faut avoir une bonne délimitation, il faut savoir ce qu'on veut faire. Il y a beaucoup de sociétés en start-up ou autre qui ont des idées mais au fond qui ont des idées assez floues et qui essayent plein de trucs. C'est un vrai travail, c'est dur, c'est un travail ingrat d'avoir une target précise : et sans ça ne vous serez pas exactement ce que vous voulez et vous allez vous diluer avant de l'obtenir. Il y a un travail où il ne faut presque pas coder, de « Defline » où tout se joue car 80% des décisions sont prises tôt et après libre à vous de redorer, étendre, revoir ou encore reconfigu-rer mais il faut définir des objectifs car sans, on ne peut pas l'attendre. Donc avoir une bonne définissions du MVP ça c'est clair.

Après si on parle de l'IA : alors ça va n'engager que moi mais, bon il y a plein de technologies dans l'IA, c'est un buzz word, mathématiques et celles en émergence aujourd'hui, comme le deep learning. Certaines de ces technologies c'est encore de l'artisanat. Il faut quand même le dire : il y a plein de cas qui marchent bien et ça marche bien justement par ce qu'on a affaire à la première définition hyper précise avec par exemple des trading set très délimités avec une vraie réflexion sur les cas d'usage.

Le cas emblématique qui enfonce tout c'est l'accident de la voiture autonome survenue il y a peu avec un vélo. Parce que le training set entrainait l'IA à reconnaitre les vélos et les cyclistes mais pas les cyclistes qui marchaient à côté des vélos. Malheureusement le cycliste est mort parce que la voiture n'avait pas vu que c'était un cycliste qui roulait. Cela veut bien dire que si l'on n'a pas bien défini ce que l'on veut pour cet IA cela ne pourra pas marcher. Il y aura toujours des cas qu'on n'appelle pas industriel, qui ne marche pas en d'autres termes. Il y a une délimitation extrêmement précise mais c'est un travail chirurgical, des scénarios, des cas d'usage, des données qui en incombe et même après de l'évolution du logiciel (de nouvelles données qui arrivent). Ça c'est un vrai travail pour réussir une application de base IA.

Prenons un exemple en marketing d'analyse de sentiments avec une marque qui s'appelle Exalead. Il faut avoir analysé pendant un certain temps des données pour se voir dégager des choses ou alors disposer d'une technologie qui ne dépend pas des données (réel ou

d'autres fondamentaux de principe). Il faut donc savoir si quoi on base les forces de l'appli car si on l'appuie sur des forces qui ne marchent pas au prototype et qui ne se calera pas du prototype à l'appli, on va perdre un prototype. C'est souvent le projet de réalité dans un projet d'IA. C'est compliqué de faire ça. En plus on est à l'ère de la mobilité et de l'usage instantané donc la tolérance à l'erreur est nulle. Ce n'est d'ailleurs pas à vous jeune gens que je vais dire ça (rires communs) : si un truc ne marche pas au bout de 10 secondes on se « barre » et on va ailleurs, hors de question de comprendre pourquoi ça

ne marche pas.
Comme une IA dépend des données et que ce n'est pas algorithmique au sens formel n'existe pas encore, c'est artisanal comme technologie et ça demande à être encadré comme un artisanat.

- Votre vision est très intéressante et cela va me permettre de rebondir sur un autre

point que Monsieur le Député Cédric Villani a dit tout à l'heure (à la conférence IA Summit ndlr) qui lui a fait la vision totalement opposée de la chose avec justement cette phase de test avant d'implémenter sur un marché.

- En fait il disait la même chose : il disait qu'il fallait démarrer d'abord par de

l'expérimentation avant l'implémentation et l'exploitation. Il y a deux raisons : c'est pour alimenter les réseaux de recherche et les environnements d'expérimentation mais aussi par ce que c'est inhérent à la matière (cette matière-là est une matière expérimentale). Cédric c'est un positiviste, il va dire qu'il faut expérimenter beaucoup avant d'être prêt à lancer.

Et puis il a dit un autre truc qui va aussi dans ce sens : dans la plupart des applications qui marchent il a très peu de théories qui l'explique.

Je vais vous le dire un peu en creux, il a beaucoup d'algorithmes on ne sait pas comment ils marchent. C'est violent de dire ça comme ça mais le même Cédric Villani il dit souvent dans les conférences et moi je lui ai dit quand j'ai été audité pour le Rapport Parlementaire que c'est de la chimie et qu'il faut savoir les encadrer. Mais ça ne veut pas dire qu'on

ne peut pas en faire des applications industrielles simplement il faut avoir un processus industriel pour un recadrage dans l'exploitation.

- Tout auditeur de logiciels procède à des prototypes. Je ne peux pas dire l'intégralité

des choses mais tout éditeur test de manière automatique ou manuelle (beaucoup de manière automatique) et de manière sémantique surtout ses logiciels pour voir s'ils tiennent le choc et s'il n'y a pas des erreurs. Une activité humaine est propre à l'erreur.

- D'abord dans la définissions des tests : on pourrait dire que quand vous développez

un prototype vous en développez deux, « le proto puis le proto qui va tester le proto » et c'est vertueux. Nous on en a beaucoup. Tous les grands éditeurs et de tous les domaines fonctionnent comme ça. En fait d'un point de vue coût si vous voulez, si vous regardez le crédit impôt recherche (on va prendre un élément externe comme ça je vous donnerai le message sans me trahir).

En fait, quand le crédit impôt recherche finance des travaux de recherche innovants, c'est encadré par le manuel européen qui s'appelle le Frascati. C'est celui qui étalonne les phases de développement depuis la recherche jusqu'au développement et la phase d'industrialisation en dernier lieu. Ils savent très bien que la phase d'industrialisation est immense dans le logiciel, donc ils ne la couvrent pas (près de 50%). Alors il y a de nouvelles technologies et l'IA peut aider d'ailleurs. Ce qui est intéressant c'est qu'on voit que le développement du code est en train de changer via et à cause de l'IA. Mais grosso modo on a des organisations entières pour faire ça et chaque développeur est responsable

de la qualité de ce qu'il fait. Alors d'ailleurs si vous voulez un petit conseil là-dessus, de la même manière que le Chef de Produit est responsable de son produit, et de la qualité de son produit et donc de la manière qu'il doit faire son « Defline », il est garant de la réception par son public de son produit. C'est d'ailleurs dans les fiches de rôle des dévelop-peurs. Ce n'est pas vraiment délégué, sinon vous déresponsabilisé le développeur.

- Quand ces moyens physiques sont implémentés, quels sont les moyens physiques et

- Alors nous lors du déploiement en prémisse chez le client (aller installer physique-

ment chez le client), mais avec le Cloud ça change tout car il est directement chez vous, soit lui et nous, nous sommes directement reliés en direct principalement par le Cloud maintenant. Toutes nos solutions passent par ce canal pour l'accompagnement, le suivi, le monitoring et tout ce qu'on veut. C'est comme si vous me disiez que chez Google il est avec vous mais pas dans votre pièce, c'est un service en ligne et nous toutes nos solutions sont en train d'être sur le Cloud. Ça a évidemment des avantages multiples.

- Plus globalement, ça va être un des derniers sujets qu'on va évoquer : quelle est

votre perception aujourd'hui, je vous demanderai plus tard et avant dans un second temps, des outils dans l'IA et où est ce qu'on pourrait se placer dans une perspective, que ce soit côté professionnel et utilisateur ? Quelle est l'offre qu'on a aujourd'hui et par rapport à aujourd'hui qu'est ce qui nous attends demain par rapport au début de cette révolution IA ?

- Encore une fois ce n'est pas une fin en soi, ce n'est qu'une matière informatique et ça

- Alors c'est exponentiel car nos technologies fonctionnent de manière exponentielle

mais il y a tellement de trucs qui ne se sont pas faites encore une fois qu'aujourd'hui c'est trop expérimental, il y a des pans entiers qu'on ne comprend pas et la plupart des papiers vous disent « j'ai changé le potard de 3% à gauche et bah ça va mieux », c'est un peu le SVP2222 en aléatoire, sans compréhension théorique forte. D'ailleurs ça c'est un truc que je considère que la France aurait dû souligner dans le Rapport Parlementaire sur l'intelligence artificielle de Cédric Villani : il y a des grands enjeux et on est une école en France de mathématiques connue et unique dans le monde et ses grands défis de compréhension plus fine et théorique de l'IA on aurait dû au moins prétendre qu'on s'y attaquait vraiment. Ce n'est pas le seul truc à faire mais pourquoi pas. Et puis on est également très loin de la compréhension ne serait-ce que d'une IA qui fait plusieurs tâches (DeepMind essaye d'ailleurs de faire ça). On est très loin de la conscience également et on arrive maintenant à tout ce qui est frontalier entre les neurosciences et l'IA. Mais au-delà du schéma biomimétique des réseaux de neurones il est vraiment temps de s'inspirer des neurosciences.

Il y a plein de choses qui sont intéressantes : d'ailleurs on a trouvé il n'y a pas longtemps une certaine boucle de rétroaction sur certaines colmocorticales qui font penser à la palpe propagation de Yann LeCun. Alors après, hasard ou coïncidence ? C'est intéressant, faut creuser et mélanger les disciplines. La conscience est encore à un horizon encore plus loin et je ne parle même pas de la GI (General Intelligence). Ça c'est d'un point de vue simplement du domaine.

Pour l'utilisateur, déjà il y a 25 ans il n'y avait pas internet (rires), 10 ans pas d'Iphone donc le truc évolue juste à vitesse grand V et ça va peut-être continuer encore de manière exponentielle et peut être que finalement les jalons que j'ai donnés vont être atteints (50 à 70 ans). Je ne fais pas de transhumanisme à deux balles en disant ça mais...

- Pas un tournant je dirais. Il y a eu un point d'inflexion en 2012 quand Bengio et Hin-

ton et LeCun ont fait marcher le truc sur la reconnaissance d'image (surtout dû à Hinton de mon point de vue) après on est certainement dans une accélération de performance. Mais c'est dans une activité seulement. C'est comme si je disais qu'on était dans l'ultra performance de la traduction du son avec un vinyle, forcément en 1890 on avait des lecteurs c'était des radiophones ça faisait un truc immonde. Maintenant ça sonne très bien. On est plus dans une mutation dans l'usage du digital dans le sens général du terme. D'ailleurs on se rapproche beaucoup plus des expertises métier comme on le disait ce matin (des savoirs et des savoirs faire) et l'IA est un catalyseur de cela. Donc je ne dirais pas que c'est un tournant, je n'ai pas encore vu une véritable découverte nouvelle mais j'attends de voir ça.

J'ai vu des choses hallucinantes dans des SF, il y a l'histoire du GO etc. Donc j'attends encore et je veux être plus impressionné que ça.

Annexe 3 : Entretien Frédéric Bornuat

Frédéric BORNUAT

Titulaire d'un DESS en Marketing, il débute sa carrière dans le secteur de la grande distribution au sein du groupe Carrefour puis intègre une société de marketing relationnel spécialisée dans l'exploitation comportementale des bases de données clients du retail.

Après plusieurs années, il intègre le groupe Cegid en charge du CRM puis encadre les équipes d'analytique et de Data Science au sein du marketing corporate. Depuis 3 ans, il est le Chief Data Officer du groupe Cegid dans la Direction des Technologies et pilote avec les équipes R&D et IT l'ensemble des initiatives dans le domaine de la Data et de l'intelligence artificielle.

Précision : Dû à un problème d'enregistrement, une partie de l'entretien a été tronquée. L'entretien retranscrit sera donc réaménagé de sorte que l'introduction prévue soit lisible au début de la retranscription et non pas en fin comme enregistrée.

- Merci d'avoir proposé cette rencontre aujourd'hui dans vos locaux, et ce afin de dis-

cuter un peu plus longuement que si nous l'avions fait hier lors du IA Summit de Lyon à l'INSEEC.

- C'est plus simple de se poser une heure ici dans mes bureaux et tout le monde y

- Je vais vous poser quelques questions réglementaires désormais. Êtes-vous toujours

- Est-ce que vous avez évoqué des choses confidentielles qu'il faut que je supprime de

- Non je ne vous ai pas cité d'informations personnelles, de clients ou de partenaires

qui pourraient fuiter. Ce sont des éléments descriptifs de notre pratique et cette pratique-là elle n'est pas confidentielle. Loin de là.

- Plus vous personnellement, j'aimerais avoir un très bref résumé de votre emploi au-

jourd'hui, vous l'aviez déjà un peu évoqué tout à l'heure, mais cette fois-ci de manière un peu plus institutionnelle désormais ainsi que votre mobilité professionnelle que vous avez pu avoir précédemment et enfin que certains détails personnels que vous voudriez peut-être évoquer.

- Je vais le faire de manière rétroactive. En tant que CDO j'appartiens à la direction des

technologies. Il y a deux axes sur lesquels je travaille principalement : l'ensemble des initiatives qui sont destinées à l'innovation autour de la Data et l'IA, cela m'occupe avec les équipes R&D et Product Management du groupe (les deux sont extrêmement liées), c'est la vocation fondamentale et première de mon rôle ; et puis j'ai une casquette plus « classique » si je puis dire car le poste de CDO est assez récent, et là je m'occupe de tout ce qui est interne concernant la Data Science et Data Gouvernance dans le groupe en travaillant cela avec la DSI.

Avant cela, mon expérience au sein du groupe Cegid a été de m'occuper du CRM et de l'Analytics dans la Direction Marketing en sachant que j'avais dans ce giron là tout ce qui est l'user and research marketing (étude marketing sur la marque, les marchés, nos clients, leur satisfaction etc.) avec la partie business analytics que j'ai indiqué. C'est avec l'équipe qui a été constitué et initialement j'avais été embauché au sein de Cegid pour m'occuper du CRM dans le groupe. C'est un peu mon histoire et mon historique au sein du Groupe Cegid.

J'ai aussi passé 8 ans au sein de Catalyna Marketing qui est une société de marketing relationnel travaillant dans le domaine du retail et de la grande consommation. J'ai principalement été Chef de Projet dans cette organisation pour le marché du retail et dans le domaine de ce qui ne s'appelait pas encore du Big Data mais qu'on appelait « méga base de données » mais mon histoire a toujours été, et cela fait 20 ans que je travail, autour de la data et je dirais que mon expérience s'est façonnée dans le monde B2C puisque la manipulation des données étaient des données consommateurs principalement issus des tickets de caisse des retailers. Mon héritage il est là et il a été aussi très profitable dans mon parcours parce que je le mets à profit dans un monde plus B2B et qui est moins en ancrage par rapport au monde B2C.

J'ai démarré ma carrière chez Carrefour et j'y ai passé quelques mois avec un bref passage par ce que le retail m'a toujours plu donc j'ai commencé par là.

- Dans le merchandising à l'époque où les supermarchés Carrefour théâtralisaient leurs

espaces de vente et ils avaient besoin de collaborateurs pour travail sur des plans merchandising et ce qui m'intéressait déjà le plus à l'époque c'était l'analytics autour des plans merchandising, sur la performance du positionnement des produits dans les points de vente et donc j'étais très attaché à cela. Après moi j'ai une formation de Marketing, ce qui s'appelait un DSS en Marketing à l'époque et j'ai été assez tôt attiré par le retail et la Data et donc ça fait 20 ans que j'ai progressivement un peu dérivé mais pas trop. Ça a du sens mais ça n'empêche pas qu'un jour je pivoterai mais j'ai conservé cette forme de ligne directrice. Et puis le marché et les évolutions ont fait que l'on ne s'ennuie pas. On est sur un métier, on le sait, très vivace et qui évolue très vite, ce n'est pas un métier je dirais très réglementaire ou legacy ou régalien dans les entreprises donc il y a encore je dirais un boulevard à faire pour exercer des activités dans le domaine de la data puisque le numérique ça a perduré et il y aura forcément le besoin d'exploitation de solutions de la donnée. C'est une certitude.

- {Concernant l'implémentation dans les services} (...) La situation aujourd'hui a un

petit peu évolué, à savoir qu'il n'y a plus vraiment de Marketing dans les Business Unit, donc d'un point de vue organisationnel tout a été organisé et transféré de manière globale au niveau marketing.

L'entité Business Analyst est d'un point de vue organisationnel lié à une entité qui s'appelle LeadGen (le Lead Generation c'est l'acquisition de comptes de développement de la base installée). Les équipes de Business Analyst travaillent à côté des équipes de

marketing automation : ils ont pour fonction de mettre en oeuvre les programmes marketing dans la solution marketing « Marketo » qui est couplée dans notre CRM et qui nous permet d'orchestrer les campagnes multicanales qu'on conduit avec nos clients et nos prospects.

Et puis il y a à côté de cela une troisième équipe qui est une cellule de Télémarketing, qui est la cellule historique en fait et qui travail en combinaison avec le marketing automation : ça peut être du mail, réseaux sociaux, l'historique, le téléphone et on continue bien évidemment à qualifier et pré qualifier des leads à travers la cellule de télémarketing et cela nous permet de scorer des comptes que l'on donne à la cellule télémarketing.

Donc nous aujourd'hui la cellule data science a été détachée depuis ma nomination il y a 3 ans en tant que CDO, pour qu'elle soit transverse à la totalité du groupe et pas exclusivement réservée à la partie Marketing du groupe. Les deux Data Scientist qui travaillent avec moi travaillent beaucoup pour la team Marketing (70% de leur job) mais ils travaillent aussi avec la fonction Ressources Humaines par ce qu'on mène aussi des travaux avec eux ; avec ceux du Cloud également autour de la problématique du prédictif avec le Cloud autour des machines et des incidents. Ils travaillent aussi en combinaison avec le Marketing et la vente sur des plans d'action qui sont on va dire de type circuit court avec que du marketing et de la vente. On va dire que s'il y a une base à scorer de 10 000 clients et que y'a pas un dispositif marketing d'accompagnement et bah nous on fournit la cible qui est automatiquement appelée (souvent dans cet apanage) en fonction des scores qu'on établit. Là encore récemment on a moins travaillé dans un cadre d'acquisition business mais plutôt dans un cadre défensif pour scorer des comptes qui ont été attaqués par un concurrent bien identifié et de faire un score de « churn » pour identifier les clients qui sont les plus à risque « versus » ceux qui le sont le moins. Là on est dans une situation plutôt défensive pour dire « quelles sont les actions qu'il faut que l'on prenne » ...

- C'est plus ou moins confidentiel mais je peux vous dire qu'on est attaqué sur le ser-

vice comptable (secteur de la paie) avec un acteur qui pénètre à vitesse grand V le marché et qui nous a pris une centaine de comptes donc c'est significatif par ce qu'on est sur des marchés (sans dire qu'ils sont captifs) où érosion d'une base client est faible et donc ça se joue sur un marché fermé. La bataille est assez aiguisée sur quelques comptes et là on a une fuite assez significative et donc face à ce concurrent qui est hyper spécialisé, par ce que nous on est assez généraliste malgré tout, notre réaction c'est de dire qu'on a plus de 3000 comptes, lesquels sont fondamentalement en danger car attaqués et perdus dans les 2/3 dernières années ? On est en train de mettre en place une organisation qui permet d'identifier ces comptes avec 4 segments : des clients dangers, à surveiller, passifs, en sécurité. On a quatre segments et on va ordonner un plan d'action pour s'assurer qu'on va réduire au maximum le taux de perte et avoir des actions coup de poing pour réagir et contrer la conquête de ce concurrent sur ce marché là. Alors évidemment ça se joue sur différentes échelles : offre, plan d'action, plan marketing etc., mais ce qui est sûr c'est que notre rôle est de cibler et identifier les comptes qui sont susceptibles d'être les plus attaqués parce qu'ils correspondent à ceux qui sont tombés dans le passé.

- Il y a un profil qui se dégage tant au point de vue géographique que de la taille, et

que de l'équipement. Il y a un modèle de scoring assez clairement identifié et des éléments propices à la perte désormais identifiés. Pour faire simple, un petit cabinet de service comptable de 3 collaborateurs basé à Paris et qui a un faible niveau d'équipement chez nous : il n'est pas en danger et on peut dormir tranquille. En revanche à l'inverse, s'il est en Auvergne Rhône-Alpes et qu'il a une taille assez importante et qu'il est équipé de la plupart des solutions collaboratives chez nous : méfiance, on est en danger.

Ceci donne des clés explicatives (pas encore en deep learning) et permet d'un point de vue de la communication et de l'explicabilité d'être limpide et d'être très clair dans la

communication. Même si c'est multidimensionnel, l'être humain a du mal à résonner au-delà de 3 dimensions. On peut donc être plus pédagogique dans la communication, plus didactique pour définir finalement les cibles et ce même si on a un score et les segments l'idée n'est pas de dire une probabilité de perte mais de packager le tout. C'est aussi le principe de l'exerce de ce métier en Data Science, d'être pédagogique et de le mettre à la portée des équipes qui ne sont pas familier à ce genre de domaine.

D'un point de vue technologique, on travaille... on n'est pas dogmatique. Notre propos c'est d'être pragmatique (comme évoqué hier). Il faut faire des choix technologique : notre orientation est de continuer à rentabiliser des investissements autour de la plate-formes IBM SPSS Modeler mais aussi dès lors que c'est nécessaire, par ce qu'on a pas les librairies et packages disponibles sous Modeler, de pouvoir travailler sous Python dès que c'est utile et nécessaire parfois (on doit scraper des documents, des librairies sont plus efficaces et pas disponibles dans nos outils) donc on se laisse le libre cours et libre possible de travailler avec des langages open source.

On fait aussi de la veille technologique donc en suivant typiquement ce que fait Microsoft autour du machine learning studio, on a fait quelques tests avec DataQu. Donc on est en veille sur des solutions type Cloud ou d'autres très propriétaires. On se laisse la possibilité de pivoter dès que nécessaire car on ne veut pas s'enfermer dans tel ou tel domaine ou univers technologique : en l'espace de 6/7 ans, les choses ont extrêmement évolué et il faut être en capacité de suivre ces évolutions technologiques et algorithmiques pour ne pas être dépassé par les enjeux et challenges lancés par Cegid.

- Il y a plusieurs évaluations. Une grille d'analyse qui regroupe des éléments technolo-

giques, techniques, d'usage et économiques. Aujourd'hui l'UX dans les produits de Data Science c'est un élément clé. On peut être sur du « coding from scratch » mais bien souvent quand même on a soit une couche d'attraction soit une application qui est beaucoup plus enrichie. Les équipes sont challengées par le temps avec le principe du « time to ana-

lyse is time to discovery » et cela se réduit. Il faut tout le temps aller vite et il y a aussi la nécessité de collaborer ou échanger. On a des équipes qui évoluent, qui grossissent, des gens qui sortent et il faut pouvoir assurer également la capacité de transmettre le savoir de ce qu'on a fait dans le passé pour assurer une continuité d'activité et c'est un élément

très important.
C'est aussi un choix économique car la Data coûte très cher et possède plusieurs modèles économiques. Ce point est décisif très clairement.

Un élément technologique, qui n'est pas tant sur les algorithmes qui sont globalement dans le domaine publique (à part ceux spécialisés dans la santé ou choses très singulières qui nécessitent une verticalisation de l'algorithmie) en revanche tout ce qui est web service et API, des solutions sont à faire évoluer et peu ouvertes. C'est un point clé : sur le déploiement des algorithmes, il faut se brancher au système opérationnel et dans une entreprise comme chez nous il y a du legacy qui datent d'il y a 15 ans alors que chez certains c'est nouveau avec des solutions de maintenant ou 5 ans max. Donc la notion d'interopérabilité entre les solutions de Data Science et opérationnelles (CRM, ERP, help-desk) c'est un élément clé et on y est de plus en plus attaché car notre nécessité est de fournir des scores et des segments mais c'est aussi d'être en capacité d'être de plus en plus dans une forme de temps réel. Et ça, si on n'a pas d'API ou web service disponible ce n'est pas possible d'y songer.

- Dans l'implémentation, vous m'avez plus ou moins répondu en off, j'aurais aimé avoir

des précisions concernant les moyens physiques mis en oeuvre pour Cegid, à savoir comment au niveau de la communication avec et au sein de vos équipes Marketing, comment est mise en place l'installation et comment elle évolue ?

- Comme on est sur un domaine qui est assez méconnu en réalité, même si aujourd'hui

quand on parle parfois de Big Data ou d'IA les gens sont familiers avec ces concepts mais cela reste beaucoup des « buzz words » et les gens n'ont pas creusé et ne savent pas vraiment.

Notre créneau c'est à la fois d'avoir un mécanisme de sensibilisation au sens large du terme. On utilise beaucoup le réseau social d'entreprise pour démocratiser finalement les concepts et ensuite pour faire connaître et maitriser un peu ce que l'on fait on utilise une plateforme collaborative pour travailler avec les équipes Marketing. Mon souhait c'est d'être très transparent avec ce que l'on fait. Mon planning est ouvert, on sait sur quoi on travaille, rien n'est caché et nous sommes une sorte de centre de service disponible pour les équipes. La notion de transparence est clé.

La notion de démocratisation et d'évangélisation est forte : elle se matérialise pour certains avec de la montée en compétences de la formation pour ceux qui sont concernés avec un cursus de minimum 3 jours de formation prévu au plan de formation du groupe Cegid qui traite du sujet du prédictif. Cela permet d'ouvrir les « shakra » des équipes. Et puis dans la communication c'est un moment qui est clé et c'est souvent un travail pour les Data Scientist qui sont souvent peu à l'aise et assez peu familier. Moi, ayant un « background » un peu plus Marketing, je suis beaucoup plus sensible à cette phase là puisque c'est un peu le dernier moment sur lequel quand on va présenter et situer (avec des points intermédiaires parfois) quand on parle de restitution finale des travaux, c'est vraiment pas un moment qu'il faut rater, parce que l'on peut passer à côté du sujet par ce qu'on aura mal expliqué ou présenté, qu'ils auront pas vraiment compris véritablement ce que l'on veut leur faire passer comme message, tant dans la phase explicative de « Build » (construit les choses, pourquoi on a fait ces choix et prérequis) que dans la restitution finale sur la forme que cela prend. C'est d'ailleurs pourquoi dans le début de l'histoire de la Data Science chez Cegid, les équipes ont été formées au storytelling.

Il y a une pratique aujourd'hui qui s'appelle d'ailleurs le Data Story Telling. L'idée c'était de dire finalement « ok vous avez beaucoup de chiffres, beaucoup de choses à raconter. Mais il y a une forme et des choix à faire pour les raconter et les présenter ». J'ai beaucoup vu l'évolution des collaborateurs prient à l'état zéro et ensuite post-formation storytelling : c'est radicalement différent car plus léché, beau et sexy. Pour le coup, sur des

publics plus de marketeurs, ça leur parle beaucoup plus quand c'est bien présenté par ce que c'est plus significatif, plus clair et qu'on n'en met pas des tonnes.

La vérité c'est de dire qu'il y a des messages à faire passer, et qu'il faut savoir lesquels. Il faut savoir les maitriser et les présenter sous une forme qui soit explicite pour des initiés. C'est un exercice qui est un temps fort sur lequel on passe beaucoup de temps. Moi ce que je vois par rapport aux profils qui sont passés chez nous, les collaborateurs Data Scientists ne sont pas forcément prêts à ça et ne sont pas familiers du sujet parfois ça les désarçonne un peu par ce qu'ils ne s'attendaient pas à être attendus sur ce terrain là. Et comme ce sont souvent des matheux ou très techniques, la vulgarisation de ce qu'ils font parfois ça leur laisse quelques cicatrices car c'est un exercice sur lequel ils ont été préparés. Notre rôle en tant qu'entreprise est aussi de les accompagner par rapport à ça et de proposer des programmes d'accompagnement qui leur permettent d'être plus à l'aise dans l'exercice futur de ce moment.

- Concernant l'évolution, donc après la mise en place, lorsqu'ils utilisent les outils, est

ce qu'ils ont une parole libre dans le sens où ils pourraient donner des recommandations sur ce dernier ?

- Bien sûr. Pour moi, j'attends de mes collaborateurs qu'ils soient très responsabilisés.

Quand je parle de veille, moi je fais un peu de veille mais eux ils doivent en faire à leur échelle. Dans leur fiche de mission il y a de la veille. Il faut qu'on soit « up to date » et de leur faire gagner en responsabilisation en réalité, en autonomie et en sens critique sur là où ils en sont et là où il faut qu'on évolue. Donc, dans la plateforme technologique on a fait des évolutions qui étaient utiles et nécessaires. Ils ont été moteurs dans ces évolutions et ma responsabilité est de décider s'il faut qu'on y aille ou pas et à quel rythme.

Mais j'attends beaucoup, quand je recrute aussi, que mes data scientist soient en capacité à prendre du recul par rapport à ce qu'ils font et qu'ils soient en capacité de faire des pré-

conisations, d'amener à nous interroger sur ce que l'on fait. Sinon on devient des Sphinx ou dinosaures et les dinosaures ils ont mal finis (rire). Fondamentalement, la remise en question finalement ça doit être perpétuel. Soit on l'a un petit peu cette ADN là, soit quand on ne l'a pas, il faut mettre quelques piqures de rappel pour ne pas oublier cela.

- A quelle proportion verriez-vous l'utilisation de ces outils au quotidien ou autre

- Nous ce sont des outils de production donc c'est critique. C'est à dire que nous ne

pouvons pas travailler sans. C'est à dire que si nous enlevons ça nous enlevons le métier qui va avec donc c'est très lier. On ne fait de Data Science sur bureautique ça n'existe pas donc c'est imbriqué.

- Qu'elle est la perception de l'outil selon vous à 1, puis 3 puis 5 ans ? Que ce soit en

interne et surtout ses perspectives d'évolution, et y'a-t'il des choses en place qui sont déjà présentent et qui pourrait prédire une évolution forte et auquel cas peut-être à cause d'un certain environnement qui est extrêmement changeant comme vous l'avez dit hier lors de l'AI Summit, est-ce que ces derniers vont impliquer des changements à tous les niveaux et les postes qui en sont impliqués ?

- Pour nous, notre environnement est stable et robuste et cela n'a pas de prix. C'est

important car quand on utilise un outil de production au quotidien, si c'est instable, bourré de bug, c'est invivable. Moi, dans les évolutions je suis très attentif à ça. Quand nous avons fait nos choix stratégiques, on a acheté 20 à 30 ans d'expérience (avec IBM par exemple). Finalement, on a donc acquis ce patrimoine là et on s'est acheté une forme de sécurité. Challenger cela, bien évidemment c'est possible puisque on est en veille, cependant il faut évoluer pour mieux. Ce mieux là, sur quelle dimension va t'on le trouver ?

A mon sens sur la partie amont connecteur intégration à un environnement beaucoup plus large. C'est à dire qu'aujourd'hui il y a plein de formes nouvelles de base de données dans le monde du Big Data en particulier avec des données qui viennent du cloud etc... On est face à une hétérogénéité beaucoup plus forte des sources des données. Un des enjeux pour moi est de m'assurer que les solutions que l'on a évoluent au rythme de l'environnement data qui existe dans le monde. Pour moi, il y a un vrai enjeu sur la captation de l'hétérogénéité des data.

Deuxième point sur l'évolution est plus sur la Data Prep (Data Preparation) avec l'identification d'anomalies, d'outlayers et la maitrise des données. Bien souvent dans l'expérience que l'on a on se crée une expérience de connaissance des données mais c'est toujours bien d'avoir une solution simple d'emploi dans la correction de données ou sur la découverte des données. Là, il y a une forme d'enjeu. La question de la performance aussi elle peut être assez clé.

Aujourd'hui on n'est pas soumis à des déficits de performance, ce n'est pas du tout le cas : on n'a pas des algorithmes qui tournent 4h, ça n'existe pas. Aujourd'hui on a des plate-formes suffisamment efficaces avec l'architecture technique qui va avec qui nous permettent de travailler dans un temps respectable et raisonnable. Donc la question de la performance il faut la regarder mais ce n'est pas décisif.

Une des clés c'est le déploiement, soit la capacité de mettre sous hubservice ou API l'output des travaux que l'on mène pour que ce soit consommable par nos applications. C'est un élément clé dans le monde des API qui est le nôtre.

Après, au-delà de l'aspect quantitatif qui nous rassemble par ce que c'est les données qu'on utilise, il y a sans doute des opportunités de développement sur le domaine de la sémantique. Moi, je ne suis pas satisfait de la solution que l'on a qui est trop experte, très pointu et issue des labs mais elle n'est pas user-friendly et complexe d'approche, d'appropriation. Il y a donc une vraie question sur l'analyse textuelle. C'est un vrai pan que je dissocie. Alors bien sur souvent les choses sont liées entre le qualitatif et le quantitatif mais notre choix initial était de prendre la même plateforme pour faire les deux.

En réalité, sur le plan quantitatif il n'y a pas vraiment de sujet mais la maitrise du qualitatif c'est un vrai métier. Cette solution j'en suis un peu déçu, et cela nous contraint pour le moment d'utiliser d'autres plateformes technologiques pour pouvoir le faire. Pour moi c'est moins gênant car ce n'est pas du quotidien mais quand on doit le faire la marche à franchir est beaucoup plus importante que sur le quantitatif.

Sur l'international nous n'avons pas de sujet de déploiement car tout est centralisé.

Pour l'aspect collaboratif on arrive à se passer les flux donc ce n'est pas un sujet. On n'a pas besoin aujourd'hui par ce qu'il y a peu de use case où une équipe développe un algorithme. C'est plus souvent une seule et unique personne qui va la développer puis la challenger en équipe. Il y a des applications qui le font, dans notre organisation à nous ça va à deux à l'heure.

Figure 1 : LES DOMAINES DE L'INTELLIGENCE ARTIFICIELLE, GOUVERNEMENT FRANÇAIS, 2018 22

Figure 2 : LES PERIMETRES D'ACTION ET CONSEQUENCES DE CES REVOLUTIONS, RAPPORT PARLEMENTAIRE

Figure 6 : EXEMPLE D'UNE CONVERSATION AVEC L'OUTIL CONVERSATIONNEL ELIZA,1964 - 1966 43

Figure 7 : IADVIZE, ETUDE SUR LE COMPORTEMENT DES UTILISATEURS DE CHATBOTS, 2016 44

Figure 8 : LES APPLICATIONS FRANÇAISES, RAPPORT PARLEMENTAIRE FRANCE IA, 2018 51

Figure 9 : TRAITEMENT DES DONNÉES AVEC L'EXEMPLE DE L'AGRICULTURE, INRA, 2018 51