(Sicara) AI For Business

Livre blanc
Comment faire
des entreprises françaises
des championnes de
l’Intelligence Artificielle
AI 1
Partenaires
académiques
INTRODUCTION
Livre blanc • AI for business
Il y a tout juste un an, le 28 mars 2018, le député et mathématicien Cédric

Villani présentait son rapport « Donner un sens à l’intelligence artificielle ».
Ce travail, largement médiatisé, a permis une prise de conscience, chez les
pouvoirs publics comme dans les entreprises : non seulement la France a un
rôle à jouer dans le développement de l’intelligence artificielle, mais si elle ne
le fait pas, ce sera au détriment de son économie, car d’autres pays, d’autres
acteurs en tireront profit.
S’il dressait des objectifs importants pour la recherche, pour les pouvoirs publics
et pour certains secteurs jugés stratégiques (santé, mobilité, etc.), le rapport ne
fournissait que peu de pistes pour les entreprises. Or l’intelligence artificielle
figure désormais en tête des préoccupations de leurs dirigeants, conscients que
l’arrivée de nouveaux outils va bouleverser leur activité, modifier leur organi-
sation, faire naître de nouvelles opportunités et de nouveaux concurrents.
Déjà, les expérimentations se multiplient, les partenariats se nouent, les applica-

tions concrètes arrivent sur le marché ou dans le back-office. La reconnaissance
vocale et les chatbots changent la relation client, l’analyse de documents
2 s’invite dans le juridique ou les RH, les outils d’apprentissage automatique
promettent d’optimiser la logistique, le contrôle qualité, la maintenance...
Mais si l’IA devient une réalité dans le monde professionnel, beaucoup

d’entreprises cherchent encore à comprendre ce qu’elle peut - et ne peut pas -
faire pour elles, et à en tirer le meilleur.
C’est pour les aider à explorer ce nouvel âge du numérique que « Les Échos »
a lancé, en septembre 2018, le Think Tank AI For Business. L’idée était simple :
mettre autour d’une même table, régulièrement et durablement, les multi-
ples acteurs de l’écosystème. Des entreprises, notamment des pionnières de
l’IA, pour qu’elles partagent leurs bonnes pratiques, mais aussi leurs doutes
ou leurs fausses routes. Des chercheurs, pour qu’ils expliquent concrètement
les promesses et les limites de l’intelligence artificielle. Des spécialistes du Big
Data, parce que dans la plupart des cas, les algorithmes ont besoin de données
massives. Des juristes, parce que le nouveau monde qui se profile aura parfois
besoin de nouvelles règles, qu’elles soient internes aux entreprises ou inscrites
dans la loi nationale ou européenne.
Pendant six mois, avec l’aide de nos partenaires (BCG GAMMA, Datastax,
Orange Business Services, Sicara), nous avons exploré les grandes questions que
pose l’arrivée de l’IA dans les entreprises. Le dialogue a été souvent stimulant,
parfois enflammé, toujours constructif. Il nous a en tout cas prouvé, s’il en était
besoin, que faire se rencontrer les différentes parties prenantes, et confronter leurs
points de vue, reste le meilleur moyen d’aboutir à des propositions concrètes
et applicables.
Le livre blanc que vous avez entre les mains est le fruit de ces travaux. Il reflète, pour
chacun des thèmes que nous avons abordés, les échanges entre tous les participants du
Think Tank. Il donne aussi 20 recommandations qui ont émané de ces séances de discussion.
Il s’agit en majorité de conseils et de pistes pour les entreprises elles-mêmes, mais nous
y avons adjoint également des remarques en direction des pouvoirs publics.
Nous espérons que vous aurez autant de plaisir à les lire que nous en avons eu à les
élaborer.
Benoît Georges,
Chef du service Idées & Débats des Échos,
créateur du Think Tank AI For Business
3
Notre proposition de définition
Reconnaissance de l'écriture Robotique physique

Reconnaissance d'images et vidéos Robotique logicielle
Reconnaissance faciale Robotique système complexes
Reconnaissance de la voix
Ag
ir
IA
Interface en langage naturel Analytique descriptif
Traduction machine Analytique prédictif
Analyse de sentiments Analytique prescriptif
En chiffres
Brevets et publications scientifiques en IA

Dans le monde depuis 1962
132.822
120000
Publications scientifiques
90000
60000 55.660
30000 Brevets
1960 1970 1980 1990 2000 2010 2017
50% des entreprises n’ont pas encore intégré l’IA dans leurs processus ou offres
entreprises % pour qui une

Description en 2018 (%) stratégie IA est clef
Ils ont largement intégré l’IA dans leurs

Pionniers processus et leurs offres et ont une bonne 18% 85%
compréhension des enjeux liés à l’IA
Ils intègrent l’IA dans certains processus et

Investigateurs certaines offres et semblent en comprendre 33% 69%
les enjeux
Ils ont lancé un ou plusieurs projets pilotes

Testeurs sur l’IA et semblent peu connaître et peu 16% 67%
s’intéresser aux enjeux de l’IA
Ils ont une compréhension limitée de l’IA et

Passifs ne l’ont pas pris en compte dans leur 34% 39%
stratégie (et n’ont pas l’intention de le faire)
50%
Infographie 1 : « Organisation mondiale de la propriété intellectuelle, rapport Technology Trends 2019 sur l’IA » de
l’article https://www.lesechos.fr/intelligence-artificielle/veille-technologique/0600612793461-explosion-du-nombre-de-bre-
vets-en-intelligence-artificielle-2241510.php
Infographies 2 : rapport BCG/MIT SMR «Artificial Intelligence in Business Gets Real», septembre 2018, 3 000+ exécutifs,
managers et analystes interrogés représentant 29 industries et 126 pays
Infographies 3 et 4 : Boston Consulting Group, Artificial Intelligence : Have No Fear !, 2018, https://de.slideshare.net/The-
BostonConsultingGroup/artificial-intelligence-have-no-fear?linkId=56752563
Hormis en Chine, les préoccupations se révèlent significatives, des pays en
cours d’adoption de l'IA aux pays les plus sceptiques
Q : Quels sont vos sentiments en pensant aux conséquences que l’IA pourrait avoir sur votre travail ?
(2 réponses par répondant)
Les plus confiants Les ‘‘en cours d'adoption’’ Les curieux mais sceptiques
Curiosité 62% 56% 56% 55% 71% 61% 60%
Préoccupation 18% 38% 38% 39% 46% 48% 54%
Optimisme 62% 35% 31% 29% 35% 29% 25%
Indifférence 19% 26% 28% 28% 12% 18% 14%
Confiance 31% 17% 16% 15% 18% 9% 14%
Anxiété 8% 18% 19% 21% 7% 16% 18%
Rejet 2% 10% 11% 12% 12% 20% 14%
Sentiment positif Sentiment négatif Sentiment neutre
5
n Les préoccupations sont plus marquées dans les pays curieux, mais sceptiques.
En France, des freins plus prononcés et des entreprises jugées en retard
% des employés associant l’IA à un sentiment Entreprises utilisant l’IA ou prévoyant de

négatif (inquiétude, anxiété, rejet) déployer des solutions avec de l’IA
65%
53%
52% 51% 44%
24%
n La France arrive en tête des pays inquiets avec 65% des salariés associant l’IA à un sentiment négatif
contre 51% aux Etats-Unis. Ces inquiétudes sont principalement liées aux risques sur l’emploi, la cohésion
sociale et l’éthique. Elles entraînent un retard des entreprises françaises avec seulement 44% d’entre elles
utilisant ou prévoyant de déployer des solutions IA contre 53% dans le reste du monde.
Les participants
Invité spécial
Mounir Mahjoubi, Secrétaire d’État chargé du Numérique

auprès du ministre de l’Économie et des Finances.
Experts
Bertrand Braunschweig Françoise Soulié-Fogelman
Directeur de la mission INRIA Conseiller Scientifique,
de coordination du programme HUB FRANCE IA
national de recherche en
intelligence artificielle
Julien Lévy Emmanuel Bacry

Directeur du Centre Digital, Senior Researcher, CNRS,
HEC Université Paris Dauphine
Professeur et Head of Big Data
Initiative, POLYTECHNIQUE
Bruno Deffains Mahasti Razavi

Président, Pôle Numérique du Avocate & Directrice Associée,
CLUB DES JURISTES AUGUST DEBOUZY
6
Antoine Petit Charles-Henri Besseyre
Président Directeur Général, des Horts
CNRS Professeur Emérite
en management,
HEC
Professionnels
Olivier Morbé Ayoub Mamdouh

Retail CIO, Directeur Général,
BNP PARIBAS OCP SOLUTION
Cécile Cabanis Paul Maarek

Executive Vice President, Directeur, Digital Factory,
CFO, VINCI AUTOROUTES
DANONE
David Giblas Grégory Boutté

Chief Innovation, Digital, Chief Client and Digital
Data Officer, Officer,
MALAKOFF MÉDÉRIC KERING
Axel Adida Stéphane Rideau
Digital COO, Directeur des Systèmes
L’ORÉAL d’Information de
PÔLE EMPLOI
Serge Yoccoz Thierry Picard

Directeur Général, Chief Digital Officer,
RENAULT DIGITAL PIERRE FABRE MÉDICAMENT
ET SANTÉ
Organisateurs et Partenaires
Benoît Georges Jean-Marc Vittori

Chef du service Idées & Débats, Editorialiste,
LES ÉCHOS LES ÉCHOS
Rémy Demichelis Sylvain Duranton

Journaliste, Directeur Associé Sénior,
LES ÉCHOS BCG et Directeur Monde,
BCG GAMMA 7
Jean Owona Claire de Menditte

Senior Associate, Associate,
BCG BCG
Laurent Acharian Nicolas de Bellefonds

Directeur Marketing, Directeur Associé, BCG et
BCG Directeur France,
BCG GAMMA
Béatrice Felder Axel Demazy

Directrice Applications for Principal,
Business, BCG
ORANGE BUSINESS SERVICES
Anne-Sophie Lotgering Xavier Guérin

Chief Digital & Marketing, VP EMEA South,
ORANGE BUSINESS SERVICES DATASTAX
Mick Lévy Benoît Limare

Directeur Innovation Business, Co-fondateur,
BUSINESS & DÉCISION SICARA
8
Les 20
Recommandations
I - Comment favoriser l’adoption de l’IA dans l’entreprise ?
1 - Focaliser les efforts sur deux ou trois sujets à fort impact
2 - Sanctuariser les financements (au moins dix - vingt millions d’euros par an pour un
groupe mondial afin de passer plusieurs sujets à l’échelle)
3 - Impliquer les dirigeants niveau COMEX, en priorité : Métier, SI et Analytics
4 - Utiliser l’IA comme catalyseur d’une transformation agile
5 - Mettre en place une stratégie « make or buy » pour cibler les investissements
II - Comment tirer bénéfice de la complémentarité

homme-machine ?
6 - Anticiper et clarifier les impacts attendus sur l’emploi
7 - Communiquer autour des succès de l’IA et créer un discours transparent
8 - Accentuer l’effort sur l’évolution des modes de travail
III - Gestion des talents : comment faire face à la pénurie ?

9 - Massifier les équipes pour atteindre une taille critique et augmenter l’attractivité
10 - Etablir l’ambition et la gouvernance IA avant d’initier les recrutements 9
11 - C larifier la cible par profil (au-delà des data-scientists) en intégrant des parcours
croisés avec les organismes de recherche
12 - Repenser une marque employeur dédiée : rémunération, formation, carrière,…
13 - M
ettre en valeur la complexité des défis techniques, la qualité des outils et la
richesse des données
IV - Data, éthique, protection : est-il urgent de réguler ?

14 - Intégrer l’éthique en amont et en aval de la conception des solutions d’IA,
en précisant ce qu’on veut faire et les lignes rouges
15 - Mettre en place un processus de contrôle de la conformité éthique des usages de l’IA
16 - Créer une charte pour réguler en interne, auprès des partenaires et des clients
V - Comment développer un écosystème français de l’IA ?

17 - Faciliter la mise en place des hubs de données (publiques et privées)
18 - Cibler l’investissement public sur quelques sujets de rupture
19 - Faciliter les collaborations entre grands groupes, recherche et start-up
20 - Intégrer la perspective entreprise dans les futures régulations autour de l’IA
I - Comment favoriser
l’adoption de l’IA dans
les entreprises ?
C’est un paradoxe observé dans nombre d’entreprises : les pilotes de projets

d’intelligence artificielle sont simples à lancer, et fournissent souvent des
résultats probants, mais peu réussissent à passer à l’échelle.
« On a peut-être 10% de projets pilotes IA qui passent à l’échelle », estime Mick
Lévy, directeur Innovation de Business & Décision. Un obstacle est le manque
de compréhension au plus haut niveau de l’entreprise : « On est souvent
surpris de voir que les dirigeants ne réalisent absolument pas l’opportunité
que représentent les données. » L’une des solutions pour les convaincre
est d’attaquer les pilotes qui sont sur des cœurs de métier, alors que trop de
sociétés démarrent par des projets peu impactants.
Il y a deux possibilités pour favoriser le passage à l’échelle : soit s’adresser direc-

tement au plus haut niveau hiérarchique, pour qu’il soit moteur de l’initiative
(mais cela demande un processus d’acculturation) ; soit trouver dans la DSI
(Direction des Systèmes d’Information) une personne convaincue du bien-fondé
de l’innovation et capable d’engager un travail d’évangélisation – les deux
stratégies étant compatibles.
10 Business & Décision s’est ainsi concentré sur le cœur de métier de son client, un
spécialiste français de la logistique, en proposant une amélioration qui permettait
un gain de 220 millions d’euros par an dès la première année. Une fois que la
preuve était faite dans un domaine central de l’entreprise, il a été beaucoup
plus facile de convaincre la direction.
Le processus de passage à l'échelle des cas d'usage

2-3 mois 3-6 mois 6-12 mois
Priorisation Définition Industrialisation et déploiement

Prototypage Validation
Extension progressive du périmètre
Quoi ? Où ? Intégration dans les SI : base et

Identifier les Algorithme testé Algorithme testé flux de données, codes, interface
initiatives candidates in vitro in vivo, sur un utilisateur
périmètre limité
Mode opératoire cible, formation
Données Observation des et coaching des utilisateurs
(Lesquelles ?
Chiffrage de résultats sur le
Disponibles ? Propres ?) pas de temps
l'opportunité 12-18 mois
adéquat
Construire les fondations
Prototypage & validation
Equipe projet en mode "sprint"
Gouvernance
Technologie
données
Make or buy ? Equipes Change

Quels partenaires ? management
Pour passer à l’échelle, il faut surmonter des obstacles sur les sujets analytics, SI et métier, d’où
l’intérêt d’impliquer ces dirigeants au niveau COMEX.
Le pilote initial pour passer à l’échelle doit avoir une forte valeur ajoutée pour l’entreprise
et concerner un territoire stratégique. Par exemple, L’Oréal développe des projets
de réalité augmentée permettant à la fois de faire tester les produits virtuellement
aux utilisateurs via une application smartphone et de récolter des données riches et
différenciées.
A partir du moment où le pilote initial a réussi son passage à l’échelle, cela change la
perception de l’entreprise et d’autres projets sont alors possibles.
Benoît Limare, co-fondateur de Sicara, identifie deux types de projets IA : premièrement,

celui qui vise à automatiser les tâches ; deuxièmement, celui qui a pour objectif de faire
ce que l’humain ne sait pas faire. Il a constaté qu’il était plus dur de commencer avec ce
deuxième : « Par exemple, la prédiction des ventes, c’est un peu magique, les gens ont
plus de mal à y croire. »
Dans le cadre de la première approche, son entreprise a créé un système de détection

des anomalies des poteaux le long des chemins de fer. Grâce à l’analyse des données
récoltées par un capteur Lidar (sorte de radar laser), il a permis à la société commanditaire
(Colas Rail) de gagner du temps lors des opérations de contrôle sur plus de 300 km
de voies. « Ils mettaient une demi-heure à analyser les poteaux, et la tâche ne prend
aujourd’hui plus qu’une minute », détaille Benoît Limare. Son conseil est de « montrer
vite que ça marche ». En deux semaines, avec des algorithmes relativement simples, il
a ainsi pu faire apparaître les gains possibles, avant même de passer à des outils d’IA
proprement dits.
Nicolas de Bellefonds, Directeur France de BCG GAMMA, souligne l’importance d’investir

tôt – les entreprises pionnières en 2016 ont passé encore plus de projets à l’échelle en
20181 – et d’engager les dirigeants niveau COMEX. Il prend pour exemple le PDG de
L’Oréal, Jean-Paul Agon, qui communique et porte au quotidien cette stratégie dans
11
les comités auxquels il participe, quitte à recadrer certains services quand il ne constate
pas d’avancées. Mais pour aboutir, le processus d’acculturation des PDG doit être pris au
sérieux et peut représenter une cinquantaine d’heures de formation.
Mahasti Razavi, Avocate et Directrice Associée chez August Debouzy, note de son
côté qu’un bon moyen de convaincre les PDG fut d’organiser des rencontres en cercle
restreint entre eux et les porteurs de projets. L’idée n’est alors pas d’avoir « de grands
discours », mais de suggérer chez le PDG le sentiment qu’il va pouvoir avoir une discus-
sion franche et honnête.
L’enjeu du passage à l’échelle est moins une question technique qu’une question
humaine et de stratégie d’entreprise. Les obstacles à lever se situent, pour ainsi dire, à
chaque niveau de l’échelle.
1. F ocaliser les efforts sur deux ou trois sujets

à fort impact
n Choisir un premier sujet stratégique pour initier le passage à l’échelle, qui soit cœur
de métier pour une visibilité maximale, et avec un retour sur investissement mesu-
rable et court-terme (pour financer la transformation).
n Concentrer ensuite les efforts sur les sujets à forte valeur ajoutée, qui répondent aux
besoins des métiers, et qui permettent à l’entreprise de valoriser un avantage concur-
rentiel (données uniques, légitimité consommateur, leadership sectoriel, …).
1) MIT Sloan Management School et BCG, Artificial Intelligence in Business Gets Real, 2018, https://sloanreview.mit.edu/
projects/artificial-intelligence-in-business-gets-real/
2. Sanctuariser les financements (au moins
dix - vingt millions d’euros par an pour un
groupe mondial afin de passer plusieurs
sujets à l’échelle)
n Sécuriser l’enveloppe au centre, au moins jusqu’à atteindre le point d’autofi-

nancement permettant aux business units de prendre le relai.
n Accepter de ne pas connaître la nature des dépenses au point de départ.

Elles peuvent être liées à des dispositifs de capture et gestion des données
(structurées ou non, internes ou externes, existantes ou générées,…), des
datalakes (plateforme complète de bout en bout pour que les algorithmes
puissent interagir entre eux) ou des plateformes de coding, et des pro-
grammes de gestion du changement.
Le ticket d'entrée en termes d'investissement semble se trouver autour de 10-

20M par an pour une entreprise mondiale qui passe plusieurs sujets à l'échelle
Exemple de la personnalisation
10 M /an dans les technologies

50 M /an investis dans
marketing (martech) & les 20 M /an dans les martech &
A levé 50 M$ dans les Investissements de 100 M les talents et les
talents pour la gestion des les talents
deux premières sur 3 ans dans les talents technologies ;
campagnes traditionnelles et la (+1 Md$ dans des bracelets
années pour constituer (40%) et les technologies 100m de clients ;
personnalisation des applications connectés, les Magic Bands)
12
l'équipe et développer (60%) 80% du streaming sur la
(pas de ‘‘next best action’’, offres ~30m de clients ‘‘connus’’ tous
les technologies 20m de clients ‘‘connus’’ base de
personnalisées ou capacités de les ans à DisneyWorld Investissements
recommandations
machine learning)
annuels dans la
personnalisation
Poches
Retardataires Meilleurs
d’Excellence
Moyenne de leur
< 10M/an 10–20M/an 20–40 catégorie
>40M/an
M/an
3. Impliquer les dirigeants niveau COMEX,

en priorité : Métier, SI et Analytics
n Elaborer une communication claire de la part du PDG à toutes les parties
prenantes, avec un vocable commun : direction, actionnaires, top management,
collaborateurs, sans oublier le dialogue avec les syndicats.
n Définir les rôles de chacun : le Métier a la direction des cas d’usage, les SI celle
de la constitution des plateformes, et l’Analytics celle de l’équipe en support.
n Faire intervenir au sein de cette gouvernance de façon ad hoc les directeurs

juridiques et des ressources humaines pour s’assurer d’avoir couvert tous les
obstacles.
4. Utiliser l’IA comme catalyseur d’une transfor-
mation agile
Cécile Cabanis, Executive Vice President et CFO de Danone :
« La transformation agile, on en parle depuis des années,
nos organisations en ont besoin de toute façon pour attirer
les talents ; l’IA est peut-être l’opportunité d’accélérer
cette transformation. »
n Mettre en place des équipes interdisciplinaires intégrées sur chaque projet (Analytics,
SI, facilitateurs issus du Métier).
n S’assurer d’un support fort des responsables business : les facilitateurs ou « Data
Product Managers » (lire encadré) doivent être parmi leurs hauts potentiels et
consacrer au minimum 50% de leur temps au projet.
n Déployer les modes de fonctionnement du modèle agile : accent mis sur la réponse
aux besoins clients, amélioration continue et responsabilité sur la valeur créée,
itérations rapides sur la livraison d’un MVP (Minimum Viable Product), culture « fail
fast, fail often ».
Co-concevoir avec les collaborateurs du métier
Chez Malakoff Médéric, pour faciliter la mobilisation de salariés, l’assureur avait

au préalable défini des objectifs à horizon 2020 qui prévoyaient des innovations. Il 13
fut ainsi facile de convaincre les cadres de libérer quelques collaborateurs de leurs
équipes pour ces projets ; cela permettait aux managers de stabiliser leurs objectifs.
« Ils vont ensuite chercher les gens qu’ils savent déjà susceptibles de se motiver »,
précise David Giblas, Chief Innovation, Digital et Data Officer chez Malakoff
Médéric. Pour générer de la confiance, son organisme facilite le dialogue entre
les professionnels de l’IA et ceux du métier : « On a formé des data-scientists au
pitch pour qu’ils expliquent ce qu’ils font. » Le groupement de protection sociale
a également recruté des « Data Product Managers » dont le rôle est « d’être sûr
que le data-scientist puisse communiquer avec le médecin ». Il s’agit non seulement
de mettre en place des équipes de travail interdisciplinaires, mais en plus de leur
donner les moyens de communiquer.
5. Mettre en place une stratégie « make or buy »

pour cibler les investissements
n Pour chacun des cas d’usage, définir s’il vaut mieux « fabriquer maison » ou acheter
un algorithme et les données, en fonction de l’accès à de la donnée différenciée
par rapport aux fournisseurs, et du potentiel de création de valeur par rapport aux
concurrents.
Algorithmes : Make or buy ?
Elevé Zones de danger Mines d’or
Développer ou acquérir des sources de Tirer parti des données différenciées dans des
Potentiel de création de valeur

données pour transformer les zones de domaines stratégiquement pertinents et
danger en mines d'or développer des solutions IA
par rapport aux concurrents

Produits de base Opportunités cachées
Gérer les relations vendeurs pour améliorer la Tirer parti de l'expertise technique des vendeurs
performance, par ex. dans les fonctions de pour produire des quick wins
support
Faible
Faible Accès à de la donnée différenciée Elevé
par rapport aux vendeurs d'IA
Le Big Data est-il nécessaire pour lancer un algorithme ?
Sur la question des data, si tout le monde s’accorde sur l’évidence d’avoir des
bases de données claires et disponibles (datalakes), Bertrand Braunschweig,
Directeur de la mission INRIA de coordination du programme national de
recherche en intelligence artificielle, remarque néanmoins qu’elles ne sont
pas toujours nécessaires pour démarrer un projet :
« Tout l’IA n’a pas besoin de la masse de données de l’apprentissage profond ;
quand on parle d’optimisation, ce n’est pas basé sur de grandes quantités
14 de données, des systèmes experts peuvent déjà faire le travail. »
Lorsque les data apparaissent nécessaires néanmoins, « il faut expliquer
que ce ne sont pas des noisettes que l’on garde pour l’hiver », indique Axel
Adida, Digital COO de L’Oréal. C’est-à-dire qu’il faut montrer aux équipes
à quoi elles doivent servir, quel est l’objectif.
II - Comment tirer bénéfice
de la complémentarité
homme-machine ?
Entre la première étude sur l’impact de l’intelligence artificielle sur le travail, menée par
l’université d’Oxford en 20132, et la vision que nous en avons aujourd’hui, il y a eu un
basculement.
Très médiatisée à l’époque, l’enquête annonçait que 47% des emplois étaient directement
menacés par l’automatisation. Les chercheurs ont regardé la nomenclature des métiers et
se sont demandé si leurs tâches étaient automatisables. « La méthodologie était un peu
frustre, mais elle a lancé le débat », selon Jean-Marc Vittori, éditorialiste aux « Échos ».
Depuis, beaucoup d’autres études ont suivi, revoyant systématiquement le chiffre à la
baisse. Selon l’OCDE3, qui s’est concentrée davantage sur les tâches que sur les postes,
c’est seulement 9% des emplois qui seraient menacés. Enfin, nous sommes passés d’un
focus sur la tâche à un focus sur la compétence, notamment avec l’étude du Forum
économique mondial4 qui liste les besoins en compétences à l’horizon 2022. La « pensée
analytique et l’innovation » figurent en tête de ce classement, tandis que la « dextérité
manuelle, l’endurance et la précision » seront moins recherchées.
Stéphane Rideau, Directeur des Systèmes d’Information de Pôle Emploi, appuie ce
changement d’approche : « Depuis juin, nous avons mis en place toute la mécanique
pour définir un profil de compétences, qu’elles soient techniques ou qu’elles relèvent
du savoir-être. » Ce qui permet d’inverser le processus de recherche d’emploi : « L’entreprise
recherche des compétences, et l’individu cherche à les faire valoir. » 15
3 logiques pour classer l’impact de l’IA sur les emplois
Augmentables Pas d’impact Substituables
Emplois susceptibles Emplois à faible VA rendus Emplois recentrés sur leur Emplois renforcés Emplois peu impactés
d’automatisation moins pénibles valeur ajoutée
(les tâches restantes sont à (les tâches restantes sont à
faible valeur ajoutée) forte valeur ajoutée)
Accompagnement vers de Risque d'ubérisation, de Compétences distinctives Collaborateurs plus Apports IA Ponctuels
nouveaux emplois déqualification valorisables performants, etc.
Ex. opérateur Ex. Ouvrier Ex. Contrôleur Ex. Conseiller Ex. artisan
back-office industrie de process financier clientèle, analyste
Logique Logique Logique

Impact limité
substitutive rationalisante Capacitance
Auparavant, l’individu cherchait à répondre à une liste de prérequis. Aujourd’hui,

Pôle Emploi met en place des outils d’analyse du langage naturel pour détecter les
compétences des demandeurs d’emploi qu’ils n’auraient pas pensé à mettre en avant.
L’établissement public travaille aussi avec le laboratoire d’informatique de Sorbonne
Université pour améliorer ses prévisions grâce à la simulation. L’objectif étant « de
passer du curatif au préventif ». L’IA ne doit pas être vue que comme un problème pour
l’emploi, mais peut « devenir un élément de solution ».
2) Carl Benedikt Frey et Michael A. Osborn, The Future of Employment: How Susceptible are Jobs to Computerization?, Oxford, 2013
3) Melanie Arntz, Terry Gregory, Ulrich Zierahn, The Risk of Automation for Jobs in OECD Countries, 2015
4) Forum économique mondial, The Future of Jobs Report, 2018
Ce que souligne David Giblas, Chief Innovation, Digital et Data Officer chez
Malakoff Médéric, qui parle d’« hybridation » des métiers grâce à l’IA. Dans
son organisme, les médecins sont dorénavant assistés d’un outil de détection
des fraudes qui leur a fait gagner du temps. « On n’aurait jamais pu anticiper
ce que le métier de médecin conseil allait devenir. » Signe que l’IA trans-
forme les emplois sans nécessairement les remplacer. Olivier Morbé, Retail CIO
chez BNP Paribas, estime, lui aussi, que l’IA représente plus un atout qu’une
menace : la France a perdu 150.000 emplois dans l’industrie depuis 20125,
« ce n’est pas lié à l’IA, mais à la compétitivité. La technologie permet de

renforcer l’industrie française, de la rendre plus compétitive. »
Une opportunité qui ne pourra être saisie qu’en impliquant les ressources
humaines. Pour Charles-Henri Besseyre des Horts, Professeur Emérite en mana-
gement à HEC, c’est même une condition pour éviter le « taylorisme digital »,
c’est-à-dire « la distinction entre les phases de conception et de production ».
L’expertise métier étant au fondement de l’amélioration des outils, il faut que
les collaborateurs soient associés dès la conception. L’agilité se présente comme
une méthode de management propice à tirer profit de la complémentarité
homme-machine. Les collaborateurs se réapproprient leur outil en travaillant
à le modifier, alors que c’était auparavant défendu. Les compétences requises
seront donc non seulement la connaissance de l’outil, mais aussi la capacité à le
critiquer pour le perfectionner.
16 6. Anticiper et clarifier les impacts

attendus sur l’emploi
n
Approche top-down : cartographier les processus clefs de l’entreprise
en fonction de l’impact potentiel de l’IA et l’importance de la valeur
ajoutée humaine (par exemple pour le client), afin d’identifier les nombres
d’employés par type de logique : augmentante, rationalisante, substituante,
ou non impactés (voir infographie précédente).
n Approche bottom-up : mettre en place des plans d’expérimentation de cas

d’usage pour mieux comprendre les impacts de l’IA (notamment pour les
métiers augmentables).
n De façon itérative, en déduire les impacts RH (en nombre et en compétences)

et les intégrer à la gestion des carrières (gestion prévisionnelle de l’emploi et
des compétences de l’IA).
Automatiser, ou ne pas automatiser ?
Il est nécessaire de comprendre l’impact en prenant en compte la valeur

de l’IA et dans quelles mesures le client et ses collaborateurs l’accepteront.
Chez BNP, il y a un retour positif du client quand un chatbot s’occupe d’un
appel pour bloquer une carte, mais pas pour des conseils de prêt : « Parfois,
on n’automatise pas parce que le client trouve ça moins chaleureux. Il y a
une valeur à ne pas le faire », témoigne Olivier Morbé, Retail CIO de BNP
Paribas. L’empathie reste alors clef.
5) Fiches - Emploi – Emploi, chômage, revenus du travail – Insee Références - Édition 2018
7. Communiquer autour des succès de l’IA
et créer un discours transparent
n Créer les conditions d’un dialogue entre les métiers, les ressources humaines et les
experts de l’IA - en introduisant un nouveau métier d’orchestrateur (au moins durant la
phase de transition) et en horizontalisant l’organisation pour ne laisser qu’un cerveau
en central délégant les décisions à des bras d’exécution, et contrôlant les résultats plutôt
que les moyens.
n Mettre en place un dispositif de communication interne pour célébrer les réussites

concrètes de l’IA, en s’appuyant sur ses ambassadeurs.
Modéliser l’intuition du vendeur
Axel Demazy, Principal au BCG donne en exemple une marque de mode qui s’appuyait
essentiellement sur l’intuition des merchandisers pour prévoir ses ventes et sur un
outil avec un niveau de fiabilité mesuré ex-post à 55%. Le BCG a d’abord mis en
place une nouvelle solution d’IA permettant une fiabilité de 65%. Mais lorsque la
machine se trompait, les merchandisers répondaient : « Je savais que ce sac allait
être un best-seller », raconte Axel Demazy. Le cabinet de conseil a ensuite conçu un
outil similaire à Tinder, avec lequel les merchandisers pouvaient classer les produits de
la prochaine collection selon leur potentiel de vente. L’objectif était de capturer
l’intuition humaine.
Ce procédé a permis de la modéliser pour l’intégrer dans l’algorithme, et ainsi
d’augmenter la précision des ventes de 10 points – mais surtout d’embarquer toute la 17
communauté de merchandisers dans le changement.
8. Accentuer l’effort sur l’évolution

des modes de travail
David Giblas, Chief Innovation, Digital et Data Officer, Malakoff

Médéric : « Dès qu’un nouveau système d’IA est mis en place, le
métier n’est plus le même. »
n Identifier et investir sur les compétences clefs que la machine ne pourra pas remplacer
à moyen terme, et accompagner la transition des métiers : l’IA n’est pas un simple outil
informatique, c’est un « assistant » qui aide l’humain à exercer son métier – et le collabo-
rateur est partie prenante pour faire évoluer l’IA (l’IA comme Intelligence Augmentée
et non Artificielle).
n Financer des requalifications et des montées en compétence en interne (pour les métiers
autour de la data), avec des plans de rétention renforcés.
Françoise Soulié-Fogelman, Conseiller Scientifique, Hub
France IA : « Un des enjeux de la requalification, c’est
la mise en place de formations pour les administrateurs
de bases de données. »
n Former des chefs de projet aux fondamentaux de l’IA pour les légitimer
(dépasser le niveau « passe-plat »), et les transformer en traducteurs entre

les équipes de data science et les équipes métiers.
n Plus largement, former l’ensemble des collaborateurs aux bases de la data

science pour qu’ils comprennent comment interagir.
Les compétences de demain
Le Forum économique mondial6 place dans les compétences qui vont

émerger « l’esprit d’initiative », tandis que « la dextérité manuelle »
est amenée à être moins recherchée. Il faudra aussi des compétences
pour participer à la formalisation des algorithmes. Par exemple « savoir
formaliser du non-dit est très important », explique Jean-Marc Vittori,
éditorialiste aux « Échos ». C’est un élément essentiel pour la mise en place
des systèmes d’IA. Sans l’explicitation des règles, impossible de les forma-
liser dans le programme informatique. Des compétences qui paraissent
aujourd’hui réservées aux data-scientists, mais qui vont se diffuser, tout
18 comme l’utilisation d’Excel s’est propagée chez tous les professionnels.
« Dans les années 1990, il y avait une seule personne qui utilisait Excel par
entreprise, constate Ayoub Mamdouh, Directeur Général d’OCP Solution.
Aujourd’hui même les littéraires savent s’en servir. Ils ne connaissent pas
tous les détails, mais ils sont beaucoup plus à l’aise avec l’outil. » L’enjeu
est aussi celui de la mise à niveau des administrateurs de base de données
afin qu’ils puissent accéder au niveau de compétence recherché, et il suffit
parfois d’une formation de trois mois.
Les besoins en compétence a l’horizon 2022

selon le Forum économique mondial
Celles qui vont être recherchées Celles qui sont menacées

(les trois premières): (les trois premières):
-1- -1-
Pensée analytique et innovation Dextérité manuelle, endurance et précision
-2- -2-
Capacité à apprendre Mémoire, capacités verbales
auditives et motrices
-3- -3-
Créativité, originalité et esprit d’initiative Gestion des ressources financières
et matérielles
6) Forum économique mondial, Future of Jobs Report, 2018

III - Gestion des talents :
comment faire face à
la pénurie ?
« Data-scientist est le job le plus sexy du XXIe siècle », avait titré en octobre 2012 la
« Harvard Business Review ».
Toutefois, data-scientist peut vouloir tout et rien dire. « C’est l’arbre qui cache la
forêt », selon Nicolas de Bellefonds, Directeur France de BCG GAMMA. Il faut compter
aussi les ingénieurs données, qui vont industrialiser les modèles, les chercheurs en IA,
qui peuvent élaborer des algorithmes totalement novateurs, mais aussi les architectes
données, analystes métiers, développeurs, etc.
L’enjeu pour l’entreprise, avant de cibler les profils qu’elle recherche, est de définir
l’ambition qu’elle se donne pour le développement de l’IA et les questions auxquelles
elle souhaite répondre. S’il n’est pas possible de dire au candidat quels défis l’attendent,
ni de lui donner des exercices à la fois pratiques et techniques lors du processus de
recrutement, ni de lui indiquer les données auxquelles il aura accès, alors il risque
d’estimer que l’entreprise ne sait pas où elle veut aller.
Lorsqu’ils choisissent leur futur employeur, les data-scientists sont particulièrement

sensibles à trois éléments qui font la différence :
1) L ’ambition que l’entreprise accorde à l’IA, qui doit être discutée en COMEX et partagée
dans toute l’entreprise.
19
2) L a rémunération : il ne faut pas que le candidat ait le sentiment qu’il sera le perdant
par rapport à ses camarades de promotion qui iront travailler pour les GAFAM.
3) L a visibilité : il ne faut pas donner l’impression que l’IA sera un sujet de moindre
importance pour l’entreprise, que les data-scientists seront rattachés à un service que
l’on appelle une fois de temps en temps. Il faut mettre l’IA sur le devant de la scène.
C’est même un atout sur lequel les entreprises peuvent jouer, car un data-scientist
chez un GAFAM peut se sentir « perdu dans la masse ».
Le développement de l’IA génère une demande forte de certains profils
… Avec des compétences précises

Une explosion de la demande de profils IA … recherchées … … Qui restent encore rares sur le marché
Evolution du nombre d'offres d'emplois liées à Facteur multiplicateur du nombre d'offres dans le
l'IA (Etude AI Index 2017 basée sur Indeed.com) monde entre 2015 et 2017 selon les compétences
Facteur
multiplicateur Nombre de ‘‘chercheurs
300k
x15 sur 2013-2018 et praticiens de l’IA ’’
dans le monde d'après
Canada x12 une étude du Tencent
Research Institute en
x10 2017
UK x9 x35
Postes de data scientists
150k
x5 non occupés rien qu'aux
US x5
US dû à la pénurie de
profils (étude "Worforce
x1 x8 report" de LinkedIn, août
x5 x5
x3 2018)
2013 2014 2015 2016 2017 2018
Deep Computer Machine Speech NLP
learning vision learning recognition
En France, la demande de profils IA a
doublé en 1 an avec 2398 offres d'emploi Une rareté qui s'explique par une offre de
liées à l'IA en 2017 contre 1127 en 2016 formation limitée et exigeante
(Etude de l'Apec)
D’autres critères peuvent entrer en jeu : par exemple la capacité des entreprises
à tirer vers le haut les professionnels de l’IA, par la collaboration avec une star
de la discipline ou l’accès à des outils de pointe.
Serge Yoccoz, Directeur Général de Renault Digital, note que « les grands
groupes peuvent proposer une diversité de cas d’usage ». Une diversité qu’il
faut mettre en avant car elle peut stimuler les talents. Françoise Soulié-Fogelman,
Conseiller Scientifique, Hub France IA, ajoute qu’il ne faut pas « vendre du rêve »,
l’essentiel du travail en entreprise étant effectué sur la préparation et le

nettoyage des bases de données. Il ne s’agit pas d’un travail purement
mathématique. S’il ne faut pas résumer le sujet des talents en intelligence
artificielle à la question de la rémunération, elle représente cependant d’un
aspect non négligeable. Bertrand Braunschweig, Directeur de la mission INRIA
de coordination du programme national de recherche en intelligence artificielle,
remarque qu’un chercheur dans le public peut espérer en début de carrière
1,5 Smic, et qu’un directeur de recherche peut théoriquement recevoir jusqu’à
7.000 euros par mois, mais que ce niveau est rarement atteint. « Un de mes
anciens chargés de recherche a multiplié par cinq son salaire en passant chez
un GAFAM », témoigne-t-il.
Pour retenir les talents dans l’entreprise, il est essentiel de les intégrer pleinement,
de leur confier des responsabilités et de leur proposer des projets qui les
stimulent. Mais il faut aussi leur laisser une certaine liberté dans leurs
expérimentations. Pourquoi ne pas aller jusqu’à leur dégager du temps pour
qu’ils travaillent sur des sujets de leur choix. Charles-Henri Besseyre des Horts,
Professeur Emérite en management à HEC, rappelle que la notion de « guerre des
talents » n’est ni nouvelle (elle est apparue dans la littérature du management dans
les années 1990), ni limitée à l’intelligence artificielle. La bonne nouvelle est que
20 les solutions sont connues : « Les entreprises doivent se montrer compétitives sur
la rémunération tout en gardant à l’esprit que ce n’est pas le premier facteur.
Il faut jouer aussi sur l’image de l’entreprise, et au-delà sur l’expérience proposée :
de l’autonomie, de la liberté, des possibilités d’évolution et du sens. »
9. Massifier les équipes pour atteindre une

taille critique et augmenter l’attractivité
Bertrand Braunschweig, Directeur de la mission
INRIA de coordination du programme national de
recherche en intelligence artificielle : « Il faut un
champion de l’IA dans l’entreprise, quelqu’un de très
compétent techniquement. Et pour cela, il faut
y mettre les moyens. »
n
Recenser les effectifs dispersés dans les pays et les business units et les
consolider dans une équipe avec gestion centralisée : plateau de travail à
disposition, plateformes de partage des données, rituels de partage des
bonnes pratiques.
n Se doter de dirigeants de haut niveau pour animer cette communauté, à

la fois sur le fond pour attirer les talents (par exemple, une star de l’IA qui
publie dans des revues scientifiques), et à la fois sur la partie business pour
jouer le rôle de pivot avec le reste de l’organisation.
Un seul domaine, plusieurs profils
Pour développer des solutions d’IA, il faut rassembler différents profils : les profils
métiers (comme le product owner ou l’analyste métier) qui vont détecter et suivre
le développement et l’adaptation des cas d’usage aux processus business ; les profils
de développement de modèle (comme les data-scientists et les ingénieurs IA) qui
vont prototyper et déployer les modèles ; les profils de développement de la couche
applicative (comme les développeurs et les UI/UX designers) qui vont adapter les
systèmes support et les interfaces des modèles ; et les profils infrastructure (comme
les architectes données et les architectes IT) qui vont assurer la stabilité, la robustesse
et la praticité de l’infrastructure.
Pour mettre en place des solutions d'IA, plusieurs profils sont nécessaires
NON EXHAUSTIF
Métier
Product owner Participation ad-hoc de profils
(opérationnel du métier) experts selon les cas d'usage
Analyste métier Blockchain
Cybersécurité
Robotique
‘‘Double casquette’’ IA et
secteur applicatif
(e.g., santé)
Infrastructure Développement modèle

Architecte données Chercheur en IA
Ingénieur données Data scientist
Architecte IT Gestion de projet Ingénieur IA/Ingénieur de
déploiement
Développement couche applicative

Développeur 21
UI/UX designer
10. Etablir l’ambition et la gouvernance IA avant

d’initier les recrutements
n Ne pas hésiter à commencer par des profils en externe pour bâtir l’ambition IA.
n Mettre en place la gouvernance (à qui vont reporter les équipes IA ?).
11. Clarifier la cible par profil (au-delà des

data-scientists) en intégrant des parcours
croisés avec les organismes de recherche
Nicolas de Bellefonds, Directeur France de BCG GAMMA :
« Demander un data-scientist, c’est comme demander
quelqu’un qui sait jouer au ballon ; est-ce pour du football
ou du basket ? »
n Construire des équipes équilibrées : le data-scientist est la face émergée de
l’iceberg, il faut en plus de la modélisation des compétences d’industrialisation
(développeurs, ingénieurs de déploiement, ingénieurs données, architectes
IT et UI/UX designers entre autres).
n
Intégrer des profils externes en freelance, notamment des ingénieurs
données avec de l’expérience dans la mise en production.
Emmanuel Bacry, Serior Researcher au CNRS :

« Ce n’est pas parce qu’on fait avancer le business
qu’on ne fait pas avancer la science ! »
n Favoriser l’hybridation avec le monde académique : rapprochement avec

la recherche par des parcours croisés, opportunités de publier au sein de
l’entreprise et au dehors, financement de projets de recherche et
d’alternances, partenariats avec des laboratoires de recherche appliquée.
Partager du temps avec la recherche
Il est nécessaire de créer des ponts entre les entreprises et le monde de la

recherche. Ayoub Mamdouh, Directeur Général d’OCP solution, explique
que le groupe marocain travaille déjà avec des chercheurs du MIT ou de
22 Columbia. Serge Yoccoz, Directeur Général de Renault Digital indique
par exemple que ses data-scientists travaillent 70% de leur temps sur des
projets du groupe et 30% sur des questions de recherche. Les exemples de
Yann Le Cun (New York University) ou Joëlle Pineau (McGill) qui partagent
leur temps entre l’université et Facebook sont également emblématiques.
Rôles, responsabilités et compétences dans une équipe pluridisciplinaire de

développement de solutions d'IA
Rôle Responsabilités Exemples de compétences

Chercheur en IA Création et consolidation de connaissances, opinion critique PhD en Machine Learning, Deep learning
Dvt Data scientist Prototypage des modèles sur les cas d'usage Machine learning, Deep learning
modèle
Ingénieur IA / déploiement Industrialisation des prototypes et déploiement des cas d'usage Programmation, machine learning, BDD
Développeur Création et modification des logiciels applicatifs Programmation, développement logiciel

Dvt app
UI / UX designer Création et modification des interfaces internes et externes Programmation, développement logiciel
Architecte données Définition de la structure et des interactions données Base de données, serveurs, IA basique
Infra Ingénieur données Construction des pipelines de données, remplissage des datalakes Base de données, SQL, programmation
Architecte IT Définition et modification de l'infrastructure IT Programmation, serveurs, infrastructure IT
Product owner Responsable des processus, génération de cas d'usage Expertise des processus métiers, IA basique
Métier
Analyste métier Analyse des performances Expertise métier, analyse classique
Gestion
Chef de projet Gestion de projet, priorisation Gestion de projet, IA basique
de projet
12. Repenser une marque employeur dédiée :
rémunération, formation, carrière…
n Aligner les niveaux de rémunération à la hauteur des alternatives locales.
n Clarifier les parcours de carrière dès l’embauche, au sein de l’équipe de data science
d’abord, au-delà ensuite (métiers, SI par exemple) ; prouver par l’exemple dès que
possible.
n Adapter les processus de management : taux d’encadrement resserrés, écoute active
et continue pour capter les signaux faibles, mise en valeur (par exemple avec des
passages en COMEX), plages de temps laissées aux équipes IA pour mener des projets
de leur choix ou en « open innovation ».
n
Mettre l’accent sur la formation continue (avec des pointures mondiales ou des
organismes externes).
Xavier Guérin, VP EMEA South de Datastax : « Nous avons

accompagné une start-up qui a déménagé à Bordeaux pour
attirer des talents en offrant un cadre de vie agréable, et
l’opération a été une réussite. »
n Se différencier avec le cadre de travail (locaux prisés dans Paris intramuros, centres de
recherche dans des villes de province dynamiques, etc.).
23
L'ambition IA claire, la rémunération et l'impact semblent être les plus
importants critères pour les data scientists
Principaux critères d'attraction et de rétention d'après un sondage BCG Gamma
L'entreprise a une ambition IA claire et un besoin défini de data scientists
L'entreprise propose un système de rémunération attractif (incluant les participations) par

Ce qui fait la différence rapport aux alternatives sur le marché
L'entreprise donne suffisamment de visibilité au sein de l'organisation pour avoir de l'impact
L'entreprise met à disposition des outils de pointe régulièrement mis à jour et renouvelés
L'entreprise propose un parcours de carrière clair et réaliste

Les sujets sur lesquels travaille l'entreprise donnent régulièrement lieu à des challenges
techniques
Les fondations
L'entreprise propose une formation continue
L'entreprise propose des sujets de travail variés
L'environnement de travail permet d'être autonome et flexible
13. Mettre en valeur la complexité des défis

techniques, la qualité des outils et la richesse
des données
n Assurer l’accès à l’ensemble des données disponibles dans l’entreprise.
n Investir dans des outils informatiques de pointe, en particulier : hardware,
software, plateformes collaboratives ; assurer la mise à jour continue et le
renouvellement régulier pour capter les nouveautés.
Proposer des outils de travail de pointe
Savoir quelles seront les données disponibles et quels seront les outils uti-
lisés sont les premières questions des candidats lors des entretiens. Si l’en-
treprise n’est pas en mesure d’offrir un accès large et facilité aux données,
ni de proposer des outils de pointe, elle risque d’échouer à attirer les ta-
lents.
Nicolas de Bellefonds, directeur France de BCG

GAMMA : « Certains data-scientists refusent le poste
quand ils n’ont pas eu d’exercices lors du processus de
recrutement. Ils se disent qu’il n’y aura pas de défi. »
n S’assurer de la présence de défis techniques de haut niveau dans les sujets

donnés aux data-scientists.
n Faire transparaître ces défis dans les opérations de recrutement : à la fois
« opération séduction » et évaluation technique concrète avec potentiellement
« du travail à la maison ».
24 n Capter de nouveaux talents et motiver les talents internes lors de hackatons,

meetups ou autres manifestations externes à l’entreprise.
IV - Data, éthique,
protection : est-il urgent
de réguler ?
A la question : « Quels sont vos sentiments en pensant aux conséquences que
l’intelligence artificielle pourrait avoir sur votre travail ? », 40 % des actifs répondent
qu’ils sont « préoccupés », selon un sondage du BCG7 (voir En chiffres p. 4 - 5).
Un sentiment négatif, qui arrive certes après la « curiosité » (60%), mais qui doit alerter
les responsables politiques sur les inquiétudes de la population envers cette technologie.
Et la session du 17 janvier a permis d’en discuter avec l’un d’entre eux : Mounir Mahjoubi,
Secrétaire d’État au Numérique auprès du ministre de l’Économie.
Ces préoccupations créent des freins partout dans le monde et elles se retrouvent
dans les populations de différents pays, même la Chine a lancé un projet sur l’éthique
pour y répondre. L’entreprise chinoise Baidu a d’ailleurs rejoint récemment l’initiative
internationale Partnership on AI qui réunit des grands acteurs de la tech comme Google
et Facebook, mais aussi Amnesty international, dans le but proposer des règles. Celles-ci
devraient être rendues publiques en 2019 ou 2020.
En décembre, une nouvelle initiative a été lancée par la France et le Canada8 : le Groupe
international d’experts sur l’intelligence artificielle (G2IA), inspiré du groupement
d’experts intergouvernemental sur le climat (GIEC). Sa structure doit être définie dans le
courant de l’année, et cinq autres pays seraient susceptibles de le rejoindre. « Le G2IA, 25
ça n’est pas l’idée qu’il faut absolument réguler, mais qu’il faut être plus intelligents
ensemble », déclare Mounir Mahjoubi.
L’objectif étant de proposer une troisième voie entre le modèle californien et la Chine.
« D’un côté, il y a l’idée en Californie que plus de profits permettent plus d’attractivité,
et donc plus de profits ; et de l’autre, en Chine, que l’utilité de la technologie est de
permettre davantage de contrôle. »
Les réflexions sur la régulation éthique s'accélèrent dans l'ensemble de

l'écosystème IA
3 forces en présence Multiplication des pistes de réflexion, mais peu d'action concrète à date - Illustrations
Début 2015 Lettres ouvertes de Stephen Hawking, d'Elon Musk et de chercheurs alertant sur les dangers de l'IA
et demandant l'interdiction des "robots tueurs"
Sept. 2016 Création du Partnership on Artificial Intelligence to Benefit People and Society rassemblant
Google, Amazon, Facebook, IBM, Microsoft, des universitaires et des spécialistes de l'éthique
Les entreprises Oct. 2017 Création du comité DeepMind Ethics & Society par Google rassemblant salariés et universitaires
pour encadrer le développement de l'IA
Fév. 2018 Publication du rapport "Research Ethics in Machine Learning" par le CERNA (CNRS, INRIA, écoles
d'ingénieurs françaises, etc.)
Les experts, Avril 2018 Esquisse de définition de "système d'armes létales autonome" (Sala) ou "robot tueur" par l'ONU, en
universitaires et vue d'un éventuel moratoire ou accord de non-prolifération
ONG Juin 2018 Abandon par Google du projet militaire "Maven" et adoption de principes éthiques engageant à ne
pas utiliser l'IA pour des armes et des technologies causant un "préjudice global"
Dec. 2018 Déclaration de Montréal
Initiative de l’Université de Montréal qui propose 10 principes éthiques
Les régulations Déc. 2018 Annonce par le Canada et la France de la création d'un groupe international d'experts pour
l'intelligence artificielle (G2IA) chargé d'étudier les impacts de l'IA sur la société et l'économie, et
locales et réunissant scientifiques, entreprises, gouvernements et associations
internationales
Déc. 2018 Publication du rapport « AI Ethics Guidelines for Trustworthy AI » rédigé par 52 experts désignés
par la Commission Européenne et associant l'éthique et la confiance des citoyens
Sources : Articles Les Echos "Intelligence artificielle : les géants du Net s'engagent pour l'éthique 29/09/2016, "Intelligence artificielle : Google lance son comité d'éthique" 06/10/2017,
"L'onu face au casse-tête des robots tueurs" 24/04/2018, "Google renonce à son programme militaire Maven" 04/06/2018, "Le Canada et la France donnent le coup d'envoi d'un "GIEC" de
l'intelligence artificielle" 07/12/2018, "L'Europe veut renforcer la confiance dans l'IA" 18/12/2018
7) Boston Consulting Group, Artificial Intelligence : Have No Fear !, 2018

8) Benoît Georges, « Le Canada et la France donnent le coup d’envoi d’un « GIEC » de l’intelligence artificielle », Les Échos, 7 décembre 2018
L’une des tâches qu’aura le G2IA sera de « creuser la question des standards ».
Mais le secrétaire d’État de souligner que ce n’est pas le seul groupe de
réflexion transnational, et de citer celui des 52 experts européens qui a rendu
sa première copie9 pour une éthique de l’IA, en décembre.
La chercheuse en informatique Françoise Soulié-Fogelman, qui en est membre,
note que l’un des points importants apparus dans les débats est que « même si
l’on veut des produits éthiques, il faut faire des produits quand même ».
La réflexion continue donc dans les sphères du pouvoir, mais reste la question
du bon niveau de régulation : national, européen ou international ?
« Il y a un bon niveau, c’est le niveau européen » répond sans ambages

Mounir Mahjoubi. Et il n’a aucune crainte sur l’intérêt que les GAFAM pour-
ront porter au marché de l’Union, malgré la règlementation : « Nous sommes
pour eux le plus beau marché du monde, on est le seul continent à avoir une
stratégie pour mettre la fibre dans tout le territoire. »
La régulation des grandes plateformes passera aussi par celle des contenus mis
en avant, selon Mounir Mahjoubi. Et c’est une question inhérente aux systèmes
d’optimisation, qu’ils soient implémentés sur les réseaux sociaux ou ailleurs,
comme le souligne Benoît Limare, co-fondateur de Sicara. Des aléas algo-
rithmiques apparaissent bon gré mal gré, par exemple lorsque des boules de
pétanque sont recommandées sur un site d’achat après que l’internaute a
effectué une recherche pour des « gilets jaunes ».
26 Des biais et discriminations créés par l’algorithme car construit à partir d’un
échantillon biaisé
Applications Problèmes constatés Echantillon initial biaisé
Systèmes d'IBM, Microsoft et Face ++ plus précis sur hommes que sur
femmes, et sur peaux claires que sur peaux foncées Images d'entraînement
principalement masculines à peaux
Logiciel Rekognition d'Amazon, à destination de la police pour identifier des claires
Reconnaissance
suspects, testé sur les membres du congrès américain : 5% d'erreurs en
faciale moyenne contre 39% pour les élus noirs
Logiciel de recrutement d'Amazon écartant les profils féminins en repérant Ensemble des CV reçus depuis 10 ans
des références féminines majoritairement masculins
Logiciels de
recrutement
Dans les années 70, discrimination par le système automatique de
recrutement du St George's Hospital de Londres des personnes issues de Personnel de l'hôpital
l'immigration historiquement discriminé
« C’est bien cela la question prioritaire : comment ne pas entretenir des externalités
négatives », répond Mounir Mahjoubi. La difficulté réside dans l’anticipation de
ce genre de phénomène.
Le secrétaire d’État plaide pour une optimisation explicable et mesurée :

« Finalement, le monde n’était pas si mal que ça quand il n’était pas optimal. »
Outre le développement d’externalités négatives, cette optimisation poussée à
son maximum peut avoir des conséquences sur les principes mêmes qui régissent
les modèles des entreprises. L’assurance, par exemple, a besoin d’une certaine
« myopie ».
9) Commission européenne, High-level expert group on AI, Draft Ethics guidelines for trustworthy AI, 2018
Sinon, un système extrêmement efficace pourrait en venir à tarifier précisément le risque,
rompant ainsi avec le principe de socialisation. « Ce n’est plus de l’assurance, c’est de
l’épargne », note le Chef du service Idées & Débats des « Échos », Benoît Georges.
Mounir Mahjoubi, secrétaire d’État au Numérique : « Une IA

trop avancée aura quoiqu’il arrive une externalité négative. »
Il faut donc des principes éthiques, mais selon Bruno Deffains, Président du Pôle Numé-
rique au Club des juristes, « ils ne suffiront pas à créer la confiance ».
« Pourquoi ne pas faire un reporting sur le numérique ? » suggère-t-il. Il imagine aussi un

commissaire aux données et aux algorithmes, de la même manière qu’il existe un commissaire
aux comptes.
Dans un premier temps, il plaide néanmoins pour une « soft law », établir une réglementation
au niveau de l’entreprise, avec des certifications par exemple, avant d’éventuellement
envisager une réglementation générale à terme.
14. Intégrer l’éthique en amont et en aval de la 27

conception des solutions d’IA en précisant ce que
l’on veut faire et les lignes rouges
n En amont, durant la phase de design du modèle :
• Identifier les externalités négatives avant la conception de la solution et coder ces
limites d’usage comme garde-fou.
• Définir les principes de la stratégie IA et ceux à ne pas transgresser, pour prévenir

les biais non-désirés, se prémunir des risques d’erreurs, se protéger des cyber-at-
taques, et garantir l’acceptabilité sociale des applications.
• Favoriser la diversité dans les équipes de conception afin de limiter la retranscription

des biais des développeurs.
• Anticiper les futurs audits des solutions dès leur conception (résultats intermédiaires,
construction par blocs pour faciliter la rétro-ingénierie, standardisation des langages
de code).
n En aval, durant les phases de déploiement, de vie et d’évolution du modèle :

• Piloter de manière continue les résultats des solutions (par exemple par
échantillonnage) pour identifier des externalités négatives imprévues.
• Systématiser les tests itératifs des solutions vis-à-vis des principes éthiques de
l’entreprise.
S’autoréguler ou être dépassé
David Giblas, Chief Innovation, Digital et Data Officer de Malakoff Médéric,

s’interdit d’utiliser des « boîtes noires » ou toute forme de système non
explicable (incluant l’apprentissage profond) sur les cas d’usage les plus
sensibles (par exemple la détection de fraude dans les arrêts maladie).
Malakoff Médéric a défini des principes pour ses solutions d’IA en
établissant clairement des règles à ne pas transgresser. « On ne fera pas

de tarification individuelle même si on en est capable », détaille David
Giblas. Starbucks de son côté code une limite maximale de calories par
semaine dans son algorithme de recommandation. Staples, enfin, a empê-
ché son algorithme d’optimisation des tarifs d’augmenter les prix en zone
défavorisée après avoir été dénoncé pour une telle pratique10.
15. Mettre en place un processus de

contrôle de la conformité éthique des
usages de l’IA
n Nommer un responsable Chief Ethics Officer (qui peut être le Data Protection
Officer) qui a une vue d’ensemble sur les efforts en data science.
28 n Investir sur des plateformes de centralisation des données qui permettent de

classifier leur sensibilité et d’assurer une complète traçabilité de leurs usages.
16. Créer une charte pour réguler en interne,

auprès des partenaires et des clients
Mahasti Razavi, Avocate et Directrice Associée chez
August Debouzy : « Aujourd’hui, une partie des
négociations entre partenaires porte sur l’application
de la charte éthique qui est devenue normative. Elle
peut être intégrée dans des contrats, pour pousser
les sous-traitants et partenaires à respecter un cadre
commun […]. Dans ce cas, le non-respect d’une telle
règle contractuelle pourrait entrainer des mécanismes
de sanction allant jusqu’à la résiliation. »
n Formaliser des principes éthiques fondamentaux à travers une charte et les

ancrer dans la culture de l’entreprise.
n Exiger des partenaires le respect de ces principes éthiques, la possibilité

d’auditer leurs processus, et envisager des sanctions en cas de non-respect.
n Cette soft law pourrait à terme servir de base pour une future formalisation
juridique.
10) Jennifer Valentino-DeVries, Jeremy Singer-Vine et Ashkan Soltani, « Websites Vary Prices, Deals Based on Users’ Infor-
mation », The Wall Street Journal, 24 décembre 2012
La Déclaration de Montréal
La « Déclaration de Montréal pour un développement responsable de l’IA » est une

initiative de l’Université de Montréal soutenue par son célèbre chercheur Yoshua
Bengio. Présenté en décembre 2018, en marge de la conférence de référence,
NeurIPS, ce document d’une vingtaine de pages synthétise une année de débats
publics et propose dix grands principes éthiques.
Certaines entreprises mettent en place des chartes pour cadrer l’IA, par exemple
en s’inspirant de la Déclaration de Montréal pour un IA éthique
1 P
rincipe de bien-être
Le développement et l’utilisation des systèmes d’intelligence artificielle (SIA)
doivent permettre d’accroître le bien-être de tous les êtres sensibles.
2 P
rincipe de respect de l’autonomie
Les SIA doivent être développés et utilisés dans le respect de l’autonomie des
personnes et dans le but d’accroître le contrôle des individus sur leur vie et
leur environnement.
3 P
rincipe de protection de l’intimité et de la vie privée
La vie privée et l’intimité doivent être protégées de l’intrusion de SIA et de
systèmes d’acquisition et d’archivage des données personnelles (SAAD).
4 P
rincipe de solidarité
Le développement de SIA doit être compatible avec le maintien de liens de
solidarité entre les personnes et les générations.
29
5 P
rincipe de participation démocratique
Les SIA doivent satisfaire les critères d’intelligibilité, de justifiabilité et
d’accessibilité, et doivent pouvoir être soumis à un examen, un débat et un
contrôle démocratiques.
6 P
rincipe d’équité
Le développement et l’utilisation des SIA doivent contribuer à la réalisation
d’une société juste et équitable.
7 P
rincipe d’inclusion de la diversité
Le développement et l’utilisation des SIA doivent être compatibles avec le
maintien de la diversité sociale et culturelle et ne doivent pas restreindre
l’éventail des choix de vie et des expériences personnelles.
8 P
rincipe de prudence
Toutes les personnes impliquées dans le développement des SIA doivent faire
preuve de prudence en anticipant autant que possible les conséquences
néfastes de l’utilisation des SIA et en prenant des mesures appropriées pour
les éviter.
9 P
rincipe de responsabilité
Le développement et l’utilisation des SIA ne doivent pas contribuer à une
déresponsabilisation des êtres humains quand une décision doit être prise.
10 P
rincipe de développement soutenable
Le développement et l’utilisation de SIA doivent se réaliser de manière à
assurer une soutenabilité écologique forte de la planète.
Source : Site internet de la déclaration de Montréal

V - Comment developper un
écosystème français de l’IA ?
Trois schémas se dégagent dans le monde. Premièrement, celui des GAFAM
(Google, Amazon, Facebook, Apple, Microsoft), qui en rachetant des entreprises
défendent leur position dominante. La Chine a adopté le même modèle.

Puis, celui d’entreprises qui, en s’appuyant sur leurs avantages concurrentiels
et leurs besoins stratégiques, vont développer en interne des innovations et
ensuite les commercialiser. Starbucks par exemple a développé pour ses propres
besoins un système de personnalisation de ses communications marketing et
promotion. Dans un deuxième temps, l’entreprise a décidé de commercialiser
la solution d’IA en créant Formation, une start-up spécialisée dans l’utilisation
de données sur les consommateurs pour personnaliser l’expérience client.
Troisièmement, le modèle canadien. Le pays est particulièrement performant

en recherche fondamentale mais peine en aval du cycle (c’est-à-dire pour
la commercialisation). Le gouvernement fédéral a donc lancé une initiative
pour structurer 5 superclusters pour l’innovation dont un sur l’intelligence
artificielle appliquée à la Supply Chain. L’objectif est de pousser des acteurs
différents (grands groupes, startups, centres de recherche…) à collaborer. L’Etat
a investi plus de 250 millions de dollars canadiens (166 millions d’euros). Pour
subventionner chaque projet, il exige que les industriels apportent au moins
autant que lui, et que le projet développé soit le fruit d’une collaboration entre
trois acteurs au minimum. En prenant ce modèle en exemple, nous recom-
30 mandons que les collaborations entre grands groupes se fassent autour de cas
d’usage clairement définis. Malgré les difficultés culturelles et les limites qui sont
opposées aux réunions des industries, ces dernières doivent prendre l’initiative
de mettre en commun leurs données, quitte à ce qu’elles soient accompagnées
par l’Etat.
Un appel à manifestation d’intérêts a d’ailleurs été lancé fin 2018 par le minis-
tère de l’Économie et des Finances pour mutualiser les données des industries11.
Le rapport Villani a déjà énoncé quelques recommandations plus ou moins

avancées pour développer l'écosystème de l'IA en France
Niveau d'avancement
Pas commencé Réalisé
Utiliser l'IA dans les services publics Soutenir les projets d'IA dans la défense
Entreprises Plusieurs projets sélectionné : répression des fraudes, Création de l'Agence de l'innovation de la défense qui gérera
services sanitaires, surveillance nucléaire le budget innovation de l'armée, plusieurs projets démarrés
Propriété
intellectuelle
Lancer le Hub des données de santé
Bases de données
Health Data Hub a été annoncé le 12 octobre et devrait être
publiques lancé au deuxiéme trimestre 2019
Créer des Instituts Interdisciplinaires d'IA (3IA) Augmenter le nombre de chercheurs en entreprise
Centres de Enveloppe de 100M pour 4 instituts sélectionnés : Simplification du processus en cours pour les chercheurs (e.g.
recherche Grenoble (« MIAI@Grenoble-Alpes »), Nice (« 3IA Côte plus de commission de déontologie, plafonnement du temps à
d'Azur »), Paris (« Prairie ») et Toulouse (« Aniti ») 50% vs. 20% aujourd'hui…)
Doubler le nombre d'étudiants formés à l'IA

Centres de
Projet à définir - initiatives publiques et privées
formation (Polytechnique et Telecom ont ouvert un nouveau cursus)
Mettre en place un financement pérenne Soutenir le développement de la voiture autonome

Investissement Mise en place du fonds pour l'innovation devant générer La loi d'orientation des mobilités donne plus de flexibilité à
250M par an avec l'IA comme priorité l'état pour légiférer sur cette question
Nommer un coordinateur interministériel Lancer une coordination européenne sur éthique et IA

Il est en charge de la coordination des projets d'IA Prémisses de "GIEC" de l'IA avec le G2IA ; premier rapport
Autre rendu par un comité de 52 experts, un deuxième rapport
prévu pour servir de base à la régulation
11) « Mutualisation de données pour l’Intelligence Artificielle », appel à manifestation d’intérêts du Ministère de l’Econo-
mie et des Finances https://www.entreprises.gouv.fr/numerique/mutualisation-de-donnees-pour-intelligence-artificielle
Thierry Picard, Chief Digital Officer chez Pierre Fabre Médicament et Santé, souligne
que c’est loin d’être évident : la crainte d’offrir un avantage aux concurrents avec
un partage des data existe toujours dans les entreprises. « Il faut se réunir autour de
stratégies communes, réfléchir à un système propre », défend-il.
Dans ce contexte, l’écosystème français semble encore en retard et, même si la question
du modèle à adopter reste ouverte, Benoît Georges, Chef du service Idées & Débats
des Échos résume une idée partagée : « L’idée d’un Google français, il faut arrêter de
courir après. » Plusieurs recommandations du rapport Villani commencent à être mises en
application. C’est notamment le cas pour la recherche avec les instituts interdisciplinaires
de l’intelligence artificielle, sélectionnés début novembre, qui participeront à l’effort
de soutien aux entreprises. Celles-ci doivent en échange contribuer aussi à la recherche.
Mais Antoine Petit, Président Directeur Général du CNRS, regrette toutefois qu’il n’y ait
pas eu davantage d’efforts financiers : « Les Canadiens ont un système de chaire avec
des bonus individuels, et les stars qui s’y trouvent ont la capacité à attirer les jeunes
chercheurs du monde entier. Même nos diplômés qui aiment beaucoup la France sont
très attirés par le Canada et leurs moyens importants. »
Quand bien même les industries parviendraient à coopérer dans le partage des
données et les universités à offrir des moyens importants, Mick Lévy, Directeur Innovation
Business de Business et Décision, se demande « comment fait-on en France quand on
n’a que 69 millions de personnes ? » Le problème est aussi celui du marché autant que
celui du volume de données comparativement à la Chine et sa population de 1,4 milliards
d’habitants et aux Etats-Unis avec 325 millions d’habitants.
Modèle GAFAM : des entreprises technologiques qui investissent dans

la donnée, l’IP, la recherche et les start-ups 31
Activité M&A des entreprises ayant fait au moins 4 acquisitions depuis 2010
Date d'acquisition des entreprises
2010 2011 2012 2013 2014 2015 2016 2017 2018

Dark Blue Labs Vision Factory Api.ai
DNNresearch Granata AlMatter
Jetpac
CleverSense DeepMind Emu Timeful Moodstocks Halli Labs Banter
Emotient SensoMotoric Regaind

tuplejump
Perceptio Lattice Init.ai
Siri Novauris Technologies1 Vocal IQ Turi RealFace Pop Up Archive
Masquerade Technologies
Face.com Mobile Technologies Wit.ai Zurich Eye Ozlo
Harvest.ai
Evi Technologies Orbeus1 Angel.ai Sqrrl
Nervana Systems
Saffron Technology
Indisys Itseez Movidius
Maluuba
Netbreeze Equivio SwiftKey Genee
Cosmify
OculusAI Encore Alert Wrapidity Algo
Whetlab
Madbits TellApart Magic Pony
Temnpo AI PredictionIO
MinHash MetaMind
17. Faciliter la mise en place des hubs de

données (publiques et privées)
Françoise Soulié-Fogelman, Conseiller Scientifique, Hub France
IA : « Mon rêve c’est de prendre dix entreprises avec
un académique au milieu pour gérer, protéger, assurer
la transparence et tirer de la valeur. »
n
Ouvrir l’accès à des données publiques sensibles, dans le respect des
contraintes éthiques (par exemple, données sociales, légales, médicales, …).
n Organiser des plateformes « tiers de confiance » pour permettre aux entreprises

de partager leurs données neutres (non sensibles, aux bornes d’une entre-
prise) avec leurs partenaires pour créer de la valeur ou des synergies (par
exemple la Supply Chain au Canada).
n Mettre en place des conditions d’utilisation adéquates des données à des

fins commerciales.
• Réduire la durée des procédures d’accès.
• Flexibiliser des procédures d’utilisation.
L’accès à la donnée
La donnée est un des éléments structurants qui permet de faire naître et

croître un écosystème. L’Etat doit se poser à la fois en exemple dans sa
gestion du partage des données et en facilitateur des échanges de don-
nées entre entreprises et centres de recherche. Le manque d’ouverture des
bases de données françaises est l’un des facteurs de la fuite des talents. La
différence sur l’accès aux données de santé entre la France et les Etats-Unis
est représentative. D’un côté avec la banque de données privée, Optum,
une grande quantité de données est accessible à des fins commerciales à
un prix très élevé, de l’autre les données publiques sont accessibles mais
à l’issue d’un processus long et uniquement pour des recherches cliniques
32 ciblées. Il faut regarder aussi le coût impliqué par chaque demande de données :
« Dans le cadre d’études cliniques, ça nous coûte aussi cher d’obtenir les
données que de les réutiliser, parce qu’il faut revenir vers les personnes
à chaque fois pour leur redemander une autorisation », souligne Thierry
Picard, Chief Digital Officer chez Pierre Fabre Médicament et Santé.
Différents modèles d’accès aux données de santé plus ou moins ouverts selon
le niveau de sensibilité des données
Royaume-Uni : Partage ad hoc de données France : Partage très encadré des données Optum : Commercialisation efficace de
spécifiques avec le privé qui rend le modèle lent et complexe données privées moins riches et couteuses
Data : données sur les patients positifs au VIH, Data : données publiques de la sécurité Data : données d'assurances et d'hôpitaux
les cas d'overdose et ceux d'avortement sur sociale, INSERM1 et ATIH2 privés
les 5 dernières années
Processus de 6 mois pour valider le dossier (3 Processus de 2 mois (essentiellement pour la
Processus ad hoc – accord entre DeepMind mois) et extraire les données (3 mois) négociation du contrat commercial)
Health & la Royal Free NHS (regroupant 3
hôpitaux londoniens) en 2018 Données gratuites mais avec des restrictions Données couteuses à ~600k euros pour 6 mois
d'accès pour les entreprises pharmaceutiques d'accès (indicatif)
Objectif : Développer une solution pour – Accès indirect aux données via une
identifier les patients risquant de voir leur entreprise de conseil
état se détériorer voire de mourir à cause d'un
– Pas d'utilisation commerciale possible
insuffisance rénale
En parallèle, fortes rigidités pour l'utilisation
de données de tests cliniques
18. Cibler l’investissement public sur quelques
sujets de rupture
Sylvain Duranton, Directeur Monde de BCG GAMMA :
« Singapour nous a proposé de payer les charges de nos
data-scientists sur leur territoire durant trois ans. »
n Imaginer des dispositifs vertueux sur le modèle canadien (investissements publics

couplés à un abondement du privé au moins identique).
n Considérer le financement de défis entre entreprises et centres de recherche, sur le
modèle des défis DARPA ou Netflix PRS.
Le rôle de l’Etat
C’est une erreur de penser que le modèle américain fonctionne uniquement de

bas en haut. Rien n’existerait sans la Darpa (l’agence de recherche de la Défense
américaine). Pour reprendre une formule de Pierre Bellanger, Président-Fondateur
de Skyrock, dans « Les Échos » en 201412, « on a l’illusion de la start-up née dans un
garage, mais on oublie de dire que le garage est posé sur un porte-avions ». Autre
piste : La mise en place de défis.
Cela avait été identifié dans le rapport Villani et fonctionne assez bien. Des
défis ont d’ailleurs été choisis par le Conseil pour l’innovation, chargé de définir
les grands axes du Fonds pour l’innovation, cet été : « l’IA appliquée au diagnostic 33
médical » et « la certification et la fiabilisation des systèmes ». L’Ile-de-France a
quant à elle annoncé, en octobre, un défi sur l’usage de l’IA pour aider le retour à
l’emploi dont les premiers résultats seront dévoilés en 2019.
19. Faciliter les collaborations entre grands

groupes, recherche et start-up
Serge Yoccoz, Directeur Général de Renault Digital : « On vient
d’une situation historique où c’était inacceptable de faire de
l’open-source, et c’est encore compliqué sur l’open-data. »
n Commencer par des « mini-écosystèmes » (deux - trois acteurs non concurrents)

autour de cas d’usage concrets, et les faire évoluer au fil des besoins.
n Partager plus largement de la donnée à des fins exploratoires, et non uniquement sur
un cas d’usage ciblé – avec partage d’IP sur le modèle de la collaboration industrielle,
soit en créant des masses critiques sur des métiers (comme la Supply Chain au Canada,
soit en explorant des opportunités aux frontières de l’entreprise ou comme Renault
sur des cas d’usage maison-voiture).
12) Benoît Georges, David Barroux, Nicolas Rauline, « Gilles Babinet et Pierre Bellanger : la régulation des données, défi majeur du
XXIème siècle », Les Échos, 12/04/2014 https://www.lesechos.fr/12/02/2014/lesechos.fr/0203311413821_gilles-babinet-et-pierre-bellanger--
-la-regulation-des-donnees--defi-majeur-du-xxieme-siecle.htm
SCALE AI : 118 membres dont 80 industriels
Verticales
Biens de consommation & retail Biens industriels & manufacturing Infrastructure & construction
Logistique d'hôpitaux
Transport,
logistique and
SC spécialistes
Horizontales
Digital
et IA
Incubateur Funds Associations professionnelles Autorités Org. fédéraux Partenaires int.

s publiques
Consultants
Banks
Universités Facilitateurs
20. Intégrer la perspective entreprise dans

les futures régulations autour de l’IA
34 De nombreuses questions se regroupant autour de deux sujets sont apparues
au cours du Think Tank et restent pour le moment ouvertes, en attendant que
les futures régulations instaurées par les pouvoirs publics viennent y répondre
n Les modèles de contrôle par le régulateur :
• Si l’on va vers ce type de modèle, comment s’assurer que les auditeurs
ont les compétences techniques, légales et sectorielles pour être pertinents
pour chacun des cas d’usage de l’IA ?
• Si l’on oblige les entreprises à intégrer un onglet « data et IA » dans leur
rapport annuel, comment cela ne viendrait-il pas les pénaliser en les forçant
à dévoiler leurs secrets de fabrication ?
• Quelles entreprises seraient concernées par ces contrôles et rapports ?
(cotées vs. non cotées, volume et sensibilité des données, …).
• N’est-il pas plus utile d’avoir un organe certifiant qui soit sollicité sur la
base du volontariat, pour aider les entreprises à choisir leurs fournisseurs ?
• Comment s’assurer que la régulation ne vienne pas freiner le développe-
ment « agile » de l’IA, en laissant le champ libre à d’autres pays ?
n Les responsabilités : qui est responsable en cas de litige ? (Le développeur de

l’algorithme ? Le fournisseur de données ? Et comment faire quand on croise
plusieurs sources de données ?)
LEXIQUE
Analyse du langage naturel : discipline de l’IA permettant l’analyse automatique du langage
des personnes (le langage naturel s’oppose au langage formel de la programmation ou des
mathématiques).
Apprentissage automatique (« machine learning ») : technique d’intelligence artificielle per-

mettant à un système informatique de dégager des règles selon l’usage qui en est fait ou des
données qui lui sont fournies.
Apprentissage profond (« deep learning ») : technique d’apprentissage automatique en réseaux

de neurones qui permet de construire des modèles plus complexes et parfois très pertinents.
Chatbot : robot conversationnel oral (version moderne du répondeur automatique) ou textuel
(dans une boîte de dialogue).
HUB : plateforme
Intelligence artificielle : L’intelligence artificielle se définit comme un ensemble de techniques

informatiques permettant aux humains de traiter des informations cognitives de telle manière
à ce qu’ils puissent interagir ou agir avec leur environnement, optimiser et percevoir. Des
techniques comme la robotique, les outils de support à la décision, le traitement du langage
naturel ou la vision par ordinateur.
Réseaux de neurones artificiels (ou formels) : technique d’apprentissage automatique inspirée

grossièrement du fonctionnement du cerveau. Elle repose sur des calculs qui ne sont pas expli-
cables par l’humain, mais seulement interprétables.
Système expert : système informatique pouvant être utilisé pour l’apprentissage automatique.
Il repose sur des règles explicites, type « si… alors… ».
35
BIBLIOGRAPHIE
Arntz Melanie, Gregory Terry et Zierahn Ulrich, The Risk of Automation for Jobs in OECD Coun-
tries, 2015, http://www.ifuturo.org/sites/default/files/docs/automation.pdf
Bellan Marie, « Opérationnel, le Conseil de l’innovation mise sur l’intelligence artificielle », Les
Échos, 18/07/2018, https://www.lesechos.fr/18/07/2018/lesechos.fr/0301997384842_operation-
nel--le-conseil-de-l-innovation-mise-sur-l-intelligence-artificielle.htm
Benedikt Frey Carl et Osborn Michael A., The Future of Employment: How Susceptible are Jobs
to Computerization?, Oxford, 2013
Boston Consulting Group, Artificial Intelligence : Have No Fear !, 2018, https://de.slideshare.net/
TheBostonConsultingGroup/artificial-intelligence-have-no-fear?linkId=56752563
Chapuis Dominique, « L’Oréal s’offre une entreprise de la Tech », Les Échos, 16/03/2018, https://
www.lesechos.fr/16/03/2018/lesechos.fr/0301446754789_l-oreal-s-offre-une-entreprise-de-la-
tech.htm
Commission européenne, High-level expert group on AI, Draft Ethics guidelines for trustworthy
AI, 18/12/2018, https://ec.europa.eu/digital-single-market/en/news/draft-ethics-guidelines-trus-
tworthy-ai
Daugherty Paul R. et Wilson H. James, Human + Machine: Reimagining work in the Age of AI,
Harvard Business Review Press, 2018
Demichelis Rémy, « Intelligence artificielle : les vrais enjeux de la formation », Les Échos, 24
avril 2018. https://www.lesechos.fr/24/04/2018/lesechos.fr/0301519472603_intelligence-artifi-
cielle---les-vrais-enjeux-de-la-formation.htm
Demichelis Rémy, « L’intelligence artificielle à la place des politiques ? », Les Échos,
05/06/2018 https://www.lesechos.fr/05/06/2018/lesechos.fr/0301694384565_l-intelli-
gence-artificielle-a-la-place-des-politiques--.htm
Demichelis Rémy, « Le gouvernement détaille son plan pour la recherche en

intelligence artificielle », Les Échos 28/11/2018, https://www.lesechos.fr/intel-
ligence-artificielle/veille-technologique/0600226584885-le-gouvernement-de-
taille-son-plan-pour-la-recherche-en-intelligence-artificielle-2225399.php
Fiches - Emploi – Emploi, chômage, revenus du travail – Insee Références - Édition

2018, https://www.insee.fr/fr/statistiques/3573746?sommaire=3573876
Forum économique mondial, The Future of Jobs Report, 2018, https://www.weforum.
org/reports/the-future-of-jobs-report-2018
Georges Benoît, « La ruée vers l’éthique de l’intelligence artificielle », Les Échos,

15/01/2019, https://www.lesechos.fr/intelligence-artificielle/veille-technologique/06004
51999549-la-ruee-vers-lethique-de-lintelligence-artificielle-2236455.php
Georges Benoît, « Le Canada et la France donnent le coup d’envoi d’un « GIEC » de

l’intelligence artificielle », Les Échos, 7/12/2018, https://www.lesechos.fr/monde/en-
jeux-internationaux/0600296564844-le-canada-et-la-france-donnent-le-coup-denvoi-
dun-giec-de-lintelligence-artificielle-2228153.php
Georges Benoît, « Quelles compétences face à l’automatisation ? », Les Échos,

17 septembre 2018. https://www.lesechos.fr/idees-debats/sciences-prospec-
tive/0302264544988-la-robotisation-creerait-58-millions-de-nouveaux-emplois-nets-di-
ci-2022-2205660.php
Georges Benoît, Barroux David et Rauline Nicolas, « Gilles Babinet et Pierre Bellanger :
la régulation des données, défi majeur du XXIème siècle », Les Échos, 12/04/2014,
https://www.lesechos.fr/12/02/2014/lesechos.fr/0203311413821_gilles-babinet-et-
36 pierre-bellanger---la-regulation-des-donnees--defi-majeur-du-xxieme-siecle.htm
Loye Déborah, « Intelligence artificielle : mais où sont les femmes ? », Les Échos,
29/08/2018, https://www.lesechos.fr/intelligence-artificielle/veille-technolo-
gique/0302095634431-intelligence-artificielle-mais-ou-sont-les-femmes-2200714.php
Malakoff Médéric et Boston Consulting Group, Intelligence artificielle et capital hu-
main, 2018, https://media-publications.bcg.com/Intelligence-artificielle-et-capital-hu-
main.pdf
Ministère de l’Economie et des Finances, appel à manifestation d’intérêts : « Mutua-
lisation de données pour l’Intelligence Artificielle », https://www.entreprises.gouv.fr/
numerique/mutualisation-de-donnees-pour-intelligence-artificielle
MIT Sloan Management School et BCG, « Artificial Intelligence in Business Gets Real,
2018, https://sloanreview.mit.edu/projects/artificial-intelligence-in-business-gets-real/
Ravitz Jessica, « Black and Hispanic youth are targeted with junk food ads, research
shows », CNN, 15/01/2019, https://edition.cnn.com/2019/01/15/health/junk-food-ads-
black-hispanic-youth/index.html
Valentino-DeVries Jennifer, Singer-Vine Jeremy et Soltani Ashkan, « Websites Vary
Prices, Deals Based on Users’ Information », The Wall Street Journal, 24/12/2012
https://www.wsj.com/articles/SB10001424127887323777204578189391813881534
Vittori Jean-Marc, « La terrible vérité sur l’avenir de l’emploi », Les Échos, 25 sep-
tembre 2018. https://www.lesechos.fr/idees-debats/editos-analyses/0302298864158-la-
terrible-verite-sur-lavenir-de-lemploi-2208109.php
Zhang Baobao and Dafoe Allan, Artificial Intelligence: American Attitudes and
Trends, Oxford, 2019, https://governanceai.github.io/US-Public-Opinion-Report-
Jan-2019/
Notes
37
38
Notes
39

(Sicara) AI For Business

Transféré par

Droits d'auteur :

Formats disponibles

(Sicara) AI For Business

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

(Sicara) AI For Business

Transféré par

Droits d'auteur :

Formats disponibles

Livre blanc

Il y a tout juste un an, le 28 mars 2018, le député et mathématicien Cédric

Déjà, les expérimentations se multiplient, les partenariats se nouent, les applica-

Mais si l’IA devient une réalité dans le monde professionnel, beaucoup

Reconnaissance de l'écriture Robotique physique

Brevets et publications scientifiques en IA

1960 1970 1980 1990 2000 2010 2017

entreprises % pour qui une

Ils ont largement intégré l’IA dans leurs

Ils intègrent l’IA dans certains processus et

Ils ont lancé un ou plusieurs projets pilotes

Ils ont une compréhension limitée de l’IA et

Curiosité 62% 56% 56% 55% 71% 61% 60%

Préoccupation 18% 38% 38% 39% 46% 48% 54%

Optimisme 62% 35% 31% 29% 35% 29% 25%

Indifférence 19% 26% 28% 28% 12% 18% 14%

Confiance 31% 17% 16% 15% 18% 9% 14%

Anxiété 8% 18% 19% 21% 7% 16% 18%

Rejet 2% 10% 11% 12% 12% 20% 14%

Sentiment positif Sentiment négatif Sentiment neutre

En France, des freins plus prononcés et des entreprises jugées en retard

% des employés associant l’IA à un sentiment Entreprises utilisant l’IA ou prévoyant de

Mounir Mahjoubi, Secrétaire d’État chargé du Numérique

auprès du ministre de l’Économie et des Finances.

Julien Lévy Emmanuel Bacry

Bruno Deffains Mahasti Razavi

Olivier Morbé Ayoub Mamdouh

Cécile Cabanis Paul Maarek

David Giblas Grégory Boutté

Serge Yoccoz Thierry Picard

Benoît Georges Jean-Marc Vittori

Rémy Demichelis Sylvain Duranton

Jean Owona Claire de Menditte

Laurent Acharian Nicolas de Bellefonds

Béatrice Felder Axel Demazy

Anne-Sophie Lotgering Xavier Guérin

Mick Lévy Benoît Limare

II - Comment tirer bénéfice de la complémentarité

III - Gestion des talents : comment faire face à la pénurie ?

IV - Data, éthique, protection : est-il urgent de réguler ?

V - Comment développer un écosystème français de l’IA ?

C’est un paradoxe observé dans nombre d’entreprises : les pilotes de projets

Il y a deux possibilités pour favoriser le passage à l’échelle : soit s’adresser direc-

Le processus de passage à l'échelle des cas d'usage

Priorisation Définition Industrialisation et déploiement

Extension progressive du périmètre

Quoi ? Où ? Intégration dans les SI : base et

Make or buy ? Equipes Change

Benoît Limare, co-fondateur de Sicara, identifie deux types de projets IA : premièrement,

Dans le cadre de la première approche, son entreprise a créé un système de détection

Nicolas de Bellefonds, Directeur France de BCG GAMMA, souligne l’importance d’investir

1. F ocaliser les efforts sur deux ou trois sujets

n Sécuriser l’enveloppe au centre, au moins jusqu’à atteindre le point d’autofi-

n Accepter de ne pas connaître la nature des dépenses au point de départ.

Le ticket d'entrée en termes d'investissement semble se trouver autour de 10-

10 M /an dans les technologies

3. Impliquer les dirigeants niveau COMEX,

n Faire intervenir au sein de cette gouvernance de façon ad hoc les directeurs

II - Comment tirer bénéfice de la complémentarité

1. F ocaliser les efforts sur deux ou trois sujets

n Sécuriser l’enveloppe au centre, au moins jusqu’à atteindre le point d’autofi-

n Accepter de ne pas connaître la nature des dépenses au point de départ.

n Faire intervenir au sein de cette gouvernance de façon ad hoc les directeurs

n Approche bottom-up : mettre en place des plans d’expérimentation de cas

n De façon itérative, en déduire les impacts RH (en nombre et en compétences)

n Mettre en place un dispositif de communication interne pour célébrer les réussites

n Plus largement, former l’ensemble des collaborateurs aux bases de la data

n Se doter de dirigeants de haut niveau pour animer cette communauté, à

n Favoriser l’hybridation avec le monde académique : rapprochement avec

n S’assurer de la présence de défis techniques de haut niveau dans les sujets

24 n Capter de nouveaux talents et motiver les talents internes lors de hackatons,