Aurélien, pourriez-vous nous partager votre parcours ayant mené à votre rôle actuel chez Eau de Paris, et comment cette expérience vous a préparé à superviser l'adoption de l'IA ?
En charge de la transformation numérique sur des projets d'outillage logiciels, c'est naturellement que la direction générale m'a confié le cadrage et le pilotage de notre démarche d'adoption de l'IA. Je réalisais déjà une veille technologique et me formais sur les fondamentaux de l'IA depuis plusieurs années ; tout en suivant d'autres projets d'usage de système d'IA spécifiques autour du machine learning.
Vous avez un parcours de consultant avant d’intégrer une organisation publique. Comment cette trajectoire influence-t-elle votre approche de l’intelligence artificielle ?
Je considère l’intelligence artificielle avant tout comme un outil numérique, avec certes des spécificités, mais qui s’inscrit dans une continuité. À mes yeux, elle est comparable à ce qu’ont connu les organisations avec l’avènement du numérique il y a une vingtaine d’années : au départ, un sujet réservé à quelques initiés, puis progressivement un levier structurant de transformation.
La différence, c’est que l’IA soulève aujourd’hui davantage de questions, notamment éthiques, réglementaires et organisationnelles. Nous ne sommes pas encore au même niveau de maturité collective que pour le numérique classique, mais il est probable que, dans quelques années, l’IA soit intégrée de façon beaucoup plus naturelle dans les pratiques. Mon rôle consiste donc à accompagner cette transition de manière rationnelle, sans rupture brutale, mais sans immobilisme non plus.
Disposez-vous d’une feuille de route stratégique très cadrée pour le déploiement de l’IA, ou avez-vous fait le choix d’une approche plus ouverte ?
Nous avons fait le choix assumé d’une démarche ouverte et participative. En tant qu’établissement public, notre objectif n’est pas prioritairement de réaliser des économies à court terme, mais davantage d’améliorer nos processus industriels et le service rendu aux usagers. La dynamique est plutôt ascendante (bottom>up) : après un tour des comités de direction nous permettant de dresser une 1ère cartographie des usages souhaités, nous échangeons avec les collaborateurs volontaires et motivés pour identifier des cas d’usage concrets.
Avec votre rôle dans la gestion d'un portefeuille de projets IA à divers stades de maturité, quelles stratégies utilisez-vous pour assurer un développement réussi de ces projets ?
Nous avons d'abord qualifié les idées formulées par nos métiers suivant leurs apports espérés et les efforts à produire (tant financiers qu'humains) avec une priorisation sur des cas d'usage que nous pourrions déployer rapidement. L'idée était d'apprendre en marchant, tant sur notre gouvernance que sur les briques technologiques à mettre en œuvre. Une fois cette phase de rodage réalisée et les leçons de nos succès (et échecs) identifiés, nous pourrons accélérer et envisager des cas d'usages plus complexes soit techniquement, soit en termes de refonte de nos process.
Concrètement, comment priorisez-vous les cas d’usage, et quels sont aujourd’hui ceux qui émergent comme les plus prometteurs ?
Nous utilisons une méthode assez structurée, fondée sur une analyse efforts–bénéfices–risques, inspirée notamment des approches de type « matrice BCG ». L’effort est évalué selon plusieurs sous-critères : l’impact sur les pratiques des collaborateurs (et donc l’accompagnement au changement), les travaux nécessaires sur la donnée, les besoins technologiques ou d’infrastructure, et la complexité globale du projet.
Les bénéfices, quant à eux, peuvent prendre différentes formes : gains de productivité, coûts évités, amélioration de la qualité de service, en interne comme en externe. Nous intégrons également une dimension réglementaire, davantage comme un facteur de validation que comme un critère de priorisation.
Dans les faits, les cas idéaux – faible effort pour bénéfices élevés – sont rares. Nous privilégions donc, dans un premier temps, des « quick wins » : des usages accessibles, qui permettent aux équipes de se familiariser avec l’IA sans transformation profonde des processus. En tant qu’acteur industriel public, cela concerne par exemple la validation automatique de données industrielles, le pré-filtrage d’alarmes issues de notre système de supervision, l’analyse ou la préparation de marchés publics, ou encore l’amélioration de la performance énergétique des installations.
Nous explorons également des sujets plus structurants, comme la préparation de jumeaux numériques, où l’IA pourrait automatiser la transformation de scans 3D en modèles exploitables, enrichis de métadonnées. Enfin, il existe des cas transverses, plus classiques, comme l’aide au codage, le rétro engineering d’applications anciennes, l’automatisation de comptes rendus ou l’aide à la rédaction de courriers de réponse.
L’enjeu, finalement, est de rester dans une logique d’investissement raisonné. Certains cas d’usage peuvent être très intéressants sur le papier, mais s’ils concernent une population trop restreinte, l’effet d’échelle n’est pas au rendez vous et nous choisissons de ne pas les développer. L’adoption de l’IA doit rester pragmatique, progressive et pleinement alignée avec les besoins réels de l’organisation.
Comment l'intégration de l'intelligence artificielle dans les activités d'Eau de Paris a-t-elle transformé les processus industriels jusque-là traditionnels ? Pourriez-vous donner un exemple concret ?
Compte tenu de l'avancée de la démarche et de notre maturité croissante, il est trop tôt pour parler d'une transformation réelle de nos processus industriels. Toutefois, l'IA comme de nombreux projets numériques, voire davantage, nécessite d'embarquer les collaborateurs pour bien identifier les besoins auxquels doit répondre la solution, pour faire évoluer les pratiques existantes et enfin pour assurer la supervision de l'IA à des fins de pérennisation du système.
En tant que directeur de la transformation numérique, comment évaluez-vous les technologies émergentes en termes de leur potentiel à rehausser l'efficacité des opérations ?
L'apprentissage machine (machine learning, comme deep learning) facilite la modélisation de phénomènes réels et donc la possibilité de simuler des situations à des fins d'amélioration des opérations, de meilleure préparation des interventions... Toutefois, cela nécessite de mettre en qualité et sous gouvernance les données afin que la technologie débouche sur des modèles fiables. Ce n'est pas nouveau et c'est toujours un défi majeur. La vision assistée par ordinateur (computer vision) ouvre de nouvelles opportunités de traitement d'images, en lien par exemple avec des scans 3D, des photos... L'arrivée de l'IAGen, au-delà des usages bureautiques proches de ceux vécus par les collaborateurs dans la sphère privée, va permettre de structurer des données aujourd'hui peu exploitables, comme les saisies libres dans les comptes-rendus. Nous devrions ainsi pouvoir élargir le périmètre de données industrielles exploitables. Quelles que soient les technologies, le collaborateur doit rester au centre pour garantir l'adéquation de la solution aux besoins, la bonne appropriation et surtout la mise en application des nouveaux modes de fonctionnement.
Quel conseil donneriez-vous aux entreprises qui commencent à intégrer l'intelligence artificielle dans leur stratégie opérationnelle, et quels indicateurs de performance doivent-elles prioriser pour mesurer le succès de l'IA ?
Partir des besoins des utilisateurs (au sens traitement des irritants, points de douleur) dans une approche agile pour se concentrer sur des projets qui apporteront de la valeur à des collaborateurs moteurs, convaincus. Porter une attention particulièrement à l'embarquement des collaborateurs, que ce soit sur l'évangélisation, la formation (ou sensibilisation aux risques). Sur le volet technique, ne pas négliger les questions de souveraineté, de cybersécurité et les coûts d'inférence qui peuvent peser sur le ROI d'un projet.
________________________________________
Aurelien Martin est directeur de la transformation numérique chez Eau de Paris, spécialisé dans la transformation numérique et l'Industrie 4.0. Il se concentre sur l'amélioration de la performance opérationnelle dans les domaines de l'exploitation, de la maintenance et des investissements ; fort d’une solide expérience dans la supervision de systèmes industriels, le déploiement d'objets connectés, l'intelligence artificielle, les jumeaux numériques et la gestion des données.
Il a précédemment travaillé à la Banque de France sur des projets de digitalisation et d'innovation, après une quinzaine d’années dans le conseil en stratégie et management, axé sur l'optimisation des processus et la performance opérationnelle.