« Le succès d’un produit d’IA dépend de la façon dont les utilisateurs peuvent interagir intuitivement avec ses capacités »

Dans la série Author Spotlight, les rédacteurs de TDS discutent avec les membres de notre communauté de leur parcours professionnel en science des données et en IA, de leurs écrits et de leurs sources d’inspiration. Aujourd’hui, nous sommes ravis de partager notre conversation avec Dr Janna Lipenkova.

Le Dr Janna Lipenkova est stratège en IA, entrepreneur et auteur du livre L’art du développement de produits IA. Titulaire d’un doctorat en linguistique computationnelle, elle combine des connaissances techniques approfondies avec une stratégie commerciale pour aider les organisations à transformer l’IA en résultats tangibles. Janna a fondé et dirigé plusieurs entreprises à l’intersection du langage, des données et de l’intelligence, notamment Anacodequi se concentre sur la transformation de l’IA d’entreprise, et Équintelune plateforme d’IA qui soutient la durabilité des entreprises. Grâce à ses activités de leadership éclairé et de conseil, Janna façonne et affine continuellement sa méthodologie complète de développement et d’intégration de l’IA.

Vous appelez votre « Playbook de stratégie d’IA » un ensemble de modèles mentaux qui aident les équipes à s’aligner sur ce qu’il faut construire et pourquoi. Quels modèles apportent le plus souvent de la clarté dans les chambres exécutives, et pourquoi trouvent-ils un écho ?

L’un des plus grands défis des salles exécutives est la communication. Les gens veulent dire des choses différentes lorsqu’ils parlent de l’IA, qui bloque l’exécution. J’utilise trois modèles mentaux pour créer un terrain d’entente structuré qui nous permet d’avancer sans excuses ni malentendus.

Je commence généralement par le Arbre des opportunités d’IAce qui nous aide à cartographier le paysage des cas d’utilisation possibles de l’IA. Les dirigeants arrivent souvent avec un mélange de curiosité et de battage médiatique – « nous devons faire quelque chose avec l’IA » – mais sans une vision claire de la véritable valeur. Le chemin par défaut que la plupart des équipes empruntent à partir de là est la construction d’un chatbot, mais ces projets décollent rarement (cf. cet article). L’arbre des opportunités brise ce schéma en découvrant systématiquement les cas d’utilisation potentiels de l’IA et en fournissant une base structurée et objective pour la priorisation.

Une fois que nous savons clairement quoi et pourquoi construire, nous passons à la comment et remplissez le Plan du système d’IA. Ce modèle permet de cartographier les données, les modèles, l’expérience utilisateur et les contraintes de gouvernance du système d’IA envisagé. Il est particulièrement puissant dans les environnements multipartites, où les équipes commerciales, de science des données et de conformité ont besoin d’un langage commun. Le plan transforme la complexité de l’IA en quelque chose de tangible et d’itératif : nous pouvons la dessiner, en discuter et l’affiner ensemble.

Enfin, je présente le Carte de l’espace des solutions d’IA. Il étend la conversation au-delà des technologies dominantes d’aujourd’hui (principalement de grands modèles et agents de langage) et aide les équipes à considérer l’ensemble des types de solutions : du ML classique aux architectures hybrides, en passant par les systèmes de récupération et les approches basées sur des règles ou basées sur la simulation. Cette vision plus large nous permet de rester concentrés sur la fourniture de la bonne solution, et pas seulement de la solution à la mode.

Ensemble, ces modèles créent un parcours qui reflète l’évolution des produits d’IA à succès : de la découverte d’opportunités à la conception de systèmes, en passant par l’exploration continue. Ils trouvent un écho auprès des dirigeants car ils font le lien entre stratégie et exécution.

Dans vos écrits, l’expertise du domaine est importante dans la création de produits d’IA. Où avez-vous vu la connaissance du domaine changer la forme entière d’une solution d’IA, plutôt que de simplement améliorer la précision à la marge ?

Un exemple frappant où l’expertise du domaine a complètement remodelé la solution est un projet logistique initialement lancé pour prédire les retards d’expédition. Une fois que les experts du domaine se sont joints à nous, ils ont recadré le problème : les retards n’étaient pas des événements aléatoires mais des symptômes de risques commerciaux plus profonds tels que les dépendances envers les fournisseurs, les goulots d’étranglement réglementaires ou la fragilité du réseau. Nous, les « experts en IA », n’avons pas été en mesure de repérer ces schémas.

Pour intégrer ces connaissances du domaine, nous avons étendu la couche de données au-delà des temps de transit pour inclure des signaux de risque fournisseur et des graphiques de dépendance. L’architecture de l’IA a évolué d’un modèle prédictif unique à un système hybride combinant prédiction, graphiques de connaissances et raisonnement basé sur des règles. L’expérience utilisateur a été étendue des prévisions de retards réactifs aux scénarios de risque avec des suggestions d’atténuation, qui étaient plus exploitables pour les experts.

En fin de compte, la connaissance du domaine n’a pas seulement amélioré la précision, mais a redéfini le problème, la conception du système et la valeur que l’entreprise a reçue. Cela a transformé un modèle d’IA en un véritable outil d’aide à la décision. Après cette expérience, j’insiste toujours pour que des experts du domaine se joignent dès les premières étapes d’une initiative d’IA.

En plus de vos articles sur TDS, vous avez également écrit un livre : L’art du développement de produits IA : offrir de la valeur commerciale. Quels sont les points à retenir les plus importants qui ont modifié votre propre approche de la création de produits d’IA (en particulier tout ce qui vous a surpris ou bouleversé une croyance antérieure) ?

L’écriture du livre m’a motivé à réfléchir à tous les éléments de connaissances théoriques, d’expérience pratique et à ma propre conviction et à les structurer dans des cadres réutilisables. Puisqu’un livre doit rester pertinent pendant des années, cela m’a également obligé à faire la distinction entre les fondamentaux d’une part et le battage médiatique d’autre part. Voici quelques-uns de mes propres apprentissages :

• D’abordj’ai appris à trouver de la valeur commerciale dans la technologie. Souvent, nous oscillons entre deux extrêmes : soit rechercher l’IA pour le bien de l’IA, soit nous fier uniquement à la découverte pilotée par l’utilisateur. Dans le premier cas, vous ne créez pas de réelle valeur. Dans le second cas, qui sait combien de temps vous devrez attendre pour que le problème « parfait » de l’IA se présente à vous. Dans la pratique, le point idéal se situe entre les deux : utiliser les atouts uniques de la technologie pour libérer une valeur que les utilisateurs peuvent ressentir, mais ne pourraient pas nécessairement exprimer. Nous le savons grâce à de grands innovateurs comme Steve Jobs et Henry Ford, qui ont créé des expériences radicalement nouvelles avant que les clients ne les demandent. Mais pour y parvenir avec succès, vous avez besoin de ce mélange magique d’expertise technique, de courage et d’intuition concernant les besoins du marché.
• Deuxièmej’ai réalisé la valeur de l’expérience utilisateur pour le succès de l’IA. De nombreux projets d’IA échouent non pas parce que les modèles sont faibles, mais parce que les renseignements ne sont pas clairement communiqués, expliqués ou rendus utilisables. Le succès d’un produit d’IA dépend de la façon dont les utilisateurs peuvent interagir intuitivement avec ses capacités et de la confiance qu’ils accordent à ses résultats. En écrivant ce livre, je relisais les classiques du design, comme The Design of Everyday Things de Don Norman, et je me demandais toujours : comment cela s’applique-t-il à l’IA ? Je pense que nous sommes encore aux premiers stades d’une nouvelle ère UX. Le chat est un élément important, mais ce n’est certainement qu’une partie de l’équation complète. Je suis très enthousiaste à l’idée de voir le développement de nouveaux concepts d’interface utilisateur comme l’UX générative.
• Troisièmeles systèmes d’IA doivent évoluer à travers des cycles de retour d’information et d’amélioration, et ce processus ne se termine jamais vraiment. C’est pourquoi j’utilise la métaphore d’un derviche dans le livre : filer, affiner, apprendre en continu. Les équipes qui maîtrisent les versions anticipées et les itérations constantes ont tendance à offrir bien plus de valeur que celles qui attendent un modèle « parfait ». Malheureusement, je vois encore de nombreuses équipes prendre trop de temps avant de fournir une première référence et ne consacrent pas assez de temps à l’optimisation itérative. Ces systèmes pourraient entrer en production, mais leur adoption n’aura probablement pas lieu et ils seront mis de côté comme une autre expérience d’IA.

Quelles habitudes recommanderiez-vous aux équipes qui lanceront une fonctionnalité d’IA le trimestre prochain, et quels pièges clés devraient-elles éviter, pour rester concentrées sur la création d’une réelle valeur commerciale plutôt que sur la poursuite du battage médiatique ?

Tout d’abord, comme ci-dessus, maîtrisez l’art de l’itération. Expédiez tôt, mais faites-le de manière responsable : publiez quelque chose qui est suffisamment utile pour gagner la confiance des utilisateurs, puis améliorez-le sans relâche. Chaque interaction vous apporte de nouvelles données et chaque retour d’information est un nouveau signal d’entraînement.

Deuxièmement, gardez une vision plus large. Il est facile d’avoir une vision tunnel autour du dernier LLM ou de la dernière version du modèle, mais la véritable innovation vient souvent de la façon dont vous combinez les technologies : récupération, raisonnement, analyse, UX et logique de domaine. Concevez votre système de manière modulaire afin de pouvoir l’étendre, et surveillez en permanence les solutions et développements d’IA qui pourraient l’améliorer (voir aussi notre prochain Radar IA).

Troisièmement, testez tôt et souvent auprès de vraies personnes. Les produits d’IA vivent ou meurent selon la façon dont les humains les perçoivent et les utilisent. Les démos internes et les tests synthétiques ne peuvent pas remplacer les entrées et les commentaires désordonnés et surprenants que vous recevez des utilisateurs réels.

Vos écrits longs (livre, analyses approfondies) évitent le battage médiatique et se concentrent sur la création de valeur pour les organisations. Quelle est votre approche pour choisir des sujets et écrire sur ces sujets vous aide-t-il à mieux les comprendre ?

Écrire a toujours été ma façon de penser à voix haute. Je l’utilise pour apprendre, traiter des idées complexes et en générer de nouvelles. Je vais généralement avec mon instinct et j’écris sur les approches auxquelles je crois vraiment et que j’ai vu fonctionner dans de vraies organisations.

En même temps, dans mon entreprise, nous avons un peu notre propre « sauce secrète ». Au fil des années, nous avons développé un système basé sur l’IA pour surveiller les nouvelles tendances et innovations. Nous le fournissons à quelques clients sélectionnés dans des secteurs tels que l’aérospatiale et la finance, mais bien sûr, nous l’utilisons également à nos propres fins. Ce mélange de données et d’intuition m’aide à repérer des sujets qui sont à la fois pertinents aujourd’hui et susceptibles de l’être non seulement dans quelques mois, mais aussi dans deux ou trois ans.

Par exemple, début 2025, nous avons publié un rapport sur les tendances de l’IA en entrepriseet presque tous les thèmes se sont révélés très pertinents tout au long de l’année. Ainsi, même si mon écriture est intuitive et personnelle, elle s’appuie également sur des preuves.

Pour en savoir plus sur le travail de Janna et rester au courant de ses derniers articles, vous pouvez la suivre sur TDS, Sous-pileou LinkedIn.