Apprendre à travailler avec des machines intelligentes

Le machine « learning » ou l’Intelligence Artificielle (IA) intervient de plus en plus dans de nombreuses entreprises, et se substitue à des processus d’activités traditionnelles. Or dans les entreprises les schémas d’apprentissage des nouveaux collaborateurs s’effectuent souvent par une formation sur le terrain, avec une personne expérimentée jouant le rôle de coach ou de mentor. Bien entendu cette description est simplifiée sachant qu’il y a de nombreuses variantes de ce type de situation.

Mais la question générale qui se pose est celle de savoir comment la formation initiale des collaborateurs par apprentissage peut-elle être maintenue dans un tel contexte ?

Un exemple d’application

Examinons plus en détails cette problématique à partir d’un exemple concret. On prendra l’exemple de l’analyste de crédit junior dans une banque commerciale, laquelle octroie à ses clients entreprises des crédits de fonds de roulement (escompte commerciale).

Si l’on décrit le processus d’activité que suit traditionnellement l’analyste de crédit : Il commence par collecter et rassembler tous les documents ou informations nécessaires pour l’étude du dossier de crédit (Il s’agit de documents comptables, d’informations sur le fonctionnement du compte, d’informations sur l’activité de l’entreprise, la demande crédit conformément aux besoins, etc..), ensuite il effectue des traitements financiers et comptables, calcule des ratios, établit un document de présentation, de façon à pouvoir rédiger un rapport de crédit dont le but est d’évaluer, en concertation avec ses responsables, si le risque du crédit demandé est acceptable ou non pour la banque.

Avec l’IA, ce schéma serait considérablement modifié, puisque le rapport de crédit serait établit par la machine, le rôle de l’analyste se limitant alors simplement à la collecte uniquement de quelques documents du dossier d’analyse.

« L’IA contribue à promouvoir les configurations organisationnelles »

Les avantages de l’IA apparaissent clairement :

· Réduction de l’intervention de l’analyste, d’où gains de productivité et de temps,

· Réduction des risques d’erreurs,

· Prise en compte plus simple par l’IA de cas complexes,

· Au total un processus d’analyse plus rapide.

Il est clair que l’IA dans ce contexte contribue ainsi à promouvoir les configurations organisationnelles qui améliorent la productivité du travail.

« Mais quels sont les inconvénients de ces nouveaux modes organisationnels ? »

Il y a rupture de la dynamique d’apprentissage pour l’analyste. Il va ainsi recherche de nouveaux modes d’apprentissage. Et en l’absence d’un processus existant, il va chercher à « apprendre » par lui-même, il ira voir par exemple le responsable de compte pour obtenir en direct des informations, créant de ce fait des procédures déviantes.

N’oublions pas que l’IA est aussi une machine « learning », la machine doit apprendre pour progresser, elle doit être « alimentée » par de nombreux cas, afin de réduire ses propres risques d’erreurs, nécessitant de ce fait l’intervention d’experts dont le rôle est de contrôler ses résultats. Il y a donc substitution du rôle du stagiaire par celui de l’expert, le bilan économique notamment devant être positif.

Conclusions et perspectives

Historiquement les « jeunes cadres », avec le statut de stagiaires dans les banques, acquéraient leurs compétences auprès de leur mentor, mais les machines IA risquent de les écarter pour des raisons de productivité.

Néanmoins on peut utiliser l’IA, aussi pour coacher les apprenants et les experts dans leur mentorat dans un processus « apprenants participatifs ». Ainsi experts et apprenants et machines IA travailleront et apprendront ensemble, en se focalisant sur l’apprentissage terrain.

Soulignons également l’opportunité que représenterait aussi pour les apprenants, la possibilité de devenir « data analyste » dans le domaine du crédit, en développant cette compétence transversale.