Le projet croissance

Alors que l’intelligence artificielle se généralise, le Canada est à la croisée des chemins : malgré ses centres de recherche de premier plan et son solide bassin de talents, le pays prend du retard dans la course à l’adoption de l’IA menée par les concurrents internationaux. Le problème ne réside pas dans un déficit de technologies ou de compétences, mais dans une sorte de blocage imaginatif, une incapacité généralisée des entreprises canadiennes, et notamment des PME, à percevoir l’intérêt et les avantages de l’IA pour leur activité. Le Canada, avec 12 % seulement des organisations qui ont intégré l’intelligence artificielle dans leur production ou leurs services, figure parmi les derniers en ce qui concerne l’adoption de l’IA dans l’OCDE. Les données de l’OCDE montrent également que le nombre de cas d’utilisation de l’IA envisagés par les sociétés canadiennes est plus restreint que dans les autres pays.

Les avantages sont pourtant sans équivoque. Un sondage récent de la Business Development Bank of Canada révèle que 97 % des PME qui utilisent l’IA constatent des avantages concrets. Les données de Statistique Canada montrent que l’incidence de l’IA sur la réduction des tâches est particulièrement marquée dans les entreprises de moins de 100 employés, ce qui souligne le fort potentiel de ces technologies pour les PME. Le sujet de l’adoption de l’IA figurait à l’ordre du jour du sommet du G7, qui s’est tenu à Kananaskis, en Alberta, puisque les chefs d’État se sont engagés à « redoubler d’efforts » en la matière afin d’améliorer la prospérité.

Pour mieux comprendre pourquoi les entreprises canadiennes peinent à adopter l’intelligence artificielle, Leadership avisé RBC s’est associé à la Munk School of Global Affairs and Public Policy de l’Université de Toronto pour réaliser plus d’une vingtaine d’entrevues approfondies avec des cadres supérieurs des secteurs privé et public et du monde des technologies au Canada. Voici ce que nous avons appris sur les freins rencontrés par les sociétés de toutes les tailles, et les enseignements tirés des organisations qui n’ont pas hésité à relever le défi de l’IA.  

1. Le dilemme du pionnier : des coûts certains, des avantages incertains

Parmi les entreprises qui tardent à se mettre à l’IA, certaines sont victimes d’une forme d’inertie : si les coûts d’adoption sont immédiats et bien concrets, les avantages semblent obscurs et distants. Pour les directeurs de la technologie, les projets liés à l’intelligence artificielle nécessitent des investissements initiaux conséquents, mais ils peuvent aussi coûter cher sur le plan de la réputation en cas d’échec. Comme l’admettent certains cadres interrogés, en optant pour une adoption tardive, la société prend le risque d’accumuler du retard par rapport aux concurrents qui ont pris les devants. Le pari est à double tranchant : agir rapidement et risquer de perdre le peu de capital et de personnel disponible, ou attendre et risquer de passer à côté d’un avantage concurrentiel.

Plusieurs dirigeants du secteur des technologies remarquent qu’à cause de ces incertitudes, l’obtention des autorisations est souvent repoussée de 6 à 12 mois. À cela s’ajoute une certaine frustration face au fait que bon nombre de chefs d’entreprise canadiens ne voient pas les avantages dont bénéficient déjà leurs concurrents grâce à l’IA. Les concepteurs de technologies affirment même convaincre davantage lorsqu’ils présentent leurs solutions d’IA aux divisions américaines des entreprises canadiennes.

Pour surmonter ces obstacles, les leaders recommandent de quantifier clairement les investissements dans l’IA en comparant les coûts de l’action immédiate à ceux de l’inaction. Certains outils comme les tableaux de bord permettant de calculer les « coûts du retard » peuvent aider les entreprises à prendre conscience de ce qu’elles ont à perdre.

2. Formation à l’IA : dépasser les appréhensions pour saisir les occasions

Par peur de perdre leur emploi ou par méconnaissance des avantages de cette technologie, les Canadiens se montrent sceptiques face à l’intelligence artificielle. Une étude KPMG récente montre que 79 % d’entre eux s’inquiètent des conséquences négatives de l’IA. On estime que dans le pays, moins d’un quart des employés ont déjà suivi une formation sur l’intelligence artificielle. La grande majorité des Canadiens ne l’a tout simplement pas suffisamment utilisée pour la démystifier.

Il est toujours utile d’avoir un défenseur de l’IA ou une unité opérationnelle dédiée à l’expérimentation et à la mise en œuvre, mais pour être adoptée largement, cette technologie ne doit pas rester la chasse gardée d’un petit nombre. Nos recherches montrent que les entreprises qui forment leur personnel bénéficient d’une expansion plus rapide des projets d’IA, d’une meilleure mobilisation des employés et d’une confiance générale accrue. La connaissance est un puissant catalyseur pour l’innovation continue et la différenciation concurrentielle.

Les organisations canadiennes qui ont adopté l’IA avec le plus de réussite reflètent les expérimentations menées à la base (employés « augmentés » qui rédigent déjà des consignes, déploient des correctifs et créent des prototypes grâce aux outils d’IA générative) dans le cadre d’une mission de transition voulue par la direction. Mais si la base est seule à agir, les TI « dans l’ombre » prolifèrent et les chefs de file s’essoufflent par manque de budget ou de pouvoir d’approbation des risques. À l’inverse, si la direction est seule à donner l’impulsion, les initiatives sont perçues comme imposées et le personnel ne manque pas de reprendre ses anciennes habitudes.

3. La paralysie du choix face à une multitude de cas d’utilisation

L’intelligence artificielle a ouvert un incroyable champ des possibles. Les technologues partent du principe que tous les processus, produits et points de contact des clients peuvent être automatisés. Mais l’abondance peut inhiber l’action et engendrer une sorte de « paralysie du choix ». Le blocage réside souvent dans le choix du tout premier cas d’utilisation. Pour accélérer le processus décisionnel, certaines entreprises font appel à l’expertise de leur personnel en organisant par exemple des « tournois de cas d’utilisation » afin d’évaluer leurs options.

Mais même lorsqu’un programme pilote est choisi et mis en place, les entreprises canadiennes de taille moyenne rencontrent souvent des obstacles importants au moment de les faire évoluer. Au cours de nos entrevues, nous avons relevé trois principaux freins aux initiatives liées à l’IA :

• Épuisement des financements : Il est fréquent que les aides publiques financent les équipements ou le personnel pendant les premières phases des projets seulement, et ne couvrent pas les coûts d’intégration, de formation et d’adaptation subséquents. De nombreux projets s’arrêtent prématurément parce que ces frais sont habituellement financés par les budgets opérationnels et non sous forme de dépenses en immobilisations.

• Perte des personnes motrices : Celles et ceux qui pilotent les projets, comme les directeurs d’usine ou les responsables TI, sont souvent promus ou mutés après le début du projet pilote. Leurs successeurs héritent alors des risques sans montrer le même enthousiasme et sans avoir une vision aussi claire du projet initial.

• Perte du rendement du capital investi en cours de route : Les avantages concrets essentiels pour l’expansion sont rarement abordés pour décider de la répartition des fonds propres. Les améliorations techniques proposées par les ingénieurs doivent se traduire par des projections claires en matière de flux de trésorerie. Les charges d’exploitation potentielles doivent donc être explicitement justifiées par des avantages sur le plan de la trésorerie, et non par des indicateurs abstraits comme le « nombre de défauts par millions d’opportunités ».

4. Données fragmentées et de piètre qualité

De nombreux cadres interrogés expliquent avoir dû faire des pieds et des mains pour rendre l’utilisation de l’IA possible, et insistent sur le caractère fondamental de l’architecture des données. Certains font aussi état d’une pénurie de données de production de qualité dans le secteur manufacturier. Comme il est par ailleurs problématique d’unifier différents ensembles de données, les difficultés au niveau de l’intégration des données finissent par mettre en échec ou retarder la mise en place de l’IA. Avant même d’envisager d’utiliser des outils d’intelligence artificielle, des investissements initiaux conséquents sont souvent nécessaires pour améliorer la qualité, la fiabilité et la gouvernance des données. Cette étape a tendance à être dissuasive pour les entreprises.

Il est primordial de renforcer les infrastructures de données du Canada en construisant de solides écosystèmes prêts pour l’IA. De nombreuses PME, dont près de la moitié ont plus de 20 ans, rencontrent d’importants obstacles pour adapter leurs anciens systèmes et leurs ensembles de données fragmentés. Dans les anciens systèmes de gestion de l’information, les données sont enregistrées dans des formats incompatibles, et elles sont truffées de lacunes et de doublons. Ce travail de nettoyage et de réparation de ces sources épuise souvent les équipes et les budgets bien avant que les avantages se concrétisent.

5.  Angles morts : de l’importance de ce que l’on ne soupçonne pas

Il n’est pas rare d’investir dans l’IA pour automatiser ce que l’on connaît (tâches répétitives) ou pour analyser les inconnues connues (questions que l’on peut formuler, mais auxquelles on ne peut répondre). Certaines grandes réussites découlent pourtant des inconnues inconnues, c’est-à-dire de ce qui manquait aux dirigeants, mais dont ceux-ci n’étaient pas conscients avant que le modèle d’IA ne le pointe du doigt.

En observant des années de données capteurs, de journaux d’appels ou de documents d’expédition, les modèles d’intelligence artificielle peuvent repérer des corrélations et des anomalies qui échappent à l’analyse humaine : une consommation électrique excessive sur une ligne de production, par exemple, ou des microcoupures à répétition sur un réseau de distribution, ou encore des occasions de ventes croisées insoupçonnées en commerce électronique. L’analyse des budgets, des indicateurs clés de rendement et des risques étant pensée pour certains problèmes définis, la capacité de l’IA à en révéler de nouveaux élargit les horizons opérationnels d’une entreprise.

6. Infrastructure numérique : le Canada est à la traîne en matière de capacité de calcul

De la même manière que la croissance économique reposait jadis sur les chemins de fer et les réseaux électriques, l’innovation nécessite aujourd’hui de solides capacités de calcul pour l’IA, c’est-à-dire des superordinateurs et des groupes d’UTG. Le Canada accuse pour l’instant un retard conséquent dans un contexte de demande croissante en matière d’entraînement et de déploiement de modèle d’IA de pointe. Derrière tous les pays membres du G7, le Canada possède huit à dix fois moins de puissance de calcul disponible par personne par rapport à d’autres pays comme les États-Unis. Ces lacunes nationales pourraient bien freiner les innovateurs canadiens, alors que certains pays proposent à leurs entreprises et chercheurs en IA des infrastructures conséquentes et subventionnées. Par ailleurs, le recours par les institutions canadiennes à des fournisseurs de services infonuagiques étrangers présente des risques accrus pour la souveraineté, la sécurité et la résilience économique en ce qui concerne les données sensibles et l’utilisation de l’IA au sein du gouvernement.

Les cadres interrogés expliquent que faire la queue pour accéder aux capacités de calcul nationales peut rallonger les délais d’entraînement de plusieurs heures, voire de plusieurs jours, ce qui fait drastiquement chuter la vitesse d’itération. Les règles sur les marchés publics et la prudence du secteur public en ce qui concerne les achats freinent aussi la constitution de groupes souverains susceptibles d’attirer des locataires majeurs. Sans « crédits d’utilisation » ciblés ni infrastructure commune, même les plus éminents chercheurs ne peuvent pas totalement commercialiser leurs modèles dans leur pays.

À l’échelle des provinces, certaines initiatives comme l’Artificial Intelligence Data Centres Strategy (stratégie en matière de centres de données pour l’intelligence artificielle), en Alberta, contribuent à aligner les atouts locaux (aptitudes ou énergie, par exemple) avec les perspectives économiques offertes par les infrastructures liées à l’intelligence artificielle. Ces projets viennent compléter avantageusement les stratégies fédérales qui incitent au développement général de ces infrastructures.

Certaines initiatives fédérales récentes, notamment la Stratégie canadienne sur la capacité de calcul souveraine pour l’IA et ses 2 milliards de dollars de budget, représentent des mesures importantes pour rattraper le retard. Le premier projet entrepris dans ce cadre, un partenariat national de superinformatique entre Cohere et CoreWeave, permettra ainsi aux entreprises d’IA canadiennes d’utiliser des ressources informatiques essentielles sur le territoire national. L’accélération et l’élargissement de ces investissements stratégiques pourraient renforcer considérablement les infrastructures liées à l’IA au Canada et permettre la mise au point de solutions rapide et sécurisée sans recours à des prestataires externes.

7.  Réglementation et politiques : entre redondance et incertitude

La responsabilité réglementaire est actuellement répartie entre plusieurs acteurs, notamment Innovation, Sciences et Développement économique Canada (ISDE), le Commissariat à la protection de la vie privée du Canada, le Bureau de la concurrence, ainsi que des organismes de réglementation sectoriels comme Santé Canada et Transports Canada. De plus en plus, les provinces élaborent leurs propres recommandations (modifications de Loi 25 du Québec concernant la vie privée, par exemple), ce qui donne naissance à ce que certains qualifient de « mini-UE » où coexistent 13 régimes distincts.

L’absence de leadership fédéral constitue un obstacle réglementaire majeur évoqué au cours de la plupart des entrevues. Les tentatives récentes, et notamment la Loi sur l’intelligence artificielle et les données, sont tombées à l’eau suite à des difficultés politiques. Cette loi a été critiquée pour ses exigences lourdes et excessivement prudentes en matière de conformité, mais aussi pour des lacunes procédurales et une mobilisation inadéquate des parties prenantes. Le Canada gagnerait à avoir un cadre réglementaire clair qui favorise l’innovation, implique une réelle participation du public et permet concrètement la mise en place de l’IA.

Cette absence de lignes directrices fédérales touche les PME, pilier de l’économie canadienne, de façon disproportionnée. Les plus petites entreprises aux ressources généralement limitées ont du mal à lire entre les lignes des ambiguïtés réglementaires et hésitent donc à investir dans l’intelligence artificielle. Les dirigeants du secteur des technologies interrogés par RBC sont nombreux à déplorer l’incertitude persistante et l’excès de prudence engendrés chez les entreprises par les effets d’annonce répétés qui ne sont jamais suivis de recommandations concrètes. Inquiètes des futurs coûts de conformité en cas de durcissement des réglementations, les organisations se cantonnent donc aux cas d’utilisation classiques de l’IA. Un peu de clarté serait réellement bénéfique.

Conclusion : cinq conseils pour les dirigeants

Malgré les obstacles, nombreuses sont les entreprises canadiennes qui ont réussi à intégrer l’IA dans leur activité et qui en retirent des avantages concurrentiels. Pour réussir, les entreprises :

• Quantifient ce qui leur coûterait d’agir et de ne rien faire pour s’assurer que la répartition des fonds propres est décidée en connaissance de cause, en sachant les risques et les avantages de l’IA

• Sensibilisent leurs employés aux avantages de l’IA et leur apprend à utiliser ces technologies, à la fois pour les faire avancer dans leur carrière et pour accroître l’efficacité opérationnelle de l’organisation

• Sortent de la torpeur liée à la paralysie du choix en intégrant des employés dans le processus d’évaluation et en leur donnant les moyens de mettre en œuvre des solutions

• Investissent dans la gouvernance des données pour disposer de données uniformisées, consolidées et prêtes pour l’IA

• Définissent un budget « exploratoire » en réservant une partie des dépenses annuelles dédiées à l’IA à l’exploration de données ouverte afin de ne pas passer à côté d’occasions difficiles à repérer ; en cultivant cet état d’esprit chez leur personnel, ces entreprises transforment chaque nouvel ensemble de données en terrain de chasse permettant de repérer des sources d’inefficacité cachées et des occasions de croissance