Reid Mckay Archives

Conquérir la dernière frontière de la numérisation, un repas à la fois

Ritual vise principalement à réunir les mondes physique et numérique grâce à la rentabilisation de l’expérience locale, en personne.

L’intelligence artificielle (IA) s’apprête à redéfinir la création de valeur dans l’ensemble de l’économie canadienne. Pour comprendre cette transformation, Leadership avisé RBC a interviewé plus de deux douzaines d’entreprises qui jouent un rôle de premier plan dans la création ou le déploiement de l’IA dans le cadre de leur programme pour Ouvrir les esprits : comment les entreprises canadiennes peuvent devenir des chefs de file mondiaux dans l’adoption de l’IA. Le rapport expose les tendances issues de ces conversations.

En nous appuyant sur ce rapport, notre série d’études de cas va un peu plus loin. Nous suivons ici comment Manuvie, un assureur mondial et gestionnaire d’actifs, a utilisé l’IA générative comme catalyseur pour repenser la façon dont l’organisation apprend, partage et met à l’échelle de nouvelles idées. L’expérience de l’entreprise montre que l’adoption réussie de l’IA n’est pas seulement un défi technologique, c’est un défi de renforcement des capacités, de gouvernance et d’autonomisation des
personnes de travailler différemment.

Sommaire

Manuvie, un gestionnaire d’actifs mondial dont le siège social est situé au Canada, a vu dans l’IA une occasion d’aller au-delà des gains d’efficacité incrémentiels et de repenser ses produits et ses activités. La direction a jugé le secteur « trop à l’aise », a établi l’ambition de devenir un leader en matière de clientèle numérique et a considéré le grand modèle de langage d’OpenAI en 2022 comme un point de bascule. Une séance pratique à l’intention de la direction a transformé l’IA d’une expérience de niche en un point à l’ordre du jour du chef de la direction, signalant que pour avoir une incidence réelle, il faudrait une structure, une gouvernance et une intégration, et non des projets pilotes ponctuels.

Développer la capacité d’absorption (infrastructure). Manuvie a créé une pile d’apprentissages à plusieurs niveaux et a intégré environ 200 experts en science des données et en apprentissage automatique. Elle a aussi utilisé des rituels de leadership pour accroître le « stock de connaissances antérieures », afin de pouvoir absorber et intégrer plus rapidement les nouvelles avancées de l’IA.

Institutionnaliser la capacité d’adaptation (le moteur). Les responsables ont normalisé la copie : si une équipe créait quelque chose d’utile, les autres le réutilisaient. Cette approche a permis de transformer des victoires isolées en stratégies communes et de diffuser rapidement les améliorations. En intégrant cette habitude, Manuvie a accéléré le cycle d’adoption, d’invention, de sélection et d’expansion, renforçant ainsi sa capacité d’adaptation et d’innovation.

Équilibrer vitesse et sécurité (gouvernance axée sur les résultats). Les principes d’IA responsable, les cadres élargis de gestion du risque lié aux modèles, les examens interfonctionnels et la télémesure en temps réel ont permis de traiter l’itération rapide et la surveillance rigoureuse comme des compléments, et non comme des projets pilotes ponctuels.

Nous étions au milieu de l’année 2020. Jodie Wallis, alors chef mondial des analyses de Manuvie, avait convoqué les principaux cadres dirigeants de la société dans une salle du Conseil à Toronto. Elle savait que cette réunion marquerait un tournant : le dernier grand modèle de langage (GML) révolutionnaire d’OpenAI, GPT^[1]-2, venait d’être lancé et, avec une puissance près de 100 fois supérieure à celle des modèles précédents, les implications du GPT-2 allaient bien au-delà de la technologie elle-même. Pour Manuvie, un assureur de plus de 137 ans fondé sur la précision actuarielle et la discipline au chapitre du risque, la question était de savoir si cette nouvelle capacité serait considérée comme une nouveauté passagère ou comme le déclencheur d’un changement plus profond.

Pendant des années, l’IA à Manuvie était synonyme de prédiction et d’automatisation : modèles de tarification, dépistage des fraudes, évaluation des indices. Même si la frontière avait été repoussée avec des modèles d’apprentissage automatique capables de créer des images hyper réalistes, ces applications restaient confinées au domaine de l’informatique. Elles étaient utiles et très impressionnantes, mais restaient dans les limites des attentes.

Pour Mme Wallis, les grands modèles de langage, comme GPT, ont brisé ces limites. Conçus pour un échange itératif, ils ont créé de la valeur non pas grâce à un résultat unique, mais grâce à un dialogue continu, faisant passer la dynamique de la commande et de la réponse à quelque chose qui se rapproche de la collaboration. Les GML pouvaient désormais raisonner avec une cadence semblable à celle des humains, invitant à la conversation plutôt qu’aux instructions. La percée n’était pas une « réponse » plus raffinée, mais la capacité du modèle à augmenter de manière si fluide la requête elle-même, générant de nouvelles directions de pensée et de découverte.

Ce passage de tâches limitées à une démarche exploratoire ouverte était aussi déstabilisant qu’exaltant. Mme Wallis a décrit ce moment avec une franchise inhabituelle : « Notre secteur a été trop à l’aise. Cette technologie n’est pas qu’un simple outil de plus, elle représente un tournant. Soit nous l’exploitons, soit nous risquons d’être transformés par elle. »

Autour de la table, les réactions ont été variées : curiosité, enthousiasme, appréhension. Le défi était immédiat. Manuvie devait-elle considérer l’IA générative comme une expérience marginale ou comme la nouvelle trajectoire de l’entreprise elle-même ? Mme Wallis était elle-même convaincue de la réponse, mais elle savait aussi que la technologie était encore à l’état embryonnaire, peut-être trop pour que le conseil d’administration l’accepte pleinement. Ce choix allait imposer des décisions difficiles sur les plans de la stratégie, de la gouvernance, de la culture et des investissements, le tout à une vitesse fulgurante, à mesure que la frontière avançait.

Dans ces moments de bouleversement technologique, les conseils d’administration se tournent vers des personnalités comme Mme Wallis pour distinguer les tendances passagères des forces transformatrices. Contrairement aux technologues-devins populaires à l’époque, sa tâche était lourde de conséquences : prévoir comment l’IA générative pourrait remodeler une institution fondée sur la discipline actuarielle et veiller à ce que Manuvie saisisse l’occasion plutôt que d’être dépassée par elle. En cadrant correctement le moment, une nouvelle valeur pouvait être libérée ; en le sous-estimant, les conséquences pouvaient être existentielles.

Mais la prévoyance seule ne suffisait pas. Mme Wallis savait qu’aucun mémo ni présentation PowerPoint ne pouvait rendre compte des implications de l’IA générative. Les mots sur une page risquaient d’être rejetés comme des résumés analytiques. La seule façon d’avancer était la confrontation directe. Pour combler ce fossé, il fallait en faire l’expérience. Heureusement, la technologie elle-même offrait une réponse : la possibilité de retourner la boule de cristal et de laisser les sceptiques y jeter un coup d’œil par eux-mêmes.

Elle a donc placé une tablette électronique devant chaque dirigeant, préchargée avec le dernier modèle d’OpenAI, et les a invités à le tester et à lui poser les questions qu’ils auraient pu lui poser autrement. La salle est devenue silencieuse lorsque les écrans se sont allumés avec des invites clignotantes. Un par un, les cadres supérieurs de Manuvie ont commencé à converser avec GPT-2, observant la génération de réponses fluides en temps réel. L’exercice était d’une simplicité désarmante, mais il a changé l’atmosphère. En quelques minutes, la conversation est passée de « est-ce réel ? » à « qu’est-ce que cela signifie pour nous ? » – un revirement que des mois de mémos et de réunions n’auraient jamais pu accomplir.

C’est la décision de Mme Wallis de faire vivre à ses collègues cette nouvelle frontière qui a convaincu la direction. Mais elle savait que la conviction seule ne suffirait pas. Pour porter ses fruits, elle devait être intégrée à l’infrastructure, puis à la capacité d’adaptation. Avec cette expérience en salle du Conseil, Mme Wallis a mis en mouvement le mécanisme (conviction, infrastructure, adaptation) qui allait permettre à Manuvie de traverser l’un des changements technologiques les plus profonds de son histoire. Manuvie s’est ainsi jointe à un petit groupe de géants de la finance qui positionnent le Canada à l’avant-garde de la transformation de l’IA.

Pour comprendre le déroulement de ce parcours, Leadership avisé RBC s’est entretenu avec Jason MacDonald, chef du personnel du Bureau du chef de la direction, et Jodie Wallis, aujourd’hui chef mondiale de l’intelligence artificielle de l’entreprise, afin d’explorer comment eux et leurs collègues ont guidé un assureur de 72 milliards de dollars à travers l’un des changements technologiques les plus profonds de son histoire.

Top Idée n^o 1 : Montrer, ne pas dire : créer une conviction au sommet

Il est essentiel d’obtenir un appui solide de la part des cadres dirigeants dès le début de toute initiative transformationnelle. Mme Wallis avait compris que les dirigeants devaient faire l’expérience de l’IA par eux-mêmes. Ce faisant, elle a mis en pratique ce que la théorie de la diffusion des innovations d’Everett Rogers avait démontré depuis longtemps : les nouvelles idées se répandent plus rapidement lorsqu’elles peuvent être mises à l’essai (sans risque, dans des conditions de faible risque) et qu’elles sont observables (lorsque les pairs peuvent voir les résultats de leurs propres yeux). Ensemble, ces conditions transforment une technologie abstraite en quelque chose d’assez tangible pour y croire.

Une fois que quelques voix respectées ont trouvé l’outil utile (en posant des questions de suivi, en lisant à voix haute des résultats fonctionnels), la possibilité d’essai a été satisfaite : les cadres dirigeants pouvaient expérimenter de façon pratique et à faible risque. Et comme ces expériences se sont déroulées en public, l’observabilité s’est imposée : les collègues pouvaient observer, comparer les réactions et voir le système fonctionner en temps réel. Ce qui aurait pu être une expérience en solo est rapidement devenu un moment d’exploration partagé. Le renforcement entre pairs a permis de dissiper le scepticisme et de susciter la curiosité, car la technologie ne semblait plus risquée ou abstraite.

Mais la conviction seule ne suffit pas. Pour avoir une incidence, elle devait se traduire par une infrastructure qui permettrait à Manuvie d’absorber et d’étendre ce que les dirigeants avaient constaté. C’est là qu’intervient la capacité d’absorption.

Infrastructure Idée n^o 2 : Capacité d’absorption : construire une infrastructure de connaissances

Une simple démonstration, aussi convaincante soit-elle au niveau individuel, s’estompe à moins que l’organisation dans son ensemble ne puisse transformer ce qu’elle a vu en une capacité reproductible. C’est là qu’intervient la capacité d’absorption, c’est-à-dire la capacité d’une entreprise à reconnaître la valeur de nouvelles données, à les assimiler et à les appliquer à des fins commerciales (l’infrastructure qui rend possible l’adaptation ultérieure). Les recherches sur la capacité d’absorption, menées pour la première fois par les professeurs Wesley Cohen et Daniel Levinthal dans les années 1990, mettent en évidence deux fondements de cette infrastructure :

Les connaissances sont cumulatives et dépendent du parcours : elles s’acquièrent plus rapidement à partir de ce que les gens savent déjà, ce qui signifie que les connaissances antérieures constituent une base pour l’apprentissage futur.

L’étendue des connaissances élargit la portée de l’absorption : les organisations qui disposent de vastes connaissances antérieures peuvent intégrer et appliquer plus efficacement les nouvelles idées externes.

La capacité d’absorption concerne, c’est-à-dire la constitution d’une base de connaissances et d’activités courantes nécessaires pour intégrer de nouveaux outils. La capacité d’adaptation (dont il est question dans l’idée n^o 3) consiste à modifier ou à reconfigurer ces activités lorsque la frontière change et que les anciennes voies ne sont plus adaptées. Manuvie avait besoin des deux, mais elle a commencé par mettre en place délibérément l’infrastructure d’absorption nécessaire pour permettre à l’organisation d’apprendre. Ce faisant, l’équipe de Mme Wallis a considéré la culture et les aptitudes comme des piliers aussi importants que la technologie et a conçu une structure d’apprentissage à plusieurs niveaux :

IA 101 pour toute personne intéressée,

rédactique avancée et science des données pour les utilisateurs expérimentés, et

modules personnalisés pour les cadres dirigeants, offerts en partenariat avec des universités.

Elle a ensuite intégré l’IA aux rituels de leadership. Par exemple, lors de la conférence mondiale sur le leadership de Manuvie, des cadres supérieurs ont présenté à leurs pairs des solutions élaborées par le personnel, créant ainsi un langage commun s’appliquant aux cas d’usage et à la gouvernance. L’objectif n’était pas seulement de sensibiliser, mais aussi de donner à tous les niveaux de l’entreprise, du personnel de première ligne à la salle du Conseil, suffisamment de contexte pour reconnaître les domaines dans lesquels l’IA était pertinente et l’intégrer dans le travail quotidien.

Selon MM. Cohen et Levinthal, Manuvie augmentait de façon constante son stock de connaissances antérieures, de sorte que chaque nouvelle vague technologique pouvait être absorbée et recombinée plus rapidement. Les actions de Mme Wallis correspondaient directement aux deux conditions qu’ils décrivaient : la formation et les rituels ont rendu l’apprentissage cumulatif en s’appuyant sur ce que le personnel connaissait déjà, et la large participation de l’ensemble du personnel a élargi la base de connaissances disponibles. Dans un secteur souvent décrié comme « trop à l’aise », cela a donné à Manuvie un avantage distinctif : la capacité de s’appuyer sur de nouveaux outils et de les intégrer à ses activités courantes de façon à accumuler des avantages au fil du temps.

Mais l’infrastructure seule ne suffit pas. Une fois ces fondations en place, le défi a consisté à maintenir l’élan lorsque la frontière a changé et que les anciennes voies n’étaient plus adaptées. Cela nécessitait une capacité différente : la capacité adaptative, le moteur qui fait tourner le volant.

Idée n^o 3 : Capacité d’adaptation : le volant de l’innovation

Lorsque Roy Gori, chef de la direction de l’époque, a averti que le secteur était devenu « trop à l’aise », Mme Wallis savait que cette complaisance était dangereuse dans un domaine où de nouveaux modèles et de nouvelles applications d’IA émergeaient à un rythme effréné, entraînés par de nouveaux flux de capitaux massifs. La capacité d’absorption avait déjà donné à Manuvie l’infrastructure nécessaire pour apprendre et intégrer des outils d’IA dans toute l’entreprise. Le défi suivant était l’agilité : faire en sorte que la réponse de l’entreprise aux progrès technologiques soit tout aussi rapide et dynamique. L’adoption ne pouvait pas être un événement ponctuel ; elle devait devenir itérative. Cette idée a ouvert la voie à la capacité d’adaptation, le moteur qui convertit l’adoption en réinvention continue.

Research underscores why this engine is critical. Prior adoption experience is the single strongest predictor of inventive capacity: organizations learn to invent by first copying. Yet when firms switch paths—moving to new models or methods —performance often dips before it recovers, as old mental models stop fitting the new approach. Adaptive capacity is therefore the discipline of riding out that trough and recovering faster, turning temporary disruption into cumulative learning. Manulife operationalized this discipline through a set of deliberate routines. La recherche souligne l’importance de ce moteur. L’expérience antérieure en matière d’adoption est le facteur le plus déterminant de la capacité d’innovation : les entreprises apprennent à innover en copiant d’abord. Pourtant, lorsque les entreprises changent de cap, en adoptant de nouveaux modèles ou de nouvelles méthodes, leur rendement baisse souvent avant de se redresser, car les anciens modèles mentaux ne correspondent plus à la nouvelle approche. La capacité d’adaptation consiste donc à surmonter ce creux et à se redresser plus rapidement, transformant ainsi une perturbation temporaire en apprentissage cumulatif. Manuvie a mis cette discipline en pratique au moyen d’une série d’activités courantes délibérées.

Adoption → intégrer de nouveaux outils, pratiques ou modèles élaborés ailleurs et les intégrer aux activités courantes de l’organisation.

Sélection et expansion → filtrer ce qui fonctionne, l’intégrer aux activités courantes et étendre les solutions éprouvées à toute l’entreprise.

Invention → créer des solutions originales à l’interne, sans s’appuyer sur des modèles externes.

Manuvie a délibérément mis en place cette discipline. S’appuyant sur de solides connaissances en matière d’IA dans l’ensemble de l’entreprise, la direction s’est efforcée de faciliter les processus d’adoption en normalisant la copie comme précurseur de l’invention. Mme Wallis a institué des « marathons de requête » et des conférences de direction au cours desquels les outils conçus par le personnel étaient présentés, créant ainsi un langage commun axé sur la valeur et le risque. Ces rituels ont permis de légitimer l’emprunt, le perfectionnement et l’extension de ce qui fonctionnait, afin que l’adoption ne se limite pas aux premiers enthousiastes, mais qu’elle se répercute dans toute l’entreprise. Selon MM. Cohen et Levinthal, il s’agissait d’augmenter constamment le stock de connaissances antérieures de l’entreprise afin que, lorsqu’un changement de cap se présentait (qu’il s’agisse d’un nouveau modèle, d’une nouvelle plateforme ou d’une nouvelle application), l’organisation puisse l’absorber et l’appliquer plus rapidement.

Deuxièmement, Mme Wallis a délibérément conçu un système permettant un changement de cap en toute sécurité. Une pile indépendante des fournisseurs et compatible avec le nuage permettait de changer de modèle « même quotidiennement », faisant du changement technologique une routine gérée plutôt qu’une réinitialisation perturbatrice. Les décisions en matière d’expansion étaient liées à des résultats commerciaux clairs (augmentation des revenus, réduction des coûts, réduction des risques ou productivité) de sorte que les réorientations créent de la valeur plutôt que du bruit.

Enfin, elle a intégré une capacité de sélection, c’est-à-dire la discipline nécessaire pour éliminer rapidement les idées faibles et développer celles qui sont gagnantes. Des forums interfonctionnels et un financement axé sur les résultats ont permis de ne pas perdre de vue les éléments du portefeuille, de sorte que la capacité d’absorption s’est renforcée au lieu de s’éroder.

Ensemble, ces activités courantes ont formé la roue de l’innovation de Manuvie : l’expérience d’adoption a généré l’invention ; les activités courantes de sélection ont filtré le bruit ; l’architecture flexible a permis un changement de cap en toute sécurité ; et la boucle a redémarré de plus belle à chaque cycle.

Capacité d'adaptation : le volant de l'innovation

Idée n^o 4 : Gouvernance responsable : trouver le juste équilibre entre rapidité et sécurité

Dès le départ, l’entreprise a fait de la gouvernance responsable de l’IA un choix de conception. En l’absence de règles nationales claires, elle a créé ses propres principes et règles d’exploitation en matière d’IA responsable pour s’assurer que l’expérimentation et le déploiement respectent les exigences en matière d’éthique, de protection des renseignements personnels et de conformité.

Manuvie a élargi ses cadres de gestion du risque lié aux modèles existants afin de s’attaquer aux défis propres à l’IA générative, c’est-à-dire vérifier les fournisseurs tiers, surveiller les résultats afin de déceler les biais ou les hallucinations, et exiger des évaluations continues du rendement pour chaque modèle en production. Un comité de gouvernance interfonctionnel a examiné les cas d’usage pour détecter les risques liés à l’éthique et à la protection des renseignements personnels, en harmonisant les politiques aux directives mondiales en constante évolution. La gouvernance a été intégrée comme processus évolutif, et non comme politique statique.

Manuvie a considéré l’itération rapide et la surveillance stricte comme des compléments, et non comme des compromis. La surveillance continue des modèles (suivi de la précision, de la dérive et de l’utilisation) a été utilisée pour renforcer les contrôles en temps réel. Cette approche axée sur les résultats a permis aux modèles de rester en production tant qu’ils respectaient les seuils d’erreurs et de biais, et d’être ajustés ou retirés dès qu’ils ne les respectaient plus. L’itération était la bienvenue, mais jamais au détriment de la confiance.

Cette approche proactive a permis à Manuvie d’étendre rapidement et de façon responsable l’IA générative, renforçant ainsi la confiance des équipes de conformité, de la clientèle et des décideurs, même en l’absence de réglementation claire. La leçon plus générale à tirer est que les entreprises exerçant leurs activités dans des secteurs sensibles ne devraient pas considérer la réglementation comme un frein. En s’imposant des principes, en mettant en œuvre une surveillance opérationnelle et en démontrant aux organismes de réglementation qu’il est possible de poursuivre l’innovation de façon responsable, les entreprises peuvent devancer l’incertitude. Pour les décideurs, la leçon à retenir est tout aussi importante : la mise en place d’une surveillance en temps réel et de garde-fous axés sur les résultats peut assurer la sécurité plus rapidement que des contrôles de conformité ponctuels et normatifs.

Résultats à De l’expérimentation à la transformation

Un an seulement après avoir adopté l’IA générative, Manuvie en est venue à une adoption généralisée à une vitesse que peu d’entreprises établies peuvent égaler. Son assistant propriétal, ChatMFC, est passé du stade de projet pilote à une quasi-omniprésence : en quelques mois, 40 % de ses employés l’utilisaient chaque mois, et au début de 2025, plus de 75 % de l’effectif mondial était activement mobilisé autour des outils, des formations et des cas d’usage liés à l’IA générative. L’adoption ne s’est pas limitée aux équipes technologiques ; elle a touché presque toutes les fonctions, qu’il s’agisse des ventes et du service ou des activités administratives.

L’incidence sur la productivité a été tout aussi frappante. Dans les centres d’appels, les outils d’IA ont permis de réduire de 30 à 40 secondes la durée moyenne des appels sans diminuer la satisfaction clientèle. Dans toute l’entreprise, l’IA générative n’était plus un projet connexe, elle était intégrée dans le flux de travail quotidien.

Les gains en matière de contact clientèle ont été encore plus visibles. Les nouveaux conseillers se sont familiarisés plus rapidement avec leur travail, en ayant recours à l’accompagnement par IA pour s’entraîner et affiner les interactions. Parallèlement, les conseillers ont rapporté que l’IA leur avait permis de se concentrer sur les relations clientèle, produisant un résultat anormal pour une initiative technologique, à savoir une efficacité accrue et un engagement humain plus profond.

Au niveau stratégique, la roue était lancée. À la mi-2025, Manuvie comptait plus de 35 cas d’usage de l’IA générative en production et 70 autres en attente. Les premiers déploiements ont à eux seuls généré environ 4,7 millions de dollars de bénéfices, tandis que le programme de transformation numérique plus large (fondé sur l’IA) a rapporté plus de 600 millions de dollars de bénéfices en 2024, sous forme d’économies, de nouvelles ventes et de meilleurs résultats en matière de gestion du risque. Pour l’avenir, l’entreprise anticipe un triplement du rendement de ses investissements dans l’IA sur cinq ans. Ces résultats confirment que les choix de conception de Manuvie (mobilisation active des cadres dirigeants, expansion en fonction des résultats, gouvernance selon le principe de version bêta perpétuelle) ont transformé l’IA, qui est passée d’une nouveauté à une capacité institutionnelle.

Chiffres


1,6T$	Actifs sous gestion
35 M	Clients dans le monde
53 G$	Capitalisation boursière
5,1 G$	Revenu net
38 000	Nombre d’employés
200	Experts en science des données et en rédactique intégrés dans toutes les équipes
600 M$	Avantages attribués à la transformation numérique (avec l’IA comme élément central) en 2024
Plus de 75	Cas d’usage de l’IA déployés d’ici la fin de 2025
75 %	Part de l’effectif mondial de Manuvie mobilisé dans l’IA générative

Télécharger le rapport

Télécharger

Responsable de projet

Reid McKay, directeur général, Politique de technologie, Leadership avisé RBC

Collaborateurs

Nora Bieberstein, directrice générale, Programmes stratégiques, Leadership avisé RBC

Yadullah Hussain, directeur de rédaction, Leadership avisé RBC

Un merci tout spécial à Janice Stein, directrice générale et fondatrice de la Munk School of Global Affairs & Public Policy, ainsi qu’à Nicole Harris et Avaani Singh, étudiants diplômés à la Munk School of Global Affairs & Public Policy.

Legal Disclaimer¹

Transformateur génératif préentraîné

Conquérir la dernière frontière de la numérisation, un repas à la fois

Ritual vise principalement à réunir les mondes physique et numérique grâce à la rentabilisation de l’expérience locale, en personne.

L’intelligence artificielle (IA) est sur le point de redéfinir la création de valeur dans l’ensemble de l’économie canadienne. Pour comprendre cette transformation, Leadership avisé RBC a interviewé plus d’une vingtaine d’entreprises qui jouent un rôle de premier plan dans la création ou le déploiement de l’IA. Ces entretiens sont synthétisés dans notre rapport intitulé Ouvrir les esprits : comment les entreprises canadiennes peuvent devenir des chefs de file mondiaux dans l’adoption de l’IA. Pour approfondir la question, nous avons réalisé plusieurs études de cas. Dans cet article, nous verrons comment Schneider Electric, poids lourd mondial dans le domaine de la gestion de l’énergie et de l’automatisation industrielle, a su utiliser les problèmes de chaîne logistique rencontrés pendant la pandémie pour repenser son fonctionnement grâce à l’intelligence artificielle. L’expérience de cette entreprise française montre qu’un déploiement réussi de l’IA ne peut reposer sur des projets pilotes ou de petites victoires isolées, et nécessite au contraire structure, gouvernance et intégration dans le modèle d’affaires.

Résumé (FACULTATIF)

La validation interne, une étape cruciale. Schneider Electric a montré la valeur de l’intelligence artificielle tant à l’interne que dans ses offres à la clientèle. La société a commencé par mener des projets dans la chaîne logistique qui ont dégagé des millions afin d’investir dans des outils prédictifs capables de réduire les temps d’arrêt. Cette réussite interne lui a permis de prendre suffisamment confiance pour intégrer l’IA directement dans ses produits et services.

Faire de la gouvernance un avantage. Au lieu de traiter la loi européenne sur l’intelligence artificielle comme une tracasserie administrative de plus, Schneider Electric en a fait un élément de son cahier des charges de conception, intégrant ainsi le respect des réglementations au sein même de son pipeline d’exploitation de l’apprentissage automatique. En plus de faciliter l’adoption à l’interne, cette démarche a suscité la confiance des clients.

La centralisation est indispensable pour un déploiement pérenne. Cette plateforme IA de 350 personnes, qui a des liens directs avec la prise de décision au niveau exécutif, réunit expertise rare et outils normalisés. Dans ces conditions, l’IA devient une capacité reproductible plutôt qu’une série d’expérimentations éparses.

Souveraineté et leadership, les deux conditions pour réussir dans le temps. En mettant l’accent sur la confiance et la conformité, Schneider Electric met toutes les chances de son côté pour prospérer dans un monde où l’emplacement et la souveraineté des données façonnent de plus en plus la concurrence industrielle.

S’agissant de la fabrication des appareils électroniques, on pense souvent aux puces intelligentes, aux processeurs, aux graphiques et aux condensateurs. En réalité, ce sont tous les composants de la mécanique cachée qui font tourner la machine aussi efficacement : des réseaux d’interrupteurs, de capteurs, de lecteurs, de panneaux de commande et de systèmes interconnectés de l’internet des objets (IdO) qui, sans bruit, de manière fiable et sûre, allument les lumières, font monter et descendre les ascenseurs et empêcher la surchauffe des serveurs.

Schneider Electric fait partie des géants qui font tourner cette architecture invisible. Avec 38,2 milliards d’euros de chiffre d’affaires annuels¹, 177 000 employés et une présence dans plus de 100 pays, la multinationale française fondée en 1836 fabrique les circuits et les systèmes de contrôle indispensables au bon fonctionnement des bâtiments, des usines, des réseaux et des centres informatiques.

² Schneider Electric est présente au Canada³ depuis plus de 100 ans et compte environ 3 000 employés dans 10 provinces différentes. Ses produits sont installés dans 40 % des bâtiments d’habitation et 50 % des immeubles commerciaux du pays⁴.

La contribution de Schneider à l’économie mondiale est double, puisque l’entreprise fournit⁵ le matériel et les logiciels qui rendent la vie moderne possible, et elle est à la tête de l’une des plus grandes chaînes logistiques industrielles⁶.

Mais même les mastodontes de la chaîne logistique comme Schneider n’ont pas été épargnés par l’onde de choc de la pandémie. Fin 2020, la COVID-19 fait fortement fluctuer la demande : les entrepôts regorgent d’invendus et les usines peinent à trouver des pièces. Dans l’ensemble du réseau des 162 usines⁷, sur environ 300 000 références⁸ et 20 000 fournisseurs, le chiffre d’affaires chute mécaniquement de 6,4 %⁹ au premier trimestre de 2020 par rapport à l’année précédente. Des milliards d’euros sont en jeu.

Face à ces difficultés, Schneider est forcé de prendre une décision. Au lieu de continuer à adapter les systèmes existants, elle choisit de miser sur l’apprentissage automatique.  En commençant progressivement sur les sites de production d’appareillage de commutation en Amérique du Nord, l’équipe chargée de l’IA entraîne un modèle avec amplification de gradient sur trois ans d’historique de commandes, d’indicateurs macroéconomiques et de données sur la mobilité pendant la pandémie. Six semaines plus tard, la précision des prévisions avait augmenté de plus de 10 %, les stocks de sécurité avaient diminué d’un tiers et le projet avait déjà permis de réaliser des économies considérables. Cet essai a ouvert la voie à une exploration plus approfondie des capacités de l’IA, qui a donné d’excellents résultats dans le domaine de la gestion de l’énergie. La décision stratégique d’élargir ces initiatives à l’échelle mondiale a donné naissance à la plateforme IA de Schneider Electric.

Comment Schneider Electric a-t-elle transformé plusieurs projets pilotes d’IA en un centre d’envergure internationale tout en se positionnant en leader dans le déploiement de l’IA en entreprise ? L’équipe Leadership avisé RBC s’est entretenue avec Cédric Bureau, premier directeur de produit, Intelligence artificielle à Schneider Electric, pour décortiquer les quatre stratégies mises en place par la société pour mettre en place ses solutions d’IA ainsi que les leçons à en retirer.

Leçon 1 : Un déploiement de l’IA en deux volets

« Le déclic s’est fait quand on a constaté les résultats d’un projet pilote en interne. Celui-ci nous permettait non seulement de régler des problèmes, mais aussi de créer quelque chose qui ouvrait de nouvelles perspectives pour nous et notre clientèle. » Cédric Bureau

À l’interne, dans le cadre de son programme de déploiement de l’IA, Schneider a mis en place des modèles d’apprentissage automatique dans la planification de la chaîne logistique et en production. La vision artificielle et les analyses de vibrations ont commencé à fournir des renseignements à l’IA et à prédire les pannes, ce qui a accru la productivité et le temps de fonctionnement des systèmes, et amélioré l’efficacité énergétique. En parallèle, Schneider a intégré l’intelligence artificielle dans les outils de tous les jours (assistants virtuels et copilotes pour les RH et les ingénieurs, logiciels améliorés pour faire des économies d’énergie) de sorte que les projets pilotes se traduisent en outils de travail pour les équipes.

Le réel tournant a eu lieu lorsque ces outils ont été intégrés aux offres à la clientèle. Un modèle de détection des anomalies, utilisé à l’origine pour surveiller le rendement thermique des bâtiments et détecter les surconsommations énergétiques, fait désormais fonctionner le module EcoStruxure Building Advisor¹⁰, qui signale les anomalies dans la consommation électrique et règle automatiquement les systèmes de chauffage, ventilation et climatisation. Le passage des relevés Excel manuels à la modélisation de la consommation énergétique des bâtiments optimisée par l’IA a été très avantageux pour les clients, qui ont notamment pu réaliser des économies considérables sur les coûts d’exploitation dans 50 sites, et réduire de 2 à 5 % leur consommation d’énergie.

Désormais, ces deux volets de l’application de l’IA se renforcent l’un l’autre. La stratégie de déploiement de l’intelligence artificielle de Schneider fait figure de référence en ce qui concerne l’intégration des projets pilotes en production, dans les outils au sein de l’entreprise, puis dans les produits. Le tout est piloté par une plateforme IA qui gère la rotation des spécialistes sur les différents projets, normalise les outils et la gouvernance et construit le savoir-faire en matière d’IA à l’échelle de l’entreprise. Cette évolution parallèle des deux volets facilite la transposition des développements de l’IA dans la production : les modèles qui ont fait leurs preuves sont industrialisés, documentés et intégrés aux offres, tandis que les données de télémétrie issues des produits fournissent de nouvelles données pour le cycle suivant. Les gains d’efficacité à l’interne permettent d’alimenter la recherche et le développement : chaque réussite en production devient une fonctionnalité potentielle d’un futur produit.

À retenir : L’entreprise doit être utilisée comme banc d’essai, et les capacités humaines comme technologiques doivent être développées en parallèle pour innover en matière d’IA. Lorsqu’une solution porte ses fruits au sein de l’entreprise, elle renforce la crédibilité de la technologie et réduit les risques liés aux cas d’usages similaires. Pour Schneider, pouvoir affirmer qu’elle utilise elle-même l’outil à grande échelle au sein de sa société accroît les perspectives de ventes auprès des clients méfiants.

Leçon 2 : 350 experts au service d’un seul et même « cerveau »

« L’intelligence artificielle a dépassé le cycle d’engouement dans l’entreprise. Elle fait maintenant partie des habitudes de travail quotidiennes. » Cédric Bureau

Il aurait été impossible de tenir le rythme avec une multitude de projets pilotes lancés dans un réseau de 162 sites répartis sur cinq continents. Fin 2021, Schneider a donc créé une plateforme IA internationale¹¹ avec des centres dans trois villes : Boston, Paris et Bangalore. En 12 mois, la plateforme s’est enrichie d’environ 350 experts en science des données, ingénieurs, exploitation de l’apprentissage machine et directeurs de produit, ainsi que d’une équipe interne chargée de la conformité. Pour qu’elle puisse suivre le rythme des évolutions technologiques, la plateforme a été placée sous la houlette d’un directeur de l’IA relevant du comité exécutif. Toutes les décisions stratégiques en matière d’IA sont ainsi passées en revue par la direction.

En faisant des initiatives d’IA une fonction autonome au sein de l’entreprise, Schneider les a retirées de leur environnement informatique isolé afin de leur donner la visibilité stratégique nécessaire pour être transposées en production. Cette conception organisationnelle centralisée privilégiant l’IA présente quatre avantages clés.

1. Coordination en étoile : La plateforme IA centralisée fournit la base technique (algorithmes, infrastructure de données et outils de conformité) et comprend une équipe de directeurs de produit d’IA. Chaque directeur est dédié à un ensemble d’unités opérationnelles et collabore avec les directeurs du marketing, qui connaissent bien les enjeux locaux ou sectoriels. Cette répartition des rôles permet d’éviter les doublons, de faire en sorte que les solutions soient adaptées aux besoins opérationnels et d’accélérer le déploiement des projets d’IA dans l’ensemble de l’entreprise.

2. Méthode de la « route pavée » : Tous les projets d’IA partagent les mêmes outils et processus fondamentaux, notamment pour ce qui est des méthodes standard pour collecter les données, stocker et organiser les modèles, et effectuer les contrôles de qualité. C’est un peu comme suivre une recette toute faite : effectuer les différentes étapes nécessite un peu de travail au début, mais une fois que vous l’avez fait, vous pouvez apporter des modifications ou des améliorations plus facilement et plus rapidement. Comme ces processus sont les mêmes partout au sein de la société, les équipes n’ont pas à réinventer constamment la roue. Netflix et Spotify utilisent une approche semblable, qu’ils appellent celle de la « route pavée ». Il s’agit de suivre une voie claire et simple qui rend le développement technologique plus rapide, plus sûr et plus facile.

3. Recrutement et fidélisation des talents : La plateforme IA offre un parcours de carrière intéressant et un environnement axé sur la collaboration. Schneider est donc en mesure de recruter les meilleurs talents dans le domaine de l’intelligence artificielle issus des grandes sociétés technologiques et de garder les spécialistes qualifiés bien plus longtemps que les autres acteurs industriels de ce type.

4. Capacité à intégrer la conformité : Les spécialistes de la conformité de Schneider font partie intégrante de la plateforme IA. Une évaluation du risque normalisée et un test sur les préjugés sont réalisés avant le déploiement de chaque projet. Les réglementations comme la loi européenne sur l’intelligence artificielle sont respectées, et cette étape permet de jeter les bases de l’approche basée sur le « principe de conformité » décrite plus loin.

Schneider n’est pas la seule à utiliser cette architecture. Le centre d’IA de Bosch et le Siemens AI Lab sont construits selon le même modèle.

À retenir : Pour réussir, l’entreprise doit traiter l’intelligence artificielle comme une fonction centrale en son sein, c’est-à-dire définir des responsabilités claires, centraliser l’expertise et répondre aux besoins des unités opérationnelles comme à ceux de clients internes.

Leçon 3 : Faire de la réglementation un atout

« Le talent résout le problème des capacités, et la confiance celui de l’adoption. Lorsque Bruxelles a rédigé la première réglementation horizontale sur l’intelligence artificielle, Schneider a décidé de faire des exigences légales des critères de conception au lieu de les considérer comme des freins. » Cédric Bureau

Au moment de la diffusion de la première ébauche de loi européenne sur l’intelligence artificielle, de nombreux acteurs de l’industrie ont suspendu tous leurs projets pour attendre de voir à quelle sauce ils allaient être mangés. À l’inverse, la plateforme IA de Schneider s’est dotée d’une équipe chargée de la conformité (composée d’avocats, de responsable de la protection des renseignements personnels et d’ingénieurs spécialisés en en gestion des risques), qui a été intégrée directement aux équipes idéation et sprint. Chaque nouveau cas d’usage commence par un questionnaire de 10 questions qui classifie les applications éventuelles de l’IA selon la taxinomie du risque de la loi de l’UE (risque minimal, limité ou élevé). Pour les propositions évaluées comme étant à risque élevé, les données sont immédiatement anonymisées, des plans de surveillance humaine obligatoire sont mis en place et des exigences de test sur les préjugés sont définies avant même le début du développement.

Le pipeline de déploiement de l’IA de Schneider est pensé pour garantir le respect de la loi. La politique de l’entreprise exige que tous les cas d’usage fassent l’objet d’une vérification de la conformité en deux étapes. On étudie d’abord les risques sur le plan éthique, de la conception, de la propriété intellectuelle, de la protection des données et de la gouvernance. Ensuite, un plan de traitement des risques est mis au point pour identifier des responsables, définir des mesures d’atténuation et assurer un suivi des responsabilités. La conformité, loin d’être une simple liste de vérifications, est ainsi un processus évolutif. Cette politique en matière d’IA permet de garantir le respect des articles 10¹² (Données et gouvernance des données), 11 (Documentation technique) et 14 (Surveillance humaine) de la loi européenne sur l’intelligence artificielle. Après le lancement du modèle, le tableau de bord de surveillance de la plateforme relève les écarts de performance et ouvre automatiquement un ticket en cas de dépassement des seuils, conformément aux articles 72 et 73 de la loi sur les obligations de suivi post-commercialisation.

Grâce à la présence de spécialistes de la conformité dans les équipes, les ingénieurs de Schneider voient les questions d’atténuation des préjugés, d’anonymisation des données et de cybersécurité comme des critères de conception, et non comme des obstacles. Ce changement de culture organisationnelle pousse les développeurs à réfléchir aux contraintes éthiques et juridiques dès le départ plutôt que d’être forcés de résoudre rapidement les problèmes avec des solutions de fortune a posteriori.

Ces étapes supplémentaires confèrent trois avantages commerciaux à Schneider.

1. Accélération des cycles de vente : Les entreprises qui travaillent dans des secteurs fortement réglementés exigent souvent des preuves de gouvernance en matière d’IA. Une proposition conforme à la loi européenne sur l’IA permet de se placer en tête des appels d’offres.

2. Confiance renforcée : Pouvoir présenter les solutions de Schneider comme conformes à la réglementation permet de les différencier de l’offre de concurrents qui considèrent toujours la conformité comme une suite de formalités administratives constamment reportées à plus tard. 

3. Anticiper pour durer : Adopter les normes de l’UE comme normes plancher permet de réduire les doublons entre les marchés et de créer un portefeuille à l’épreuve des futures législations, y compris du projet de loi canadien C-27. Schneider respecte actuellement toutes les normes établies dans le monde entier, notamment celles de l’Institute of Electric and Electronics Engineers (IEEE¹³), de la Commission électrotechnique internationale (CEI¹⁴) et de l’Organisation de coopération et de développement économiques (OCDE¹⁵).

À retenir : En faisant des règles un élément constitutif du code base et des processus de déploiement, Schneider a transformé le coût de la conformité en un avantage stratégique.

Leçon 4 : Processus transparent d’évaluation du déploiement

« Nous savions que nous avions réussi lorsque les opérateurs ont commencé à nous demander des modèles d’IA, non pas parce que la direction les avait poussés à le faire, mais parce que les travailleurs constataient eux-mêmes les améliorations dans le cadre de leur travail. » Cédric Bureau

Une fois les talents recrutés au sein de la plateforme IA et les filets de sécurité en matière de conformité en place (conformité dès la conception), Schneider a établi un processus en entonnoir en quatre étapes pour gérer les idées. Tous les cas d’usage de l’intelligence artificielle, qu’ils consistent à faire des prévisions en usine ou à permettre aux clients de contrôler des microréseaux, passent systématiquement par quatre étapes. À chaque stade, on décide de poursuivre ou d’interrompre le projet en fonction de l’analyse de rentabilité et de faisabilité. Les projets gadgets sans rendement du capital investi et ceux jugés à trop haut risque sont arrêtés précocement. À l’inverse, les projets prometteurs évoluent rapidement, car les chaînes d’approbation, les outils et la documentation sont intégrés d’emblée.

Étape 1 : Les responsables des données élaborent, conjointement avec la plateforme IA, un document d’une page pour décrire le rendement du capital investi et l’empreinte carbone, et pour soumettre le projet à une analyse des risques en 10 questions. Les principales difficultés techniques sont identifiées, et une simulation sur des données masquées comportant un test sur les préjugés et une analyse de la fiabilité est effectuée afin d’évaluer la faisabilité et de trouver la meilleure technologie pour surmonter les difficultés.

Étape 2 : Développement du produit minimal viable et déploiement. Les exploitants des sites de production participent à la conception des tableaux de bord et évaluent la solution dans des conditions qui se rapprochent le plus possible des conditions réelles. L’avantage principal de ce processus en entonnoir est de séparer la phase d’essai de celle du déploiement, ce qui permet d’éviter l’écueil classique de l’éternelle validation de concept.

Étape 3 : Les solutions sont peaufinées pour la production (interfaces utilisateur, documentation et intégration opérationnelle). Les modèles sont transférés dans le centre d’exploitation de l’apprentissage automatique de la plateforme IA, et l’équipe chargée de la conformité remplit le dossier technique pour la loi sur l’IA de l’UE.

Étape 4 : Une fois déployés, les tableaux de bord permettent de suivre en temps réel le rendement du capital investi, les écarts et les journaux d’incidents. Les alertes sont automatiquement transmises au responsable du site et à l’équipe produit. Certains modèles sont automatiquement réentraînés en fonction des seuils de performance.

À retenir : La conception centrée sur l’humain s’applique dès le développement et jusqu’à la mise en œuvre et les phases opérationnelles des applications d’IA. Schneider ne traite pas les parties prenantes de son entreprise comme de simples utilisateurs finaux de l’IA. Ceux-ci participent activement à l’élaboration des solutions.

Cette stratégie culturelle a elle aussi dû être diffusée progressivement. La confiance a grandi au fur et à mesure que les petits outils faisaient leurs preuves. Les ingénieurs ont adopté l’IA aussi naturellement que n’importe quel autre outil. Petit à petit, les directeurs d’usine ont commencé à attendre des perspectives axées sur les données lors des réunions. Les cadres dirigeants se sont mis à utiliser les tableaux de bord optimisés par l’IA pour repérer les occasions d’expansion des marges. Le résultat ? Des technologies maîtrisées, mais surtout un changement complet de mentalité. L’IA n’est plus perçue comme une opaque ou menaçante. Les gens ont compris son rôle et la façon dont elle peut les aider à mieux travailler.

À l’interne, Schneider a appuyé ce changement en lançant une initiative à l’échelle de toute l’entreprise visant à améliorer les connaissances de tous les employés en matière d’IA grâce à des programmes de sensibilisation et de formation, des webinaires réguliers sur l’intelligence artificielle et les données et le balado public AI at Scale.

Choisir la future trajectoire

Schneider Electric prospère avec l’approche européenne axée sur la réglementation, car elle s’est rapidement mise en conformité avec la loi sur l’IA adoptée par l’UE et a intégré la conformité à son modèle d’exploitation. Cette stratégie lui a permis d’acquérir un avantage concurrentiel : les clients sont friands de ses solutions conformes à la législation, et les organismes de réglementation voient l’entreprise comme un partenaire de confiance.

Mais à l’avenir, il est possible que l’entreprise se retrouve exposée à des paradigmes concurrents, au milieu desquels se trouve actuellement l’UE. Aux États-Unis, l’approche dominante est axée sur le marché et privilégie l’innovation rapide, avec des règles plus souples et des exigences documentaires moins strictes. La Chine, quant à elle, tend vers un modèle orienté par l’État qui exige une étroite surveillance gouvernementale et une localisation stricte des données. Chaque modèle tire les acteurs dans des directions opposées, et les chaînes logistiques sont de plus en plus divisées sur le plan des exigences réglementaires.

Chiffres


38,2 milliards d’euros	Chiffre d’affaires 2024
4,3 milliards d’euros	Résultat net 2024
177 000	Nombres d’employés
162	Nombre d’usines de production dans le monde entier
1836	Année de création au Creusot (France)
Plus de 100	Nombre de pays dans lesquels Schneider Electric est présente
5%	Part du chiffre d’affaires investie dans la recherche et le développement
20,000	Nombre de brevets actifs dans le monde
1^re	Position dans le classement annuel Global 100 Most Sustainable Corporations de Corporate Knights

Télécharger le rapport

Télécharger

Responsable de projet

Reid McKay, directeur général, Politique de technologie, Leadership avisé RBC

Contributions

Un merci tout spécial à Janice Stein, directrice générale et fondatrice de la Munk School of Global Affairs & Public Policy, ainsi qu’à Nicole Harris, étudiant diplômés à la Munk School of Global Affairs & Public Policy.

Legal Disclaimer¹

Schneider Electric, Document d’enregistrement universel 2023
Schneider Electric. (2023). Document d’enregistrement universel 2023. https://www.se.com/ww/fr/assets/342/document/462018/2023-document-enregistrement-universel.pdf

Legal Disclaimer²

Ibid

Legal Disclaimer³

Schneider Electric, Made in Canada (page de campagne)
Schneider Electric. (s. d.). Made in Canada. https://www.se.com/ca/en/work/campaign/local/made-in-canada/

Legal Disclaimer⁴

Ibid

Legal Disclaimer⁵

Schneider Electric – Global Factsheet
Schneider Electric. (2023). Schneider Electric Factsheet. https://www.se.com/ww/en/assets/564/document/373425/schneider-electric-factsheet.pdf

Legal Disclaimer⁶

Chief Executive, nombre de fournisseurs
Woods, J. (2023). How Schneider Electric brings suppliers along for new opportunities. Chief Executive.
https://chiefexecutive.net/how-schneider-electric-brings-suppliers-along-for-new-opportunities/#:~:text=20%2C000%20around%20the%20world

Legal Disclaimer⁷

Communiqué de presse sur le prix reçu par Schneider pour sa chaîne logistique Schneider Electric. 2020. Schneider Electric global supply chain recognized with 2020 Power of the Profession Award [communiqué de presse]. https://www.se.com/ww/en/about-us/newsroom/news/press-releases/schneider-electric-global-supply-chain-recognized-with-2020-power-of-the-profession-award-5f046d5212574a1e9011ba66

Legal Disclaimer⁸

Chief Executive, écosystème des fournisseurs
Woods, J. (2023). How Schneider Electric brings suppliers along for new opportunities. Chief Executive.
https://chiefexecutive.net/how-schneider-electric-brings-suppliers-along-for-new-opportunities/#:~:text=The%20company%20offers%20just%20under%20300%2C000%20SKUs

Legal Disclaimer⁹

Data Center Dynamics, impact au T1
Data Center Dynamics. 2020. Covid-19 impacts Schneider Electric’s first quarter; digital business remains strong.
https://www.datacenterdynamics.com/en/news/covid-19-impacts-schneider-electrics-first-quarter-digital-business-remains-strong/

Legal Disclaimer¹⁰

EcoStruxure Building Advisor
Schneider Electric. (s. d.). EcoStruxure™ Building Advisor. https://www.se.com/ca/fr/product-range/39297330-ecostruxure-building-advisor/#overview

Legal Disclaimer¹¹

Plateforme IA internationale de Schneider Electric
Schneider Electric. (s. d.). Artificial Intelligence Hub. https://www.se.com/ww/en/work/solutions/artificial-intelligence/hub.jsp

Legal Disclaimer¹²

Loi sur l’intelligence artificielle de l’UE, article 10.
Union européenne. (2024). Loi sur l’intelligence artificielle de l’UE – Article 10 : Données et gouvernance des données. https://artificialintelligenceact.eu/fr/article/10/

Legal Disclaimer¹³

Norme de l’IEEE pour une conception éthique, version 2.
IEEE. (2018). Ethically aligned design: A vision for prioritizing human well-being with autonomous and intelligent systems (Version 2). https://standards.ieee.org/wp-content/uploads/import/documents/other/ead_v2.pdf

Legal Disclaimer¹⁴

Page de la CEI sur l’intelligence artificielle.
Commission électrotechnique internationale. (s. d.). Artificial intelligence (AI). https://www.iec.ch/ai

Legal Disclaimer¹⁵

Principes sur l’IA de l’OCDE.
OECD. (2019). Principes sur l’IA de l’OCDE. https://oecd.ai/fr/ai-principles

Conquérir la dernière frontière de la numérisation, un repas à la fois

Ritual vise principalement à réunir les mondes physique et numérique grâce à la rentabilisation de l’expérience locale, en personne.

S’appuyant sur ce rapport, la série d’études de cas approfondit davantage l’analyse. En suivant le parcours d’une entreprise à travers des enjeux précis, des revirements et des occasions, elle contribue à illustrer les choix stratégiques et les conditions des politiques qui transforment la promesse technique en valeur économique et sociale.

Sommaire

Dans le domaine de l’exploitation minière, les décisions clés du conseil d’administration dépendent encore des résultats d’essais en laboratoire à distance, où des carottes sont découpées et analysées afin de mesurer la teneur en minéraux. Ces tests sont souvent lents, coûteux et risqués sur le plan logistique ; ils s’échelonnent sur environ six à dix semaines, précisément au moment où le capital s’avère le plus en jeu.

GeologicAI transfère le laboratoire au site de forage. Alimentés par l’IA, ses capteurs compriment la boucle « identifier – réfléchir – agir » en moins de 48 heures, les analyses se transformant en teneur et en valeur actualisée nette (VAN) qui orientent les décisions du prochain forage et réduisent le capital improductif.

L’adoption dépend d’interprètes de données de confiance, soit les spécialistes du domaine qui maîtrisent autant la géologie que l’IA, aptes à défendre le changement et à expliquer les résultats dans des termes pertinents pour leurs collègues. Il s’avère essentiel de développer cette expertise et d’intégrer de nouveaux outils pour que la technologie évolue au sein du secteur.

Pour le Canada, la leçon est claire : la recherche de calibre mondial en IA ne devient un leadership sectoriel que si les incitatifs politiques ciblent également le déploiement et l’expansion, et non seulement la recherche et le développement, c’est-à-dire le financement d’équipes prêtes pour le terrain, le soutien à l’adoption et la rapidité d’adaptation du secteur des minéraux essentiels.

Minerai et rendement : Comment GeologicAI de Calgary transforme les carottes de forage en savoir

Imaginez ceci. Il fait près de 40 °C. Deux géologues extraient avec soin deux carottes profondes au moyen de l’appareil de forage de 40 000 livres qui les surplombe. En Australie, au cœur du brûlant désert du Pilbara, c’est le point le plus élevé à des kilomètres à la ronde. La tâche de l’équipe en provenance de Sydney est simple : récupérer les carottes et les transporter en toute sécurité jusqu’au laboratoire d’essais géologiques à Perth, à 1 400 kilomètres. Les tests révéleront si le gisement a le potentiel de devenir une mine.

Face à la chaleur oppressante et à l’horloge, il y a peu de temps pour agir. La prochaine étape consiste à charger les carottes dans un Land Cruiser et parcourir 200 kilomètres de routes désertiques périlleuses, jusqu’à un aérodrome isolé où un avion attend. Ces carottes représentent la phase finale des essais pour la mine de lithium proposée, une étape charnière entre l’exploitation de leur jeune entreprise minière et le financement de près de 500 millions de dollars australiens, si l’échantillon de carottage donne des résultats positifs.

Le duo de géologues, ainsi qu’une poignée d’autres qui mettent leur carrière en jeu dans cette entreprise minière âgée de deux ans, comprennent que la patience de leurs investisseurs a des limites. Chaque jour passé à attendre les résultats du carottage équivaut à plus de 110 000 $ australiens en rendements perdus, soit des capitaux qu’une mine bien établie pourrait facilement générer. Les investisseurs connaissent les enjeux, mais la patience s’estompe si l’incertitude se prolonge. C’était leur huitième aller-retour en cinq mois, chaque trajet étant une course contre une confiance déclinante et des budgets resserrés. Une carotte endommagée, un vol manqué ou un autre long retard de laboratoire pouvaient ébranler la confiance précaire qui maintenait l’existence de cette entreprise.

GeologicAI inverse le scénario en transférant au gisement sa technologie de numérisation des carottes, alimentée par l’IA, éliminant de nombreux déplacements entre le laboratoire d’essais et le site de forage et en accélérant les processus d’évaluation.

L’exploration constitue un triangle implacable de géologie, de capital et de temps, souvent effectuée dans les coins les plus reculés de la planète. Pour Grant Sanden, fondateur et chef de la direction de GeologicAI, basé à Calgary, c’est plus qu’un casse-tête logistique, c’est le principal enjeu de l’exploitation minière : comment transformer le minerai en savoir fiable, assez rapidement pour orienter les investissements ? Voilà le problème que GeologicAI visait à résoudre.

Vétéran du secteur des ressources au Canada, M. Sanden avait observé une multitude de projets comme celui décrit ci-dessus stagner au même goulot d’étranglement : le temps nécessaire pour transformer le minerai en savoir. Il savait que l’enjeu ne consistait pas à prélever d’autres échantillons : à 300 mètres plus bas, on peut forer indéfiniment et pourtant passer à côté de l’évidence. Le coût réel résidait dans la boucle lente et fragmentée des données qui laisse les géologues se perdre en conjectures, les investisseurs se tracasser, et les installations de forage dépenser de l’argent en vain. Et si, a-t-il demandé, le secteur cessait de considérer les analyses comme un bilan après le fait mais plutôt en faire la clé d’un moteur de décision en temps réel ?

Chiffres


De 6 à 10 jours	Nombre de jours habituels avant l’arrivée des résultats de laboratoire à partir des carottes et qui déterminent la teneur en métal présent dans le minerai. Jusque-là, les décisions en matière de forage et d’investissement de plusieurs millions de dollars sont en attente.
De 24 à 48 heures	Le temps nécessaire à GeologicAI pour obtenir les mêmes résultats grâce à ses capteurs sur place, alimentés par l’IA.
13 milliards $ US	Budgets annuels mondiaux d’exploration des métaux non ferreux (2023).
60 millions $ US	Évolution à l’échelle mondiale de GeologicAI en juillet 2025, dans un contexte de crise des minéraux liée aux centres de données et à la transition énergétique ; effectif ~220, ~80 % au Canada.
5	Nombre de continents où GeologicAI opère.
16	Années médianes entre la découverte et la première production mondiale.
6	Pourcentage des entreprises du secteur minier qui utilisent actuellement l’intelligence artificielle.

L’hypothèse de M. Sanden était simple : si des carottes pouvaient être numérisées là où elles sont forées, les décisions en matière d’exploration et de développement miniers ne dépendraient plus des résultats des essais en laboratoire, qui pouvaient prendre plusieurs semaines. Dans les faits, il s’agissait d’une remorque tirée par un camion, équipée d’analyseurs à fluorescence rayons X (XRF) hyperspectraux et de capteurs visuels, reliée à des modèles d’apprentissage automatique permettant de classer les types de roche, d’en estimer la teneur et d’attribuer une valeur préliminaire en dollars. La remorque peut également être transportée par hélicoptère à un projet d’exploitation minière.

Après avoir construit le prototype et effectué quelques essais initiaux sur le terrain, M. Sanden et son équipe ont prouvé que le système alimenté par l’IA pouvait fournir un ensemble de données exploitable en environ 48 heures, comprimant un cycle de huit à douze semaines et donnant aux géologues suffisamment de confiance pour peaufiner les plans de forage avant le prochain quart de travail.

Leçon 1 : La boucle décisionnelle de 24 heures

Dans le domaine de l’exploration minière, GeologicAI démontre que le véritable pouvoir de l’IA industrielle ne repose pas uniquement sur l’exactitude des prédictions, mais aussi sur la compression du cycle identifier-réfléchir-agir afin de respecter le rythme des activités quotidiennes. Au moyen d’un laboratoire de capteurs multiples sur le site de forage, GeologicAI réduit le délai d’obtention de données essentielles de quelques semaines à quelques heures. En utilisant des modèles d’IA qui génèrent des paramètres économiques (p. ex., teneur, tonnage, variations de la valeur nette actualisée), GeologicAI peut transformer des données améliorées en décisions plus judicieuses, avant même le début du prochain quart de travail de deux semaines.

Les modèles d’IA qui offrent des indicateurs économiques, soit la teneur, le tonnage et les variations de la valeur actualisée nette (VAN), permettent à ses laboratoires mobiles de fournir l’analyse nécessaire à la prise de décisions plus éclairées avant la réorganisation du prochain site.

Identifier : L’hyperspectralisation, le XRF et des capteurs visuels saisissent des gigaoctets de données du minerai sur place.
Réfléchir : Les modèles en infonuagique permettent de déterminer la lithologie, d’estimer la teneur et de recalculer la valeur actualisée nette (VAN) en quasi temps réel.
Agir : Avant le prochain forage, les géologues découvrent une analyse actualisée répondant aux questions financières cruciales : Où s’effectue le prochain forage ? À quelle profondeur ? Quand arrêtons-nous ?

L’ingénierie décisionnelle à haute résolution de GeologicAI a permis une prise de décision plus rapide et plus dynamique. Ce qui était auparavant une succession linéaire de paris coûteux se transforme en cycle de développement agile : chaque forage se fonde sur le précédent, et chaque dollar est lié à un nouveau paramètre de décision. Bref, les données ont cessé d’être une piste d’audit rétrospective pour devenir le gouvernail du programme.

Présenter la solution de GeologicAI comportait aussi le défi auquel tous les pionniers font face : aucune pression concurrentielle. Les premiers utilisateurs ne pouvaient pas faire valoir que les entreprises concurrentes en récoltaient déjà les fruits. Dans un secteur où les marges dépendent de processus éprouvés, être le premier peut donner l’impression de se porter volontaire pour une expérience scientifique métallurgique. Sans la contrainte de « suivre ou se laisser distancer » pour alimenter la diffusion à un stade avancé, GeologicAI devait vendre autant la vision que l’urgence du changement, un champion à la fois.

Heureusement, dans les mois suivant la mise en place de la première boucle de données de 24 heures, GeologicAI a sécurisé sa première série de programmes pilotes, incluant un prestigieux contrat avec Agnico Eagle Mines, l’une des plus importantes sociétés minières au Canada. Selon Guy Gosselin, vice-président exécutif, Exploration, « cette révolution que constitue la numérisation des carottes place Agnico Eagle au premier plan de l’innovation et améliore notre capacité décisionnelle fondamentale ».

Pour Agnico, l’attrait se veut triple :

Le système de GeologicAI s’est avéré plus rapide et plus précis que les outils d’analyse traditionnels, comprimant des semaines de données à quelques heures.
Les ensembles de données plus étoffés sont venus compléter, plutôt que remplacer, les données géologiques existantes, offrant aux décideurs un portrait global plus fiable des gisements.
L’adoption d’une technologie d’IA de pointe a renforcé la réputation d’Agnico comme employeur de choix, dans un secteur en redoutable concurrence pour les talents.

Cette volonté d’innover a ouvert la porte à un champion interne. Chez Agnico Eagle, M. Gosselin, responsable de l’exploration, a saisi l’occasion, en a démontré la valeur pour ses collègues et a surmonté le scepticisme en présentant des preuves.

Leçon 2 : L’impact du champion

Très tôt, M. Sanden a su reconnaître le pouvoir d’un champion interne. Chez Agnico Eagle, un responsable géoscientifique visionnaire a pu repérer l’occasion et la décoder pour ses collègues.

La leçon en développement des affaires s’est rapidement concrétisée : les décideurs qui maîtrisent à la fois la géologie et la science des données sont peu nombreux, mais indispensables. Plutôt que de solliciter au hasard des chefs des finances, Sanden a recherché des dirigeants compétents, suscitant leur intérêt grâce à des données pilotes et à un partage du mérite. Lorsqu’un champion interne a validé la technologie au sein d’une société cliente cible, la résistance s’est dissipée et l’adoption s’est propagée à d’autres sites.

Grâce à la persévérance, et quelques premiers succès, GeologicAI a progressé à l’étranger. La proposition de valeur centrale de GeologicAI est typiquement canadienne : la fusion d’une expertise de calibre mondial en ressources naturelles de Calgary et du leadership national en intelligence artificielle. Exportation et développent Canada ainsi que Breakthrough Energy Ventures, soutenue par Bill Gates, ont reconnu ce potentiel, finançant un projet initial de série A de 30 millions de dollars US, pour transformer le concept en matériel prêt pour le terrain. Mais, comme M. Sanden le constatera plus tard, la mise au point de cette technologie ne représentait que la moitié de la bataille ; il s’est avéré plus difficile de la déployer au pays.

Aujourd’hui, on compte plus de deux douzaines de laboratoires sur remorques à travers le monde, du Yukon à Pilbara, en passant par le désert d’Atacama au Chili. L’appartenance canadienne de l’entreprise est rapidement devenue un gage de légitimité pour les pays à l’étranger.

L’effectif de GeologicAI compte maintenant plus de 200 employés répartis sur cinq continents, offrant à l’entreprise une place de premier choix pour constater à quel point les talents en IA répondent aux véritables enjeux industriels. Un contraste est saisissant : le Canada est reconnu pour la recherche en IA. On y trouve des pionniers comme Richard Sutton, Geoffrey Hinton et Yoshua Bengio. Pourtant, le bassin d’ingénieurs de niveau « production », compétents dans leur domaine, se trouve limité. L’élément manquant n’est pas la capacité intellectuelle, mais plutôt une expertise concrète pour transformer la recherche de calibre mondial en solutions prêtes pour le terrain. Cet écart, entre invention et application, a préparé le terrain pour la troisième leçon de GeologicAI : la nécessité de former des « interprètes de données » qui maîtrisent à la fois la technologie et la géologie.

Leçon 3 : Voir au manque d’interprètes de données

La réponse de GeologicAI a été double : engager des interprètes de données, soit des spécialistes en milieu de carrière qui connaissent déjà ML Ops, la fusion de capteurs et les aspects financiers du forage, où qu’ils habitent. Diriger ensuite un programme interne de perfectionnement qui jumelle des chercheurs canadiens à des géologues expérimentés sur le terrain jusqu’à ce que les deux langues, roche et code, s’expriment facilement l’une avec l’autre.

En fait, l’entreprise a bouclé la boucle. L’entreprise en démarrage de Calgary qui réglait un casse-tête sur le plan logistique se retrouve maintenant au premier maillon de la chaîne d’approvisionnement en électrification en Amérique du Nord : cartographier les gisements qui alimenteront les usines de batteries en Ontario et les chaînes d’assemblage de véhicules électriques à travers le continent. Parallèlement, l’entreprise renforce ses capacités d’analyse de réduction du CO₂, ce qui aide les sociétés minières à mélanger le minerai et à exploiter les fonderies plus efficacement, transformant ainsi la durabilité à partir d’un coût lié à la conformité en un levier concurrentiel. GeologicAI est à la fois innovatrice et facilitatrice : une vitrine de l’IA canadienne déployée à grande échelle et un outil pour extraire les minéraux essentiels dont le Canada a besoin pour consolider sa place au sein de la prochaine vague de fabrication de pointe.

Perspectives : Le rôle de GeologicAI à l’heure des minéraux essentiels canadiens

Le crédit d’impôt lié à la recherche scientifique et au développement expérimental (RSDE) rembourse les entreprises après leurs investissements dans le développement, mais le processus d’examen et d’approbation peut prendre des mois. Bien que le SRDE soit utile pour les prototypes, il n’est pas approprié pour financer le passage plus risqué au premier déploiement. GeologicAI l’a appris de première main : son projet pilote canadien est resté en suspens, tandis que le même numériseur, expédié à un client américain avec un bon lié au rendement, a été déployé en six mois seulement.

Si le RSDE est tourné vers le passé, les programmes internationaux, eux, sont tournés vers l’avenir. L’initiative australienne METS Ignited et le Industrial Demonstrations Program du département de l’Énergie des États-Unis, d’une valeur de 6,3 milliards de dollars US, associent le financement à des étapes importantes ou à des résultats concrets. Ils paient en fonction des résultats et non des recettes. Pour les acheteurs, une telle structure réduit les risques liés à l’adoption et accélère la diffusion. Les propres progrès de GeologicAI mettent en lumière les deux côtés de l’équation : malgré un soutien plus lent au pays, l’entreprise continue de croître, prouvant ce que l’innovation canadienne peut accomplir lorsqu’elle est jumelée aux bonnes conditions.

Pour le Canada, la leçon est limpide. En réaffectant ne serait-ce qu’une partie des dépenses de la RSDE vers des incitatifs de déploiement fondés sur les résultats – bons de terrain, garanties de premier déploiement et cibles de rendement mesurables – on réduirait ainsi le parcours entre le laboratoire et le chargeur. En faisant les choses correctement, le Canada pourrait se positionner non seulement en tant que berceau des percées en matière d’IA, mais aussi comme l’endroit où l’intelligence artificielle de l’industrie lourde fonctionne réellement. C’est ainsi que le Canada pourra transformer ses percées en matière d’intelligence artificielle sous forme d’avance industrielle durable.

Télécharger le rapport

Télécharger

Responsable de projet

Reid McKay, directeur général, Politique de technologie, Leadership avisé RBC

Collaborateurs

Nora Bieberstein, directrice générale, Programmes stratégiques, Leadership avisé RBC

Yadullah Hussain, directeur de rédaction, Leadership avisé RBC

Un merci tout spécial à Janice Stein, directrice générale et fondatrice de la Munk School of Global Affairs & Public Policy, ainsi qu’à Nicole Harris et Nikhil Konduru, étudiants diplômés à la Munk School of Global Affairs & Public Policy.

Conquérir la dernière frontière de la numérisation, un repas à la fois

Ritual vise principalement à réunir les mondes physique et numérique grâce à la rentabilisation de l’expérience locale, en personne.

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.

Bell Canada : surmonter le biais d’inertie

Lorsque GPT-4 est arrivé sur le marché, début 2023, le directeur de Bell Canada a immédiatement voulu savoir ce qui lui en coûterait de ne pas s’en saisir. En quelques semaines, le président du groupe a organisé deux tutoriels à l’attention du conseil d’administration et dévoilé une analyse mettant en balance la perte de productivité et le coût modeste de projets pilotes. Ces chiffres ont été déterminants, puisque des capitaux ont été débloqués au cours du trimestre pour financer des applications d’IA. Les 50 000 appels de clients quotidiens sont désormais analysés en temps réel, et cette technologie met en évidence des points de friction qui étaient auparavant noyés dans des échantillons anecdotiques. Les demandes sont maintenant traitées avec plus de précisions par des agents conversationnels et de clavardage.

Encourager une « culture de l’entrepreneuriat et de l’expérimentation » a également permis à Bell Canada d’imaginer des utilisations innovantes de l’IA qui améliorent largement les processus de communication, les flux de travail et la satisfaction des clients.

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.

Hopper : mettre à niveau les aptitudes du personnel pour plus d’efficacité

Au lieu de les remplacer par l’IA, Hopper, une plateforme de voyage établie à Montréal, a formé son personnel d’assistance à des postes axés sur la production de contenus, l’entraînement et les tests de l’intelligence artificielle. Cette mise à niveau des aptitudes pour intégrer l’IA dans les fonctions de l’assistance clientèle a eu raison de l’hésitation des employés, mais elle a aussi permis à Hopper de réduire de 75 % le délai de traitement moyen initial des demandes des clients, qui était de 15 à 20 minutes et a chuté à entre 3 et 5 minutes. Cette stratégie, qui n’a par ailleurs pas nui à la satisfaction des clients, coûte ainsi 90 % moins cher environ que les interactions exclusivement humaines.

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.

Lumberhub : une « superagentivité » ascendante dans un secteur traditionnel

Au moment où une inertie tarifaire chronique s’est installée entre les différentes scieries et où les constructeurs de maisons ont commencé à réduire leurs marges, George McKeown, chimiste reconverti dans le commerce du bois d’œuvre, s’est posé une question simple : Pourquoi accepterions-nous ce manque d’efficacité ?

Sa maîtrise du codage étant insuffisante, il s’est tourné vers des collègues programmeurs travaillant avec des outils d’IA génératives pour écrire plus de 40 000 lignes de code. En moins de trois mois, il a créé une application Web classique React/Typescript fonctionnant sur Amazon Web Services qui acquiert des données en temps réel sur les contrats à terme, produit des devis dynamiques pour chaque référence produit et génère automatiquement les bons de commande pour les fournisseurs.

L’intelligence artificielle est utilisée comme un optimisateur, et non comme produit final : la plateforme fonctionne avec les langages classiques SQL et Python ; son code a été écrit beaucoup plus rapidement grâce à des outils de type Copilot.
Les avantages sont immédiats : le délai entre le devis et la commande, qui se comptait auparavant en jours, est désormais de quelques minutes, ce qui permet de modérer les fluctuations de prix volatils et sources d’inefficacité.
La direction a été motrice : après avoir assisté à une démonstration en direct, le chef de la direction a fait en sorte que l’entreprise définisse un budget pour affiner le prototype et l’intégrer au système de planification des ressources.

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.

Hôpital St. Michael : ce que le cloisonnement des données fait perdre au Canada

Créée pour permettre la constitution de grands ensembles de données et améliorer le secteur de la santé, GEMINI est la plus grande plateforme de données hospitalières pour la recherche du Canada.

Si elle regroupe déjà plus de 60 % des établissements hospitaliers de l’Ontario et soutient plus de 1 000 cliniciens par le biais d’une bourse de recherche de 140 millions de dollars, la plateforme rencontre encore certaines difficultés. Le réseau disparate des systèmes hospitaliers et leurs formats de données incompatibles ralentissent les processus de gouvernance, et les cycles d’actualisation des données trop peu fréquents empêchent les progrès. Ces freins mettent en lumière ce que le Canada perdra si l’on ne redouble pas d’efforts en matière d’intégration des données.

Les plateformes comme GEMINI sont capables d’associer automatiquement des patients à des essais cliniques et d’enregistrer efficacement les données de santé, ce qui permet de réduire le coût des essais de 80 % et d’accroître l’attractivité du Canada en la matière. Des ensembles de données détaillées et à grande échelle sont essentiels pour utiliser l’IA dans le domaine de la santé. GEMINI et ses partenaires en Alberta et au Québec ont commencé à agir pour dépasser les freins et souhaitent créer un réseau de partage de données en temps quasi réel regroupant 100 établissements, baptisé VITAL. Il est primordial d’avoir accès à des ensembles de données aussi vastes et détaillés que ceux de GEMINI pour développer l’intelligence artificielle dans la santé. Ils seront déterminants pour permettre au Canada de se démarquer dans ce secteur.

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.

Linamar : transformer les « inconnues inconnues » en avantage concurrentiel

La possibilité de repérer les sources d’inefficacité cachées et de trouver des solutions inattendues dans des environnements de production complexes transforme la manière dont Linamar voit les données négligées, ce qui recèle des avantages concurrentiels concrets.

Quand Linamar a injecté 10 ans de données d’atelier dans la plateforme d’IA et d’analyse industrielle Acerta LinePulse, la première surprise a été de découvrir plusieurs microfluctuations dans la pression de la pompe que les ingénieurs n’avaient jamais relevées. En résolvant ce problème, l’entreprise a pu éliminer une source de coûts silencieux dans son processus de production de pièces pour les boîtes de vitesses de véhicules électriques. L’outil d’apprentissage automatique du logiciel chargé d’analyser les causes profondes a ensuite su déceler la variable en amont qui causait le plus « de bruit, de vibrations et de rugosité » parmi plus de 100 paramètres qu’aucun humain n’aurait pu corréler en temps réel. Sur une autre ligne de production, le modèle d’IA a mis le doigt sur un goulet d’étranglement dans la ligne d’assemblage qui ralentissait la productivité.

En utilisant une plateforme d’IA industrielle capable de résoudre les problèmes dans la plupart des environnements de production discrète, Linamar ne s’est pas contenté de faire des économies ponctuelles. L’entreprise en a fait un outil diagnostic permanent dont chaque analyse permet de libérer des capacités, de résoudre des problèmes de commercialisation, et même d’élargir la clientèle.

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

Responsable du projet :

Reid McKay, directeur général et responsable principal, Politique technologique, Leadership avisé RBC

Contributeurs
Jordan Brennan, chef, Leadership avisé RBC
Jaxson Khan, conseiller spécial
Nicole Harris, étudiante de deuxième cycle, Munk School of Public Affairs
Nora Bieberstein, directrice générale, Programmes stratégiques, Leadership avisé RBC
Niki McKeown, associée, Recherche, Leadership avisé RBC

Shiplu Talukder, spécialiste, Publication numérique

Merci à Daniel Diamond, Daniel Ebrahimpour, Janelle Gunaratnam, Anya Haldemann, Nikhil Konduru, Patrycja Maszlejak, Georgia Maxwell, Andrew Scarlato, Sabreena Shukul, Avaani Singh, Mia Sunner et Sydney Wisener.

Représentants de la direction
John Stackhouse, premier vice-président, Bureau du chef de la direction, RBC
Janice Stein, fondatrice et directrice de la Munk School of Global Affairs and Public Policy

Télécharger le rapport

Télécharger

Transformer les perturbations en élan : le volant d’inertie de l’IA de Manuvie

Conquérir la dernière frontière de la numérisation, un repas à la fois

Sommaire

Top Idée no 1 : Montrer, ne pas dire : créer une conviction au sommet

Infrastructure Idée no 2 : Capacité d’absorption : construire une infrastructure de connaissances

Idée no 3 : Capacité d’adaptation : le volant de l’innovation

Idée no 4 : Gouvernance responsable : trouver le juste équilibre entre rapidité et sécurité

Résultats à De l’expérimentation à la transformation

Chiffres

Télécharger le rapport

Conquérir la dernière frontière de la numérisation, un repas à la fois

Résumé (FACULTATIF)

Leçon 1 : Un déploiement de l’IA en deux volets

Leçon 2 : 350 experts au service d’un seul et même « cerveau »

Leçon 3 : Faire de la réglementation un atout

Leçon 4 : Processus transparent d’évaluation du déploiement

Choisir la future trajectoire

Chiffres

Télécharger le rapport

Conquérir la dernière frontière de la numérisation, un repas à la fois

Sommaire

Minerai et rendement : Comment GeologicAI de Calgary transforme les carottes de forage en savoir

Chiffres

Leçon 1 : La boucle décisionnelle de 24 heures

Leçon 2 : L’impact du champion

Leçon 3 : Voir au manque d’interprètes de données

Perspectives : Le rôle de GeologicAI à l’heure des minéraux essentiels canadiens

Télécharger le rapport

Conquérir la dernière frontière de la numérisation, un repas à la fois

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

Bell Canada : surmonter le biais d’inertie

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

Hopper : mettre à niveau les aptitudes du personnel pour plus d’efficacité

Lumberhub : une « superagentivité » ascendante dans un secteur traditionnel

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

4. Données fragmentées et de piètre qualité

Hôpital St. Michael : ce que le cloisonnement des données fait perdre au Canada

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

Linamar : transformer les « inconnues inconnues » en avantage concurrentiel

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

7. Réglementation et politiques : entre redondance et incertitude

Conclusion : cinq conseils pour les dirigeants

Télécharger le rapport

Top Idée n^o 1 : Montrer, ne pas dire : créer une conviction au sommet

Infrastructure Idée n^o 2 : Capacité d’absorption : construire une infrastructure de connaissances

Idée n^o 3 : Capacité d’adaptation : le volant de l’innovation

Idée n^o 4 : Gouvernance responsable : trouver le juste équilibre entre rapidité et sécurité

Leçon 2 : 350 experts au service d’un seul et même « cerveau »

Leçon 3 : Faire de la réglementation un atout

Leçon 4 : Processus transparent d’évaluation du déploiement