Management et Big Data

La surcharge informationnelle survient lorsqu’un manager reçoit plus d’informations qu’il ne peut en traiter, provoquant une saturation cognitive.

Elle a d’abord une cause quantitative : la multiplication des messages et des canaux (mails, messageries, réseaux sociaux, outils collaboratifs).

Ces canaux ne se remplacent pas, ils s’additionnent : c’est la théorie du « millefeuille ».

Elle a aussi une cause qualitative : des messages trop complexes ou inadaptés aux capacités de traitement du destinataire.

Cette surcharge entraîne un culte de l’urgence et une réponse permanente dans l’immédiateté.

Elle génère également du technostress, de la fatigue cognitive, voire du burnout.

La qualité des décisions s’en trouve dégradée.

Pour y remédier, il faut réguler les volumes d’information et structurer les canaux.

Il est aussi essentiel de développer les capacités d’organisation et de traitement par la formation.

Paradoxalement, les TIC, censées simplifier la communication, peuvent devenir sources de surcharge si elles ne sont pas maîtrisées.

Cette vidéo présente les résultats d'une recherche sur l'adoption des outils de l'intelligence artificielle générative par les étudiants en sciences de gestion. Menée auprès de 257 étudiants français, l'étude étend le modèle UTAUT 3 (Unified Theory of Acceptance and Use of Technology) en intégrant la confiance, la valeur d'apprentissage et l'autonomisation.

Les résultats identifient quatre facteurs clés d'adoption : l'attente de performance, la motivation hédonique, l'habitude et la confiance. Le modèle explique de manière significative l'intention d'usage, d'adoption et de recommandation de ces technologies.

L’étude offre des pistes concrètes pour les établissements d’enseignement supérieur souhaitant intégrer efficacement l’IA générative dans leurs pratiques pédagogiques et mieux préparer les étudiants aux environnements professionnels de demain.

Les Data Analytics amélioreraient la création de valeur dans les PME. Cependant, des obstacles significatifs à l’adoption de cette technologie entravent leur capacité à l’exploiter pleinement. Notre objectif est d’identifier les motivations et les obstacles à l’adoption des Data Analytics dans les PME.

Cette vidéo présente les résultats d'une étude sur l'intégration de l'intelligence artificielle (IA) dans l'industrie automobile, axée sur les grands acteurs historiques du secteur. L'étude révèle que l'IA est principalement utilisée pour des améliorations incrémentales, telles que l'automatisation de tâches, plutôt que pour des innovations de rupture. Cette "exploitation" optimise les processus existants sans transformation radicale. L'approche organisationnelle est également surprenante : au lieu d'une stratégie "top-down" dirigée par des data scientists, l'IA est intégrée de manière "bottom-up", par les ingénieurs qui l'appliquent dans leurs expertises en fin de processus de développement. Cela montre que l'IA peut être un levier d'optimisation et de créativité lorsqu'elle est utilisée de façon progressive et distribuée. Cette méthode pourrait aussi s'appliquer à d'autres technologies émergentes dans différents secteurs.

Malgré les performances avérées des méthodes modernes d’intelligence artificielles, peu de travaux s’intéressent aux impacts environnementaux liés à la quantité de ressources nécessaires à l’entrainement et à l’usage de ces modèles. Ceci est très alarmant, lorsqu’on sait que le réchauffement climatique est une menace majeure qui met en péril notre planète et nos sociétés. Ainsi, nous abordons globalement dans ce travail la question de la mesure de l’empreinte carbone des modèles d’intelligence artificielle. Plus précisément nous considérons le cas des modèles visant à réduire les émissions de CO2. Pour de tels modèles, nous proposons de mesurer leurs impacts négatifs (quantité CO2 émise par l’entrainement et l’usage des modèles), et leurs impacts positifs (quantité de CO2 non émise du fait de l’usage des modèles). Les évaluations réalisées démontrent que l’empreinte carbone générée par l’entrainement et l’usage des modèles d’intelligence artificielle est globalement non-négligeable. Ainsi, les nouvelles métriques que nous proposons peuvent permettre d’évaluer et de comparer l’impact environnemental de ces modèles, au-delà des métriques usuelles d’évaluation des performances prédictives.

La publicité programmatique optimise l’achat et la vente d’espaces publicitaires en ligne via des logiciels et des algorithmes. Au cœur de ce système se trouve l’enchère en temps réel (RTB), où les impressions publicitaires sont mises aux enchères en quelques millisecondes en fonction du profil de l’utilisateur sur des Ad Exchanges. Les annonceurs utilisent des plateformes côté demande (DSP) pour enchérir sur ces impressions, ciblant des audiences spécifiques, tandis que les éditeurs emploient des plateformes côté offre (SSP) pour maximiser leurs revenus publicitaires. Le processus implique des agences spécialisées ou des Trading Desks, et de plus en plus, les annonceurs préfèrent les accords privés pour de meilleurs tarifs et des environnements sécurisés. Les défis de la programmatique incluent la complexité, la qualité de l’inventaire, la fraude et les problèmes de respect de la vie privée.

Le terme « GAFAM » représente aujourd’hui les 5 plus grandes entreprises nord-américaines qui dominent et contrôlent en partie le marché du numérique dont l’intelligence artificielle. Au début on citait les GAFA : G pour Google, A pour Apple, F pour Facebook, A pour Amazon puis le M pour Microsoft s’est rajouté. Les GAFAM ont souvent été nommées « les big 5 » car elles sont comparées pour leur force et leur intelligence aux 5 espèces animales et sauvages les plus emblématiques. Les GAFAM qui sont originaires de la Silicon Valley en Californie sont en concurrences avec les NATU. Un autre acronyme pour désigner Netflix, Airbnb, Tesla, Uber.

L’Intelligence Artificielle (IA) constitue un enjeu stratégique au sein des entreprises, permettant d’innover et de proposer de nouveaux usages et services vers les clients. Elle redistribue les tâches, transforme les métiers et amène à repenser les apprentissages des collaborateurs. Compte tenu de ce double enjeu à la fois stratégique et humain, il est pertinent d’observer quelle est la position des managers et des partenaires sociaux dans cette nouvelle réalité.

Malgré les évolutions récentes des technologies liées à la conduite connectée ou conduite autonome, on constate encore des délais très longs (à l’échelle des mois) de mise à jour de la cartographie embarquée dans les véhicules. C’est par exemple le cas des mises à jour des éléments de signalisation routière tels que les panneaux de signalisation, les feux, ou les marquages au sol, qui sont des éléments essentiels de régulation de la conduite.

Deux grandes approches de la décision peuvent être trouvées. D’une part, l’approche optimisatrice vise à trouver, grâce à des algorithmes, la meilleure des solutions dans l’ensemble du champ des possibles. Dans cette approche, la décision est donc le meilleur choix dans l’absolu. Le décideur ne joue pas de rôle. D’autre part, l’approche cognitive initiée par H. Simon stipule qu’en raison de limites exogènes et endogène, la rationalité est limitée.