Newsletter du Lundi
22/10/18

Paru le

Qui sont les acteurs de l’IA aujourd’hui en France ? Et que font-ils ?

Christophe Rohel

Le point de vue de : Christophe Rohel

Consultant senior au sein du cabinet de chasse de tête Digital Jobs

Qui ?
Christophe Rohel, Consultant senior au sein du cabinet de chasse de tête Digital Jobs.

Quoi ?
Un panorama des acteurs de l'intelligence artificielle en France, fruit d'une soixantaine d'entretiens avec des experts IA et Big Data du secteur privé (éditeurs de logiciels, start-up, grands groupes).

Comment ?

Qui sont les acteurs de l'IA en France ?

Il s'agit, non pas d'identifier l'ensemble des acteurs français du sujet, mais tous les acteurs privés qui sont impliqués dans le développement de l'IA en France. Ce marché peut se décomposer en cinq thématiques distinctes :
- Le traitement du langage (chatbot...)
- Le traitement de l'Image (médicale, surveillance)
- L'analyse de données (Data Science et machine learning)
- Le raisonnement automatique (Systèmes experts et programmation opérationnelle)
- La robotique

Les acteurs de l'IA en France peuvent être spécialisés sur une de ces thématiques, mais beaucoup en englobent plusieurs. Quatre types d'acteurs opèrent sur ce marché :
- les cabinets de conseil
- les éditeurs de logiciels & les plateformes
- les grands groupes
- les start-up

Le conseil : il s'agit des cabinets de conseil ayant intégré des équipes Data Science et de Data Ingénierie (Sia Partners, Accenture, Capgemini, BCG Gamma, etc.) et les cabinets de conseil IT ayant intégré une Practice Big Data/AI (comme Xebia, Octo, etc.)

Les structures conseils matures étant celles qui ont réussi à intégrer des profils spécialisés en ingénierie (comme les Data Architects ou les Data Engineers). Il n'est pas possible de délivrer des projets solides en Big Data en intégrant uniquement des Data Scientists.

Les practices IA sont peu nombreuses et ont globalement moins d'un an d'existence (c'est le cas chez Accenture). Les équipes sont encore en construction.

Les éditeurs de logiciels et les sociétés technologiques : IBM, Google, Microsoft, Dell, Atos, Invidia, Intel, Facebook, Amazon, Apple sont parmi les plus matures. Google étant l'acteur le plus avancé, en pleine accélération sur le marché français...

Certaines de ses structures peuvent s'appuyer sur leurs réseaux de Laboratoires privés présents en Europe :
- Berlin pour Amazon
- Paris et Cambridge pour Microsoft
- Dublin, Zurich pour IBM
- Paris pour Facebook

Les grands groupes : la finance, l'automobile, l'industrie, l'aérien et la santé sont cités parmi les secteurs les plus matures en IA. Globalement, la France est très en retard par rapport à l'Asie (citons la holding Softbank au Japon, Alibaba, DJI et Tencent en Chine) ou les Etats Unis.

Ces douze derniers mois, beaucoup de "Directions IA" sont apparues dans les organisations des grands groupes. Il est néanmoins nécessaire de faire le tri entre les articles de communication et la réalité de leurs réalisations... Les groupes qui communiquent le plus ne sont pas ceux qui opèrent le plus de projets en IA.

Les startups et plateformes : la majorité des startups en IA comptent 10/20 personnes. Quelques noms se détachent : Snips, Tinyclues, Cardiologs, etc.

Voici une cartographie assez complète :

Quels sont les projets mis en œuvre au sein des grands groupes ?

La révolution Big Data au sein des grandes entreprises a souvent germé dans les "Labs". Désormais, les acteurs souhaitant passer dans une phase d'industrialisation, opèrent une réintégration des expertises Data au sein des Directions Métiers (logique "Factory").

Voici, classés par secteur, des exemples de problématique ayant nécessité le déploiement de technologies IA en France (Machine / deep learning) :
- Manufacturing : maintenance prédictive, optimisation production et risk, analyse des ventes, smart grids, IoT, etc.
- Aérien : maintenance prédictive, modèle de prévision / scheduling à destination du personnel naviguant ou de l'exploitation au sol, le revenue management, gestion des opérations aériennes (programmes de vol), systèmes embarqués.
- Finance : analyse automatique des contrats, techniques de reconnaissance vocale, chatbot, prévision du taux de churn, connaissance client / analyse comportementale, lutte contre la fraude / blanchiment d'argent, scoring de news, data quality management, prévision évènements clients (mariage, décès…), etc.
- Energie : maintenance prédictive, asset management & opérations, analyse du comportement client, structuration sourcing énergie (optimisation des moyens de production et de stockage, prédiction de consommation), relation client, etc.
- Santé : analyse des dossiers médicaux et l'aide au diagnostic (cf. Google Deepmind Health Project), plans de traitement à l'image (cf. IBM Watson), outils de prévention automatisés (aussi bien pour la direction de l'hôpital que pour les patients).
- Retail : gestion espace vide, système d'analyse du comportement client, géolocalisation, chatbot, etc.
- Automobile : monétisation/développement de nouveaux services à partir de la donnée des véhicules connectés, prédiction des pannes, etc.

Les grands groupes font encore face à des enjeux de taille liés à l'infrastructure IT, la fiabilité et la disponibilité des réseaux, la centralisation, la sécurisation des données, l'acculturation aux méthodologies agiles et évolutives, l'utilisation du Cloud (et de l'Open Source), le jeu d'influence entre DSI et BU Métier, etc.

Comment s'organisent les départements IA des grands groupes ?

En comparant plusieurs organisations à l'étranger et en France, une "organisation type" se dégage : à terme, il est probable que la grande majorité des départements IA soit organisés de cette manière.

Pour couvrir la chaîne IA de A à Z, trois typologies d'équipes doivent généralement être intégrées dans un département IA :
- Une équipe "Recherche" (Expert NLP, Social / Behavioural Sciences Experts, etc.) pour la plupart des doctorants.
- Une équipe "Delivery", pouvant être subdivisée en 3 catégories : POC/prototypage, implémentation, et optimisation continue. Elle est composée de Data Engineers, Data Architects, développeurs, software engineers, etc.
- Une équipe "Métier", avec des business analysts, Program Manager, Data Scientists, UX designers, Change makers, etc.

Pour ce qui est de la tête des départements, on n'observe pas pour le moment de profils types.

Les profils maîtrisant de "A à Z" la chaîne IA (de la Recherche au Delivery) sont très rares et très chers (car souvent américains ou chinois). Pour pallier cette pénurie, certains grands groupes intègrent à la tête de leur département IA deux têtes dirigeantes : un profil "technique" (docteur) et un profil "métier" (avec une très bonne compréhension des enjeux business).

Ces 6/8 derniers mois, les titres de "Directeur de l'IA" ont fleuri sur les réseaux professionnels, il faut donc être vigilant. "Il y a de tout", comme chez les data scientists.

Aujourd'hui, les marchés américains et chinois sont complètement saturés, cette guerre des talents entraîne une envolée des salaires. Le salaire d'un Chief IA dans la Silicon Valley peut ainsi dépasser le million de dollars. En Europe, il est encore possible de trouver de très bons profils autour de 150/250 k€. Si cela peut vous rassurer !

Autre impact à moyen terme de cette guerre des talents : les professeurs deviennent une ressource rare, car de plus en plus chassés par le secteur privé.

Autre information importante : les directions IA sont de plus en plus rarement rattachées à la DSI mais à des directions "Métiers" globales (mondiales). De telles initiatives sont déjà visibles en France. La guerre d'influence entre DSI et "Métiers" sera à son paroxysme dans les prochains mois.

Bonne nouvelle : la France attire les investissements et les talents y sont nombreux. Des initiatives prometteuses sont lancées par les plateformes et les start-up. Néanmoins, la marche reste longue avant que les grands groupes français soient capables d'industrialiser des projets en IA. Qui plus est, il n'y a un manque "d'Intelligence collective" : chaque groupe désirant garder secret les plus grandes avancées technologiques.

La maturité des acteurs sur le Machine learning est globalement satisfaisante mais, sur des projets plus spécifiques (intégrant par exemple le deep learning), nous sommes encore dans des phases de POC, parfois de "delivery", rarement d'industrialisation. Mais au-delà de la maîtrise des technologies, l'enjeu principal aujourd'hui est celui de la conduite du changement.

Christophe Rohel

Publicite

XX résultats

Oups! votre recherche
n’a donné aucun résultat !