Préambule 1 : comment gagner le Tour de France ?
Que signifie être le premier ? D’où vient la victoire ? Pourquoi le syndrome Winner Takes All se vérifie-t-il depuis si longtemps ?
Prenez les deux moyens d’arriver en maillot jaune sur les Champs-Élysées à l’issue
du Tour de France — ce sont les mêmes moyens qu’en business :
- vous distancez nettement vos concurrents, en vélo, sur un type d’étapes (montagne, contre-la-montre), et vous assurez un niveau « honnête » sur les autres domaines ; de même en business vous êtes disruptif sur un point crucial, basique sur le reste (cf. Renault-Dacia, disruptif sur le prix, « honnête » sur le reste) ;
- vous êtes second partout, en vélo — montagne, plaine… : stratégie moins spectaculaire, mais tout aussi payante au classement général ; de même en business vous êtes bon partout sans écraser la concurrence sur aucun critère (cf. Coca-Cola, 2e aux E.-U. derrière Pepsi, mais qui se rattrape en gagnant des points sur plus de domaines que Pepsi).
Préambule 2 : comment rester leader ?
Winner takes all ? Pour longtemps ? Prenons trois exemples :
- ancien : la tour Eiffel (1889) n’est plus la championne du monde du hauteur depuis longtemps ; pourtant elle reste bien plus visitée que l’actuelle tenante du titre. Winner takes all, pour longtemps.
- très ancien : l’incendie de Notre-Dame-de-Paris, le 15 avril 2019, fait la une de la presse du monde entier. Pourtant Notre-Dame n’est pas la première construction gothique (mais la seconde, lancée en 1160) ; et, dans la course vers le ciel, elle est vite dépassée par Chartres et Reims. Si Chartres ou Reims avaient brûlé, elles n’auraient pas fait les Unes mondiales. Winner takes all, pour longtemps.
- récent : Google n’était pas le premier moteur de recherche. Aujourd’hui, la marque tient 90% du marché mondial (hors Chine et Russie, à l’abri de murailles). Winner takes all., difficile à déloger.
Moralité : une fois sortis vainqueurs de leurs batailles concurrentielles, les tenants du titre — catégorie « Hautes tours », catégorie « Cathédrales gothiques », ou catégorie « Moteurs de recherche » — maintiennent leur position longtemps. Le soleil brille pour eux, et certains leaders arrivent à stopper la course du soleil pour garder plus longtemps leur position.
Est-ce facile ? Oh, non : Michelin était leader de la carte routière, au temps du papier, et n’a pas su conserver le titre quand la carte a basculé du papier au digital ; Kodak a été terrassé par la bascule vers la photo numérique. Les cimetières du business débordent de leaders oubliés. Rester leader même en cas de changement de paradigme : aucun marché n’est à l’abri de ce défi, qui s’impose autant au monde de l’automobile (les conurbations urbaines s’apprêtant à abolir le moteur thermique) qu’aux labels éditeurs de musique (l’âge de l’accès substituant le streaming à l’achat de disques CD).
L’essentiel de ce « papier » sera cependant consacré à l’entrée des batailles concurrentielles, qui sont comme l’entrée d’une longue nuit dont on sortira, au matin du lendemain, en première position, ou pas. Comment faire en sorte de jouir du soleil du vainqueur ? Plaçons-nous à l’entrée de la nuit, et de ses rêves.
Nous avons rêvé de neutraliser l’incertitude grâce aux données massives
Nous nous croyons enfants de la science, nous sommes les enfants du rêve. D’un rêve très particulier : nous désirons un monde sans incertitude. Nous désirons un monde mathématique sans ombre, où la data évacue l’incertain dans un coin éloigné — ces reliquats des temps anciens ne freineront pas notre marche triomphale vers le bonheur.
Ce mirage d’une incertitude réduite en poudre nous a nourris depuis la Renaissance. Galilée et ses successeurs ont supposé qu’une représentation de plus en plus précise du monde éliminerait l’incertitude des temps anciens : « Le monde est écrit en langage mathématique », clame Galilée en 1623 — année de naissance de Pascal, inventeur de la machine à calculer.
De même, zéro incertitude dans les équations de Newton qui décrivent la rotation de la Terre autour du Soleil. Et ça marche : ces équations déterminent la date précise de la prochaine éclipse lunaire, et peuvent même s’inverser pour retrouver une ancienne éclipse. Grâce à Newton — qui publie au moment de la Révolution anglaise, les années 1680 — l’humanité de plus en plus libre peut enfin voyager dans le temps et l’espace des étoiles.
Pendant les deux cents ans qui suivent, les savants « désopacifient » notre monde.
Mais cette parenthèse enchantée d’une science capable de bientôt tout expliquer se referme à la fin du XIXe siècle. Poincaré et Einstein brisent ce rêve d’un monde explicable à 100%, d’un univers sans ombres ni ambiguïtés. Les sciences physiques du XXe siècle révèlent des photons à la fois corps et ondes, un chat de Schrödinger à la fois mort et vivant et des équations tellement sensibles aux conditions initiales qu’un battement d’ailes de papillon est susceptible d’engendrer un ouragan à 5 000 km. Enfin, en 1950, Alan Turing annonce qu’un jour nous dialoguerons avec les machines sans pouvoir savoir à qui nous nous adressons (testez) !
Article : Sous le mot « Incertitude », se cachent quatre incertitudes !
(Philippe Dewost)
Mort au doute, mort à l’imprévu : tout ne serait que données massives et probabilités
Mort au doute, mort à l’imprévu : le mot manager (« ma-na-dgère ») pourrait rimer avec gère. Le business manager du XXIe siècle doit faire avancer sa business unit grâce à des données massives — se shooter aux données, qui sont comme des remèdes à l’incertitude : « Donnez-moi des chiffres clairs ». L’espèce des business managers a fécondé les autres espèces : désormais le police manager veut pouvoir compter les crimes et, mieux, les anticiper : il rêve de police prédictive, comme le business manager rêve de marketing prédictif. Et l’espèce des managers politiques suit de près — pour gérer les villes et tous les territoires à coups de data.
Nos gourous sont ces génies de l’informatique et de l’intelligence artificielle (IA) qui dirigent les laboratoires de R&D des GAFAM. L’optimisme général est dopé par l’explosion concomitante des puissances de calcul et des masses de données depuis 50 ans. Cerise sur le gâteau : grâce à la datavisualisation, on peut donner une forme facile à saisir à des masses colossales de données. Le médecin suédois Hans Rosling a fasciné des millions de spectateurs avec une datavisualisation simple, efficace ; tandis que le graphiste britannique David McCandless montre la puissance de compréhension et de mémorisation des chiffres obtenue à partir d’une représentation claire.
La puissance de calcul à l’origine de cette explosion de données tient à la « loi de Moore » ; cette loi n’explique pas, elle offre juste un constat : elle rend visible la croissance exponentielle des capacités de traitement (doublant tous les 18 mois) des ordinateurs. La puissance de calcul des ordinateurs s’est multipliée par 1 000 depuis 1960 grâce à des investissements eux-mêmes exponentiels en R&D et en intelligence humaine (N.B. : étymologiquement, l’anglais computer est formé sur le latin com-puto « calculer », tandis que le mot français inventé pour l’occasion, ordinateur, signale que le programme avale et surtout met en ordre des données).
Sur le thème « Comment le cinéma a anticipé ces transformations : Terminator, Les Dents de la Mer, Minority Report… »,on peut lire le livre de Xavier Perret
Le deep learning, le vrai saut par-dessus la puissance et la masse
Pendant les trois premières décennies de l’informatique (1950-1980), les ordinateurs fonctionnaient tous sur le même modèle : on insère dans la machine (hardware) un programme de calcul (software), puis on entre des données (input) que le programme transforme en output. Puissance (de calcul) et masse (de données) sont alors les deux uniques clés du progrès.
Par rapport à cette première phase, la manière dont travaille le deep learning constitue une vraie nouveauté, inversant la logique linéaire input->programme->output. Désormais, la boîte noire de l’apprentissage profond avale en entrée, de manière itérative, les résultats des calculs précédents ; et elle produit non pas des données mises en ordre, mais un nouveau programme — ou son affinement. Dans un ordinateur structuré comme un réseau de neurones (en fait, des couches successives de réseaux), les unités de calcul mobilisées passent dans leurs tamis de plus en plus fins les résultats du tamisage de la couche précédente.
Qu’est-ce qu’un chat, pour un réseau de neurones ? Une matrice de pixels, construite par apprentissage supervisé : on confie environ 100 000 images (balisées par des humains) contenant au moins un chat au réseau de neurones chargé d’apprendre à reconnaître la petite bête. Le réseau de neurones devra produire le modèle capable de distinguer le chat du non-chat (fleur, gâteau…). Ce sont les données qui contribuent à fabriquer le modèle (processus inductif), à l’inverse d’un processus déductif où le chercheur fournit au programme un modèle mathématique du chat (deux oreilles pointues, une longue queue, etc.).
Sur le thème « Intelligence artificielle et intelligence humaine », on peut se référer au blog de Luc Julia, auteur de « L’Intelligence artificielle n’existe pas »
Tout ça pour ça ?
Un ordinateur qui détecte le chat dans le paysage sera capable de détecter l’acheteur potentiel d’iPhone ou d’une semaine tout compris à Djerba. Les mailles du filet se sont resserrées d’un coup sur le chat, et sur le consommateur.
L’informatique des années 1950-1980 avait fourni des filets à mailles grossières aux sociologues et aux équipes de marketing qui observaient nos comportements. Pierre Bourdieu voulait d’un seul geste dénoncer la société de consommation et décrire les leviers qui déterminent nos choix ; en fait, il éclairait les services marketing grâce à des sous-produits du paradigme informatique d’alors. Dans La Distinction (1979), sommet conceptuel de la période, il élabore des catégories descriptives des consommateurs les plus fines possibles ; l’analyse tente de prédire ce qu’achètera, lira, aimera, un « cadre du secteur privé issu d’un foyer ouvrier », à distinguer du collègue cadre « issu d’un foyer aisé »… La sociologie tend ses filets pour nous catégoriser, mais les mailles sont larges et laissent échapper trop de cas individuels[1]. Le deep learning fait beaucoup mieux, en se passant des catégories pour viser directement l’individu ! La société n’est plus constituée de groupes et de sous-groupes, elle est directement vue comme une somme d’individus : nous sommes des grains de sable (dotés d’intentions, de désirs et de porte-monnaie, mais des grains de sable quand même) dans une dune.
Le deep learning décrit le tas de sable grain après grain, à l’issue de 60 ans de batailles entre deux conceptions de l’intelligence artificielle — terme forgé par John McCarthy à l’été 1956 dans un débat avec Marvin Minsky[2] lors de la conférence de Dartmouth (université d’élite — elle fait partie de « l’Ivy League » avec Harvard et quelques autres).
Sur le thème de l’apport du deep learning après cinquante ans d’errance, on peut lire Dominique Cardon, notamment.
Les uns fournissaient à l’ordinateur un corps de règles formelles logiques (la morphologie du chat… ; ou les règles de grammaire pour le traitement du langage) : ils manipulaient des symboles, on les a appelés « symbolistes ». Échec : il existe des chats sans poils, d’autres ont des oreilles rondes (à force de tolérer les exceptions, on peut prendre des cookies au chocolat pour des chatons) ; et la langue contient tant d’exceptions échappant aux règles — sans compter l’ironie ou l’humour qui modifient le sens des mots et de la phrase, et ne sont pas des catégories grammaticales.
En face, le trio Hinton-LeCun-Bengio reproduit les réseaux de neurones. Espoir. En 2012, Geoffrey Everest (c’est son deuxième prénom) Hinton, dans une compétition d’anthologie à Florence, fait progresser les niveaux de reconnaissance d’image de 17 points quand l’habitude est de gagner une fraction de pourcent : le chat est devenu une matrice de chiffres — de vecteurs de pixels en fait. Le trio de « connexionnistes » procède de même avec la traduction automatique, à l’envers des symbolistes : au lieu de faire ingérer à l’ordinateur la syntaxe et le lexique, on lui fournit d’énormes bases de données de traduction humaines (issues de l’ONU, de l’UE…) dans lesquelles l’ordinateur piochera pour fabriquer des traductions automatiques. Et ça marche.
Le marketing suit de près et bascule dans le deep learning : au lieu d’affiner les catégories d’âge, de sexe, de CSP, de les pondérer par les trajectoires familiales et professionnelles, et au lieu d’écouter les consommateurs raconter qu’ils regardent Arte 6 jours sur 7, on suit les traces de ce qu’ils font. Ce qui compte aujourd’hui, c’est la data captée à partir du watch time individuel (plutôt que les like) chez YouTube, c’est la data captée à partir du scroll time chez Facebook, ou encore le taux de conversion chez Amazon, ou même le click through rate sur Google search, et enfin le taux de fidélité chez Netflix. Résultat : la pub programmatique et les recommandations YouTube ou Netflix sont bien plus fines (et parfois plus énervantes) que ce que le média-planneur faisait à la main. Même si ça ne prédit pas les résultats électoraux !
Sur le thème « L’addiction à Netflix ou à YouTube repose sur les mêmes leviers que le bandit-manchot », on peut lire Bruno Patino — président d’Arte
Le vrai problème ? Les algorithmes sont incroyablement fins — capables de me suivre de très près —, mais en contrepartie, ils sont incroyablement myopes : ils peuvent guider mon prochain geste (ou le prédire), celui des secondes qui viennent ; mais pas au-delà. Je vais cliquer sur le prochain épisode du Bureau des Légendes, mais l’achat de la prochaine voiture, mon choix de location de vacances ? Niet.
A-t-on tant progressé depuis que Bourdieu prédisait que les profs d’université écoutent plus France Musique tandis que les salariés agricoles boivent du rouge ordinaire (cf. https://choualbox.com/PzFlX) ?
Fin des certitudes, faim de leaders
Il est temps d’arrêter de rêver. Il manquera toujours bien plus qu’une décimale à nos calculateurs pour anticiper à coup sûr le comportement du consommateur. Face aux orages imprévisibles, ceux qui gagnent ne sont pas ceux qui s’épuisent à prévoir la météo. Ce sont ceux qui ont élaboré les méthodes et produits capables de profiter des orages.
D’après Steve Jobs, l’ordinateur est une bicyclette pour l’esprit. Depuis 2011 — année de sa mort — la bicyclette a changé de braquet. Ça avance fort, et pourtant il faut rester conscient du fait que la décennie 2010 marque la victoire des tenants de machines idiotes… et la victoire des organisations intelligentes. L’archétype en est Netflix, qui ne fait rien d’autre qu’appliquer aux contenus audiovisuels la recette qu’Amazon applique aux marchandises: proposer au consommateur A des objets qui plaisent au consommateur B, sachant que B ressemble à A dans sa consommation et a un peu d’avance sur A.
Il est temps d’admettre que notre métier de manager est de « naviguer en régime d’incertitude ». Les grandes entreprises dirigées par des femmes, d’après l’étude de l’observatoire SKEMA, progressent moins vite dans les périodes d’euphorie économique mais s’en sortent mieux dans les périodes de récession, et au total gagnent la course.
Les gestes sont les mêmes mais ils sont accompagnés d’une forme d’humilité, d’authenticité, de leadership authentique — leadership = mobilisation de tous et de chacun — qui donnent un autre parfum quotidien. Évidemment, il faut élaborer le plan stratégique intégrant opportunités et risques, piloter le plan d’action, construire des projets innovants et animer les équipes-projets, conduire le changement et oser établir des partenariats gagnants-gagnants.
Soyons précis, comment piloter nos entreprises en régime d’incertitude ? Deux écueils symétriques nous guettent, face à la succession d‘ouragans numériques d’origine californienne : tenir le volant d’un bras trop rigide, ou lâcher le volant. Henri Atlan prenait l’image du cristal et de la fumée :
- Trop de rigidité. Penser notre business unit comme un cristal — résister, pour protéger les modèles anciens. Il est vrai que si l’on déplace un seul atome d’un cristal, on le détruit ; mais voir sa business unit comme une entité intangible est une erreur ;
- Trop de souplesse. L’erreur inverse. Imaginer l’entreprise aussi malléable que la fumée ; accepter de se lancer dans les contorsions stratégiques que les nouveaux acteurs semblent capables d’imposer à tout le marché.
Comment sortir de cette alternative piégée entre le cristal et la fumée ?
Une des voies les plus fécondes s’appelle le design thinking, à condition de voir ce champ de pratiques comme un domaine qui sait évoluer, et pour cela aller regarder du côté de la Californie qui a inventé le concept, et le fait encore évoluer. On y retrouvera les mots-clés souvent entendus mais si peu pratiqués :
- privilégier les émotions et les boucles de rétroaction qui forment le socle de la créativité,
- favoriser les cycles itératifs, par le dialogue, l’empathie, les partenariats ;
- accepter le désordre, le conflit, l’échec — dans la mesure où les feedbacks arrivent plus vite, les risques et les coûts sont minimisés.
Sur le thème « Le design thinking 2025 vu de Stanford », on peut aller voir la Design School de Stanford
Conclusion : trois conditions pour bien se former aujourd’hui
Les questions sur l’usage de l’intelligence artificielle nous ramènent, en fin de compte, à des questions de choix humains : quelle organisation (comment structurer la BU ?) et quelles attitudes personnelles (quelles priorités humaines ?). Le vrai leader n’est pas le leader parfait — le cliché du leader charismatique au top sur tous les fronts est un mythe dangereux, selon l’analyse de Véronique Bouton, coach spécialisée dans l’accompagnement des hauts potentiels.
Votre hiérarchie a pu vous confier des fonctions de manager, mais jamais personne ne pourra vous confier le statut de leader. Le statut de leader ne s’accorde 1) ni « par en haut », 2) ni a priori. C’est même doublement le contraire : 1) c’est une reconnaissance implicite produite « par en bas » ou « par autour » — c’est-à-dire par le groupe que l’on anime ; 2) c’est une reconnaissance qui arrive « après coup » — a posteriori.
Cette reconnaissance prend la forme de la confiance — valeur refuge n°1 en période d’incertitude. Comment se matérialise-t-elle ? On a envie de vous suivre (une sorte d’indice Boursorama implicite fournit la cote des leaders, au sein de leurs équipes).
Ni rêve ni magie : le leadership est un potentiel, et non pas un donné immuable ou une sorte de génie inexplicable. Chacun peut le développer par la connaissance de soi, seul chemin pour identifier ses points forts, ses axes de progrès et, au socle de tout, ses sources de motivation. Ce chemin est personnel, mais rien de tel, pour l’entamer, que de se faire aider par un programme de formation spécifique. Trois caractéristiques, rarement réunies, s’imposent
- Intégrer management et leadership : bien traiter — et bien différencier ces deux notions trop souvent confondues, car on peut être manager sans être leader, et être leader sans être manager ; bien les différencier pour mieux les articuler ensuite l’une par rapport à l’autre (fonctions & objectifs vs missions & buts vs vocation & sens) ;
- Transcender l’acquisitions de connaissances (à transformer en « nettoyer l’excès d’informations qui encombrent nos esprits pour faire re-sortir ce qui est clé ») : mobiliser ces connaissances au sein d’ateliers expérientiels collectifs pour prendre conscience de ce que l’on ne savait pas que l’on savait (!), et, surtout, de tout ce que l’on peut oser.
- Réunir des experts d’un même secteur, pour qu’ils puissent découvrir de chair et d’os leurs concurrents-partenaires-« coopétiteurs » ; percevoir les structures — en cours de reconfiguration — de leur chaîne de valeur ; et pouvoir enfin, humainement, grâce à ces nouveaux réseaux formels et informels, construire leurs succès de demain.
Pierre Varrod, Directeur des études Imm
[1] Le mot statistique a été forgé par un savant allemand à partir de l'italien statista, « homme d'État » (car la statistique représentait pour lui l'ensemble des connaissances que doit posséder un homme d'État). La statistique détecte des régularités dans les foules ; son adage : « la corrélation n’est pas causalité, mais elle aide à la trouver ».
[2] Stanley Kubrick enrôle Minsky avec le titre de conseiller pour préparer son film 2001 Odyssée de l’Espace, sorti en 1968.