> Blog Manageris

Changement

Comment mobiliser autour du changement ?

Comment mobiliser autour du changement ?

Le saviez-vous ? Se focaliser uniquement sur l’objectif final d’un changement peut se révéler contre-productif pour mobiliser. Parmi les bonnes pratiques du changement, que ce soit pour une organisation ou en développement personnel, on a tendance à citer en priorité le fait de définir soigneusement le but visé. Quoi de plus motivant, en théorie, que de se projeter sur une organisation interne qui favorise la coopération, sur un parcours client fluide, ou sur une vie sportive et sans cigarettes ?

En réalité, notre cerveau est tellement doué pour la visualisation qu’il croit avoir déjà accompli l’objectif visualisé ! Inconsciemment, nous relâchons alors nos efforts. Pour minimiser ce type de déconvenues, des études récentes des neurosciences nous indiquent quelques pistes : par exemple, focaliser l’attention des collaborateurs sur les prochaines étapes à franchir et sur les obstacles à lever, au-delà de l’objectif final visé. A cette étape, visualiser les comportements concrets à mettre en œuvre est très efficace, car cela active les mêmes circuits neuronaux que leur mise en pratique réelle. Cela permet à chacun de « répéter » les comportements attendus, et ainsi d’ancrer progressivement de nouveaux réflexes.

Lors de la conduite d’un projet de changement, donner du sens en expliquant l’objectif final est certes indispensable, mais c’est en parlant des premiers jalons et des défis à venir que l’on mobilisera le plus efficacement l’énergie des collaborateurs.

En matière d’IA, comment éviter de mettre la charrue avant les bœufs ?

En matière d’IA, comment éviter de mettre la charrue avant les bœufs ?

Actuellement, la plupart des entreprises s’interrogent sur la meilleure manière de tirer parti de l’IA à leur échelle. On voit ainsi fleurir les applications et les expérimentations, avec plus ou moins de réussite. Bien souvent, les frustrations sont à la hauteur des espoirs. Et pour cause : l’IA, si « intelligente » soit-elle, ne sait finalement faire qu’une chose – travailler à partir des données que nous lui transmettons. Pour en tirer parti, il faut donc disposer de données centralisées, en qualité et en quantité suffisantes et issues de sources diversifiées. Or, dans bien des organisations, ces données sont disséminées entre les différents métiers qui disposent chacun de leurs propres systèmes.

Ainsi, avant d’envisager des dispositifs sophistiqués d’IA générative, on gagne à réaliser un rapide diagnostic de son organisation. Les connaissances tacites y sont-elles suffisamment formalisées ? Sont-elles centralisées ? Le mode de collecte et de traitement des données est-il suffisamment standardisé ? D’après la nature et la quantité des données collectées, y a-t-il un risque de susciter des réponses biaisées de la part de son dispositif d’IA ? Gagnerait-on à disposer de sources supplémentaires ? Ce travail en amont est indispensable pour garantir la qualité des réponses de l’IA et maximiser son potentiel d’aide à la prise de décision.


Source :  Harnessing AI to accelerate digital transformation, The Choice by ESCP, juillet 2023.

Investir dans l’humain pour tirer parti de l’intelligence artificielle

Investir dans l’humain pour tirer parti de l’intelligence artificielle

La croissance économique mondiale sera essentiellement tirée par les nouvelles technologies dans les années à venir, et en particulier par les innovations liées à l’intelligence artificielle. Or saisir les opportunités de l’IA requiert bien plus que de miser sur la meilleure technologie.

Les entreprises qui présentent le meilleur potentiel de croissance considèrent même que l’aspect technologique ne représente qu’une part mineure de l’enjeu. Selon une étude du Boston Consulting Group menée en 2022 auprès de 700 dirigeants de tous secteurs dans 47 pays, les entreprises les mieux armées pour tirer parti des innovations permises par l’IA suivent la règle des « 10-20-70 ». Seulement 10 % de leurs efforts sont investis dans la conception de leur modèle d’IA ; 20 % sont dédiés à la collecte de données de qualité ; et les 70 % restants portent sur l’organisation et les personnes. Ces entreprises visent avant tout à attirer et fidéliser les meilleurs talents, à former leurs salariés pour détenir le bon mix de compétences, à ancrer une culture de l’innovation et à rendre leurs processus internes plus agiles et plus collaboratifs.

Une analyse qui incite à prendre du recul sur ses investissements : leur répartition actuelle permet-elle de renforcer les capacités de l’entreprise à tirer parti des bouleversements technologiques en cours ?


Source : The New Blueprint for Corporate Performance, Amanda Luther, Romain de Laubier, Saibal Chakraborty, Dylan Bolden, Sylvain Duranton, Tauseef Charanya, Patrick Forth, BCG, avril 2023.

Distinguer les signaux faibles réellement significatifs du bruit ambiant

Distinguer les signaux faibles réellement significatifs du bruit ambiant

On recommande souvent aux dirigeants et managers de scruter leurs données marchés et clients pour repérer d’éventuels « signaux faibles » - ces micro-changements ou ces attentes naissantes qui préfigurent les tendances de fond à venir. Mais comment savoir si telle anomalie dans les données est un signal faible, ou simplement une valeur qui s’écarte de la moyenne ? Le traitement de masses importantes de données implique nécessairement la présence de nombreuses anomalies qui, pour autant, ne sont pas toutes signifiantes.

Pour en juger, les experts en stratégie conseillent d’évaluer chaque anomalie selon trois dimensions :

Sa dynamique : l’anomalie persiste-t-elle dans le temps ? Croît-elle rapidement ? Les pionniers de votre secteur semblent-ils s’y intéresser de près ?

Sa robustesse : l’anomalie ressort-elle dans plusieurs lots de données ? Est-elle cohérente avec d’autres changements de votre environnement ?

Son impact : l’anomalie pointe-t-elle un angle mort non couvert par les offres actuelles ? Quelles pourraient être les implications si elle se généralisait ?

Un cadre d’analyse simple, à expérimenter pour ses prochaines sessions de réflexion stratégique.


Source : The Power of Anomaly, Martin Reeves, Bob Goodson, Kevin Whitaker, Harvard Business Review, juillet-août 2021.  

Tirer parti des contradictions apparentes pour innover

Tirer parti des contradictions apparentes pour innover

Lorsque nous sommes confrontés à un dilemme ou une décision complexe, la « pensée intégrative », théorisée par le chercheur Roger Martin de l’université de Toronto, permet de créer un contexte propice à l’émergence de nouvelles idées, plus riches que celles envisagées en première analyse. C’est en mobilisant la pensée intégrative que certaines entreprises ont assis leur leadership, en fondant leur avantage concurrentiel sur une troisième voie leur permettant de dépasser le dilemme apparent. En voici trois exemples :

-          Honda illustre parfaitement la maîtrise du dilemme classique entre coût et qualité. Le groupe japonais a su innover tout en comprimant ses coûts de R&D. Cela lui a permis de commercialiser des modèles de qualité comme la Honda Legend (1988) à des coûts bien inférieurs à ceux des modèles produits par ses concurrents occidentaux. Au lieu d’arbitrer entre coût et qualité, comme la plupart de ses concurrents, l’entreprise a trouvé des moyens innovants (standardisation, plateformes communes) pour conjuguer les deux.

 

-          Issy Sharp, fondateur de la chaîne hôtelière Four Seasons, était confronté à un dilemme. Sur le marché américain de l’hôtellerie, il n’existait à l’époque que deux modèles opposés : les motels, petits hôtels avec peu de lits et assez bas de gamme, ou bien les grands hôtels de plus de 750 chambres, confortables mais impersonnels car très vastes. Sharp a décidé d’associer les avantages des deux modèles, en lançant des hôtels haut de gamme à taille humaine (200 à 350 lits) avec tout le confort des grands établissements – une innovation à l’époque aux États-Unis !

 

-          L’« open source » rémunérateur mis en place par Red Hat s’inscrit également dans cette démarche. Dans les années 90, il existait deux modèles de distribution de logiciels. D’une part, le modèle propriétaire, incarné par Microsoft : des logiciels commercialisés à des prix élevés, prêts à l’emploi, mais dont les bugs étaient sinon impossibles, du moins coûteux à réparer. D’autre part, le modèle « open source », symbolisé par Linux : des logiciels quasi gratuits, adaptables à volonté, mais sans service client. Dans ce contexte, Red Hat a été la première entreprise à offrir des logiciels open source totalement gratuits, via Internet, tout en proposant aux entreprises un service de maintenance par abonnement. Ce modèle lui a permis de s’imposer face à de puissants concurrents.

Essai gratuit

Découvrez des Synthèses Manageris gratuitement et sans engagement !

Essayer

Toutes les publications

Explorer