Pépites de managementRetrouvez ici quelques pépites issues de notre veille des meilleures publications sur le leadership et le management

C’est peu de dire que l’exercice du leadership s’est compliqué ces dernières années. Incertitude, complexité croissante, rythme accéléré… la littérature détaillant ces difficultés abonde.

Parmi ces enjeux, l’un d’entre eux est souvent sous-estimé : il est de plus en plus difficile de distinguer le vrai du faux, et de parvenir à une vision partagée de ce qui constitue la réalité. On a pensé trouver la solution dans le management par les données, en créant des tableaux de bord incontestables. Aujourd’hui, on constate que la multiplication des données chiffrées – dont on finit par perdre le sens tant les sources sont variées et les modes de calcul complexes – a créé plus de confusion que de clarification.

Alors, que faire face à des perceptions multiples ? Avant tout, se rappeler que l’on n’est jamais totalement objectif – et poser des questions pour affiner la façon d’appréhender le sujet. Quelles sont les sources des données et comment ont-elles été validées ? Quels ont été les critères de sélection, les choix faits pour l’analyse ? Tout leader doit ainsi aujourd’hui adopter une démarche scientifique, en considérant ses premières conclusions comme des hypothèses à valider ou à étayer.

Source : Four Leadership Loads That Keep Getting Heavier, Melissa Swift, MIT Sloan Management Review, décembre 2024.

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.