• . Adopt an Agile Mindset

   

  Unlike the conventional “unfreeze, change, refreeze” approach, which implies change represents only a temporary disruption, an agile orientation embraces the philosophy of “rethink, reshape, repeat” — an ongoing quest for excellence. Under this paradigm, transformation becomes a perpetual journey involving assessing the company’s strategy, prioritizing critical issues, carefully considering potential alternatives for addressing each issue, choosing the best course of action, adapting the organization accordingly, and then moving to the next critical issue

• 2. Use aspirations to continuously challenge and stretch the organization.

   

  Relying solely on top-down targets, even those based on external benchmarks and industry best practices, often falls short of fostering sustained performance improvement. While these targets may initially inspire efficiency enhancements, they often lead to complacency once achieved, perpetuating the rigid “unfreeze, change, refreeze” model of transformation.
• Instead, organizations should cultivate aspirations that challenge and motivate at every level.

• 3. Build transformation into the company’s operating rhythm.

   

  To thrive in today’s fast-paced environment, leaders must seamlessly integrate transformation into the company’s operating rhythm. This involves incorporating change initiatives into existing governance processes and forums, ensuring that evolution becomes a natural part of running the business.

2 more annotations...

• If their concerns are valid, acknowledge them, address them, and be prepared to work through them. 
• baby boomers and Gen Xers feel overwhelmed by new technology, while other research suggests that Gen Z and millennials are more likely to embrace it. 
• The bottom line: Generations that didn’t grow up using digital technology may be more receptive to new innovation, like GenAI, if you frame it in familiar, everyday-use cases. 
• I realized that integrating GenAI is not so different from adding a new team member to the mix. 
• When adding a new team member, others’ responsibilities can shift based on the current need. Create clear job descriptions and performance plans to facilitate a smooth transition and ensure everyone is on the same page. 
• his process, called job crafting, can demystify GenAI as it increases employee investment, improves job satisfaction, encourages role fluidity, and helps create clear swim lanes for work and team members.

4 more annotations...

• L’intelligence artificielle est un concept technologique visant à utiliser les machines pour simuler l’intelligence humaine, notamment pour des tâches cognitives comme l’analyse ou la déduction
• L’apprentissage automatique est une branche de l’intelligence artificielle utilisant des calculs statistiques pour simuler des capacités d’apprentissage permettant à une machine d’améliorer ses performances dans la résolution de tâches sans avoir été explicitement programmée pour ça.
• L’apprentissage profond est une méthode de machine learning qui permet un apprentissage non supervisé en s’appuyant sur l’analyse de données hétérogènes grâce notamment à des réseaux de neurones artificiels constitués de couches chargées de modéliser ces données de façon simplifiée et non linéaire. Plus le nombre de couches est élevé et plus le réseau est dit « profond ».
• Les grands modèles linguistiques (« Large Language Models« , LLM) sont des modèles de traitement automatique du langage reposant sur des méthodes d’apprentissage profond qui sont particulièrement performantes pour la traduction ou la génération de contenus.
• Les IA génératives utilisent des modèles d’apprentissage profond, et plus précisément les transformeurs qui reposent sur les réseaux de neurones artificiels. Ce sont des modèles auto-attentifs, rendus publics en 2017 par Google, utilisés principalement dans le domaine du traitement automatique du langage (synthèse, traduction, dialogue…). À l’instar des réseaux de neurones récurrents (RNN pour « Recurrent Neural Network« ), les transformeurs sont conçus pour gérer des données séquentielles, telles que le langage naturel.
• les modèles génératifs ne savent pas vraiment ce qu’ils racontent dans la mesure où ils ne s’appuient pas sur des bases de connaissances structurées à l’aide d’un thesaurus (au contraire du knowledge graph de Google). Ceci étant dit, et je le répète, les contenus générés font parfaitement illusion, car les modèles savent très bien analyser le contexte de la phrase, ou du moins des phrases, car des modèles comme ChatGPT prennent en compte une « fenêtre contextuelle » de plus de 3.000 mots. Pour améliorer la compréhension du contexte, il suffit d’augmenter la taille de la fenêtre contextuelle
• Il n’y a rien de magique dans le fonctionnement des modèles génératifs, c’est juste beaucoup de puissance de calcul pour ingurgiter une masse colossale de contenus (triés et filtrés par des Kenyans payés 1$ de l’heure) et régurgiter des réponses à travers une interface textuelle. Il en va de même pour les modèles générateurs d’images comme DALL-E : sans les données d’entraînement, les images et illustrations créées par des humains, ces modèles n’existeraient pas.
• De façon plus générale, ce ne sont pas les modèles génératifs ou les IA qui détruisent des emplois, mais les charges salariales et patronales. Face à des montants toujours plus élevés, les employeurs cherchent à réduire leur masse salariale et suppriment petit à petit des postes en reportant la charge de travail sur les clients

7 more annotations...

• Après avoir connu une très nette accélération durant la COVID, la transformation numérique des entreprises et organisation est à l’arrêt (contexte socio-économique défavorable)
• L’adaptation des entreprises et organisations aux nouvelles conditions de marché est freinée par des méthodes, habitudes et outils informatiques hérités du XXe siècle
• Les applications des modèles logiques (moteurs de règles) ou des modèles discriminatifs (machine learning) sont très spécifiques et ne peuvent être généralisées à toutes les tâches
• Les modèles génératifs sont destinés à des usages courants (traduction, reformulation, synthèse…), donc à considérer comme des couteaux suisses pour les cols blancs
• Les assistants numériques vont permettre d’accompagner chaque individu dans leur évolution et faciliter l’adoption de nouveaux outils et nouvelles méthodes de travail pour gagner en souplesse et stimuler l’auto-apprentissage
• Le moins que l’on puisse dire, c’est que la méthode Coué appliquée à l’IA fonctionne puisque la promesse de gains de performances des modèles génératifs s’applique aussi aux « vieux » acteurs de l’industrie qui pourraient connaitre une seconde jeunesse et redevenir rentables : AI Is Driving the Next Industrial Revolution, and Wall Street Is Cashing In.
• les IA sont des applications informatiques comme les autres, des outils pour nous aider ou pour faire des choses à notre place.
• il n’est de secret pour personne que nous ne maîtrisons pas réellement l’IA générative, ou du moins que nous commençons à peine à comprendre comment les grands modèles linguistiques fonctionnent
•  Dans un domaine où on manque de compétence, l’assurance trompeuse de ChatGPT est extrêmement convaincante« ).
• avec l’IA, il n’est pas question de remplacer, mais d’assister.
• les LLMs ne comprennent pas les contenus qu’ils génèrent : ils sont la résultante de calculs probabilistes. Voilà pourquoi les discours sur l’intelligence artificielle généraliste sont trompeurs, car pour avoir une IA capable de répondre à toutes les questions et de traiter tous les problèmes qu’on lui soumet, il lui faudrait avoir une parfaite compréhension du monde, dans toute sa diversité et sa complexité, ainsi qu’une bonne expérience du comportement imprévisible et irrationnel des humains.
• L’IA générative est ainsi plus à considérer comme un couteau suisse pour les cols blancs : GenAI, The Modern Swiss Knife of Knowledge Workers.
• l’IA en général, et les modèles génératifs en particulier, ne devrait pas être une finalité, mais un moyen. La première question que nous sommes censés nous poser n’est pas « Comment monter un projet d’IA générative au plus vite« , mais « Quels sont les problèmes que nous cherchons à résoudre
• Des outils de travail modernes comme Monday, Slack, Notion ou Teams sont ainsi forcés de cohabiter avec des outils informatiques traditionnels qui imposent des méthodes de travail du siècle dernier.
• accompagner chaque collaborateur dans sa transition des outils informatiques vers les outils numériques :
• Le fait de passer systématiquement vos fichiers, emails, conversations ou réunions à la moulinette de l’IA générative permettrait d’extraire des informations, données et connaissances précieuses et de les archiver dans une base de connaissances structurée, le fameux « Work Graph » dont Microsoft nous parle depuis des années.
• Pour pouvoir fournir une aide de plus haut niveau, les assistants numériques doivent avoir accès à des informations et données spécialisées, celles qui sont dans les applications spécialisées. Et c’est là où nous allons potentiellement avoir un morcellement du marché, car les éditeurs d’applications spécialisées n’accepteront jamais de partager leurs données avec les assistants de Microsoft ou Google.
• Ce ne sera résolument pas une bonne chose, car cela va à nouveau morceler les informations, données et connaissances, mais ça sera immanquablement une étape à franchir avant d’avoir des assistants polyvalents capables d’exploiter les données d’applications métier dans de bonnes conditions (sécurité, confidentialité, performances…).
• des assistants numériques servant à stimuler la créativité. La promesse d’applications comme Sane ou Napkin est ainsi de vous aider à gérer vos intuitions / inspirations et à structurer vos idées.
• la très large majorité des entreprises et organisations n’ont fait que numériser l’existant, il n’y a pas réellement eu de transformation profonde de leur fonctionnement ou de leur modèle économique.
• un accompagnement de proximité pour modifier les habitudes de travail et migrer des outils informatiques vers les outils numériques.

19 more annotations...

• The biggest productivity jumps in the next two years came from developing educational programs and policies (three million hours saved in the US, and 665,000 in the UK).

   

  There are also efficiency benefits from using Gen AI to develop policies and procedures (1.7 million hours saved in the US) and explaining those policies and produces (380,000 hours saved in the UK).
• “key barriers to readiness that we typically see include outdated technology infrastructure, lack of an overall HR technology strategy, disparate data definitions across disparate systems, lack of data availability, and limited capacity and skills to implement the technology”