Evaluer un business en IA. (episode 3) 

La création d'un service alimenté par l'intelligence artificielle est délicate. Tellement difficile, en fait, que certaines startups ont compris qu'il est moins cher et plus facile de faire en sorte que les humains se comportent comme des robots que de faire en sorte que les machines se comportent comme des humains. 
Les investisseurs doivent être conscients qu'une minorité de prétendues startups d'IA diront aux investisseurs et aux utilisateurs qu'elles ont développé une technologie d'IA évolutive tout en s'appuyant secrètement sur l'intelligence humaine. Dans une certaine mesure, le terme "IA" est devenu un mot à la mode pour attirer les investisseurs. 
En effet, un rapport publié par MMC Ventures en 2019 a montré que sur les 2 830 startups européennes spécialisées dans l'IA interrogées, dans seulement 40 % des cas, la technologie constituait une partie cruciale de l'offre de produits.

Un exemple de "pseudo IA" peut être trouvé dans la brosse à dents intelligente Ara, développée par une entreprise française - Kolibree prétendait avoir une IA intégrée. Pourtant, en réalité, elle fonctionne à l'aide de capteurs et d'analyses de données pour indiquer aux utilisateurs qu'ils ont oublié un endroit dans leur bouche. 

Une startup d'IA doit être en mesure d'informer les investisseurs sur ses données de manière concrète. 
À ce titre, nous recommandons aux investisseurs de poser les questions suivantes et aux entrepreneurs de se préparer à ses questions :● Quels ensembles de données ont-ils utilisé pour entraîner et évaluer l'IA ? ● Quelle est la source de donnée ? celle-ci est-elle tarissable ? 
● Qu'est-ce que l'IA essaie de prédire ? 
● Faites-vous appel à une sorte de système " humain dans la boucle "(HITL) ?
⇒ Dans une approche traditionnelle de type " human-in-the-loop ", des personnes sont impliquées dans un cercle vertueux où elles forment, règlent et testent un algorithme particulier. Les systèmes basés sur l'approche HITL ne sont pas évolutifs, ils ne scale pas / ne se mettent pas à l’échelle. Il se peut que cela fonctionne bien pour le client final. Cependant, c'est un désastre pour la startup du point de vue du modèle économique car cela a un impact sur la marge brute. 
● Quelles données ont été utilisées pour former l'IA ? 
● À quelle fréquence l'IA est-elle mise à jour ? 
● Quels sont les plans pour intégrer de nouvelles données afin de l'améliorer ?

Les solutions :

Tout comme les investisseurs doivent remettre en question l'aspect technique, ils doivent également se demander si l'IA est pertinente pour l'application commerciale donnée. En quoi l'IA est-elle différente de ce que le client utilise actuellement, et pourquoi le client voudrait-il l'IA plutôt que la solution existante ?

D’un point de vue purement entrepreneurial, je ne suis pas sûr que l’IA en elle même suffise comme avantage commercial tant qu’elle n’a pas apporté la preuve d’une valeur supérieure aux concurrents délivrée au client.

Si une startup d'IA a de bonnes réponses aux questions sur les données, il est beaucoup plus probable qu'elle soit légitime. Tout ce qui ne montre pas une capacité à apprendre à partir de nouvelles données, à suivre une approche basée sur des règles (automatisation des processus robotiques RPA) ou à avoir besoin des humains sur le long terme doit être amené à être retravailler lors des prochaines étapes d’évolution du business.  
Ainsi, une entreprise comme Meero a commencé par faire du pseudo apprentissage automatique (Machine learning) qui selon certains étaient du traitement manuel en Chine avant de réaliser sa levée de fonds phare en 2019 pour faire passer son intelligence artificielle au niveau supérieur. 
L’adage des startups "Fake it until you make it" n’est pas une escroquerie et cela ne devrait pas surprendre les investisseurs. Faire de l'IA implique des coûts élevés, cela fait partie intégrante de l’évolutivité de la solution et d’un business.

Mettre en place un modèle de “fake it until you make it” en attendant que sa solution soit mature nécessite un process au sein de l’équipe pour valider le besoin, l’orientation de la solution et la profondeur du marché, sont deux phases successives qu’on appelle “go to market” et “product-market fit”
Cibler et résoudre les points de faiblesses empêchant les possibilités de mise à l’échelle (le fameux scale) de l’activité pour optimiser la croissance du business, fait parti intégrante du parcours classique d’un business. C’est aussi un process.

Dans les 3 cas ce sont aussi des process que nous mettons en place chez CatapulZ.