Explicabilité et conditions d’appropriation de l’intelligence artificielle : une ressource au service du management ?-Reference-Cited by-同舟云学术

Explicabilité et conditions d’appropriation de l’intelligence artificielle : une ressource au service du management ?

Published:2024-07-03 Issue:2 Volume:n° 49 Page:131-141
ISSN:2262-7030
Container-title:Question(s) de management
language:
Short-container-title:

Author:

Ferguson Yann,Rodriguez David,Chabanet Didier,Richard Damien

Abstract

Comment expliquer et donc favoriser l’appropriation de l’intelligence artificielle (IA) en entreprise ? Cet article éclaire cette question à partir de l’étude de trois cas d’usage (industrie de process, industrie bancaire et industrie agroalimentaire), étudiés grâce à une plateforme d’observation de l’IA au travail, constituée en 2020 dans le cadre du Partenariat Mondial sur l’IA. Les résultats montrent l’importance d’impliquer les acteurs de terrain et les collectifs de travail à tous les stades de conception des projets, pour que les opérateurs ne soient jamais soumis ni à la machine ni aux experts. La discussion met en lumière l’importance de « l’explicabilité située », des espaces de discussion et du rôle décisif des managers de proximité dans la construction de sens pour que l’IA soit constamment ancrée dans le travail réel.

Publisher

CAIRN

Reference48 articles.

1. Allard-Poesi, F. (2003), Coder les données, in Giordano Y. (Dir.), Conduire un projet de recherche, une perspective qualitative (p. 245-290), Caen, EMS.

2. Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI;Barredo Arrieta Alejandro;Information Fusion,2020

3. Besse, P., Besse-Patin, A., & Castets-Renard, C. (2020), Implications juridiques et éthiques des algorithmes d’intelligence artificielle dans le domaine de la santé, Statistique et Société, 8(3), 21-53.

4. Biran, O., & Cotton, C. (2017), Explanation and justification in machine learning: A survey. In IJCAI-17 workshop on explainable AI (XAI), 8(1), 8-13.

5. Borch, C., & Hee Min, B. (2022), Toward a sociology of machine learning explainability: Human–machine interaction in deep neural network-based automated trading, Big Data & Society, 9(2), https://doi.org/10.1177/20539517221111361.