Le Chief AI Officer de Workday, Joel Hellermark, explique pourquoi l'ère du prompting incessant est déjà en train de changer, et comment réorganiser votre entreprise en toute sécurité pour obtenir des workflows autonomes.
Emily Faracca
Multimedia Content Writer
Workday
L'ère des copilotes est terminée. Bienvenue dans l'ère des coéquipiers autonomes.
Pendant des années, l'IA en entreprise s'est résumée à l'utilisation d'assistants : des copilotes greffés sur les postes de travail individuels, sollicités par les collaborateurs à l'aide de prompts et n'offrant que des avantages minimes. Pour Joel Hellermark, le nouveau Chief AI Officer de Workday, cette ère touche à sa fin.
Dans une conversation Future of Work avec Michelle Dawkins, VP of Solution Consulting chez Workday, Joel Hellermark plaide en faveur d'une nouvelle catégorie de logiciels, conçus non seulement pour être intelligents, mais aussi dignes de confiance. Des agents qui agissent en tant que coéquipiers proactifs, et non comme des outils réactifs attendant le prochain prompt.
Principaux points à retenir :
Des copilotes aux agents proactifs : pourquoi le prompting incessant est une impasse, et à quoi ressemble une IA qui fait remonter des insights avant même que vous les demandiez
IA encadrée ou hors cadre : comment maintenir les agents dans le cadre de vos autorisations et garde-fous existants, et pourquoi les agents « hors de contrôle » constituent un échec de gouvernance, et non un échec technologique
Les 5 niveaux d'autonomie : une roadmap illustrant l'évolution de la supervision humaine à mesure que les systèmes deviennent plus intelligents
L'approche IAG : pourquoi les dirigeants doivent abandonner les projets pilotes interminables axés sur le ROI et commencer à expérimenter l'IA à grande échelle
Joel Hellermark :
Vous avez d'un côté les agents encadrés et de l'autre, les agents hors cadre : des agents hors de contrôle qui ne connaissent ni les autorisations ni les infrastructures sous-jacentes. Et vous pouvez leur fournir exactement ce dont ils ont besoin, plutôt que chaque utilisateur ait en quelque sorte à le comprendre par lui-même. Cela permet ensuite de créer des expériences plus proactives.
Michelle Dawkins :
Bonjour, je suis Michelle Dawkins et aujourd'hui, j'ai reçu Joel Hellermark, Chief AI Officer de Workday, dans le podcast Future of Work. L'occasion pour nous de discuter de la récente étude de Workday, qui traite de l'économie du copier-coller. Nous nous sommes intéressés au fait que les collaborateurs passent beaucoup de temps à répliquer des données entre des systèmes disparates, ce qui accentue considérablement l'écart de productivité. Joel Hellermark et moi avons parlé de la façon dont nous pouvons résoudre ce problème. Nous avons examiné pourquoi le contexte est un élément crucial pour l'IA, pourquoi il est important que l'IA fonctionne avec des garde-fous et au sein des systèmes et des processus plutôt qu'en dehors du cadre établi. Nous avons également abordé l'importance de la présence humaine dans la boucle alors que nous évoluons vers davantage d'automatisation. J'espère vraiment que vous avez apprécié cette conversation. Joel Hellermark, merci beaucoup d'être là. C'est un plaisir de vous voir à Londres. Vraiment.
Joel Hellermark :
Je suis ravi d'être ici.
Michelle Dawkins :
Vous êtes impatient pour Elevate demain ? Est-ce que vous êtes fan des Rolling Stones ? Je ne sais pas si vous avez vu, mais nous sommes dans la salle Rolling Stones du bureau de Londres.
Joel Hellermark :
Oui, oui, effectivement. Je ne peux pas dire que je suis un grand fan des Rolling Stones, mais je suis ravi d'être dans cette salle.
Michelle Dawkins :
Très bien. Nous allons parler d'une nouvelle étude très intéressante qui vient d'être publiée sur l'adoption de l'IA et l'utilisation de l'IA en entreprise, et je suis impatiente d'avoir votre point de vue. Entrons directement dans le vif du sujet si vous le voulez bien.
Joel Hellermark :
Bien sûr.
Michelle Dawkins :
Parlons tout d'abord de la différence entre adoption et transformation. Il arrive souvent que les entreprises confondent adoption et transformation. Nous savons que le simple fait de mettre un assistant IA à chaque poste de travail ne va pas engendrer les changements que les entreprises attendent. Quelle transformation l'IA doit-elle permettre au sein des entreprises ?
Joel Hellermark :
Je pense que les entreprises doivent avant tout se concentrer sur l'adoption de l'IA. C'est l'adoption de l'IA qui va permettre ensuite d'améliorer les modèles. Chaque fois que les modèles s'améliorent, si l'IA est universellement intégrée dans toutes vos équipes, votre entreprise bénéficiera instantanément de ce surplus d'intelligence. Mais ces systèmes changent les mécanismes de leur utilisation environ tous les 12 mois maintenant.
Nous avons commencé à l'ère des assistants, une ère fortement basée sur les prompts. Nous avons placé des copilotes à chaque poste de travail, et les collaborateurs copiaient-collaient des données depuis n'importe quel système d'enregistrement, entre autres, en essayant de les saisir dans ce copilote pour qu'il effectue le travail à leur place. Ce qui change actuellement, et explique l’évolution de cette dynamique, c’est l’arrivée des agents proactifs.
Nous avons des agents proactifs qui peuvent s'appuyer sur le contexte de ces applications. Cela signifie que nous passons des copilotes que nous instruisons et interrogeons constamment pour en tirer une quelconque valeur ajoutée, à des agents qui nous proposent de manière proactive des actions et des insights avant même que nous les sollicitions. Et au fur et à mesure qu'ils le font, ils deviennent de plus en plus intégrés dans les systèmes que nous utilisons chaque jour, et ils bénéficient de ce contexte, par exemple,
pour effectuer leur travail de manière beaucoup plus intelligente. Il s'agit donc de passer de copilotes réactifs à des agents proactifs.
Michelle Dawkins :
Et c'est précisément cette approche qui favorise véritablement la transformation, plutôt que leur adoption.
Joel Hellermark :
Exactement. Les tendances que nous observons montrent que, avec une interface de type copilote, les augmentations de productivité restent modestes, de l'ordre de dix ou vingt pour cent. Mais lorsque vous évoluez vers des agents capables d'effectuer un travail de bout en bout de manière proactive, vous pouvez réaliser des gains bien supérieurs, et c'est véritablement le changement que nous observons actuellement.
Michelle Dawkins :
C'est intéressant, car l'étude a identifié ce phénomène de copier-coller entre différents systèmes : l'« économie du copier-coller ». L'étude a identifié que les personnes perdaient sept heures ou plus par semaine à effectuer ces tâches. C'est énorme. C'est une perte de productivité non négligeable. Pourquoi ajouter d'autres outils d'IA ne suffit-il pas à résoudre ce problème ?
Joel Hellermark :
Dans ces cas-là, il faut imaginer des agents qui sont fondamentalement conscients du contexte et qui, pour reprendre mon point précédent, sont proactifs. En gros, ce que nous avons constaté au fil du temps, c'est que chacun de ces systèmes essayait de contourner le problème, et que c'était en quelque sorte les humains qui s'occupaient du contexte, pour ainsi dire. Essayant, à chaque instant et pour chaque tâche, de fournir le bon contexte au modèle. À mesure que les systèmes deviennent intégrés et proactifs, ils rassemblent l'ensemble du contexte approprié juste à temps pour résoudre la tâche. Mais ils passent également de l'exécution de tâches à une seule étape à des tâches à plusieurs étapes. Avant, vous l’auriez probablement fait pour générer un e-mail ou un seul document, etc. Désormais, ces systèmes parviennent également de mieux en mieux à résoudre des tâches à long terme. Nous observons actuellement que la durée des tâches que l'IA peut résoudre double environ tous les sept mois. Cela signifie donc qu'il y a sept mois, ces systèmes étaient au mieux capables de rédiger un document, et qu'ils sont maintenant en mesure de gérer un processus de bout en bout. Ainsi, rassembler le bon contexte et exécuter des workflows à plusieurs étapes vous permettra d'obtenir de ces systèmes une productivité nettement supérieure par rapport à la situation où vous deviez effectuer une ingénierie de contexte pour chaque sous-tâche.
Michelle Dawkins :
Cette notion de contexte est vraiment intéressante. J'utilise actuellement une application de course à pied pour améliorer mon allure. Je cours très lentement. Quand j'ai commencé à l'utiliser, elle m’imposait au début un objectif d'allure complètement irréalisable. Et je n'arrêtais pas de dire à l'IA que je ne pouvais pas soutenir ce rythme. Puis au fur et à mesure qu'elle a intégré mes courses et pris en compte mon feedback sur l'effort que je fournissais, tout a complètement changé. Maintenant, elle me donne un rythme basé sur des données réelles. L'aspect contextuel est vraiment important.
Joel Hellermark :
Exactement.
Michelle Dawkins :
J'ai beaucoup discuté avec l'IA au début. Vous avez parlé d'avoir du contexte et des processus de bout en bout. L'étude identifie une bonne et une mauvaise approche de l'IA, à savoir avoir une IA complètement isolée ou bien intégrée aux systèmes. Quelle est la différence fondamentale entre avoir l'IA dans une couche séparée ou de l’avoir intégrée directement à vos processus ?
Joel Hellermark :
Il y a plusieurs éléments à prendre en compte. Avant tout, il s'agit de créer le bon cadre d'exécution. Vous avez des agents qui respectent ce cadre et des agents qui s'en affranchissent. Ces agents hors cadre correspondent en grande partie au modèle vers lequel les professionnels se tournent aujourd'hui. Ces agents ne connaissent pas les autorisations ni les infrastructures sous-jacentes, et peinent vraiment à exécuter des tâches qui dépendent des politiques et du contexte. Mais lorsque vous les exécutez à l'intérieur des systèmes et selon ce contexte, vous pouvez être certains qu'ils respecteront le cadre. Ils exécutent les tâches qu'ils sont censés exécuter. Ensuite, vous pouvez fournir une grande partie de ce contexte dès le départ et leur indiquer précisément ce qu'ils doivent faire pour accomplir leurs tâches. Ainsi, plutôt que de laisser chaque utilisateur chercher lui-même la solution à chaque fois, vous pouvez mettre en place des expériences plus proactives. Ainsi, plutôt que de vivre une expérience réactive où vous essayez d'accéder au système, de rassembler les informations nécessaires, puis de les transmettre à l'agent pour qu'il résolve la tâche, ce dernier peut vous proposer les tâches qu'il peut vous aider à accomplir. Vous passez alors d'une approche réactive à un agent qui fonctionne efficacement 24 h/24 et 7 j/7. Pour moi, c'est un peu comme si vous aviez dans votre poche un nombre infini de collègues dotés d'un QI supérieur à 150 et d'une vision globale des choses, dont vous pouvez examiner le travail et les suggestions, et qui vous font constamment part de nouvelles perspectives, de nouvelles actions ou de nouveaux projets.
Michelle Dawkins :
Oui, c'est incroyable. Créer une IA qui connaît l'entreprise, connaît le contexte, connaît les processus, cela semble simple en théorie. Qu'est-ce qui fait que c'est plus compliqué en réalité, et qu'il est difficile de la faire résider au cœur des données ?
Joel Hellermark :
La première partie consiste à construire les infrastructures dans lesquelles ces agents peuvent fonctionner avec précision. Il s'agit d'un modèle totalement nouveau par rapport aux modèles UR précédents. Jusque-là, nous concevions des logiciels principalement pour les humains. Désormais, nous concevons des logiciels pour les agents. Il faut donc gérer les exigences de latence des agents, déterminer comment rassembler le bon contexte, comment créer une mémoire à long terme et à court terme, et ainsi de suite. Nous créons donc essentiellement un nouveau modèle de logiciel conçu pour être utilisé par des agents plutôt que par des humains. Oui. Nous construisons les bons moteurs de politiques pour les agents, nous construisons les bons moteurs de connaissances pour les agents, nous construisons les bons systèmes de mémoire pour les agents afin qu'ils puissent accomplir ces tâches efficacement. En ce sens, c'est en quelque sorte un moment de refondation : il ne s'agit plus seulement de rendre ces systèmes ultra-intuitifs pour les humains, mais de les rendre ultra-intuitifs pour les agents.
Michelle Dawkins :
Si une entreprise tente de faire cela en dehors d'un système où résident les données, où résident les processus, où résident la logique, les risques, la conformité et les coûts, tout cela devient un problème majeur.
Joel Hellermark :
Exactement. Et ces systèmes pourraient ne pas avoir le contexte approfondi des tâches que vous essayez de résoudre. Je pense que le domaine de connaissance devient très important ici. Nous disposons du domaine de connaissance le plus approfondi concernant nos tâches, nos workflows, et nous pouvons l'exploiter lorsque nous créons les rails pour ces agents. Mais si vous exécutez cela à un niveau abstrait sans avoir d'insights sur les tâches spécifiques, cela devient vraiment difficile.
Michelle Dawkins :
Oui. Vous avez mentionné quelque chose plus tôt, l'humain dans la boucle. Je pense que c'est quelque chose dont nous avons parlé pendant longtemps et qui reste encore d'une importance cruciale. Nous évoluons de plus en plus vers des agents autonomes qui prennent des décisions, qui passent à l'action, qui exécutent des processus, qui soutiennent les humains et travaillent à leurs côtés. Comment maintenir ce concept d'humain dans la boucle ? Comment nous assurer que nous le conservons ?
Joel Hellermark :
Nous observons essentiellement cinq niveaux d'autonomie. En prenant l'analogie des voitures autonomes, nous suivons en quelque sorte la même trajectoire. Au départ, il s'agissait de systèmes très réactifs, comme la simple saisie automatique et des tâches de ce type, puis ils sont devenus davantage basés sur des prompts, et ils deviennent maintenant plus proactifs. Je pense qu'à mesure que l'on progresse vers des niveaux d'autonomie plus élevés, ces systèmes seront de plus en plus liés à des politiques. Nous en sommes encore au stade où les humains sont fortement impliqués dans les approbations finales. Mais au lieu d'approuver une tâche qui vous aurait pris une minute à créer, vous pouvez approuver un ensemble complet de travaux. Une fois que le système aura été intégré suffisamment longtemps dans cette boucle, il devrait acquérir l'intuition pour savoir à quel moment il a réellement besoin de vous impliquer. Si l'on pense aux voitures autonomes, il y a eu une période assez longue où les humains étaient encore assis dans la voiture pour la corriger lorsqu'elle faisait quelque chose d'inadapté. Le système de conduite autonome passait la main à l'humain lorsqu'il n'était pas sûr, et ainsi de suite.
C'est essentiellement là où nous en sommes aujourd'hui. On a une voiture qui roule plutôt bien, mais qui fait encore beaucoup d'erreurs, n'a pas rencontré tous les cas limites, etc. On est assis dans ces voitures autonomes et on les corrige. Et à un moment donné, elles auront accumulé une grande partie des politiques et des connaissances issues de nos corrections. Et à ce stade, elles deviendront de plus en plus autonomes. Je pense que nous en sommes à quelque chose comme le niveau L3, en approche du niveau L4 d'autonomie pour le travail intellectuel. Le niveau L4 final est lié aux politiques. Au niveau L5, qui représente véritablement l'état final, vous avez des entreprises autonomes qui s'améliorent d'elles-mêmes. Vous avez des agents de bout en bout qui exécutent des cycles de bout en bout, puis qui examinent et améliorent les processus au fur et à mesure. Mais je pense que le parcours sera long aux niveaux L3 et L4 pour bien maîtriser cela avant que l'on fasse confiance aux entreprises autonomes.
Michelle Dawkins :
Le mot confiance est vraiment intéressant. Je suis récemment montée dans une voiture autonome à San Francisco et je peux vous dire qu'on ressent toujours ce désir, en tant qu'être humain, de reprendre le contrôle et de conduire soi-même. Et on se demande si c'est la bonne chose à faire. C'est un phénomène observé. L'étude montre que la confiance est vraiment importante. Est-ce que vous constatez un changement dans la façon dont les individus interagissent avec l'IA aujourd'hui ? Ferons-nous davantage confiance à l'IA et arrêterons-nous de constamment vérifier son travail ?
Joel Hellermark :
Je pense que nous arriverons à un moment où les choses s'inverseront et les gens n'auront plus confiance dans les systèmes gérés par des humains. C'est ma conviction profonde. Je me sens plus en sécurité dans une voiture autonome à San Francisco que dans un taxi avec un chauffeur à Londres. Même si ces chauffeurs de taxi sont des conducteurs incroyables. Si l'on compare les taux d'erreur des voitures autonomes aux taux d'erreur des chauffeurs de taxi, ils sont nettement inférieurs. Cela s'appliquera à tout le travail. Je pense que nous sommes aux prémices de ce changement. On constate que les humains veulent de plus en plus vérifier chaque chose avec un système IA.
Si vous recevez un document de votre médecin, par exemple, vous le ferez vérifier par un système IA pour vous assurer qu'il est correct. Mais vous ne feriez pas non plus entièrement confiance au système IA dans ce cas. Je pense que c'est là où les deux sont utiles. On veut que le jugement et l'intuition des humains soient combinés aux systèmes IA qui sont illimités. Ils peuvent disposer de toutes les connaissances du monde, de toutes les connaissances de votre entreprise et de tout votre contexte. Ils peuvent exécuter des millions d'heures de réflexion en parallèle pour résoudre votre tâche. Naturellement, ils commenceront donc à faire beaucoup moins d'erreurs que les humains.
Michelle Dawkins :
Oui, je comprends. On voit bien la transition se profiler et la confiance s'installer, mais comme vous l'avez dit, les données, la précision et les garde-fous doivent tous être en place pour s'assurer que les entreprises évoluent dans cette direction, ont plus confiance dans les résultats et augmentent ainsi la productivité. En tant que Chief AI Officer de Workday, vous travaillez à combler l'écart entre notre potentiel et le ROI que nos clients constatent. Comment envisagez-vous cela ? Comment envisagez-vous la valeur ajoutée que nous générons grâce à l'IA ?
Joel Hellermark :
Je pense que nous entrons dans une toute nouvelle catégorie de logiciels. Historiquement, nous vendions principalement des solutions logicielles que l'on mettait entre les mains des collaborateurs et qui permettaient de constater certains gains de productivité. Maintenant, nous construisons des systèmes qui permettent essentiellement de créer un nombre illimité d'agents capables d'aider dans le travail et de renforcer les équipes. À mesure que nous opérons cette transition et que nous définissons une nouvelle catégorie de logiciels, en travaillant en étroite collaboration avec nos clients pour définir ces nouveaux modèles, les résultats que nous observons sont véritablement remarquables : en passant de copilotes réactifs à des agents proactifs, les utilisateurs passent de quelques heures économisées par semaine à l'accomplissement de travaux qui auraient nécessité des mois d'efforts. Nous sommes donc extrêmement ravis du ROI que ces partenariats nous permettent de réaliser. Nous adorons réunir les meilleurs chercheurs en IA de la planète, les meilleurs designers de la planète, avec nos clients qui sont en quelque sorte les pionniers de l'application de tout cela, afin de définir les expériences utilisateur qui renforcent leurs équipes.
Michelle Dawkins :
Vous vous basez donc vraiment sur les résultats, c'est-à-dire sur une approche fondée sur ces derniers, pour définir la valeur apportée par l'IA que nous élaborons. Est-ce que vous l'envisagez sous l'angle de la productivité ? Ou sous l'angle de l'accès aux données ? Avez-vous des indicateurs spécifiques que vous utilisez pour définir à quoi ressemble le succès ?
Joel Hellermark :
Je pense qu'il y a une tendance à vouloir trop mesurer. Et je pense qu'au vu des tendances actuelles, le ROI de l'IA sera le moindre de nos problèmes. Les problèmes seront les suivants : repensons-nous nos processus en fonction de l'IA ? Nous adaptons-nous assez rapidement pour l'adopter ? Et ainsi de suite. Et ce qui rend cette évolution très différente des précédentes, c'est que, dans le passé, nous disposions généralement de quelques années pour adopter ces technologies, puis, comme vous le savez, d'une décennie pour en tirer pleinement parti. De nos jours, le cycle d’adoption et de récolte des profits est essentiellement annuels.
Nous avons passé l'année dernière à essayer d'adopter ces copilotes, et cette année nous essayons de nous adapter aux agents. Nous passons d'une entreprise qui effectue ces transformations tous les dix ans environ, à une entreprise qui doit fondamentalement repenser sa façon de travailler chaque année. Nous nous concentrons vraiment sur la manière dont nous pouvons, en collaboration avec nos clients, définir de nouvelles façons de travailler qui leur permettent de repenser fondamentalement leur fonctionnement chaque année. Mais si vous avez des difficultés à définir votre projet pilote et vos critères de ROI, vous resterez prisonnier de l'ancien paradigme.
Je crois beaucoup en ce que l'on pourrait appeler le maximalisme de l'IA. Il s'agit de tout essayer, de faire fonctionner les choses en parallèle et de surinvestir dans l'adoption. Je pense que les dirigeants d'aujourd'hui préfèrent de loin avoir trop misé sur l'IA plutôt que pas assez. Je pense également que le risque lié à une forme de minimalisme de l'IA, qui consiste à définir quelques projets, à lancer un projet pilote, à définir le ROI et, sur cette base, à décider si vous investissez davantage, est que vous accuserez un retard considérable. Ce que nous observons comme étant le plus efficace, ce sont les entreprises qui explorent, qui testent de nombreuses approches différentes, puis qui redoublent d'efforts sur les projets qui fonctionnent.
Michelle Dawkins :
C'est intéressant, car beaucoup de clients à qui je parle cherchent également à développer la créativité au sein de leurs propres entreprises. Ils cherchent à donner aux équipes la possibilité d'explorer, de proposer leurs idées, puis de voir ce qui serait adopté à l'échelle mondiale ou à l'échelle de l'entreprise. Est-ce que vous observez également des entreprises qui s'engagent vraiment dans cette voie ?
Joel Hellermark :
Exactement. Ethan Mollick, qui est un chercheur exceptionnel dans ce domaine, parle du laboratoire, du public et du leadership. Votre déploiement de l'IA doit vraiment toucher ces trois éléments. En commençant par le leadership, lors de chaque réunion générale, chaque évaluation de performance, l'IA est universellement intégrée dans la façon de travailler, et le dirigeant de l'entreprise doit vraiment croire profondément en l'IAG. Si le dirigeant n'y croit pas, cela ne va pas vraiment fonctionner. Si le dirigeant est plutôt un minimaliste en matière d'IA, qui se concentre sur quelques projets et souhaite mesurer le ROI de chaque initiative, cela va considérablement freiner tout cela.
Ainsi, le dirigeant doit vraiment croire profondément en l'IAG. Le deuxième élément est le laboratoire. C'est l'équipe centrale dédiée à l'IA, qui définit les principes, évalue les outils et facilite l'adoption de l'IA en interne. Cela permet de mettre en place une grande partie des outils d'IA internes sur lesquels de nombreuses autres entreprises ou équipes peuvent s'appuyer. Et enfin, le public. Ce qui fonctionne vraiment bien lorsqu'on investit dans le public, c'est de trouver, dans chaque fonction, les personnes qui possèdent l'expertise et les connaissances du domaine, et qui sont véritablement curieuses et explorent beaucoup les nouveaux modèles d'IA. Si vous combinez tout cela, vous avez des ambassadeurs dans chaque équipe, à tout moment, qui connaissent les pratiques, connaissent les modèles et les appliquent sur le terrain. Vous avez le laboratoire qui supervise et s'assure que toutes les équipes disposent des bons outils, et vous avez les dirigeants qui renforcent constamment cela dans tous les aspects des processus. Les entreprises qui combinent ces trois éléments correctement ont tendance à réussir le mieux dans leurs déploiements de l'IA.
Michelle Dawkins :
Joel, nous parlions du solstice d'été suédois, une belle période de l'année, et du fait qu'il y a souvent de longues vacances à cette occasion. Vous avez mentionné que vous aviez tendance à en profiter pour faire un peu plus d'étude ou pour apprendre de nouvelles choses. Qu'est-ce que vous prévoyez pour cet été ?
Joel Hellermark :
Je pense que nous sommes à une époque tout à fait passionnante pour la robotique domestique. Cet été, j'aimerais travailler sur la création d'une sorte de système de sécurité domestique. Il est possible d'avoir des bots Cloud toujours actifs qui surveillent pour éviter que des individus malveillants n'entrent dans le bâtiment. Je pense que ce genre de projet serait amusant pour cet été.
Michelle Dawkins :
Cela va bien au-delà d'un aspirateur robot. J'aime bien l'idée. Je sais que vous avez beaucoup de choses prévues au cours des prochains jours, mais j'ai vraiment apprécié cette conversation. Merci d'avoir rejoint le podcast.
Joel Hellermark :
Merci beaucoup de m'avoir invité.
Rapport
Le véritable enjeu du ROI est l'écart entre les efforts engagés et l'impact généré. Découvrez la solution.