Repousser les limites de l’automatisation RPA grâce à l’Intelligence Artificielle

Par Fabrice Perrier, Director Smart Automation, Capgemini Invent, et Alexis Jarroir, expert technique Smart Automation, Capgemini

RPA : un terrain de jeu limité par la complexité
C’est maintenant une manière de travailler qui s’installe dans les entreprises : les premiers automates RPA (Robotic Process Automation) ont basculé en production, réduisant la charge de travail manuelle et répétitive de multiples fonctions.

Mais assez vite les limites de la robotisation de processus apparaissent. La première contrainte concerne le format de données pour alimenter un robot RPA. En effet, ce dernier ne peut pas traiter directement des formats hétérogènes en entrée ou non structurés (document, image, etc.). Ceci conduit à écarter ces processus du champ d’automatisation, ou bien à envisager de faire retraiter manuellement les données d’entrée par un opérateur afin d’alimenter le robot avec des données structurées (ce qui revient à maintenir une charge de travail humaine à faible valeur ajoutée).

L’autre limite fréquente est l’impossibilité d’automatiser le processus de bout en bout en raison des tâches dites « cognitives » qui viennent l’interrompre et qui ne peuvent être automatisées avec le RPA. Il s’agit par exemple de tâches faisant appel à l’expérience des opérationnels et où les règles ne sont pas modélisables (exemples : interprétation d’une demande exprimée dans un mail, jugement sur la priorité d’une demande, etc.).

Les possibilités de l’automatisation cognitive
Pour franchir le mur de la complexité et automatiser les tâches cognitives, il est nécessaire de faire appel à des solutions d’IA.

Les éditeurs mettent à disposition des services prêts à l’emploi, tels que : reconnaissance optique de caractère (transformer un document scanné en document format texte), reconnaissance de document officiels (CNI, passeport…), etc. Ces solutions sont utiles dans bien des processus mais ne sont pas toujours suffisantes et il faut alors les coupler à des solutions plus avancées. Par exemple, lorsque les documents en entrée d’un processus sont de natures et formats divers, il est pertinent de recourir à des solutions s’appuyant sur du Machine Learning (solutions apprenantes) pour reconnaître ces documents et extraire de chacun les données utiles.

Un assureur français a ainsi automatisé son processus de traitement des devis dentaires : ces documents générés par les logiciels des dentistes ont des formats très variés et leur évolution est quasiment imprévisible pour l’assureur. Le Machine Learning a permis de réaliser une automatisation qui s’adapte au fil du temps aux évolutions sans avoir à coder les nouveaux formats de devis. Au lieu d’être codée, la solution a été « entraînée » par des experts métier à reconnaitre les formats ; ces mêmes experts garderont dans le temps un rôle de suivi, de contrôle et de traitement des exceptions.

L’IA offre ainsi de nouvelles possibilités d’automatisation en repoussant les limites du RPA : elle va permettre de réaliser des gains supérieurs en déléguant plus de tâches à la machine. Les solutions RPA du marché ont évolué soit pour s’interfacer avec des solutions tierces d’IA, soit pour intégrer directement ces nouvelles fonctionnalités. Les entreprises à la recherche d’efficacité opérationnelle doivent désormais intégrer l’IA à leur réflexion afin de réaliser tout le potentiel de l’automatisation cognitive et dépasser les limites du RPA !

Découvrez aussi : RPA : le Modèle Opérationnel au cœur de la réussite

A travers notre « Smart Automation blog series », Capgemini Invent vous donnent toutes les clés pour tirer parti des technologies d’Automation et d’Intelligence Artificielle : meilleures pratiques issues de notre expérience chez nos clients, aperçu des tendances du marché, impact de l’IA, etc.