Imaginez un monde où chaque négociation, passée et présente, est une source inépuisable de savoir et d’opportunités. Un monde où les erreurs coûteuses sont évitées, les succès sont reproduits avec précision, et les stratégies les plus efficaces sont déployées avec une confiance inébranlable. Ce monde, autrefois réservé à la science-fiction, est désormais à portée de main grâce à l’intelligence artificielle (IA).
En tant que dirigeants et patrons d’entreprise, vous êtes constamment confrontés à des défis de négociation complexes, que ce soit avec des fournisseurs, des clients, des partenaires ou des employés. L’enjeu est de taille : chaque accord conclu peut impacter significativement la rentabilité, la croissance et la pérennité de votre organisation. C’est dans ce contexte que l’IA se révèle être un atout stratégique majeur, transformant la façon dont nous abordons et menons les négociations.
Loin d’être un simple gadget technologique, l’IA offre une perspective inédite sur l’historique des négociations, permettant d’extraire des informations précieuses et d’optimiser les futures stratégies. Elle ne se contente pas de stocker des données ; elle les analyse, les interprète et les transforme en connaissances actionnables. Préparez-vous à un voyage au cœur de cette révolution discrète, où l’IA se positionne comme un allié indispensable pour les leaders avisés.
L’essence même de la négociation réside dans l’art de la persuasion, de la communication et de la compréhension mutuelle. Cependant, derrière cette façade humaine se cache une multitude de données – des e-mails aux transcriptions d’appels, en passant par les contrats signés et les rapports de réunion. Ces données, souvent éparses et difficiles à exploiter, recèlent un potentiel immense pour améliorer nos performances en négociation.
L’IA, grâce à ses capacités d’apprentissage automatique et de traitement du langage naturel, peut analyser ces vastes ensembles de données avec une rapidité et une précision inégalées. Elle est capable d’identifier des tendances, des schémas et des corrélations qui échapperaient à l’œil humain. Par exemple, elle peut révéler les arguments les plus efficaces utilisés dans le passé, les tactiques de négociation les plus courantes de vos partenaires, ou encore les points de blocage récurrents dans certains types d’accords.
Cette compréhension approfondie de l’historique des négociations permet de prendre des décisions plus éclairées, de mieux anticiper les réactions de vos interlocuteurs et de développer des stratégies plus robustes. L’IA ne remplace pas l’expertise humaine, mais elle la complète, en fournissant une base de connaissances solide et objective pour guider vos actions.
L’analyse de l’historique des négociations par l’IA ne se limite pas à la simple identification de tendances. Elle permet également de développer des modèles prédictifs, capables d’anticiper l’issue d’une négociation en fonction de différents paramètres. Imaginez pouvoir simuler différents scénarios et évaluer leur impact potentiel avant même d’entamer les discussions.
Cette capacité de prédiction offre un avantage concurrentiel significatif, permettant d’ajuster votre stratégie en temps réel et de maximiser vos chances de succès. De plus, l’IA peut identifier les zones de compromis possibles, les points de friction à éviter, et les opportunités de création de valeur mutuelle.
En transformant les données brutes en atouts stratégiques, l’IA permet de passer d’une approche intuitive de la négociation à une approche basée sur des faits et des preuves. Cette transition est essentielle pour garantir des résultats optimaux et pérenniser la performance de votre entreprise.
L’intégration de l’IA dans l’historique des négociations n’est pas sans défis. Elle nécessite une infrastructure technologique adéquate, des compétences spécifiques en matière d’analyse de données et une culture d’entreprise ouverte à l’innovation. La question de la confidentialité et de la sécurité des données est également primordiale, et il est essentiel de mettre en place des mesures de protection appropriées.
Cependant, les opportunités offertes par l’IA sont bien supérieures aux défis. En adoptant une approche proactive et en investissant dans les bonnes technologies et les bonnes compétences, vous pouvez transformer votre entreprise en une organisation agile, performante et capable de s’adapter aux évolutions du marché.
L’IA n’est pas une menace pour l’emploi, mais plutôt un outil puissant qui peut aider les professionnels de la négociation à devenir plus efficaces et plus stratégiques. Elle permet de se concentrer sur les aspects les plus importants de la négociation – la construction de relations, la compréhension des besoins de l’autre partie et la recherche de solutions créatives – tout en automatisant les tâches répétitives et chronophages.
En conclusion, l’IA représente une véritable révolution pour la technologie historique des négociations. En tant que dirigeants et patrons d’entreprise, il est crucial de comprendre son potentiel et de l’intégrer de manière stratégique dans vos processus de négociation. L’avenir appartient aux organisations qui sauront exploiter la puissance de l’IA pour transformer les données en connaissances, les connaissances en stratégies et les stratégies en succès.
L’intégration de l’intelligence artificielle (IA) dans l’historique des négociations représente une opportunité significative d’améliorer l’efficacité, la stratégie et les résultats. Pour appréhender pleinement les avantages, il est crucial de d’abord bien comprendre ce que recouvre l’historique des négociations et comment il est actuellement géré. Il s’agit essentiellement d’un registre complet de toutes les interactions, propositions, concessions, et accords conclus (ou non) lors de négociations passées. Ces données, souvent dispersées dans des e-mails, des documents textuels, des feuilles de calcul, et la mémoire individuelle des négociateurs, constituent une mine d’informations précieuses. L’IA peut aider à centraliser et à analyser ces données pour en extraire des insights actionnables.
La première étape cruciale consiste à rassembler et structurer les données issues de l’historique des négociations. Cela implique d’identifier les sources de données pertinentes et de les consolider en un format exploitable par l’IA. Les sources peuvent inclure :
E-mails : Extraction des échanges de courriels entre les parties prenantes, incluant les propositions, les contre-propositions, les questions, et les réponses.
Documents textuels : Numérisation et traitement des documents tels que les contrats, les procès-verbaux de réunion, les rapports de négociation, et les notes internes.
Feuilles de calcul : Compilation et nettoyage des données financières, des prix, des quantités, et des échéances présentées dans les feuilles de calcul.
Systèmes CRM : Extraction des informations sur les clients, les prospects, et les fournisseurs impliqués dans les négociations.
Enquêtes et questionnaires: Données subjectives recueillies auprès des négociateurs après chaque session.
Le défi réside dans la diversité des formats et la présence de données non structurées. Des techniques de traitement du langage naturel (TLN) et de reconnaissance optique de caractères (OCR) peuvent être employées pour extraire des informations pertinentes des textes et des images. Une fois extraites, les données doivent être nettoyées, normalisées, et structurées dans une base de données centralisée. L’utilisation d’un schéma de données cohérent facilitera l’analyse ultérieure.
Exemple concret : Une entreprise manufacturière souhaite optimiser ses négociations avec ses fournisseurs de matières premières. Elle collecte tous les e-mails, contrats, et feuilles de calcul concernant les négociations passées sur les prix, les délais de livraison, et les quantités de matières premières. Elle utilise un logiciel d’OCR pour numériser les anciens contrats et un outil de TLN pour extraire les informations pertinentes des e-mails. Toutes ces données sont ensuite intégrées dans une base de données relationnelle.
Une fois les données collectées et organisées, l’étape suivante consiste à développer et à entraîner des modèles d’IA capables d’analyser les données de négociation et d’en extraire des insights précieux. Plusieurs types de modèles d’IA peuvent être utilisés, en fonction des objectifs spécifiques :
Modèles de classification : Pour prédire le résultat d’une négociation (succès, échec, compromis) en fonction des caractéristiques de la négociation (parties prenantes, enjeux, historique des relations).
Modèles de régression : Pour prédire des variables quantitatives, telles que le prix final d’un produit ou le délai de livraison convenu, en fonction des variables d’entrée.
Modèles de clustering : Pour identifier des groupes de négociations similaires en fonction de leurs caractéristiques communes, afin d’identifier les stratégies les plus efficaces pour chaque groupe.
Modèles de traitement du langage naturel (TLN) : Pour analyser le ton et le sentiment des communications écrites et orales, afin de détecter les signaux de stress, de désaccord, ou de confiance.
Modèles de séries temporelles : Pour identifier les tendances et les cycles dans les données de négociation, afin d’anticiper les fluctuations des prix, de la demande, et des délais de livraison.
L’entraînement de ces modèles nécessite un ensemble de données suffisamment vaste et représentatif. La qualité des données est primordiale pour garantir la précision et la fiabilité des prédictions. Il est important de diviser les données en ensembles d’entraînement, de validation, et de test, afin d’évaluer la performance des modèles et d’éviter le surapprentissage.
Exemple concret : L’entreprise manufacturière utilise les données collectées pour entraîner un modèle de régression afin de prédire le prix final des matières premières en fonction de plusieurs variables, telles que le prix du marché, la relation avec le fournisseur, le volume d’achat, et les conditions de paiement. Elle entraîne également un modèle de TLN pour analyser le sentiment des communications avec les fournisseurs et identifier les signaux d’alerte.
Après avoir développé et entraîné les modèles d’IA, l’étape suivante consiste à les intégrer dans le processus de négociation existant. Cela peut se faire de différentes manières :
Support à la décision : Fournir aux négociateurs des informations et des recommandations basées sur l’analyse des données de négociation. Par exemple, le système peut suggérer des stratégies de négociation optimales, identifier les concessions les plus appropriées, ou alerter sur les risques potentiels.
Automatisation des tâches répétitives : Automatiser certaines tâches chronophages, telles que la préparation des documents de négociation, la recherche d’informations sur les parties prenantes, ou le suivi des échéances.
Analyse en temps réel : Analyser les données de négociation en temps réel, afin de détecter les opportunités et les menaces, et d’ajuster la stratégie en conséquence. Par exemple, le système peut identifier les signaux de désaccord chez l’interlocuteur, ou détecter les moments propices pour faire une concession.
Formation et coaching : Utiliser les données de négociation pour identifier les points forts et les points faibles des négociateurs, et leur fournir une formation et un coaching personnalisés.
L’intégration de l’IA doit se faire de manière progressive et transparente, en impliquant les négociateurs dans le processus et en leur fournissant une formation adéquate. Il est important de veiller à ce que les outils d’IA soient conviviaux et intuitifs, et qu’ils s’intègrent harmonieusement dans le flux de travail existant.
Exemple concret : L’entreprise manufacturière intègre les modèles d’IA dans un tableau de bord interactif accessible aux négociateurs. Avant chaque négociation, le tableau de bord fournit des informations sur le fournisseur, son historique de négociation, ses points forts et ses points faibles, ainsi que des recommandations de stratégie. Pendant la négociation, le modèle de TLN analyse les communications et alerte les négociateurs sur les signaux de désaccord. Après la négociation, le tableau de bord permet d’analyser les résultats et d’identifier les leçons à tirer.
L’intégration de l’IA dans l’historique des négociations est un processus continu qui nécessite un suivi et une amélioration constante des performances. Il est important de mesurer l’impact de l’IA sur les résultats de négociation, en utilisant des indicateurs clés de performance (KPI) tels que le taux de succès des négociations, le prix moyen des matières premières, ou les délais de livraison.
Il est également important de recueillir les commentaires des négociateurs sur l’utilité et la convivialité des outils d’IA, et de les utiliser pour améliorer les modèles et les interfaces. Les modèles d’IA doivent être régulièrement réentraînés avec de nouvelles données, afin de maintenir leur précision et leur pertinence.
Enfin, il est important de rester informé des dernières avancées en matière d’IA et de les intégrer dans le processus de négociation, afin de tirer parti des nouvelles opportunités.
Exemple concret : L’entreprise manufacturière suit de près les KPI de négociation et constate une amélioration significative du prix moyen des matières premières et une réduction des délais de livraison après l’intégration des outils d’IA. Elle recueille également les commentaires des négociateurs, qui apprécient particulièrement les recommandations de stratégie et l’analyse du sentiment. Elle réentraîne régulièrement les modèles d’IA avec de nouvelles données et explore de nouvelles techniques d’IA, telles que l’apprentissage par renforcement, pour optimiser davantage les stratégies de négociation. Elle implémente également une boucle de rétroaction pour recueillir les résultats des stratégies recommandées et ainsi améliorer le modèle au fil du temps.
En conclusion, l’intégration de l’IA dans l’historique des négociations offre un potentiel considérable pour améliorer l’efficacité, la stratégie et les résultats. En suivant les étapes décrites ci-dessus et en adaptant l’approche aux besoins spécifiques de chaque organisation, il est possible de transformer les données de négociation en un avantage concurrentiel.
L’analyse de l’historique des négociations est un domaine crucial pour comprendre les dynamiques de pouvoir, les stratégies employées et les résultats obtenus dans divers contextes, allant des relations internationales aux transactions commerciales. Comprendre comment les négociations passées ont abouti ou échoué peut fournir des informations précieuses pour améliorer les pratiques futures. Traditionnellement, cette analyse repose sur des méthodes qualitatives, comme l’étude de documents d’archives, d’entretiens avec les participants et de rapports d’observateurs. Cependant, l’avènement de l’intelligence artificielle (IA) ouvre de nouvelles perspectives pour automatiser, approfondir et élargir cette analyse.
Plusieurs systèmes et approches ont déjà été développés pour analyser l’historique des négociations. Voici quelques exemples :
Bases de données et Archives Numériques : De nombreuses institutions et organisations conservent des archives numériques de documents liés aux négociations, y compris les transcriptions de réunions, les accords finaux, les correspondances et les notes internes. Ces bases de données servent de ressource fondamentale pour les chercheurs et les praticiens.
Logiciels de Gestion de Documents et de Recherche Textuelle : Des outils comme SharePoint, Alfresco ou des solutions spécialisées permettent d’organiser, de stocker et de rechercher efficacement de grandes quantités de documents textuels. Ils offrent des fonctionnalités de recherche avancées, de classification et d’indexation.
Outils d’Analyse de Contenu Qualitatif (ACQ) : Des logiciels comme NVivo, ATLAS.ti ou MAXQDA sont utilisés pour analyser qualitativement les données textuelles issues des négociations. Ils permettent aux chercheurs de coder les données, d’identifier des thèmes récurrents et de construire des modèles interprétatifs.
Simulations et Modèles Informatiques : Certains chercheurs ont développé des simulations informatiques pour modéliser le processus de négociation et tester différentes stratégies. Ces modèles peuvent prendre en compte des variables telles que les préférences des négociateurs, leurs ressources et les contraintes externes.
Analyse des Réseaux Sociaux (ARS) : L’ARS est utilisée pour étudier les relations entre les différents acteurs impliqués dans une négociation. Elle permet d’identifier les acteurs clés, les coalitions et les flux d’influence. Les données pour l’ARS peuvent être extraites de documents écrits, d’e-mails ou d’autres sources.
L’IA peut jouer un rôle transformateur dans chacun de ces systèmes existants, en automatisant des tâches, en découvrant des informations cachées et en fournissant des analyses plus approfondies.
Amélioration des Bases de Données et des Archives Numériques:
Reconnaissance Optique de Caractères (OCR) Avancée : L’IA peut améliorer l’OCR pour numériser et indexer des documents manuscrits ou mal imprimés, rendant ainsi les archives plus accessibles et consultables.
Extraction Automatique d’Informations : L’IA peut identifier et extraire automatiquement des informations clés des documents, telles que les noms des participants, les dates, les lieux, les sujets discutés et les accords conclus. Cela permet de construire des bases de données structurées plus rapidement et plus précisément.
Traduction Automatique : L’IA peut traduire automatiquement des documents de négociation dans différentes langues, facilitant ainsi l’accès à des sources d’informations internationales.
Optimisation des Logiciels de Gestion de Documents et de Recherche Textuelle :
Recherche Sémantique : L’IA peut permettre une recherche sémantique plus sophistiquée, en comprenant le sens et le contexte des mots-clés, plutôt que de simplement chercher des correspondances exactes. Cela permet aux utilisateurs de trouver des informations pertinentes plus facilement.
Classification Automatique : L’IA peut classer automatiquement les documents de négociation selon différents critères, tels que le type de document, le sujet, la date ou l’importance. Cela facilite l’organisation et la gestion des documents.
Résumé Automatique : L’IA peut générer des résumés automatiques des documents de négociation, permettant aux utilisateurs de prendre rapidement connaissance du contenu principal.
Renforcement de l’Analyse de Contenu Qualitatif (ACQ) :
Codage Automatique : L’IA peut aider les chercheurs à coder les données textuelles en identifiant automatiquement des passages pertinents pour différents thèmes et catégories. Cela réduit le temps et l’effort nécessaires pour le codage manuel.
Détection de Thèmes et de Tendances : L’IA peut détecter automatiquement des thèmes récurrents et des tendances dans les données textuelles, révélant ainsi des schémas et des relations cachés.
Analyse des Sentiments : L’IA peut analyser les sentiments exprimés dans les documents de négociation, permettant aux chercheurs de comprendre les émotions et les attitudes des participants.
Perfectionnement des Simulations et des Modèles Informatiques :
Apprentissage Automatique : L’IA peut utiliser l’apprentissage automatique pour apprendre des données historiques de négociation et ajuster les paramètres des simulations, les rendant ainsi plus réalistes et prédictives.
Modélisation Comportementale : L’IA peut modéliser le comportement des négociateurs individuels en tenant compte de leurs préférences, de leurs biais et de leurs stratégies. Cela permet de simuler des scénarios de négociation plus complexes et dynamiques.
Optimisation des Stratégies : L’IA peut être utilisée pour optimiser les stratégies de négociation en fonction des objectifs et des contraintes de l’acteur.
Extension de l’Analyse des Réseaux Sociaux (ARS) :
Extraction Automatique de Relations : L’IA peut extraire automatiquement des informations sur les relations entre les différents acteurs impliqués dans une négociation à partir de diverses sources, telles que les e-mails, les rapports et les documents.
Analyse de l’Influence : L’IA peut analyser l’influence des différents acteurs dans le réseau, en tenant compte de leur position, de leurs relations et de leur pouvoir.
Prédiction des Alliances : L’IA peut prédire la formation d’alliances et de coalitions en fonction des intérêts et des relations des différents acteurs.
En résumé, l’IA offre un potentiel considérable pour améliorer l’analyse de l’historique des négociations en automatisant des tâches, en découvrant des informations cachées et en fournissant des analyses plus approfondies. En intégrant l’IA dans les systèmes existants, les chercheurs et les praticiens peuvent acquérir une meilleure compréhension des dynamiques de négociation et améliorer leurs pratiques futures.
Découvrez comment l’IA peut transformer vos processus et booster vos performances. Cliquez ci-dessous pour réaliser votre audit IA personnalisé et révéler tout le potentiel caché de votre entreprise !
Le secteur des négociations, bien que souvent perçu comme un domaine purement humain basé sur la persuasion et la stratégie, recèle un grand nombre de tâches répétitives et chronophages. L’analyse de l’historique des négociations, en particulier, peut s’avérer extrêmement fastidieuse sans l’apport de solutions d’automatisation intelligentes. Identifier ces zones de friction est crucial pour optimiser les processus, améliorer l’efficacité des négociateurs et, finalement, augmenter les chances de succès.
L’une des premières étapes, et l’une des plus consommatrices de temps, consiste à collecter et à organiser les données pertinentes issues des négociations passées. Cela implique souvent de fouiller dans de multiples sources d’informations, allant des e-mails et des documents Word aux enregistrements audio et aux transcriptions de réunions.
Problèmes Connexes :
Silos d’information : Les données sont dispersées dans différents systèmes et formats, rendant leur centralisation complexe et coûteuse en temps.
Manque de standardisation : Les formats et les conventions de nommage incohérents compliquent l’extraction et l’agrégation des informations.
Saisie manuelle des données : La transcription manuelle des enregistrements audio ou la copie-coller d’informations à partir de documents peuvent entraîner des erreurs et sont extrêmement chronophages.
Solutions d’Automatisation Basées sur l’IA :
RPA (Robotic Process Automation) pour l’extraction de données : Des bots RPA peuvent être configurés pour automatiser la collecte de données à partir de diverses sources, en suivant des règles prédéfinies. Ils peuvent extraire des informations spécifiques à partir de documents, d’e-mails et d’autres systèmes, et les consolider dans une base de données centralisée.
OCR (Optical Character Recognition) intelligent : L’OCR permet de numériser et de convertir des documents papier ou des images en texte modifiable, facilitant ainsi l’extraction d’informations. L’OCR intelligent, combiné à des algorithmes de traitement du langage naturel (NLP), peut identifier et extraire des informations structurées telles que les dates, les noms, les montants et les clauses contractuelles.
Traitement du langage naturel (NLP) pour l’analyse de texte non structuré : Le NLP peut être utilisé pour analyser le contenu des e-mails, des transcriptions de réunions et d’autres documents non structurés afin d’identifier les sujets clés, les sentiments exprimés et les arguments avancés. Cela permet d’extraire des informations pertinentes et de les organiser de manière cohérente.
Intégration avec les systèmes CRM et ERP : L’intégration des outils d’automatisation avec les systèmes CRM (Customer Relationship Management) et ERP (Enterprise Resource Planning) permet d’automatiser la saisie des données et de garantir la cohérence des informations entre les différents systèmes.
Une fois les données collectées et organisées, l’étape suivante consiste à analyser les tendances et les modèles qui se dégagent de l’historique des négociations. Cela peut inclure l’identification des tactiques de négociation les plus efficaces, des points de blocage récurrents et des facteurs qui influencent les résultats des négociations.
Problèmes Connexes :
Volume important de données : L’analyse manuelle de grandes quantités de données est difficile, prend du temps et est susceptible d’erreurs.
Biais de l’analyste : L’interprétation des données peut être influencée par les biais personnels de l’analyste, conduisant à des conclusions erronées.
Manque d’outils d’analyse sophistiqués : L’utilisation de tableurs ou d’outils d’analyse de base peut être insuffisante pour identifier des modèles complexes et des relations subtiles entre les variables.
Solutions d’Automatisation Basées sur l’IA :
Machine learning (ML) pour l’identification de modèles : Les algorithmes de ML peuvent être entraînés sur des données historiques pour identifier les variables qui ont le plus d’impact sur les résultats des négociations. Ils peuvent également identifier les tactiques de négociation les plus efficaces dans différents contextes et prédire les résultats potentiels en fonction des actions entreprises.
Analyse prédictive : L’analyse prédictive peut être utilisée pour prévoir les résultats des négociations futures en se basant sur les données historiques et les tendances actuelles. Cela permet aux négociateurs de mieux anticiper les problèmes potentiels et de prendre des décisions plus éclairées.
Tableaux de bord interactifs : La création de tableaux de bord interactifs permet de visualiser les données de manière claire et concise, facilitant ainsi l’identification des tendances et des modèles. Ces tableaux de bord peuvent être personnalisés pour afficher les informations les plus pertinentes pour chaque négociateur.
Traitement du langage naturel (NLP) pour l’analyse des sentiments : Le NLP peut être utilisé pour analyser le sentiment exprimé dans les communications entre les parties prenantes, permettant d’identifier les points de tension et d’anticiper les conflits potentiels.
Le suivi des engagements pris pendant les négociations et des clauses contractuelles est essentiel pour garantir le respect des accords et éviter les litiges. Cependant, cette tâche peut être particulièrement chronophage et difficile, surtout lorsque les contrats sont complexes et nombreux.
Problèmes Connexes :
Difficulté à localiser les informations pertinentes : Trouver les clauses contractuelles spécifiques ou les engagements pris dans de longs documents peut être une tâche ardue.
Manque de visibilité sur les échéances : Le suivi des échéances et des obligations contractuelles peut être complexe, surtout lorsque les contrats sont nombreux et complexes.
Risque d’erreurs humaines : La surveillance manuelle des obligations contractuelles est susceptible d’erreurs, ce qui peut entraîner des pertes financières ou des litiges.
Solutions d’Automatisation Basées sur l’IA :
Extraction intelligente de clauses contractuelles : L’IA peut être utilisée pour identifier et extraire automatiquement les clauses contractuelles clés à partir de documents numérisés, facilitant ainsi leur suivi et leur gestion.
Création de rappels automatiques pour les échéances : Des systèmes d’automatisation peuvent être configurés pour envoyer des rappels automatiques aux parties prenantes concernant les échéances et les obligations contractuelles.
Analyse de la conformité contractuelle : L’IA peut être utilisée pour analyser les actions et les performances des parties prenantes par rapport aux obligations contractuelles, identifiant ainsi les zones de non-conformité potentielle.
Gestion électronique des contrats (ECM) avec IA intégrée : Les systèmes ECM offrent une plateforme centralisée pour la gestion des contrats, avec des fonctionnalités d’IA intégrées pour automatiser la collecte de données, l’analyse et le suivi.
L’analyse de l’historique des négociations peut fournir des informations précieuses pour améliorer la préparation aux négociations futures. En comprenant les tactiques qui ont fonctionné dans le passé, les points de blocage récurrents et les facteurs qui influencent les résultats, les négociateurs peuvent élaborer des stratégies plus efficaces et augmenter leurs chances de succès.
Problèmes Connexes :
Difficulté à accéder à l’information pertinente : Il peut être difficile pour les négociateurs d’accéder rapidement aux informations pertinentes issues des négociations passées.
Manque de temps pour analyser les données : Les négociateurs peuvent manquer de temps pour analyser en profondeur les données historiques et en tirer des conclusions pertinentes.
Difficulté à transposer les leçons du passé : Il peut être difficile pour les négociateurs de transposer les leçons apprises des négociations passées à de nouvelles situations.
Solutions d’Automatisation Basées sur l’IA :
Recommandations personnalisées basées sur l’historique : L’IA peut être utilisée pour fournir aux négociateurs des recommandations personnalisées basées sur l’historique des négociations passées. Ces recommandations peuvent inclure des informations sur les tactiques de négociation les plus efficaces, les points de blocage potentiels et les stratégies pour les surmonter.
Simulation de scénarios de négociation : L’IA peut être utilisée pour simuler des scénarios de négociation, permettant aux négociateurs de s’entraîner et de tester différentes stratégies dans un environnement sûr.
Génération automatique de briefs de négociation : L’IA peut être utilisée pour générer automatiquement des briefs de négociation à partir des données historiques, fournissant aux négociateurs un résumé des informations les plus pertinentes pour la négociation à venir.
Plateformes collaboratives avec IA intégrée : Les plateformes collaboratives peuvent intégrer des fonctionnalités d’IA pour faciliter le partage d’informations, la collaboration et l’apprentissage entre les négociateurs.
En conclusion, l’intégration de l’IA et de l’automatisation dans le processus d’analyse de l’historique des négociations permet de réduire considérablement les tâches répétitives et chronophages, d’améliorer la prise de décision et d’augmenter l’efficacité des négociateurs. L’investissement dans ces technologies peut se traduire par des gains significatifs en termes de temps, de coûts et de résultats.
L’intégration de l’intelligence artificielle (IA) dans l’analyse historique des négociations offre un potentiel transformationnel, mais elle est loin d’être sans défis. Les entreprises qui souhaitent exploiter cette technologie doivent être conscientes des limites inhérentes aux données, aux algorithmes et à l’interprétation humaine, afin de maximiser son efficacité et d’éviter des conclusions erronées.
L’une des premières difficultés réside dans la nature complexe des données historiques des négociations. Contrairement aux données structurées et standardisées utilisées dans de nombreuses applications d’IA, les archives de négociations sont souvent désordonnées, incomplètes et hétérogènes. Elles peuvent inclure des documents textuels (transcriptions, contrats, correspondances), des enregistrements audio ou vidéo, des notes manuscrites, et des données quantitatives (chiffres, dates, lieux).
La collecte, la numérisation et la structuration de ces données représentent un investissement initial considérable. De plus, la qualité des données est cruciale : les erreurs de transcription, les biais implicites dans la documentation, et les lacunes dans les archives peuvent compromettre la fiabilité des analyses de l’IA. Le nettoyage et la validation des données nécessitent une expertise en histoire des négociations et en science des données, une combinaison rare et précieuse.
L’IA, aussi sophistiquée soit-elle, est alimentée par des données créées par des humains, qui sont intrinsèquement susceptibles de biais. Ces biais peuvent se refléter dans les transcriptions, les interprétations, et la documentation des négociations historiques. Par exemple, la perspective d’un seul participant peut dominer les archives, occultant les contributions ou les points de vue d’autres acteurs.
Les algorithmes d’IA peuvent amplifier ces biais si les données d’entraînement ne sont pas soigneusement sélectionnées et pondérées. Il est essentiel d’identifier et de corriger les biais potentiels avant de déployer l’IA, en utilisant des techniques de débiaisement et en incluant des experts en histoire des négociations dans le processus de développement. L’interprétation des résultats de l’IA doit également être contextualisée et critique, en tenant compte des sources et des perspectives disponibles.
L’IA excelle dans la reconnaissance de modèles et la prédiction, mais elle peut avoir du mal à comprendre le contexte socio-économique, politique et culturel dans lequel se déroulent les négociations historiques. Les nuances du langage, les sous-entendus, les relations de pouvoir, et les normes sociales peuvent échapper à l’analyse algorithmique, conduisant à des interprétations simplistes ou incorrectes.
Par exemple, une concession apparemment mineure dans un contexte particulier peut avoir une signification stratégique importante, que l’IA ne peut pas saisir sans une connaissance approfondie de l’époque et des acteurs impliqués. L’intégration de l’IA doit donc être complétée par une expertise humaine en histoire des négociations, capable d’interpréter les résultats à la lumière du contexte pertinent.
Les résultats générés par l’IA doivent être interprétés avec prudence et validés par des experts en histoire des négociations. L’IA peut identifier des corrélations ou des tendances intéressantes, mais elle ne peut pas prouver des causalités ou expliquer les motivations des acteurs. L’interprétation des résultats nécessite une compréhension critique des méthodes de l’IA, des limites des données, et des théories historiques pertinentes.
Il est également essentiel de valider les conclusions de l’IA en les comparant avec d’autres sources d’information, en consultant des experts, et en effectuant des recherches complémentaires. L’IA ne doit pas être considérée comme un oracle infaillible, mais plutôt comme un outil d’aide à la décision qui peut éclairer l’analyse historique des négociations.
L’utilisation de l’IA pour analyser les négociations historiques soulève des questions éthiques et de confidentialité importantes. Les archives de négociations peuvent contenir des informations sensibles sur les stratégies, les motivations, et les relations des acteurs impliqués. La divulgation ou l’utilisation abusive de ces informations peut avoir des conséquences négatives, notamment en termes de réputation, de responsabilité juridique, et de relations commerciales.
Il est essentiel de respecter les droits à la vie privée des individus et des organisations impliqués, de garantir la sécurité des données, et d’utiliser l’IA de manière responsable et transparente. Les entreprises doivent établir des politiques claires en matière de collecte, de traitement, et de diffusion des données, et s’assurer que l’IA est utilisée conformément aux lois et réglementations en vigueur. L’anonymisation et l’agrégation des données peuvent être utilisées pour réduire les risques de divulgation, tout en préservant l’utilité des analyses.
L’intégration de l’IA dans l’analyse historique des négociations nécessite des investissements importants en termes de coûts et de ressources. Outre les coûts de collecte, de numérisation et de structuration des données, il faut prévoir des dépenses pour le développement, la maintenance et la mise à jour des algorithmes d’IA. Il est également nécessaire de recruter ou de former des experts en science des données, en histoire des négociations, et en éthique de l’IA.
Les entreprises doivent évaluer attentivement le retour sur investissement potentiel de l’IA avant de s’engager dans un projet d’intégration. Il est important de définir des objectifs clairs, de mesurer les résultats, et d’ajuster la stratégie en fonction des performances. L’adoption progressive de l’IA, en commençant par des projets pilotes à petite échelle, peut permettre de maîtriser les coûts et de minimiser les risques.
En conclusion, l’intégration réussie de l’IA dans l’analyse historique des négociations nécessite une approche multidisciplinaire, combinant l’expertise en science des données, en histoire des négociations, en éthique, et en gestion de projet. Les entreprises doivent investir dans la formation, la collaboration, et la communication entre les différentes équipes, afin de garantir que l’IA est utilisée de manière efficace, responsable et transparente.
La compréhension des limites et des défis de l’IA est essentielle pour exploiter son potentiel de manière réaliste et éviter des erreurs coûteuses. L’IA doit être considérée comme un outil puissant, mais pas comme une solution miracle, qui nécessite une supervision humaine, une validation critique, et une interprétation contextualisée. Seule une approche équilibrée et éclairée permettra aux entreprises de tirer pleinement parti de l’IA pour améliorer leur compréhension des négociations historiques et optimiser leurs stratégies futures.
L’intelligence artificielle (IA) transforme radicalement la manière dont nous analysons les données historiques de négociations, offrant une profondeur et une précision inégalées. Traditionnellement, l’analyse de ces données était un processus laborieux, souvent manuel, impliquant l’examen minutieux de documents textuels, de transcriptions audio, et d’autres enregistrements. L’IA, en particulier grâce au traitement du langage naturel (TLN) et à l’apprentissage automatique (AA), automatise et améliore considérablement cette analyse.
Le TLN permet aux systèmes d’IA de comprendre et d’interpréter le langage humain contenu dans les documents de négociation. Cela inclut l’identification des acteurs clés, la détection des sujets de discussion, l’analyse du sentiment exprimé par les participants, et l’extraction des arguments principaux. L’AA, quant à lui, permet à l’IA d’apprendre des modèles et des tendances dans les données historiques, identifiant les stratégies de négociation qui ont le mieux fonctionné dans le passé et celles qui ont échoué.
Grâce à l’IA, il est possible de :
Identifier les schémas de communication : Détecter les styles de communication spécifiques utilisés par certains négociateurs et leur impact sur le résultat des négociations. Cela peut inclure l’utilisation de tactiques de persuasion, l’évitement de certains sujets, ou la tendance à faire des concessions.
Évaluer les risques et les opportunités : Anticiper les points de blocage potentiels dans une négociation en cours en se basant sur les précédents historiques. L’IA peut identifier les signaux d’alerte indiquant qu’une négociation est susceptible de dérailler et suggérer des stratégies pour éviter ces pièges.
Personnaliser les stratégies de négociation : Adapter les approches de négociation en fonction des profils des négociateurs adverses, en tenant compte de leur historique de négociation, de leurs préférences et de leurs biais.
Détecter les biais implicites : Identifier les biais inconscients qui peuvent influencer les décisions de négociation, tels que les biais de genre, les biais culturels, ou les biais de confirmation.
Optimiser la préparation des négociations : Fournir aux négociateurs des informations précises et pertinentes sur le contexte de la négociation, les enjeux clés, et les intérêts des parties prenantes, leur permettant ainsi de se préparer de manière plus efficace.
En somme, l’IA offre une analyse plus objective, plus rapide et plus complète des données historiques de négociations, permettant aux professionnels de prendre des décisions plus éclairées et d’améliorer leurs performances en négociation.
L’utilisation de l’IA pour prédire les résultats des négociations futures repose sur la construction de modèles prédictifs basés sur des données historiques. Ces modèles analysent les variables clés qui ont influencé les résultats des négociations passées et les utilisent pour estimer la probabilité de différents résultats dans les négociations en cours.
Le processus implique généralement les étapes suivantes :
1. Collecte et préparation des données : Rassembler des données pertinentes sur les négociations passées, y compris les profils des négociateurs, les enjeux en jeu, les stratégies utilisées, le contexte de la négociation, et les résultats obtenus. Ces données doivent être nettoyées, formatées et transformées pour être utilisables par les algorithmes d’IA.
2. Sélection des algorithmes d’IA : Choisir les algorithmes d’apprentissage automatique les plus appropriés pour la tâche de prédiction. Les algorithmes couramment utilisés incluent la régression logistique, les arbres de décision, les réseaux neuronaux, et les machines à vecteurs de support (SVM). Le choix de l’algorithme dépend de la nature des données et de la complexité du problème.
3. Entraînement du modèle : Entraîner le modèle d’IA en utilisant les données historiques. Le modèle apprend à identifier les relations entre les variables d’entrée (par exemple, les stratégies de négociation) et les variables de sortie (par exemple, le succès de la négociation).
4. Validation du modèle : Valider le modèle en utilisant un ensemble de données distinctes de celles utilisées pour l’entraînement. Cela permet d’évaluer la précision du modèle et de s’assurer qu’il ne s’est pas « sur-entraîné » (c’est-à-dire, qu’il ne s’est pas trop bien adapté aux données d’entraînement et qu’il ne généralise pas bien à de nouvelles données).
5. Déploiement et suivi : Déployer le modèle prédictif dans un environnement opérationnel et suivre sa performance au fil du temps. Il est important de ré-entraîner le modèle périodiquement avec de nouvelles données pour maintenir sa précision.
Les facteurs clés qui influencent la précision des prédictions incluent :
La qualité et la quantité des données : Plus les données sont complètes et précises, plus le modèle sera capable d’apprendre des relations complexes et de faire des prédictions fiables.
Le choix des variables : La sélection des variables pertinentes pour la prédiction est cruciale. Il est important d’inclure les variables qui ont un impact significatif sur le résultat des négociations.
La complexité du modèle : Un modèle trop simple peut ne pas être capable de capturer la complexité des dynamiques de négociation, tandis qu’un modèle trop complexe peut se sur-entraîner et mal généraliser.
Le contexte de la négociation : Il est important de tenir compte du contexte spécifique de chaque négociation, car les facteurs qui influencent le résultat peuvent varier en fonction du secteur, de la culture, et des relations entre les parties.
En utilisant l’IA pour prédire les résultats des négociations futures, les professionnels peuvent :
Anticiper les obstacles potentiels : Identifier les points de friction et les désaccords probables avant qu’ils ne surviennent, ce qui permet de prendre des mesures proactives pour les éviter.
Évaluer les risques et les opportunités : Estimer la probabilité de succès d’une négociation et les avantages potentiels qui peuvent en découler.
Optimiser les stratégies de négociation : Choisir les stratégies de négociation les plus susceptibles de conduire à un résultat favorable, en tenant compte des prévisions de l’IA.
Améliorer la prise de décision : Prendre des décisions plus éclairées en se basant sur des données objectives et des analyses prédictives.
L’utilisation de l’IA dans les négociations soulève d’importantes considérations éthiques, notamment en ce qui concerne la transparence, la confidentialité, la partialité, et l’équité.
Transparence : Il est essentiel que les parties impliquées dans une négociation soient informées de l’utilisation de l’IA. L’utilisation de l’IA à leur insu pourrait être considérée comme une tromperie ou une manipulation. La transparence permet également aux parties de comprendre comment l’IA influence le processus de négociation et de prendre des décisions éclairées.
Confidentialité : L’IA peut être utilisée pour collecter et analyser des données personnelles sur les négociateurs, telles que leurs préférences, leurs biais, et leurs stratégies de négociation passées. Il est crucial de protéger la confidentialité de ces données et de s’assurer qu’elles ne sont pas utilisées de manière abusive ou discriminatoire. Le respect des réglementations sur la protection des données, telles que le RGPD, est essentiel.
Partialité : Les algorithmes d’IA peuvent être biaisés si les données sur lesquelles ils sont entraînés contiennent des biais implicites. Ces biais peuvent conduire à des résultats injustes ou discriminatoires. Il est important de détecter et de corriger les biais dans les données et les algorithmes d’IA pour garantir l’équité des négociations.
Équité : L’utilisation de l’IA dans les négociations pourrait créer un déséquilibre de pouvoir entre les parties, notamment si une partie a accès à des technologies d’IA plus sophistiquées que l’autre. Il est important de veiller à ce que l’IA soit utilisée de manière à promouvoir l’équité et à ne pas désavantager injustement certaines parties.
Responsabilité : Il est important de déterminer qui est responsable des décisions prises par l’IA. Si l’IA prend une décision qui conduit à un résultat négatif, qui est responsable des conséquences ? Il est nécessaire d’établir des mécanismes de responsabilisation pour garantir que l’IA est utilisée de manière responsable et éthique.
Pour atténuer ces risques éthiques, il est recommandé de :
Établir des codes de conduite éthiques : Définir des principes et des lignes directrices claires pour l’utilisation de l’IA dans les négociations.
Mettre en place des mécanismes de surveillance et de contrôle : Surveiller l’utilisation de l’IA pour détecter les problèmes éthiques potentiels et prendre des mesures correctives.
Sensibiliser les utilisateurs à l’éthique de l’IA : Former les négociateurs et les autres professionnels à l’éthique de l’IA et aux risques potentiels associés à son utilisation.
Promouvoir la transparence et la divulgation : Exiger la divulgation de l’utilisation de l’IA dans les négociations et fournir des informations claires sur la manière dont l’IA est utilisée.
Développer des algorithmes d’IA équitables et non biaisés : Utiliser des techniques d’apprentissage automatique pour détecter et corriger les biais dans les données et les algorithmes d’IA.
En abordant de manière proactive ces considérations éthiques, les professionnels peuvent s’assurer que l’IA est utilisée dans les négociations de manière responsable, équitable et transparente.
L’intelligence artificielle (IA) offre des opportunités considérables pour améliorer la formation des négociateurs en fournissant des simulations réalistes, un feedback personnalisé, et des outils d’analyse des performances.
Simulations de négociations réalistes : L’IA peut être utilisée pour créer des simulations de négociations interactives et réalistes, permettant aux négociateurs en formation de pratiquer leurs compétences dans un environnement sûr et contrôlé. Ces simulations peuvent être personnalisées pour refléter différents types de négociations, différents secteurs, et différents profils de négociateurs. L’IA peut simuler le comportement de différents interlocuteurs, en adaptant leurs réactions aux actions du négociateur en formation.
Feedback personnalisé : L’IA peut fournir un feedback personnalisé aux négociateurs en formation, en analysant leur performance dans les simulations de négociations. L’IA peut identifier les forces et les faiblesses du négociateur, en mettant en évidence les stratégies qu’il a utilisées avec succès et celles qui ont échoué. Le feedback peut être fourni en temps réel ou après la simulation, permettant au négociateur de comprendre immédiatement ses erreurs et de s’améliorer.
Analyse des performances : L’IA peut analyser les données de performance des négociateurs en formation pour identifier les tendances et les schémas de comportement. Cette analyse peut être utilisée pour personnaliser la formation et pour cibler les domaines dans lesquels le négociateur a besoin d’améliorer ses compétences. L’IA peut également être utilisée pour comparer la performance des différents négociateurs et pour identifier les meilleures pratiques.
Développement de compétences spécifiques : L’IA peut être utilisée pour développer des compétences spécifiques en négociation, telles que la persuasion, la communication, la gestion des conflits, et la prise de décision. L’IA peut fournir des exercices et des simulations ciblés pour aider les négociateurs à améliorer ces compétences.
Accès à des ressources d’apprentissage : L’IA peut être utilisée pour fournir aux négociateurs en formation un accès à des ressources d’apprentissage pertinentes, telles que des articles, des vidéos, et des études de cas. L’IA peut recommander des ressources d’apprentissage personnalisées en fonction des besoins et des intérêts du négociateur.
Les avantages de l’utilisation de l’IA dans la formation des négociateurs incluent :
Amélioration de l’efficacité de la formation : L’IA permet de personnaliser la formation et de cibler les domaines dans lesquels le négociateur a besoin d’améliorer ses compétences, ce qui rend la formation plus efficace.
Réduction des coûts de formation : L’IA peut automatiser certaines tâches de formation, telles que la création de simulations et la fourniture de feedback, ce qui réduit les coûts de formation.
Accès à une formation de qualité : L’IA permet de fournir une formation de qualité à un plus grand nombre de négociateurs, indépendamment de leur localisation géographique ou de leur budget.
Développement de compétences en demande : L’IA aide les négociateurs à développer des compétences en demande, telles que la persuasion, la communication, et la gestion des conflits, qui sont essentielles pour réussir dans le monde des affaires actuel.
Il existe une variété d’outils d’IA disponibles pour les négociations, chacun offrant des fonctionnalités spécifiques pour aider les négociateurs à se préparer, à analyser les données, à prédire les résultats, et à communiquer efficacement. Le choix des outils appropriés dépend des besoins spécifiques de chaque négociation et des ressources disponibles.
Voici quelques catégories d’outils d’IA couramment utilisés dans les négociations :
Outils d’analyse des données : Ces outils utilisent le traitement du langage naturel (TLN) et l’apprentissage automatique (AA) pour analyser les données textuelles et les données audio des négociations passées. Ils peuvent aider à identifier les schémas de communication, à évaluer les risques et les opportunités, à personnaliser les stratégies de négociation, et à détecter les biais implicites. Exemples : IBM Watson Discovery, Google Cloud Natural Language AI.
Outils de prédiction des résultats : Ces outils utilisent l’AA pour construire des modèles prédictifs basés sur des données historiques. Ils peuvent aider à anticiper les obstacles potentiels, à évaluer les risques et les opportunités, à optimiser les stratégies de négociation, et à améliorer la prise de décision. Exemples : DataRobot, H2O.ai.
Outils de simulation de négociations : Ces outils permettent aux négociateurs de pratiquer leurs compétences dans un environnement sûr et contrôlé. Ils peuvent être utilisés pour simuler différents types de négociations, différents secteurs, et différents profils de négociateurs. Exemples : Forio Simulate, Mursion.
Outils de communication : Ces outils utilisent le TLN pour améliorer la communication entre les parties impliquées dans une négociation. Ils peuvent aider à traduire les langues, à résumer les informations, à rédiger des documents, et à répondre aux questions. Exemples : Google Translate, Grammarly.
Outils d’aide à la décision : Ces outils fournissent aux négociateurs des informations et des recommandations pour les aider à prendre des décisions éclairées. Ils peuvent utiliser l’AA pour analyser les données, prédire les résultats, et recommander les stratégies de négociation les plus appropriées. Exemples : Palantir, Tableau.
Lors du choix des outils d’IA pour les négociations, il est important de prendre en compte les facteurs suivants :
Les besoins spécifiques de la négociation : Quels sont les objectifs de la négociation ? Quels sont les défis à relever ? Quels types de données sont disponibles ?
La qualité des données : Les outils d’IA sont basés sur des données. Il est important de s’assurer que les données utilisées sont complètes, précises, et pertinentes.
La facilité d’utilisation : Les outils d’IA doivent être faciles à utiliser et à comprendre. Il est important de choisir des outils qui sont adaptés au niveau de compétence des utilisateurs.
Le coût : Les outils d’IA peuvent être coûteux. Il est important de choisir des outils qui offrent un bon rapport qualité-prix.
La sécurité et la confidentialité : Les outils d’IA peuvent collecter et traiter des données sensibles. Il est important de s’assurer que les outils utilisés sont sécurisés et respectent la confidentialité des données.
Il est recommandé de tester plusieurs outils d’IA avant de prendre une décision finale. De nombreux fournisseurs offrent des essais gratuits ou des démonstrations de leurs produits. Il est également utile de consulter les avis et les témoignages d’autres utilisateurs.
L’avenir de l’IA dans la technologie historique des négociations s’annonce prometteur, avec des avancées continues dans les domaines de l’apprentissage automatique, du traitement du langage naturel, et de la robotique. On peut s’attendre à ce que l’IA joue un rôle de plus en plus important dans l’analyse, la prédiction, la simulation, et l’automatisation des négociations.
Voici quelques tendances clés qui façonneront l’avenir de l’IA dans ce domaine :
Analyse plus approfondie et plus précise des données : Les progrès du TLN permettront aux systèmes d’IA de comprendre et d’interpréter le langage humain avec une plus grande précision, ce qui permettra une analyse plus approfondie des données textuelles et des données audio des négociations.
Prédictions plus fiables : Les avancées de l’AA permettront de construire des modèles prédictifs plus sophistiqués et plus fiables, ce qui permettra aux négociateurs d’anticiper les obstacles potentiels et de prendre des décisions plus éclairées.
Simulations plus réalistes et immersives : Les progrès de la réalité virtuelle (RV) et de la réalité augmentée (RA) permettront de créer des simulations de négociations plus réalistes et immersives, ce qui améliorera la formation des négociateurs.
Automatisation des tâches répétitives : L’IA sera utilisée pour automatiser les tâches répétitives et manuelles associées aux négociations, telles que la collecte de données, la préparation de documents, et le suivi des accords.
Négociations autonomes : À terme, il est possible que des agents d’IA soient capables de mener des négociations de manière autonome, sans intervention humaine. Cela pourrait être particulièrement utile dans les situations où les négociations sont complexes, répétitives, ou nécessitent une expertise spécialisée.
Personnalisation accrue : L’IA permettra une personnalisation accrue des stratégies de négociation, en tenant compte des profils des négociateurs, de leurs préférences, et de leurs biais.
Collaboration homme-machine : L’IA ne remplacera pas les négociateurs humains, mais plutôt les aidera à prendre des décisions plus éclairées et à améliorer leurs performances. La collaboration entre les négociateurs humains et les agents d’IA sera la clé du succès dans l’avenir.
Cependant, il est important de noter que l’adoption de l’IA dans les négociations soulève des défis importants, notamment en ce qui concerne l’éthique, la transparence, la confidentialité, et l’équité. Il est crucial d’aborder ces défis de manière proactive pour s’assurer que l’IA est utilisée de manière responsable et bénéfique pour toutes les parties prenantes.
En conclusion, l’IA a le potentiel de transformer radicalement la technologie historique des négociations en offrant des outils puissants pour l’analyse, la prédiction, la simulation, et l’automatisation. En adoptant une approche responsable et éthique, les professionnels peuvent exploiter le potentiel de l’IA pour améliorer leurs performances en négociation et obtenir de meilleurs résultats.
Accéder à notre auto-diagnostic en intelligence artificielle, spécialement conçu pour les décideurs.
Découvrez en 10 minutes le niveau de maturité de votre entreprise vis à vis de l’IA.
