Transformer la R&D avec l’IA: briser les barrières et stimuler la productivité

« 30% de tout le nouveau code chez Google est maintenant généré avec l'aide de l'IA ».

Entretiens McKinsey Talks Operations, entre Ravi Rajamani,  directeur général et responsable mondial d’AI Blackbelts chez Google Cloud et Ben Meigs, associé au bureau de McKinsey à Philadelphie. Animé par Daphne Luchtenberg est directrice des communications et est basée dans le bureau de Londres.

L’IA détient le pouvoir d’accélérer l’innovation en R&D, mais la réalisation de son potentiel exigera que les organisations repensent leur façon de travailler et de surmonter les obstacles à l’adoption.

L’innovation accélérée a été le moteur de la prospérité économique au cours des cent dernières années, mais aujourd’hui, la R&D fait face à un éventail d’obstacles cachés. Chaque dollar dépensé en R&D offre moins d’innovation dans le temps. Dans cet épisode de McKinsey Talks Operations, l’animatrice Daphne Luchtenberg s’entretient avec Ravi Rajamani, directeur général et responsable mondial des ceintures noires de l’IA chez Google Cloud, et Ben Meigs, un partenaire associé de McKinsey, pour discuter de la façon dont l’IA remodèle le paysage de la R&D.

La conversation explore comment l’IA peut stimuler la productivité, de l’accélération des processus et de l’amélioration de la génération de conception à la rationalisation de la validation. Des recherches récentes de McKinsey montrent que l’IA pourrait considérablement accélérer les processus de R&D dans les industries, mais la réalisation du potentiel de l’IA pour accélérer l’innovation nécessite également des organisations pour changer.

La conversation suivante a été modifiée pour la longueur et la clarté.

Daphne Luchtenberg: Je suis ravie d’accueillir Ravi Rajamani de Google Cloud, directeur général et responsable mondial d’AI Blackbelts, ainsi que Ben Meigs, associé associé du groupe de développement de produits de McKinsey. Ils se sont récemment réunis lors d’un panel au Forum annuel des leaders en R&D de McKinsey et ont eu une si belle conversation que nous voulions apporter ces idées à notre public McKinsey Talks Operations. Ravi et Ben, c'est super de vous avoir tous les deux ici aujourd'hui.

Ravi Rajamani: Merci, Daphne, et merci, Ben. Je suis heureux d’être ici.

Ben Meigs: Super d'être avec vous.

Daphne Luchtenberg: Ben Dites-nous un peu plus sur les tendances que vous voyez dans l’IA et comment elle est utilisée en R&D.

Ben Meigs: Nous avons constaté un véritable changement au cours des 12 à 18 derniers mois, avec une adoption significative pour l’IA dans l’ingénierie et la R&D dans les industries de l’automobile, l’aérospatiale et les industriels lourds. La plupart des gens savent que l'IAG a une solide expérience en ingénierie logicielle. Le domaine matériel est plus difficile pour de nombreuses raisons, y compris le fait que les produits matériels ont un composant logiciel majeur qui doit être intégré au matériel. Mais nous voyons les progrès de l'IA s'accélérer.

La plupart des entreprises de ces espaces pilotent au moins l’IA pour leurs équipes d’ingénierie matérielle. Et les plus matures utilisent activement une poignée de cas d'utilisation régulièrement. Ceux-ci vont des connaissances des clients et de la recherche, où les entreprises testent des concepts beaucoup plus rapidement et de manière plus analytique, à la génération de conception. Des choses comme inviter aux modèles CAO 3D. Ils sont utilisés dans la validation, à la fois en réduisant les tests physiques et en rationalisant la simulation. Et il y a un cas d’utilisation émergent pour l’orchestration d’agents autour de tous les aspects du fil numérique, où les données sur les produits se trouvent tout au long du cycle de vie. Il y a toutes sortes de travaux passionnants et révolutionnaires qui se produisent, et c’est réel.

Daphne Luchtenberg: Très intéressant. Ravi, c'est là que j'aimerais vous faire venir. Nous sommes vraiment ravis de vous avoir, car Google est absolument un leader dans l’adoption de l’IA dans votre propre pratique d’ingénierie. Comme votre PDG, Sundar Pichai, l’a récemment déclaré, 30% du code de Google est maintenant généré par l’IA. Pouvez-vous parler un peu de la façon dont Google aborde cela et de ce qu’il vous a fallu pour y arriver?

Ravi Rajamani: Oui. Sundar a annoncé publiquement que 30% de tout le nouveau code chez Google est maintenant généré avec l'aide de l'IA. Et ce chiffre continue d'augmenter. Il y a plus de 25%, il y a quelques mois à peine. Cela souligne ce que nous considérons comme une adoption interne rapide par les Googlers et l’efficacité de nos outils d’IA. Souvent, les clients me demandent comment j'interprète ce 30%.

Je dis que les développeurs exploitent des suggestions générées par l'IA pour près d'un changement de code sur trois. Bien que ce pourcentage de code d’IA soit impressionnant, chez Google, nous continuons de mettre l’accent sur le rôle de la surveillance humaine. Le code est examiné et accepté par les ingénieurs, soulignant qu’il augmente profondément le travail humain dans de nombreuses industries et de nombreux cas d’utilisation différents.

Ce que j’ai vu de nos équipes internes, c’est que l’adoption a été fortement influencée par la confiance que les gens ont dans ce code généré par l’IA. Et cela influence absolument l'adoption de l'outil. Et quand vous dites confiance, une extrémité du spectre pourrait être zéro confiance. L'autre fin pourrait être la confiance à 100%.

Je ne pense pas que les deux aient raison. Ce n’est pas approprié. Je pense que vous voulez trouver un médium heureux, et ce n'est pas unique à l'IA. Aujourd’hui, lorsque les développeurs humains construisent du code, nous avons 100% d’avis de code, donc c’est la même chose. Nous voulons le faire pour notre code généré par l'IA, aussi. Donc, les processus doivent évoluer. L’IA évolue si vite. Mais notre vision globale pour le développement d'applications est profondément centrée sur la façon dont vous pouvez intégrer l'IA tout au long du cycle de vie du logiciel.

Nous allons parler de certains des cas d’utilisation que Ben a mentionnés. Les apprentissages se traduisent très bien. Mais l’idée ici est qu’il s’agit d’une intégration holistique qui reflète plus un impératif stratégique plutôt que « l’IA n’est qu’un autre outil. Commencez à l’utiliser. » Nous nous attendons à ce que tous les Googlers adoptent ces outils, ce qui signifie un changement fondamental dans la façon dont notre travail est effectué.

Daphne Luchtenberg: Ben, laisse-moi venir à toi. Ravi a décrit comment ce changement se déroule sur Google. Voyons-nous ces développements et ces changements émerger de la même manière dans d'autres organisations?

Ben Meigs: Nous les voyons dans les poches. Un domaine où il y a plus de maturité est le domaine de simulation. Il y avait une statistique de NAFEMS, qui est l'Association internationale pour la communauté de la modélisation, de l'analyse et de la simulation d'ingénierie, que 30% de toutes les nouvelles méthodes publiées par les chercheurs en simulation utilisaient l'IA pour la simulation. Et nous avons vu des entreprises qui ont remplacé une grande partie de ce qui est traditionnellement un flux de travail de simulation basé sur la physique, donc très lourd, avec des substituts de l’IA. Donc, il y a plus de maturité là-bas, mais je pense que nous ne voyons pas vraiment la plupart des entreprises à la maturité dont vous parlez, Ravi, en ce qui concerne l’ingénierie matérielle dans ces produits complexes.

Daphne Luchtenberg: C’est vraiment intéressant. Changeons un peu de vitesse et parlons des implémentations d’IA dans les entreprises qui doivent intégrer à la fois l’ingénierie logicielle et matérielle dans leurs produits. Le paysage des modèles change rapidement et de nombreux modèles majeurs ont été lancés au cours des derniers mois. Ravi, que voyez-vous en termes de ces modèles qui excellent dans les flux de travail de recherche et d'ingénierie? Et comment les entreprises devraient-elles penser à la sélection de modèles?

Ravi Rajamani: Le rythme de l'innovation sur ce marché est fou. Je suis un praticien, et chaque jour je vois de nouveaux modèles, de nouveaux outils qui ne cessent de s’améliorer. Au cours de la brève période où ces modèles d’IA ont été disponibles, dans tous les domaines logiciels et matériels et dans tous les secteurs, les organisations de toutes tailles et segments de marché ne sont pas seulement en train d’expérimenter. Nous commençons à voir les clients mettre cela en production dans leur travail, dans l'ensemble de leur domaine, et le faire à une vitesse rarement vue avec les nouvelles technologies. C'est juste décoller et décoller rapidement, et cela amène beaucoup de gens de niveau C à réfléchir à des questions telles que: Comment devrais-je évaluer les progrès? Comment devrais-je penser à intégrer l'IA dans le cycle de vie de la R&D? Comment automatiser les tâches répétitives ? Comment accélérer les processus complexes ?

Notre stratégie chez Google est ancrée dans ce que nous appelons une approche axée sur la plate-forme, car nous reconnaissons que les modèles vont venir de partout. Nous avons des modèles de première partie, faisant partie de notre famille Gemini. 2.5 Pro est le dernier en date et vient en différentes saveurs pour répondre aux différentes exigences du client pour la performance, la vitesse, le coût, et cetera.

Dans le cadre de notre plateforme, nous proposons également des modèles tiers tels qu’Anthropic Claude et toute une suite de modèles open source, car nous constatons également que beaucoup de clients ont des cas d’utilisation uniques, en particulier sur les marchés réglementés, où ils veulent combiner un modèle cloud avec quelque chose qui pourrait fonctionner à la limite. Nous commençons à voir des cas d’utilisation vraiment intéressants, mais dans tous les domaines, nos clients demandent le choix et l’optionnalité construits sur la plate-forme, et c’est vraiment ce que notre stratégie est.

Daphne Luchtenberg: Fascinant. Ben, reviens vers toi. Avec cette prolifération de choix, vous devez prendre des décisions. Comment les départements de R&D devraient-ils penser à leurs investissements dans l’IA? Vous travaillez avec de nombreuses entreprises qui naviguent dans cette question. Qu'entendez-vous d'eux ?

Ben Meigs: C’est la question très importante que tout le monde pose en ce moment. Et je pense que je vais simplement faire écho à un peu de ce que vous avez dit avant, Ravi, sur le point autour des choix de technologie et de modèles. Je pense que nous voyons la même chose – aucune entreprise ne veut être enfermée dans un certain fournisseur en raison du rythme auquel cela évolue. La capacité organisationnelle de tester et d’apprendre et d’ingérer de nouvelles technologies et de l’échanger est le muscle que les entreprises doivent construire.

Quand il s’agit de ce que vous allez financer – en termes de domaines, de fonctions, de cas d’utilisation, c’est la question. Chez McKinsey, nous parlons beaucoup de l’importance d’une approche axée sur le retour sur investissement pour la priorisation, tant pour les projets de R&D que pour d’autres investissements. C'est super important.

Avec l’IA, il n’y a souvent pas de bonne base d’estimation pour l’épargne, car c’est tellement nouveau. Nous trouvons donc que la meilleure façon de démontrer la valeur d’un cas d’utilisation de l’IA est avec une preuve de concept simple et allégée où vous mesurez l’impact sur la productivité, la qualité de la production et d’autres KPI commerciaux ou techniques que vous cherchez à atteindre avec ce cas d’utilisation. Les entreprises ont besoin d’un budget qui est juste pour l’expérimentation.

Vous ne voulez pas une barre trop haute pour simplement mettre votre pied dans la porte et faire ce test, de sorte que vous pouvez vous déplacer rapidement. Là où vous devez apporter la grande rigueur, c’est lorsque vous donnez la priorité à l’investissement beaucoup plus important nécessaire pour vous développer, en soutenant les cas d’utilisation éprouvés qui ont démontré l’impact le plus important. Et vous ne pouvez vraiment pas essayer de tous les faire. Tous les domaines ne sont pas créés égaux, vous devez donc réfléchir à la stratégie de votre entreprise. Si vous êtes une entreprise dont la création de valeur est enracinée dans la R&D, l’application de l’IA aux flux de travail de R&D est susceptible d’être l’un de vos leviers de retour sur investissement les plus élevés, sinon les plus élevés. Vous devez donc commencer à penser à l’investissement dans l’IA comme vous pensez à l’investissement en R&D dans l’ensemble.

Ravi Rajamani: Laissez-moi parler de ma propre entreprise. Notre approche de l’adoption de l’IA ne concerne pas seulement le déploiement. Comme je l'ai dit, il ne s'agit pas seulement de cases à cocher. Il s’agit d’un impact mesurable. Vous devez avoir un cadre de valeur qui mesure stratégiquement l’impact que l’IA apporte. Si vous regardez un certain flux de travail ou une tâche qui peut être économisée dans le temps grâce aux applications d'IA, vous pouvez gagner ce temps pour un travail plus précieux et à fort impact. Une façon de le regarder est que l’IA est un accélérateur d’innovation.

Cela va au-delà d’une simple sortie et plus encore vers une compréhension nuancée de la façon dont l’IA peut contribuer au domaine dans lequel vous vous trouvez, comme la R&D. Quel est l'ajustement stratégique ici? Dans quelle mesure vos initiatives d’IA s’alignent-elles avec vos objectifs de haut niveau? Mais aussi investir stratégiquement pour enthousiasmer votre main-d’œuvre parce qu’ils connaissent si bien le domaine. Chez Google, nous pensons que trouver cet équilibre est vraiment intéressant parce que beaucoup de ces idées géniales viennent des Googlers eux-mêmes. Ils disent: «Allons faire cela», et soudainement, nous avons un prototype construit, puis nous investissons plus.

Ben Meigs: J'adore ça, Ravi. Je suis tout à fait d’accord, et Google est un excellent exemple culturel d’encouragement à l’innovation ascendante. Il y a un équilibre, car vous avez besoin d’une certaine coordination. Mais là où j’ai vu les entreprises réussir, c’est exactement cela – où elles encouragent tout le monde à expérimenter et à construire. Et il y a quelques ressources et quelques pratiques de gouvernance communes derrière tout cela. La culture est si importante.

Daphne Luchtenberg: En effet, parce que ce n’est pas seulement la technologie qui va bouger l’aiguille, non? Il s’agit également de réfléchir à travers la gouvernance, les modèles d’exploitation qui sont nécessaires pour adopter et mettre à l’échelle l’IA avec succès, en particulier dans l’ingénierie et la R&D. Ravi, revenons vers toi. Selon vous, quels sont les facteurs clés de succès ?

Ravi Rajamani: La plupart des clients d'entreprise à qui nous parlons disent que l'investissement dans l'IA est multiforme parce qu'il a un impact sur de multiples domaines de la façon dont ils font des affaires aujourd'hui. Vous voulez souligner exactement ce qu'est l'alignement stratégique. Comment faire cela de manière responsable quand parfois ils ont une façon existante de le faire? Comment la mise en œuvre de l’IA impacte-t-elle votre entreprise ?

Du point de vue de la gouvernance, cela commence par le type de gouvernance des données et de la base de plateforme que vous avez. Vous devez tirer parti de vos données, qui pourraient être assis dans plusieurs magasins de données à travers des silos. Comment pouvez-vous faire entrer cela dans une plate-forme unifiée pour la construction de vos modèles d'IA, pour la formation, le déploiement et la gestion de ces choses à grande échelle? Alors, comment contrôlez-vous la qualité ? Et comment exploitez-vous maintenant l’IA à grande échelle ? Ce sont des choses qui doivent être ancrées dans une stratégie d'organisation et de gouvernance solide.

Personnellement, je ne ferais pas confiance à l’IA à 100%, tout comme nous ne faisons pas confiance à 100% au code écrit par l’homme. Nous devons avoir une gouvernance pour les révisions de code et pour de bonnes raisons, non? Je pense donc que la fusion de certaines de ces questions est utile – sur l’endroit où se trouvent vos magasins de données, qui gère cela, quel type de données est intégré à votre modèle, comment construisons-nous ce que nous appelons un cadre éval. Parce que vous passez d'une version modèle à l'autre, avec autant de changements différents. Comment vous assurez-vous qu’il n’y a pas de régressions, que vous ne revenez pas sur la fonctionnalité, ou que le modèle commence à se comporter d’une manière que vous n’avez pas anticipée?

C’est un domaine de recherche en plein essor, mais il existe de nombreuses pratiques exemplaires sur lesquelles nous travaillons déjà avec les clients.

Ben Meigs: Je pense que l'autre considération organisationnelle est que cela va être un changement fondamental dans la façon dont nous travaillons. Vous devez étendre cette réflexion à l'ensemble de votre processus de développement de produit. Pour tirer le plus grand avantage de l’IA, vous ne pouvez pas simplement automatiser les étapes de ce processus hérité; vous devez repenser fondamentalement la façon dont les produits sont conçus, conçus et mis sur le marché de bout en bout. Ravi, j'ai aussi aimé votre point de vue sur le fait de ne pas faire confiance à 100% du code écrit par l'homme. C’est pourquoi vous avez des critiques de code. En génie matériel, vous avez des portes de scène. Les portes de la scène qui ont fonctionné pour les ingénieurs humains il y a 20, 30, 40 ans devront changer, et probablement de manière significative, avec l'IA.

Il y a beaucoup d'étapes qui vont être éliminées et beaucoup d'autres qui peuvent maintenant être faites en parallèle, au lieu d'une approche de cascade. En revanche, de nouveaux contrôles sont nécessaires. À titre d’exemple, nous travaillons avec un fabricant de turbines qui a pris 11 mois d’un processus de 18 mois en utilisant l’IA pour l’optimisation de la conception. Cette entreprise a été en mesure de supprimer un tas d'étapes de la porte d'étape, mais ils ont également ajouté la validation du modèle d'IA comme critères de porte de scène avant de commencer ce processus d'optimisation, pour compenser le rôle humain plus limité. Si vous ne repensez pas de bout en bout, vous allez passer à côté de nombreux avantages que l’IA peut apporter.

Daphne Luchtenberg: Je l'ai. L’IA change tous les aspects de la vie et du travail, mais il semble encore y avoir beaucoup d’inertie organisationnelle à surmonter. Comment devrions-nous penser à encourager et à motiver les équipes à conduire l’adoption de l’IA? Et comment pouvons-nous conduire le changement d'état d'esprit et réussir à l'escalade? Ben, qu'en penses-tu ?

Ben Meigs: C’est un point si important. Nous travaillons avec des entreprises tout le temps sur ces grands changements difficiles pour leurs employés, et c’est le plus grand de tous. En pensant spécifiquement au domaine de l’ingénierie, les entreprises doivent comprendre comment le déploiement de l’IA va avoir un impact sur l’expérience d’un employé – le bien et le mal.

La plupart des ingénieurs se sont mis au travail parce qu'ils aiment résoudre des problèmes difficiles et qu'ils aiment construire des produits. L’IA peut enlever beaucoup de travail administratif et rendre le travail plus créatif et excitant. Mais ça peut être un peu effrayant aussi. Chaque jour dans les nouvelles, il est question d’élimination de l’emploi à cause de l’IA. Les entreprises doivent exploiter ce récit et commencer à parler des succès, où les gens ont construit des cas d’utilisation qui ont libéré leur temps ou obtenu un meilleur résultat en termes de succès du produit ou du client. Plus largement, vous avez besoin d’une stratégie délibérée pour la gestion du changement. Cela doit inclure des choses comme: Votre rôle de leader le modélise-t-il? Vos dirigeants utilisent-ils l’IA ? Parlent-ils de la façon dont ils utilisent l’IA ?

Ensuite, il y a l’amélioration des compétences pour les gens, pour les mettre à l’aise avec l’utilisation de l’IA – pas seulement pour les premiers adoptants – et renforcer l’utilisation de l’IA avec des mécanismes formels. C'est votre processus de porte de scène. Et ce sont aussi des choses comme les évaluations de performance – nous avons entendu parler de certaines entreprises qui utilisent des critères plus substantiels de l’IA dans la façon dont elles évaluent les employés. Vous avez besoin de cette approche holistique. Cela ne peut pas être un seul mécanisme.

Daphne Luchtenberg: Et Ravi, comment cela se manifeste-t-il chez Google?

Ravi Rajamani: Je suis tout à fait d'accord avec ce que Ben disait. Je pense que ça commence avec l'équipe de direction, l'équipe de direction. Ils doivent favoriser une culture d’expérimentation et d’agilité. Vous devez encourager les améliorations itératives. Chez Google, si vous regardez notre entreprise de consommation, nous continuons constamment à en ajouter parce que vous échouez rapidement, vous traitez ces commentaires et vous êtes en mesure de répondre aux besoins de vos clients beaucoup, beaucoup plus rapidement. Donc, ce morceau d'innovation et l'environnement de sécurité psychologique doit venir de votre équipe de direction. Fondamentalement, vous ne pouvez pas considérer l’IA comme une tendance à court terme. C’est un grand changement technologique qui stimule la façon dont vous innovez, comment vous grandissez et comment vous opérez dans ce nouveau monde. Essayez d'avoir une vue holistique. L'IA ne peut pas être faite en silo est mon point. Il doit commencer par un alignement transversal.

Et vous devez reconnaître qu’il y a des équipes et des individus qui vont résister en le bloquant ou simplement en ne travaillant pas dessus ou avec, parce qu’ils ne sont pas habiles. Vous avez besoin de la culture et de la sécurité pour dire « Écoutez, vous allez apprendre et nous allons vous perfectionner dans de nouveaux domaines et de nouvelles technologies », parce que ces personnes apportent une expertise de domaine indispensable.

Daphne Luchtenberg: Tout à fait. Nous parlons donc de la façon dont les entreprises peuvent maximiser l’utilisation de l’IA dans le développement de produits tout en naviguant dans tous ces défis. Et ils ne peuvent pas se permettre d’avoir trop de perturbations dans les processus critiques, n’est-ce pas? Parce que le travail de jour doit continuer, et les produits doivent continuer à voler par la porte. Alors, comment les gens naviguent-ils cela maintenant?

Ravi Rajamani: Je pense que vous voulez commencer petit. Choisissez un cas d’utilisation de fruits à faible teneur – peut-être automatiser un processus simple et répétitif, et voir comment vous pouvez le déployer, obtenir des victoires rapides, embrasser le processus et ce que sont les apprentissages.

Le rythme est ce qui est important ici. Vous n’allez pas entrer dans le cycle d’évaluation de six mois, d’une durée de 12 mois, sur l’opportunité de le faire ou non. Commencez rapidement et permettez à vos équipes d’être plus dévouées. Apprenez rapidement pour pouvoir pivoter ou recalibrer au besoin. Nous devons remettre en question la manière traditionnelle de penser. C’est là que le caoutchouc rencontre la route. Je suis sûr que Ben a beaucoup à dire à ce sujet.

Ben Meigs: Je pense qu’avec les capacités actuelles de l’IA et ce qui a déjà été prouvé, nous sommes au début d’une fonction de croissance exponentielle. Ravi, vous avez dit avant, ce n'est pas une tendance. Ce n’est pas un moment dans le temps. L’IA, c’est l’avenir. Et pour les entreprises confrontées à un choix de faire, mettez-vous un effort significatif et un investissement dans l’IA ou attendez-vous et voyez, je pense que les entreprises qui attendent et voient pendant encore 18 mois ne seront jamais en mesure de rattraper les entreprises qui sont déjà sur cette courbe de croissance exponentielle.

Il y a donc un choix existentiel pour beaucoup d’entreprises autour de la façon dont vous allez dans l’IA d’une manière qui respecte tout ce dont nous avons parlé en termes d’amener vos employés, de le faire en toute sécurité et de ne pas se perdre dans tous les choix complexes. C’est ce à quoi les dirigeants doivent compter, et ce pour quoi ils ont besoin d’avoir une stratégie.

Daphne Luchtenberg: Bien dit. Merci beaucoup à vous de partager ces idées avec nous. Il semble que pour les entreprises qui comptent sur la R&D pour apporter de la valeur à leur organisation, l’IA devient déjà un facteur de différenciation massif. L’adopter efficacement et l’adapter en toute sécurité sera la façon dont certaines entreprises s’avanceront sur d’autres. Gagner le cœur et l'esprit des utilisateurs humains sera fondamental. Et du point de vue de la gouvernance, les entreprises doivent développer leurs muscles pour évaluer, intégrer et déployer rapidement des modèles et d’autres outils basés sur l’IA dans leurs flux de travail. Merci à tous les deux d'être avec nous aujourd'hui.

Ravi Rajamani est directeur général et responsable mondial d’AI Blackbelts chez Google Cloud. Ben Meigs est associé au bureau de McKinsey à Philadelphie. Daphne Luchtenberg est directrice des communications et est basée dans le bureau de Londres.

Les commentaires et opinions exprimés par les personnes interrogées sont les leurs et ne représentent pas ou ne reflètent pas les opinions, les politiques ou les positions de McKinsey & Company ou ont son approbation.