L’IA en grande organisation : beaucoup d’essais, peu de services en production
Le conseil en intelligence artificielle répond à une situation que la plupart des directions connaissent. Les expérimentations se sont multipliées : un assistant ici, un modèle de prévision là, des licences d’outils génératifs distribuées aux équipes. Peu de ces initiatives sont devenues des services utilisés chaque jour, mesurés et maintenus. L’écart entre la démonstration et l’exploitation est le vrai sujet.
Cet écart a des causes connues. Une démonstration fonctionne sur des données choisies, avec des utilisateurs volontaires, sans contrainte de sécurité ni d’intégration. Un service en production doit répondre correctement sur des cas que personne n’avait prévus, s’insérer dans un processus existant, respecter les habilitations, tenir un coût par usage et permettre de rendre des comptes en cas d’erreur. Rien de cela ne se règle par le seul choix du modèle.
Trois pressions s’ajoutent. La première est réglementaire : le règlement (UE) 2024/1689, dit AI Act, raisonne par niveaux de risque et crée des obligations pour ceux qui fournissent des systèmes d’IA comme pour ceux qui les déploient. La deuxième est économique : les directions générales demandent ce que l’IA rapporte, et la réponse ne peut pas rester une liste de pilotes. La troisième est humaine : les collaborateurs utilisent déjà des outils génératifs, avec ou sans cadre, et l’organisation doit choisir entre encadrer cet usage et l’ignorer.
Notre lecture : ce qui fait réussir ou échouer un projet d’IA
Quatre constats guident nos interventions.
Le cas d’usage se juge au processus, pas à la technologie. Un projet d’IA réussit lorsqu’il modifie une tâche précise, pour des utilisateurs identifiés, avec un indicateur que le métier suit déjà. Un projet lancé parce qu’une technologie est disponible cherche son problème après coup, et le trouve rarement.
La donnée fixe le plafond. Un assistant qui interroge une base documentaire périmée affirme des choses fausses avec assurance. Un modèle entraîné sur des données mal définies reproduit leurs défauts. La qualité, la fraîcheur et les droits d’accès aux données déterminent ce que le système pourra faire, quel que soit le modèle retenu.
Ce qui n’est pas évalué ne peut pas être mis en service. Les systèmes génératifs ne sont pas déterministes : la même question peut recevoir deux réponses différentes. Sans jeu de test représentatif ni critère d’acceptation écrit avant le développement, personne ne sait dire si une nouvelle version est meilleure ou pire que la précédente.
L’adoption n’est pas une étape finale. Un outil que les équipes contournent ne produit aucune valeur. Les utilisateurs participent au choix des cas d’usage, aux tests et à la définition de ce qu’est une bonne réponse. La prise en main et les règles d’usage se préparent en même temps que le système, et non après sa livraison.
De ces constats découle une position : nous ne partons ni d’un modèle ni d’un éditeur. Les technologies changent vite, et le choix fait aujourd’hui sera révisé. Ce qui dure, c’est une architecture qui permet de changer de modèle, un dispositif d’évaluation, une gouvernance et des équipes qui savent s’en servir.
Comment nous intervenons : quatre volets de conseil en intelligence artificielle
Notre démarche suit quatre temps : cadrer, prouver, industrialiser, opérer. Cadrer, c’est choisir les bons problèmes et fixer les critères de réussite. Prouver, c’est vérifier sur des données réelles que le cas d’usage tient ses promesses. Industrialiser, c’est construire le service avec ses exigences de sécurité, de coût et de supervision. Opérer, c’est le maintenir et l’améliorer dans la durée. Chaque volet de notre offre s’inscrit dans cette séquence.
Décider où investir. Avant de construire, il faut choisir. Notre accompagnement en stratégie IA identifie les cas d’usage, les classe selon leur valeur et leur faisabilité, établit leur business case et les ordonne dans une feuille de route.
Construire des assistants et des applications génératives. Recherche dans un corpus documentaire, aide à la rédaction, synthèse, extraction d’informations : notre offre d’IA générative en entreprise couvre la conception, l’évaluation et l’industrialisation de ces systèmes.
Confier des tâches à des agents. Un agent ne se contente pas de répondre : il enchaîne des actions dans vos applications. Cette autonomie exige des permissions, des garde-fous et une supervision humaine, que nous détaillons sur la page consacrée aux agents IA.
Encadrer et rendre conforme. Inventaire des systèmes, classification par niveau de risque, rôles, circuit de validation : la gouvernance de l’IA organise la maîtrise des risques et la conformité à l’AI Act et au RGPD.
Ces volets se combinent. Une organisation qui débute a d’abord besoin de priorités et de règles d’usage. Une organisation qui a déjà des pilotes a surtout besoin d’industrialiser et de gouverner. Nous intervenons sur un volet isolé comme sur l’ensemble.
L’IA ne se traite pas seule : données, cloud et pilotage
Un système d’IA repose sur d’autres fondations, et c’est souvent là que les projets se bloquent.
La première est la donnée. Catalogue, qualité, règles d’accès, chaînes d’alimentation : sans elles, le projet d’IA devient un projet de données qui ne dit pas son nom. Notre expertise data traite ces sujets, y compris la mise en production et le suivi des modèles.
La deuxième est l’infrastructure. Où s’exécutent les modèles, par où transitent les données, quel niveau de protection s’applique aux informations sensibles : ces choix relèvent de notre expertise cloud et plateformes, en particulier pour les organisations soumises à des exigences de souveraineté.
La troisième est la conduite du projet lui-même. Un programme d’IA mobilise les métiers, la DSI, le juridique et la sécurité, avec des arbitrages fréquents. Management Square vient du conseil en management de projet, de programme et de portefeuille : nous appliquons à l’IA la même discipline de pilotage qu’à tout autre investissement, avec des critères de décision, des jalons et des arbitrages explicites.
Par où commencer ?
Le point d’entrée dépend de votre situation, pas d’un parcours type.
- Vous n’avez pas encore de priorités claires. Commencez par un cadrage : quels processus, quels gains attendus, quelles données disponibles, quels risques. Le résultat est une liste courte de cas d’usage et une décision d’investissement.
- Vous avez des pilotes qui ne passent pas en production. Le sujet est l’industrialisation : évaluation, sécurité, intégration, coût par usage, exploitation. Nous commençons par un diagnostic de ce qui bloque.
- Vos équipes utilisent déjà des outils d’IA sans cadre. La priorité est d’établir des règles d’usage et un inventaire des systèmes, avant qu’un incident ne les impose.
- Vous devez démontrer votre conformité. L’inventaire et la classification des systèmes viennent d’abord. Ils déterminent les obligations applicables et l’effort à prévoir.
Dans tous les cas, le premier échange sert à qualifier votre besoin et à vérifier que notre intervention est la bonne réponse. Vous pouvez nous décrire votre contexte depuis la page de contact.