Pourquoi tant de stratégies IA restent des listes de pilotes
Une stratégie IA d’entreprise prend souvent la forme d’un document : une vision, un panorama des technologies, une liste de cas d’usage recueillis en atelier. Le document est validé, quelques pilotes démarrent, puis l’élan retombe. Les pilotes ne sont ni arrêtés ni généralisés, et la direction ne sait toujours pas dire ce que l’IA lui rapporte.
Quatre mécanismes expliquent ce résultat.
- Les cas d’usage sont collectés, pas choisis. Un atelier produit facilement des dizaines d’idées. Si aucune n’est écartée, les moyens se dispersent et aucun projet n’atteint la taille qui le rendrait utile.
- Le gain n’a pas de propriétaire. Un temps « libéré » n’a de valeur que si un responsable métier s’engage sur ce qu’il en fera : traiter davantage de dossiers, réduire un délai, absorber une hausse d’activité à effectif constant.
- Les prérequis apparaissent après le lancement. Données inaccessibles, absence de base légale pour les traiter, intégration impossible avec l’application cible : ces obstacles se voient dès le cadrage, à condition de les chercher.
- Le coût d’exploitation est oublié. Un service fondé sur un modèle de langage se paie le plus souvent à l’usage, se surveille et se réévalue à chaque changement de version. Un business case limité au coût de construction est faux.
Les arbitrages d’une stratégie IA d’entreprise
Une stratégie utile tranche quelques questions que les projets ne peuvent pas résoudre chacun de leur côté.
Où chercher la valeur. Trois horizons coexistent : la productivité individuelle (rédaction, synthèse, recherche d’information), la transformation d’un processus (instruction de dossiers, relation client, maintenance) et la création d’une offre nouvelle. Ils n’ont ni le même niveau de risque ni le même mode de financement. La productivité individuelle se diffuse vite mais se mesure mal. La transformation d’un processus se mesure bien, mais elle oblige à modifier une organisation.
Acheter, configurer ou construire. La réponse se donne cas d’usage par cas d’usage.
| Option | Quand elle convient | Point de vigilance |
|---|---|---|
| Activer une fonction d’IA dans un logiciel déjà en place | Besoin standard, données déjà gérées par l’éditeur | Conditions d’usage des données, coût par utilisateur, faible différenciation |
| Configurer un assistant sur une plateforme du marché | Besoin propre à vos documents et à vos règles, sans intégration profonde | Qualité de la base documentaire, réversibilité |
| Construire sur mesure | Processus spécifique, intégration forte au système d’information, enjeu de différenciation | Compétences à maintenir, coût d’exploitation, dispositif d’évaluation à bâtir |
Comment s’organiser. Une équipe centrale apporte la cohérence et mutualise les compétences rares, au risque de s’éloigner des métiers. Des équipes réparties dans les directions vont vite, au risque de reconstruire plusieurs fois le même socle. Un modèle fédéré combine les deux : un socle commun (accès aux modèles, règles de sécurité, méthode d’évaluation) et des équipes proches des processus.
Quel niveau de risque accepter. Le classement des systèmes au sens de l’AI Act et les règles applicables aux données personnelles orientent le choix des premiers cas d’usage. Ce point relève de la gouvernance de l’IA, qui se construit en parallèle de la stratégie et non à sa suite.
Notre méthode de cadrage : du cas d’usage au business case
Nos consultants travaillent au sein de vos équipes ; les décisions restent les vôtres.
Partir des processus. Nous ne commençons pas par un inventaire des technologies. Nous examinons avec les directions métier les processus où le volume, le délai ou la qualité posent un problème reconnu. Nous cherchons ensuite ce que l’IA y changerait concrètement : quelle tâche, pour quel utilisateur, avec quelle donnée en entrée.
Qualifier chaque cas d’usage sur quatre critères. La valeur : quel indicateur métier doit évoluer, et qui s’y engage. La faisabilité : les données existent-elles, sont-elles accessibles, de quelle qualité. Le risque : niveau de classification, données personnelles, conséquence d’une erreur. L’adoption : le processus doit-il changer, les utilisateurs sont-ils demandeurs. La faisabilité bute le plus souvent sur la donnée, d’où l’intérêt d’associer tôt les responsables de la gouvernance des données.
Écrire un business case qui se vérifie. Pour chaque cas retenu, nous formalisons les hypothèses de gain, le coût complet (construction, exploitation, évaluation continue, accompagnement des utilisateurs) et les conditions qui feraient arrêter le projet. Un business case sans critère d’arrêt n’engage personne.
Ordonner la feuille de route par dépendances. Plusieurs cas d’usage partagent souvent un même socle : une base documentaire, un accès sécurisé aux modèles, un dispositif d’évaluation. Les lancer dans le bon ordre évite de financer plusieurs fois les mêmes fondations. La feuille de route distingue ce qui est engagé, ce qui est conditionné à une preuve et ce qui reste une option.
Installer l’arbitrage dans la durée. Les cas d’usage d’IA rejoignent le portefeuille de projets de l’organisation, avec les mêmes règles de priorisation que les autres investissements. Nous relions la feuille de route IA à votre dispositif de gestion de portefeuille de projets lorsqu’il existe. À défaut, nous aidons à installer une instance d’arbitrage légère.
Les erreurs de cadrage les plus coûteuses
- Confondre stratégie IA et choix d’un fournisseur. Un contrat de licences n’est pas une stratégie. Il répond à la question « avec quoi », pas à la question « pour quoi faire ».
- Lancer des pilotes sans critère de passage à l’échelle. Un pilote dont personne n’a défini le seuil de réussite ne peut ni échouer ni réussir. Il dure.
- Tout miser sur un cas d’usage emblématique. Un projet vitrine, complexe et risqué, retarde les gains simples qui auraient construit la confiance et les compétences.
- Sous-estimer l’accompagnement. Un cas d’usage qui modifie un métier sans que les équipes y soient préparées sera contourné. La conduite du changement fait partie du coût du projet.
- Figer la feuille de route. Les capacités des modèles et leurs prix changent vite. Une stratégie qui n’est pas révisée régulièrement décrit un marché qui n’existe plus.
Les signes d’une stratégie IA qui fonctionne
Une stratégie se juge aux décisions qu’elle produit, pas à la qualité du document. Nous convenons avec vous, dès le cadrage, de quelques signes observables :
- la part des cas d’usage du portefeuille qui ont un responsable métier nommé et un indicateur suivi ;
- le nombre de pilotes arrêtés sur décision explicite (un portefeuille où rien ne s’arrête n’est pas piloté) ;
- la part des cas d’usage passés du pilote au service en exploitation ;
- l’écart entre les gains attendus et les gains constatés, revu à échéance fixe ;
- la réutilisation effective des socles communs d’un projet à l’autre ;
- le délai entre l’expression d’un besoin et la décision de le financer ou de l’écarter.
Ces signes servent aussi à réviser la stratégie. Lorsque l’écart entre gains attendus et gains constatés se creuse sur plusieurs cas d’usage, ce sont les hypothèses de départ qu’il faut reprendre, pas seulement les projets.