IA en entreprise : par où commencer quand tout le monde veut accélérer ?
« Il faut qu'on avance sur l'IA. »
Cette phrase revient de plus en plus souvent.
Et pour cause : pendant que les directions réfléchissent encore à la manière de s'y prendre, les usages, eux, ont déjà commencé.
Des collaborateurs utilisent ChatGPT ou d'autres outils dans leur quotidien. Des dirigeants reviennent de conférences avec de nouvelles idées. Des métiers identifient leurs premiers cas d'usage. Et personne n'a vraiment envie de regarder passer le train.
Alors la vraie question n'est peut-être plus « faut-il y aller ? »
Mais « par où commencer ? »
1. Commencer par le besoin, pas par l'IA
Face à une volonté d'avancer sur l'IA, la première question que nous posons est généralement très simple :
« Qu'est-ce que vous voulez faire exactement ? »
Puis viennent les suivantes.
Quels usages voulez-vous faire évoluer ?
Quel problème cherchez-vous à résoudre ?
Quel résultat attendez-vous ?
Qu'attendez-vous précisément de l'IA ?
Ce questionnement réserve parfois des surprises.
Un besoin présenté initialement comme un projet IA peut finalement relever d'un tableau de bord, d'une automatisation, d'un rapprochement de données ou d'un algorithme classique.
Un autre bénéficiera réellement des capacités de l'IA.
Et parfois, la meilleure réponse combinera plusieurs technologies.
Ce n'est pas parce que la réflexion commence par l'IA que la solution doit nécessairement être 100 % IA.
La bonne stratégie IA n'est pas celle qui met le plus d'IA dans l'entreprise. C'est celle qui la met là où elle apporte réellement de la valeur.
2. Tester avant d'investir
Lorsqu'un cas d'usage semble pertinent, il n'est pas toujours nécessaire de commencer par construire une solution complète.
Un prototype rapide peut permettre de répondre à quelques questions essentielles :
Est-ce que cela fonctionne suffisamment bien ?
Quelle partie nécessite réellement de l'IA ?
Quelles données sont nécessaires ?
Quelles limites apparaissent ?
Et que faudra-t-il pour passer ensuite à une solution réellement exploitable ?
Quelques jours d'expérimentation peuvent parfois suffire pour éclairer des choix qui auraient autrement conduit à un projet beaucoup plus lourd.
Le prototype n'a donc pas vocation à démontrer à tout prix que l'IA fonctionne.
Il permet de déterminer si elle constitue la bonne réponse, où elle apporte de la valeur et dans quelles conditions.
3. Vérifier que l'entreprise est prête
C'est parfois en travaillant sur les premiers cas d'usage que les véritables priorités apparaissent.
Les données nécessaires sont difficiles d'accès ou insuffisamment fiables.
Les applications communiquent mal entre elles.
Le processus que l'on voudrait optimiser n'est pas réellement stabilisé.
Ou personne ne sait encore très bien qui doit porter le sujet.
Faut-il alors attendre que tout soit parfait avant de commencer ?
Probablement pas.
Certains usages peuvent être engagés rapidement. D'autres nécessiteront d'abord de travailler sur la donnée, un processus ou une évolution du système d'information.
Ce n'est pas s'éloigner de l'IA. C'est construire les conditions pour qu'elle puisse réellement produire de la valeur.
4. Encadrer ce qui existe déjà
Il reste enfin une réalité avec laquelle les entreprises doivent composer : les usages n'attendent pas nécessairement la stratégie.
Dans beaucoup d'organisations, des collaborateurs utilisent déjà des LLM pour rédiger, synthétiser, traduire, rechercher ou analyser des informations.
Cette appropriation est une opportunité.
Mais elle pose aussi des questions : quelles données peuvent être utilisées ? Avec quels outils ? Quelles règles de confidentialité ? Comment vérifier les résultats produits ? Quels usages faut-il encourager ou au contraire encadrer ?
La démarche doit donc avancer sur deux fronts.
Encadrer ce qui existe déjà, sans casser la dynamique d'appropriation.
Et parallèlement construire ce que l'entreprise veut faire demain, en identifiant les usages qui créent réellement de la valeur et les conditions nécessaires pour les déployer.
Remettre les décisions dans l'ordre
Il existe de bonnes raisons de vouloir avancer rapidement sur l'IA. Les technologies évoluent vite, les collaborateurs expérimentent déjà, les directions s'interrogent et les métiers imaginent de nouveaux usages. Mais urgence ne signifie pas précipitation.
Une démarche qui commence par une volonté de « faire de l'IA » peut parfaitement déboucher sur un prototype IA, mais aussi sur de la BI, une automatisation, un chantier autour de la donnée ou l'évolution d'un processus. Dans de nombreux cas, la réponse combinera d'ailleurs plusieurs de ces approches.
L'enjeu est donc moins de chercher immédiatement où mettre de l'IA que de remettre les décisions dans le bon ordre : comprendre le problème que l'on cherche à résoudre, identifier la valeur attendue, déterminer la solution la plus adaptée et vérifier que l'entreprise dispose des conditions nécessaires pour la mettre en œuvre.
Cette démarche n'a rien d'une invitation à ralentir. Au contraire, elle permet d'avancer rapidement sur les sujets qui s'y prêtent, de tester lorsqu'il reste des incertitudes et de travailler les fondamentaux lorsqu'ils constituent encore un frein.
Le risque n'est pas d'aller vite sur l'IA. Le risque est d'aller trop vite vers la solution.