La plupart des organisations utilisent désormais l’IA en production. Presque aucune ne l’utilise là où elle compte vraiment : dans les expériences client, les décisions stratégiques ou les processus fonctionnant avec une supervision humaine minimale. C’est dans cet écart que se gagne ou se perd l’avantage concurrentiel.
L’obstacle tient généralement à la confiance, pas aux capacités. Pour déployer l’IA dans des contextes à forts enjeux, cette confiance repose sur quatre critères précis.
Ces critères concernent la manière dont vous testez le comportement de l’IA, développez et gouvernez les solutions à l’échelle de l’entreprise, ainsi que l’adhésion réelle de vos dirigeants aux raisons pour lesquelles cela compte.
Satisfaire à ces critères de confiance développe les réflexes et la responsabilisation, et vous donne moins de raisons d’hésiter à déployer l’IA pour produire des effets significatifs. Sans cela, l’IA reste cantonnée à quelques économies dans des usages périphériques, sans effet notable sur le fonctionnement de l’organisation.
À la même époque l’an dernier — il y a des décennies à l’échelle de l’IA —, la plupart des entreprises étaient au « purgatoire des POC d’IA » : de nombreux POC intéressants montrant ce que l’IA pouvait faire, mais qu’elles peinaient à mettre en production. Un an plus tard, de nombreuses organisations disposent désormais d’au moins quelques solutions d’IA en production, ce qui constitue une grande avancée.
Toutefois, l’IA est souvent appliquée à des processus périphériques : c’est plus facile, une équipe Innovation peut la développer avec un utilisateur métier motivé et, en cas de problème, « ce n’est pas la fin du monde ». Le processus n’est pas vraiment essentiel, il existe une solution de secours manuelle ou plusieurs « humains dans la boucle » limitent les éventuelles conséquences négatives.
Cette approche compréhensible, mais prudente, produit elle aussi des effets limités : il est peu probable qu’elle ait sensiblement amélioré les perspectives de croissance, l’expérience client ou la structure des coûts.
C’est ce qui distinguera les futurs gagnants des autres : les entreprises progressistes investissent dans l’IA là où elle compte pour leurs performances.
Les retardataires « font aussi de l’IA », mais pas là où elle aura un effet significatif sur leur activité.
Et oui, intégrer l’IA aux décisions d’investissement, à l’expérience client, au développement de produits, à la recherche & conception et aux « automatisations sans humain dans la boucle » semblera plus risqué, mais c’est là que résident les vrais bénéfices.
Les entreprises qui prennent de l’avance dans ce domaine ne sont peut-être pas encore visibles sur le marché. Mais lorsqu’elles le seront, non seulement l’écart sera considérable, mais leur rapidité de déploiement de l’IA continuera de le creuser tandis que les retardataires comprendront enfin leur erreur.
La question est donc la suivante : de quoi une organisation a-t-elle besoin pour appliquer l’IA en toute confiance aux processus qui comptent vraiment ?
Commençons par supposer que vous êtes déjà passé de « Nous avons un outil d’IA comme ChatGPT » à « Nous avons des POC », puis à « Nous avons dix solutions d’IA simples en service ». Sinon, vous devez en faire une priorité. Ces premières étapes peuvent sembler élémentaires, mais elles sont indispensables pour développer la maîtrise de l’IA dans l’entreprise, trouver de meilleurs cas d’usage et clarifier les démarches internes nécessaires à toute mise en production.
À ce stade, l’organisation devrait devenir plus ambitieuse et progresser vers des « solutions d’IA appliquée à fort impact avec supervision humaine », puis vers l’étape distinctive : « nous appliquons l’IA à nos processus essentiels et à nos expériences client ».
Ces dernières avancées sont rarement limitées par la technologie, mais plutôt par la confiance de l’organisation. Car il existe toujours une raison de reporter ou d’éviter les sujets difficiles :
« Et si l’IA fournissait de mauvaises conclusions ? » « Et si elle se comportait mal et faisait parler de nous dans les médias ? » « Et si elle se trompait dans le calcul et nous conduisait à prendre la mauvaise décision ? » « Et si elle maltraitait les clients ? » « Et si le modèle devenait indisponible ? » « Comment assurer la maintenance de ses mises à jour ? » « Et si la réglementation changeait ? » « Devons-nous attendre le nouveau modèle ? », etc.
Selon nous, quatre conditions permettent généralement d’appuyer en confiance sur le bouton « Mise en production » lors d’un changement à fort impact reposant sur l’IA.
Le pourquoi : l’organisation, et notamment ses cadres dirigeants, adhère-t-elle réellement au discours expliquant « pourquoi l’IA compte pour la réussite de notre entreprise » ? Dans le cas contraire, l’organisation sera plus susceptible de trouver des raisons d’éviter les décisions difficiles.
L’accompagnement : existe-t-il une équipe dédiée au changement, à la transformation ou à l’accompagnement de l’IA qui soutient l’organisation dans son évolution ? Une équipe chargée de l’adoption, de la formation, de la réglementation, des nouvelles méthodes de travail, de la remise en question des hypothèses, du financement nécessaire, etc. L’IA n’est pas un changement que « la technologie doit régler », comme l’ont souvent été les initiatives Cloud ou numériques. Elle doit être pilotée par les métiers et correctement accompagnée.
Le comment : existe-t-il une architecture d’entreprise et de solution établie pour l’IA appliquée ? Même si ce domaine évolue continuellement, définir une vision oblige à réfléchir et à approfondir les connaissances sur les garde-fous, les coûts, l’observabilité, les contrôles, l’accès aux modèles, etc. Cela commence à établir en interne la crédibilité de l’organisation, qui « sait ce qu’elle fait » en matière d’IA, et évite la multiplication d’approches de développement divergentes.
Le test de confiance avant mise en production : les responsables de solutions peuvent repousser indéfiniment la décision en se demandant « est-ce assez bon pour être mis en production ? » Les tests traditionnels réalisés par les équipes d’assurance qualité n’apportent ni cette confiance ni ce sentiment de responsabilité pour un système d’IA non déterministe. Les évaluations, si.
Examinons-les dans l’ordre inverse, car c’est celui qui suit au plus près la prise de décision concernant la confiance avant mise en production.
Pendant des décennies, les organisations se sont appuyées sur l’équipe d’assurance qualité pour décider si une version était suffisamment aboutie. Sur le papier, les tests étaient réalisés par les parties prenantes métier ; en réalité, ils l’étaient par l’équipe d’assurance qualité. Le résultat était une réussite ou un échec, selon d’innombrables règles du type si ceci, alors cela. Beaucoup de travail, mais rien de compliqué.
Cela ne fonctionne pas pour l’IA, dont il faut évaluer le comportement.
Les évaluations, ou « evals », permettent de rendre mesurable le comportement qualitatif de l’IA. Au lieu d’un résultat réussite/échec, vous définissez des critères — exactitude, ton, ancrage factuel, comportement de refus, par exemple — et attribuez des scores. Suivez ces scores tout au long du projet, à mesure que vous améliorez les prompts, les modèles, les garde-fous, etc. L’équipe projet, les comités du changement et la direction disposeront alors d’un indicateur fiable pour agir : un score d’exactitude passé de x à y au cours du projet.
Ce chiffre remplit deux fonctions. Premièrement, il renforce la confiance en démontrant les progrès accomplis et en apportant aux parties prenantes des preuves tangibles que le système se comporte de manière fiable et cohérente dans les limites fixées.
Deuxièmement, il crée une responsabilisation. Ce sont les chiffres qu’elles peuvent invoquer, ainsi que la traçabilité de ces évaluations. Un jeu d’évaluations documenté et testé sur un éventail bien défini de scénarios est l’équivalent, pour l’IA, du rapport de test qui prouve au comité d’approbation que les vérifications nécessaires ont été effectuées : le système fait-il uniquement ce qu’il doit faire, et uniquement de la manière prévue ?
Bien entendu, ces chiffres n’ont de sens que si les critères d’évaluation sont suffisamment riches. Cela exige un changement de modèle opérationnel que la plupart des organisations abordent mal au départ : les « métiers » doivent être responsables des critères d’évaluation, et non l’équipe technologique ou d’assurance qualité, et cette tâche ne doit pas être déléguée à un seul utilisateur junior. Les responsables produit et les spécialistes comprennent le domaine, les cas limites, le ton souhaité, les types d’interactions que les utilisateurs peuvent soumettre, les étapes de raisonnement pertinentes, les modes de défaillance, les bonnes paires de Q&R, etc. Ceux qui utilisent et déploient la solution doivent décider de ce qui constitue un bon résultat.
Ainsi, si vous devez approuver une solution qui applique l’IA au cœur même de l’expérience client, il vous suffit de poser deux questions :
(1) qui a conçu les critères d’évaluation ?
(2) les performances des évaluations se sont-elles améliorées au fil du temps par rapport à ces critères et dépassent-elles désormais le seuil minimal ?
Si la réponse est « l’équipe technologique les a élaborés, mais les résultats nous satisfont », l’application n’est pas prête. Si la réponse est « oui, nous avons testé la semaine dernière et le test a réussi », le niveau de maturité des évaluations n’inspire probablement pas la confiance nécessaire, car il est peu probable qu’elles aient constitué le point de départ du développement.
Mais si le responsable produit métier a défini, révisé et amélioré les évaluations tout au long du développement, et peut vous montrer une trajectoire de performance allant dans la bonne direction, vous avez une solution qui mérite d’être approuvée.
L’alignement sur les principes et les normes d’architecture de l’IA apporte un autre niveau de confiance. S’il était pertinent de développer vos cinq premières applications d’IA de la manière la plus pratique pour démarrer, une approche plus structurée, reposant sur des architectures applicatives de référence et une plateforme d’IA d’entreprise, devient nécessaire pour changer d’échelle et déployer rapidement, sûrement et avec une gouvernance efficace l’IA dans toute l’organisation.
Toutes les équipes d’ingénierie doivent pouvoir « hériter » rapidement de l’accès aux modèles, des garde-fous, de l’observabilité, de la mise à l’échelle, de la gestion des coûts, etc., afin de se concentrer sur l’ingénierie de la solution.
Disposer de cette vision de la plateforme d’IA d’entreprise et des approches architecturales, même si sa durée de validité est courte compte tenu de la rapidité des évolutions, renforce la confiance de l’organisation dans sa capacité à déployer l’IA en toute sécurité dans des systèmes critiques. Cela signifie que quelqu’un aura étudié tous les facteurs clés et choisi la meilleure voie de déploiement, renforçant ainsi la confiance dans la capacité de la solution à soutenir ces processus importants.
Il ne s’agit pas de « faire la même chose, mais avec un outil d’IA ». Cela peut sembler cliché, mais la transformation implique de repenser les processus et les offres de produits, de faire évoluer l’expérience client et de modifier les méthodes de travail ainsi que, très probablement, la structure des équipes.
Cela ne se fait pas en marge des activités habituelles et ne peut pas être piloté par la Technologie — ni, non, par votre équipe « Innovation » de trois ETP. Et si vous adoptez l’approche « cela finira bien par se régler », vous n’atteindrez pas le rythme de transformation de vos concurrents gagnants.
En outre, faire émerger les cas d’usage véritablement « révolutionnaires » et obtenir le soutien nécessaire exige une connaissance approfondie de l’IA dans toute l’entreprise, ainsi qu’un état d’esprit positif à son égard.
Votre transformation par l’IA doit donc être menée par des personnes qui connaissent les besoins de l’organisation, savent accompagner le changement et comprennent l’IA. Le conseil d’administration doit leur donner mandat de concrétiser cette transformation et d’en assurer la coordination, l’impulsion, le financement, l’influence, la gouvernance, la priorisation et les décisions.
Durant les premières phases en particulier, une fonction centrale de type pôle IA, Transformation IA ou Bureau de l’IA est efficace. Cette équipe centrale renforce la confiance : l’organisation dispose d’une stratégie à exécuter, peut prendre et relayer rapidement les grandes décisions, et définir les jalons qualité de sa transformation par l’IA. Sans elle, l’approche risque d’être trop fragmentée, entraînant des incohérences dans les décisions, les choix de produits ou de solutions et la qualité, et sapant à terme la confiance nécessaire pour déployer l’IA dans des domaines à forts enjeux.
Comme indiqué précédemment, les entreprises qui tireront un réel avantage concurrentiel de l’IA seront celles qui auront développé l’expérience, l’expertise et la confiance nécessaires pour la déployer fréquemment et rapidement au cœur des processus et expériences importants qui améliorent l’expérience client, les performances des produits, le rythme de production, etc.
De bonnes pratiques d’évaluation, une architecture évolutive et rapidement adaptable, ainsi qu’une gestion de la transformation fondée sur une attitude volontariste qui aide l’organisation à apprendre, à s’adapter et à établir de nouvelles méthodes de travail sont toutes indispensables.
Cependant, aucune ne réussira à partir de la base. Les changements et leurs implications sont tout simplement trop rapides et trop importants. « L’approbation du conseil d’administration » ou « le soutien de la direction » ne suffisent pas non plus.
Si vos collaborateurs ne comprennent pas clairement pourquoi les changements sont nécessaires, ce qu’ils impliquent personnellement pour eux — en bien ou en mal — et ce qu’ils ont à y gagner, la transformation se fera en catimini, avec de nombreux dommages collatéraux.
Le quatrième facteur permettant de tirer un véritable avantage de l’adoption de l’IA est donc que les dirigeants comprennent réellement et soient convaincus qu’investir dans l’IA est essentiel à la réussite durable de l’entreprise. C’est leur stratégie d’IA, intégrée à la mission et aux objectifs de l’entreprise, qu’ils défendent sans relâche et sur laquelle ils fondent visiblement leurs décisions et leurs actions.
Cela fournit aux équipes de toute l’organisation les incitations, le soutien et le sentiment d’urgence nécessaires pour développer leurs compétences et prendre ces décisions importantes, parfois inconfortables, qui privilégient la voie la plus difficile, mais aussi la plus avantageuse. Cela donne la confiance nécessaire pour appuyer sur « Mise en production » pour cette expérience client ou ce processus de décision d’investissement fondé sur l’IA.
Les entreprises qui profiteront le plus de l’IA au cours des deux prochaines années ne seront pas celles qui compteront le plus de déploiements. Ce seront celles qui auront mis l’IA au service des systèmes et processus importants, visibles des clients, influençant les décisions et essentiels à l’activité, tout en développant les capacités nécessaires pour le faire systématiquement et en toute sécurité à l’échelle de l’entreprise.
Votre appel à l’action ? Si votre organisation « fait de l’IA » sans que cela contribue à la réussite de l’entreprise, essayez de répondre aux questions suivantes :
Le rôle de l’IA dans l’accomplissement de la mission de votre entreprise est-il clair ? Avez-vous le sentiment que les dirigeants considèrent réellement l’adoption de l’IA comme essentielle à la réussite future de l’entreprise ?
Existe-t-il une fonction centrale qui contribue à faire avancer le programme d’IA, à former l’entreprise et à coordonner les activités ?
L’équipe technologique développe-t-elle l’expertise, les capacités et les modèles de conception nécessaires pour rendre l’ingénierie de l’IA plus rapide et plus sûre ?
Les versions parviennent-elles en production sans être bloquées par des questions sans réponse sur le comportement de l’IA ?
Si vous répondez non à l’une de ces questions, vous savez par où commencer pour renforcer la confiance de l’organisation dans sa capacité à déployer l’IA rapidement et de manière cohérente afin d’acquérir un avantage concurrentiel là où cela compte vraiment.