Stratégie IA & performance - Nobilys Group

Understanding AI technologies make better decisions

Thu, 13 Aug 2026 22:32:32 GMT

Introduction

The nature of the business question is often the best first guide to the technology worth considering.

Artificial intelligence, machine learning, deep learning, generative AI and large language models are often discussed as though they were interchangeable technologies, even though they describe different capabilities and approaches.

The distinctions matter because they help prevent common investment errors, such as introducing a complex model where a business rule would do the job, asking an LLM to solve a forecasting problem, or treating technical sophistication as evidence of value.

For an executive, the useful level of understanding lies in knowing which family of methods fits which type of problem, what data it requires and which constraints need to be reflected in the decision. Detailed knowledge of each algorithm is rarely necessary.

The starting question is consistent across all of these technologies

Which decisions are we trying to improve, and what uncertainty is currently preventing us from making them well?

I- Rules, optimisation and the boundary of AI

Before comparing the main families of AI, executives benefit from recognising where conventional rules and optimisation already solve the problem well. A significant share of what is marketed under the AI label relies on older, well-established methods that require no learning model at all.

Coded business logic is the most obvious example. An order can be blocked automatically when it exceeds a customer's credit limit, uses a price that differs from the current contract, or contains a product reference that has not been approved for that customer. A compliance engine can check a case against regulatory criteria, apply the same rules consistently and provide a precise audit trail for every decision. The logic is defined in advance by experts and configured in the relevant business systems; it does not learn from historical data.

Mathematical optimisation is a second, subtler case. A logistics company planning delivery routes may seek to minimise mileage or total cost while respecting vehicle capacity, customer delivery windows, driver availability and driving-time limits. The system explores a very large number of possible combinations and identifies the one that best meets the objective within the stated constraints. Operations research is sometimes placed within the historical family tree of AI because it solves search problems that would otherwise demand considerable human expertise. Its value, however, does not depend on learning from data: the system calculates the best answer to a fully specified problem.

An industrial allocation decision illustrates the power of this approach. Suppose a company has only 70% of the capacity required to fulfil all confirmed orders in a given week. It must allocate scarce capacity across customers, production sites and transport modes while considering contribution margin, contractual commitments, the criticality of the product to the customer, logistics cost, the availability of an alternative production site and the commercial risk associated with delay. An optimisation method can identify the allocation that best meets the chosen objective across all of those constraints without being trained on historical data.

Machine learning enters when some of the inputs are uncertain. Expected demand for the following week or the probability of a supplier delay cannot be known in advance, but they can be estimated from historical data and then fed into the allocation problem.

A single decision can therefore combine three different types of solution. Business rules protect contractual constraints, optimisation calculates the trade-off, and machine learning reduces uncertainty in selected inputs. Only the third component involves a model that learns from data in the sense most commonly associated with AI today.

The distinction has direct investment implications. When rules are known, stable and sufficient, a deterministic system will usually be easier to explain, maintain and control. When the objective and constraints can be stated explicitly, optimisation deserves consideration before a predictive model is introduced. Machine learning becomes economically relevant when a genuine uncertainty can be reduced through data and when that reduction can improve a decision.

II- Main AI families

Artificial intelligence is not a single technology.

The field brings together several families of methods, ranging from systems based on explicit logic and search to models that learn, predict or generate from data.

The following sections focus on the main families that executives are most likely to encounter in business.

A- Machine learning: using data to reduce uncertainty

Machine learning becomes relevant when historical data contains patterns that can improve a prediction, classification or detection task.

The model learns from past examples and applies the relationships it has identified to new situations.

The following use cases illustrate how that principle translates into business decisions.

B- Deep learning: working with more complex data

Deep learning is part of machine learning and uses neural networks with multiple layers. It is particularly relevant when useful information is difficult to represent as conventional table columns, as is often the case with images, text, sound, video and certain industrial signals. Three examples show what this capability can change in an industrial setting.

C- Generative AI: creating and transforming content

Generative AI produces new content based on structures learned from large volumes of data. It can generate text, images, audio, video, code and synthetic data.

Its economics often differ from those of predictive models because a significant share of the value comes from reducing the time required to create, transform or prepare content.

The following examples illustrate the range of applications.

D- Large language models (LLMs): working with language and documents

Large language models, or LLMs, are a family of generative models designed to process and produce language.

Products such as ChatGPT, Claude, Gemini and Copilot are built around such models and add interfaces, tools, security mechanisms and other services.

For businesses, their relevance extends well beyond drafting text.

III- Matching the technology to the decision

The nature of the business question provides a useful first orientation towards the approaches worth considering.

Cette grille fournit une première orientation. Le choix final dépend de la qualité des données, de la baseline existante, de la fréquence de la décision, du coût des erreurs, de la capacité d’action, des contraintes d’intégration et de la valeur économique attendue.

IV- La hiérarchie technologique ne détermine pas la valeur

This framework provides an initial direction. The final choice also depends on data quality, the existing baseline, decision frequency, the cost of error, the organisation's ability to act, integration constraints and expected economic value.

V- Questions to ask before discussing the model

Technical discussions become more useful once the economic and operational foundations are clear.

A- Which decision are we trying to improve?

The initiative should be linked to a concrete decision or execution step: how much to produce, what to stock, where to intervene, which case to review, which customer to contact, what to accept, what to prioritise, when to escalate or how to allocate a scarce resource.

This clarity makes it possible to measure the system's contribution.

B- What uncertainty makes the decision difficult?

A stable rule may be sufficient when the answer can be determined explicitly.

Machine learning becomes more relevant when several variables interact and historical data contains information that can improve the decision.

C- What data is actually available?

Data volume is only part of the issue.

History, quality, granularity, consistency and the link to the target decision matter more.

In predictive maintenance, millions of sensor readings have limited value if the business does not have a reliable history of failures and interventions.

D- What is the current baseline?

The comparison should be made against the method used today.

For demand forecasting, the baseline may be the planners' forecast. For anomaly detection, it may be a set of rules. For document summarisation, it may be the time currently required by an analyst.

A more complex model should demonstrate a sufficient improvement over that reference point.

E- What does an error cost?

Average accuracy can hide very different economic consequences.

A false positive in a commercial alert may trigger an unnecessary phone call. A false negative in critical quality control can cause a product recall, disruption at a customer's plant or contractual exposure.

The threshold should reflect the cost of the different types of error as well as the cost of the actions triggered by the system.

F- Can the organisation act on the signal?

A forecast or score creates little value when the operating process leaves no room to act.

A model that predicts a supplier delay three days before delivery has limited usefulness if no alternative transport, production-plan change, back-up supplier or available stock can alter the outcome.

The ability to act belongs in the business case from the outset.

G-Does the additional value justify the complexity?

A higher-performing model may require more data, integration, monitoring, internal skills and governance.

The economic comparison should include those costs together with error and adoption costs. Technical improvement becomes attractive when the resulting decision creates net value beyond the additional burden of the solution.

VI- Conclusion

The main families of artificial intelligence address different types of problems. Rules handle many deterministic decisions efficiently, optimisation supports trade-offs under constraints, machine learning improves selected predictions using historical data, deep learning works with complex data, and generative models create or transform content.

In practice, several approaches often operate within the same process. An allocation system may use a machine-learning demand forecast before optimising capacity. Customer Service may combine contractual rules, anomaly detection and text analysis. A maintenance solution may combine sensors, a predictive model and safety rules.

For executives, the useful understanding lies in connecting each technology to an identifiable decision, a baseline and a credible mechanism of value creation. Additional sophistication is justified when it improves the decision enough to offset the extra cost of data, integration, maintenance, adoption and governance.

VII- Appendix: a concise guide to key AI models and architectures

The terminology used around artificial intelligence does not describe a single level of technology. Some terms refer to computational methods, others to learning models, neural-network architectures, techniques for adapting a model, or complete systems that combine several components.

This appendix groups the main terms by their nature so that concepts operating at different levels are easier to distinguish.

A- Rules, optimisation and control

This first group covers methods that may sit within the historical or broader field of artificial intelligence, while not necessarily learning from historical data.

B- Classical machine-learning models

These models learn relationships from historical data. They are particularly well suited to structured information found in ERP and CRM systems, financial platforms, customer databases and industrial systems.

C- Deep-learning architectures

Deep learning sits within machine learning and relies on neural networks capable of learning complex representations, particularly for images, text, audio, video and certain industrial signals.

The terms in this section mainly describe architectures, meaning the way the neural network is organised.

D- Generative models

Generative models learn the structure of data in order to produce new content or plausible new observations.

E- LLMs

LLMs are very large deep-learning models, today based predominantly on Transformer architectures.

F- Techniques for using or adapting a model

RAG and fine-tuning are often discussed alongside model families, although they describe different ways of using or adapting an existing model.

G- How models are made available

H- Agents and agentic systems

I- Summary table: models, architectures, techniques and systems

The definitions above cover concepts of different kinds. Some terms refer to models that learn from data, others to architectures used to build those models, techniques used to adapt or enrich them, or systems that combine several components.

The table below places each term in the appropriate category and shows whether learning from data is part of the concept.

Reading note. This classification is intended as a practical guide rather than an exhaustive academic taxonomy. Real systems often combine several categories. An agent, for example, may use an LLM, document retrieval, business rules and an optimisation engine within the same process.

Comprendre les technologies IA pour mieux décider

Thu, 13 Aug 2026 20:40:26 GMT

Introduction

La nature de la question métier fournit une première orientation vers les approches à examiner.

Les termes intelligence artificielle, machine learning, deep learning, IA générative et grands modèles de langage sont souvent employés comme s’ils désignaient des technologies interchangeables, alors qu’ils recouvrent des réalités distinctes.

Cette distinction dépasse le vocabulaire technique : elle permet d’éviter plusieurs erreurs fréquentes, comme utiliser un modèle complexe lorsqu’une règle suffit, demander à un LLM (Large Language Model) de résoudre un problème de prévision, ou confondre sophistication technologique et création de valeur.

Pour un dirigeant, l’objectif consiste moins à connaître le fonctionnement détaillé de chaque algorithme qu’à comprendre quelle famille de méthodes correspond à quel type de problème, quelles données elle nécessite et quelles limites doivent être intégrées dans la décision.

La question de départ reste la même

Quelles décisions cherchons-nous à éclairer, et quelles incertitudes nous empêchent aujourd'hui de les prendre correctement ?

I- Ce qui ressemble à de l'IA n'en est pas toujours

Avant de distinguer les familles d'intelligence artificielle, un dirigeant gagne à reconnaître ce qui n'en relève pas.

Une part significative de ce que le marché présente sous cette étiquette repose en réalité sur des mécanismes plus anciens, parfaitement éprouvés, et qui n'ont besoin d'aucun modèle pour fonctionner.

La logique métier codée en est le premier exemple.

Une commande peut être bloquée automatiquement si elle dépasse la limite de crédit du client, utilise un prix différent du contrat en vigueur ou concerne une référence qui n'est pas homologuée pour ce client.
Un moteur de conformité peut vérifier qu'un dossier respecte une série de critères réglementaires, appliquer les mêmes règles à tous les dossiers et retracer précisément la raison de chaque décision.

Ces contrôles reposent sur des règles connues à l'avance, écrites par des experts et configurées dans les systèmes de gestion.

Aucun apprentissage, aucun modèle, aucune intelligence artificielle.

L'optimisation mathématique constitue le deuxième cas, plus subtil.

Une entreprise de logistique qui organise ses tournées peut chercher à minimiser les kilomètres parcourus ou le coût total, tout en respectant la capacité des véhicules, les créneaux de livraison, la disponibilité des chauffeurs et les temps de conduite. Le système explore un très grand nombre de combinaisons possibles et retient celle qui répond le mieux à l'objectif sous les contraintes définies. Cette discipline, la recherche opérationnelle, est parfois rangée dans l'intelligence artificielle par héritage historique, parce qu'elle résout par l'exploration des problèmes qui exigeraient autrement une expertise humaine considérable.

Sa valeur ne dépend cependant d'aucun apprentissage: le système ne prédit rien, il calcule la meilleure réponse à un problème entièrement formulé.

Un cas d'allocation industrielle montre la puissance de cette approche. Une entreprise dispose, pendant une semaine donnée, de 70% seulement de la capacité nécessaire pour servir toutes les commandes confirmées. Elle doit arbitrer entre plusieurs clients, plusieurs sites de production et différents modes de transport, en tenant compte de la marge contributive, des engagements contractuels, de la criticité du produit pour le client, du coût logistique, de la possibilité de produire depuis un autre site et du risque commercial associé à un retard. Une méthode d'optimisation peut rechercher l'allocation qui maximise l'objectif retenu sous l'ensemble de ces contraintes, sans qu'aucune donnée historique n'ait servi à l'entraîner.

C'est lorsque certaines données du problème deviennent incertaines que le machine learning entre en scène.

La demande attendue la semaine suivante ou le risque de retard d'un fournisseur ne sont pas connus, mais peuvent être estimés à partir de l'historique, puis injectés comme données d'entrée dans le problème d'allocation.

Une même décision mobilise alors trois natures de solution: la logique métier verrouille les contraintes contractuelles, l'optimisation calcule l'arbitrage, et le machine learning réduit l'incertitude sur les entrées. Seule la troisième relève de l'intelligence artificielle au sens où le marché l'entend aujourd'hui.

Cette distinction a une conséquence directe sur l'investissement.

Lorsque les règles sont connues, stables et suffisantes, un système déterministe reste plus simple à expliquer, à maintenir et à contrôler. Lorsque l'objectif et les contraintes peuvent être explicitement formulés, une méthode d'optimisation mérite d'être examinée avant tout modèle prédictif.

Le machine learning se justifie lorsqu'une incertitude réelle doit être réduite à partir de données, et c'est précisément l'objet de la section suivante.

II- Les grandes familles de l'IA

L'intelligence artificielle ne forme pas un bloc unique.

Elle rassemble plusieurs familles de méthodes, des systèmes qui appliquent des règles ou explorent des combinaisons jusqu'aux modèles qui apprennent, prédisent ou génèrent du contenu à partir de données.

Les sections qui suivent les parcourent une à une en les illustrant de quelques exemples appliqués aux entreprises.

A- Le machine learning : réduire une incertitude à partir des données

Le machine learning devient pertinent lorsque les données historiques contiennent des régularités susceptibles d’améliorer une prédiction, une classification ou une détection.

Le modèle apprend à partir d’exemples passés, puis applique les relations identifiées à de nouvelles situations.

Les usages qui suivent, choisis parmi beaucoup d'autres, illustrent la portée de ce principe.

B- Le deep learning : lorsque les données deviennent plus complexes

Le deep learning appartient au machine learning et repose sur des réseaux de neurones comportant plusieurs couches. Il devient particulièrement pertinent lorsque l’information utile est difficile à représenter sous forme de colonnes dans un tableau, notamment pour les images, le texte, le son, la vidéo ou certains signaux industriels.

Parmi de nombreuses applications possibles, trois cas d'usage montrent ce que cette capacité change concrètement pour une entreprise industrielle .

C- L’IA générative : produire et transformer du contenu

L’IA générative produit de nouveaux contenus à partir des structures apprises sur de grands volumes de données. Elle peut générer du texte, des images, du son, de la vidéo, du code ou des données synthétiques.

Son économie diffère souvent de celle des modèles prédictifs, car une part importante de la valeur provient de la réduction du temps nécessaire à la création, à la transformation ou à la préparation d’un contenu.

En voici quelques cas d'usage.

D- Les Large Language Models (LLM) : travailler avec le langage et les documents

Les LLM constituent une famille de modèles génératifs conçus pour comprendre et produire du langage.

Les produits tels que ChatGPT, Claude, Gemini ou Copilot reposent sur ce type de modèles, auxquels s’ajoutent des interfaces, des outils, des mécanismes de sécurité et différents services.

Pour l’entreprise, leur intérêt dépasse largement la rédaction de texte.

III- Quelle famille pour quel type de décision ?

La nature de la question métier fournit une première orientation vers les approches à examiner.

IV- La hiérarchie technologique ne détermine pas la valeur

La nature de la question métier fournit une première orientation vers les approches à examiner.

V- Les questions à poser avant de discuter du modèle

La discussion technique devient plus utile lorsque les éléments économiques et opérationnels ont d’abord été clarifiés.

A- Quelle décision cherchons-nous à éclairer?

Le projet doit être relié à une décision ou à une exécution concrète : produire, stocker, intervenir, contrôler, relancer, accepter, prioriser, escalader ou allouer une ressource.

Cette précision permet ensuite de mesurer la contribution du système.

B- Quelle incertitude rend cette décision difficile ?

Une règle stable peut suffire lorsque la réponse peut être déterminée explicitement.

Le machine learning devient plus pertinent lorsque plusieurs variables interagissent et que l’historique contient des informations susceptibles d’améliorer la décision.

C- Quelles données sont réellement disponibles ?

La quantité de données constitue seulement une partie du sujet.

Leur historique, leur qualité, leur granularité, leur cohérence et leur lien avec la décision comptent davantage.

Pour un projet de maintenance prédictive, des millions de relevés capteurs ont une utilité limitée si l’entreprise ne dispose pas d’un historique fiable des pannes et interventions.

D- Quelle est la baseline actuelle ?

La comparaison doit porter sur la méthode réellement utilisée aujourd’hui.

Pour une prévision de demande, la baseline peut être le forecast des planners. Pour une détection d’anomalies, elle peut être un ensemble de règles. Pour une synthèse documentaire, elle peut être le temps actuellement nécessaire à un analyste.

Un modèle plus complexe doit démontrer une amélioration suffisante par rapport à cette référence.

E- Combien coûte l’erreur ?

La précision moyenne peut masquer des conséquences économiques très différentes.

Un faux positif dans une alerte commerciale peut provoquer un appel inutile. Un faux négatif dans le contrôle d’un défaut critique peut provoquer un rappel produit, un arrêt chez un client ou une exposition contractuelle.

Le seuil retenu doit donc intégrer le coût respectif des différentes erreurs, ainsi que le coût des actions déclenchées par le système.

F- L’organisation peut-elle agir sur le signal ?

Une prévision ou un score apporte peu de valeur lorsque le processus opérationnel ne permet pas d’agir.

Un modèle qui prédit un retard fournisseur trois jours avant la livraison reste peu utile si aucun transport alternatif, changement de planning, fournisseur de secours ou stock disponible ne peut modifier le résultat.

La capacité d’action doit donc être intégrée dès le business case.

G- La valeur supplémentaire justifie-t-elle la complexité ?

Un modèle plus performant peut nécessiter davantage de données, d’intégration, de monitoring, de compétences internes et de gouvernance.

La comparaison économique doit inclure ces coûts, ainsi que les coûts d’erreur et d’adoption. Une amélioration technique devient intéressante lorsque son effet sur la décision crée une valeur nette supérieure aux coûts supplémentaires qu’elle impose.

VI- Conclusion

Les principales familles d’intelligence artificielle répondent à des problèmes différents. Les règles traitent efficacement de nombreuses décisions déterministes, l’optimisation permet d’arbitrer sous contraintes, le machine learning améliore certaines prédictions à partir de l’historique, le deep learning exploite des données complexes et les modèles génératifs produisent ou transforment du contenu.

Dans la pratique, plusieurs de ces approches interviennent souvent dans un même processus. Un système d’allocation peut utiliser une prévision de demande issue du machine learning avant d’optimiser la capacité. Un Customer Service peut combiner règles contractuelles, détection d’anomalies et analyse de texte. Une solution de maintenance peut associer capteurs, modèle prédictif et règles de sécurité.

Pour un dirigeant, la compréhension utile consiste à relier chaque technologie à une décision identifiable, à une baseline et à un mécanisme de création de valeur. La sophistication supplémentaire se justifie lorsqu’elle améliore suffisamment la décision pour compenser les coûts additionnels de données, d’intégration, de maintenance, d’adoption et de gouvernance.

VII- Annexe: brèves explications des principaux modèles d'IA et architectures

Les termes employés autour de l’intelligence artificielle ne désignent pas tous la même chose. Certains décrivent une méthode de calcul, d’autres un modèle d’apprentissage, une architecture de réseau de neurones, une technique permettant d’adapter un modèle ou encore un système complet combinant plusieurs composants.

Cette annexe classe les principaux termes selon leur nature afin d’éviter de comparer des concepts qui se situent à des niveaux différents.

A- Systèmes à règles, optimisation et contrôle

Cette première famille regroupe des méthodes qui peuvent appartenir au champ historique ou élargi de l’intelligence artificielle, mais qui n’apprennent pas nécessairement à partir de données historiques .

B- Modèles de machine learning classiques

Ces modèles apprennent des relations à partir de données historiques. Ils sont particulièrement adaptés aux données structurées que l’on retrouve dans les ERP, CRM, systèmes financiers, bases clients ou systèmes industriels.

C- Architectures de deep learning

Le deep learning appartient au machine learning. Il repose sur des réseaux de neurones capables d’apprendre des représentations complexes, particulièrement utiles pour les images, le texte, le son, la vidéo et certains signaux industriels.

Cette section traite principalement d’architectures, c’est-à-dire de la manière dont les réseaux sont organisés.

D- Modèles génératifs

Les modèles génératifs apprennent la structure des données afin de produire de nouveaux contenus ou de nouvelles observations plausibles.

E- LLMs

Les LLMs sont des modèles de deep learning de très grande taille, principalement fondés aujourd’hui sur des architectures Transformer.

F- Techniques permettant d’utiliser ou d’adapter un modèle

RAG et fine-tuning sont souvent présentés comme s’il s’agissait de nouveaux modèles. Ils décrivent en réalité des façons différentes d’utiliser ou d’adapter un modèle existant.

G- Modes de mise à disposition des modèles

H- Agents et systèmes agentiques

I- Tableau de synthèse : modèles, architectures, techniques et systèmes

Les définitions précédentes couvrent des concepts de nature différente. Certains termes désignent des modèles qui apprennent à partir de données, d’autres des architectures utilisées pour construire ces modèles, des techniques permettant de les adapter ou de les enrichir, ou encore des systèmes qui combinent plusieurs composants.

Le tableau ci-dessous permet de replacer chaque terme dans la bonne catégorie et de visualiser rapidement s’il implique, ou non, un apprentissage à partir des données.

Note de lecture. Cette classification vise à fournir des repères pratiques plutôt qu’une taxonomie académique exhaustive. Certains systèmes combinent plusieurs de ces catégories. Un agent peut par exemple utiliser un LLM, un système de recherche documentaire, des règles métier et un moteur d’optimisation dans un même processus.

AI uitnodigen in de boardroom

Sat, 01 Aug 2026 22:22:18 GMT

This is a subtitle for your new post

Niet om in de plaats van de bestuurders te beslissen, maar om hen beter voor te bereiden, hun denkvermogen te versterken en de juiste vragen te stellen.

De boardroom is wellicht een van de meest complexe niveaus binnen een organisatie. Die complexiteit is geen bijkomstigheid, ze is de aard zelf van de oefening.

Een analyse van PwC, overgenomen door het Harvard Law School Forum on Corporate Governance, herinnert eraan dat goed presterende raden van bestuur vaak op drie pijlers steunen: een gevarieerde ervaring die het oordeel voedt, een langetermijnvisie op de schaal van de hele onderneming, en een stap afstand van het dagelijkse management die de moeilijke vragen mogelijk maakt. Die drie pijlers vertalen zich in drie vereisten.

Een raad van bestuur moet eerst uiteenlopende standpunten met elkaar verzoenen. Elke bestuurder brengt de rijkdom van de eigen ervaring, het eigen parcours en een eigen kijk op de situatie mee. De waarde van een raad ontstaat juist uit de wrijving tussen die blikken, op voorwaarde dat ze een beslissing voortbrengt in plaats van verlamming.

Vervolgens moet ze het DNA van de onderneming begrijpen. Een bestuursbeslissing wordt nooit op cijfers alleen genomen. Ze raakt aan een geschiedenis, een cultuur, stilzwijgende verbintenissen en een traject dat de documenten nooit volledig weergeven.

Ten slotte moet ze complexe situaties beslechten. Onvolledige informatie, hoge inzet, langdurige gevolgen. Een raad beslist vaak waar geen voor de hand liggend juist antwoord bestaat, alleen afwegingen.

De verleiding

In die context kan het verleidelijk zijn om kunstmatige intelligentie uit te nodigen.

De belofte is reëel. Een taalmodel leest in enkele seconden wat een bestuurder uren kost om door te nemen, en bestuursdossiers lopen vaak op tot enkele honderden bladzijden. In de Harvard Business Review beschrijft Stanislav Shekshnia (INSEAD) pioniersraden die al LLM's gebruiken om vergaderingen voor te bereiden en hypothesen tijdens de zitting te toetsen. Datzelfde onderzoek benoemt drie bijdragen: bestuurders beter voorbereiden, de informatie die de raad bereikt verbeteren, en op termijn deelnemen aan de discussie zelf.

Voorbij de synthese ligt de interessantste bijdrage elders. Een goed geconfigureerd model helpt de vragen naar boven te halen die anders in de blinde vlekken blijven, een aanname in vraag te stellen die niemand durfde te formuleren, en de positie van het management te toetsen aan alternatieve scenario's. PwC wijst in dezelfde richting: AI kan de al lang bestaande informatieasymmetrie tussen raad en management verkleinen, en de strategie onder druk zetten door publieke en interne gegevens te combineren.

De stand van de praktijk verdient echter een nuchtere meting. Een studie gepubliceerd in de Harvard Business Review, overgenomen door het Harvard Law School Forum on Corporate Governance, meldt dat de twee auteurs meer dan vijftig bestuurders in focusgroepen samenbrachten: de meesten zeggen dat ze AI zelden of nooit gebruiken bij de uitoefening van hun mandaat. De belofte loopt ver vooruit op de praktijk.

De risico's

Die belofte gaat gepaard met reële risico's, die zonder omwegen benoemd moeten worden.

Het eerste is vertrouwelijkheid. Een raad behandelt het meest gevoelige dat een onderneming bezit.

Het tweede is onnauwkeurigheid. De MIT Sloan Management Review formuleert het onomwonden: een AI moet in de gaten gehouden worden omdat ze kan afdrijven of hallucineren. Een model kan goed presteren in tests en vervolgens na verloop van tijd stilletjes degraderen. Daar komt het ontbreken van kritisch oordeel bij. Aan zichzelf overgelaten is een LLM de perfecte jaknikker: vlot, zelfverzekerd, snel geneigd te bevestigen wat men verwacht. Het risico voor een raad is dat die ene stem ontstaat waarachter iedereen zich schaart, terwijl goed bestuur zich juist laat meten aan het vermogen van elke bestuurder om tegen te spreken zonder zich erbij neer te leggen.

Andere risico's verdienen het benoemd te worden:

Afhankelijkheid. Door te leunen op een synthese kan een bestuurder ophouden de bron te lezen en zo de stof zelf van het eigen onderscheidingsvermogen verliezen.
Voortijdige verankering. Een goed geschreven samenvatting stuurt het debat nog voor het heeft plaatsgevonden, en fabriceert een valse consensus.
Erosie van de wrijving. Debat is een functie van een raad, geen gebrek. Een instrument dat is gebouwd om glad te strijken, kan uithollen wat de raad waarde geeft.
Ondoorzichtigheid. Wat modellen zich eigen maken, en in welke mate ze werkelijk aansluiten bij de menselijke bedoeling, blijven moeilijk te auditen. Nochtans vereist governance traceerbaarheid, tegenspraak, verantwoording en het vermogen om uit te leggen waarom een beslissing is genomen. Een snel, vlot en plausibel antwoord volstaat niet.
Verantwoordelijkheid. Een bestuurder draagt een fiduciaire en wettelijke verantwoordelijkheid. De MIT Sloan Management Review plaatst dit in de lijn van de rechtspraak Caremark en Marchand en trekt er een rechtstreeks gevolg uit: toezicht houden op het AI-risico veronderstelt een grotere technologische geletterdheid van de raad. Die verantwoordelijkheid kan niet aan een machine worden gedelegeerd.

De risico's aanpakken

Geen van deze risico's is onoverkomelijk. Elk ervan is beheersbaar.

Wat vertrouwelijkheid betreft, herinnert de actualiteit er geregeld aan dat niets volkomen veilig is. Dat geldt voor een webtool, een e-mailsysteem, een cloud, zoals voor elke digitale infrastructuur. Nulrisico bestaat niet.

Maar laten we de echte vraag stellen. Hoeveel bestuurders en leidinggevenden gebruiken al een publieke LLM in hun werk, en voeren er interne informatie in zonder het minste kader? De cijfers spreken boekdelen. Volgens het LayerX-rapport van 2025 gebruikt 45% van de werknemers generatieve AI-tools, en daarvan plakt 77% gegevens in hun vragen, waarvan meer dan een vijfde persoons- of betaalgegevens bevat. Nog opvallender: ongeveer 82% van dat kopiëren en plakken verloopt via onbeheerde persoonlijke accounts, buiten elke beveiligingsperimeter van de onderneming. Een enquête uit 2026 bevestigt de tendens: 43% van de werknemers voerde professionele correspondentie in publieke tools in, 34% klantgegevens, en 31% financiële informatie of vertrouwelijke documenten en strategieën. De zaak Samsung, waarbij ingenieurs vertrouwelijke code via ChatGPT prijsgaven terwijl ze hulp zochten bij het debuggen, is slechts de zichtbare illustratie van een verschijnsel dat tegelijk massaal en stil is.

Het debat gaat dus niet over "een LLM of geen LLM in de raad". Het gaat over "een omkaderde LLM of het ongereguleerde gebruik dat al aan de gang is". Een tool die in een beheerste omgeving wordt gehost, contractueel afgebakend en beheerst door duidelijke governanceregels, is beter verdedigbaar dan de werkelijke situatie van vandaag. De MIT Sloan Management Review beschrijft precies deze logica onder de noemer minimum viable governance: het toezicht moet ingebouwd zijn in het platform zelf, dat elke prompt en elk antwoord logt, gevoelige gegevens maskeert, hallucinaties filtert en een controleerbaar spoor nalaat. De controle houdt op een controlepost vooraf te zijn en wordt een doorlopende opvolging. En dat kader dient meer dan de veiligheid: zonder ernstige configuratie levert een LLM ook zwakke antwoorden op, wanneer ze niet gewoon fout zijn.

Wat de onnauwkeurigheid betreft, valt of staat alles met de constructie. Een bestuurstool is geen kale chatbot, het is een architectuur. Bij Nobilys neemt ze de vorm aan van board patterns, een structuur van gespecialiseerde competenties en een virtuele raad die niet is ontworpen om gerust te stellen, maar om uit te dagen. De verankering in de echte documenten van de raad steunt op een techniek die RAG heet, voor retrieval-augmented generation. In plaats van te antwoorden vanuit alleen de algemene kennis, zoekt het model eerst de relevante passages in de eigen documenten van de onderneming op en bouwt het zijn antwoord daarop. Zo blijft het gebonden aan de werkelijke stof van het dossier, en niet aan zijn benaderingen. De ontwerpintentie is het omgekeerde van de gebruikelijke reflex: men zoekt geen model dat behaagt, maar een model dat tegenspreekt, dat de blinde vlek aanwijst en de ontbrekende vraag naar boven brengt. Eén vereiste blijft, die de MIT Sloan Management Review in één zin samenvat: wanneer een model doet wat het niet zou mogen, moet iemand de bevoegdheid hebben om het te stoppen. Die bevoegdheid blijft menselijk.

Een mogelijk model

Hoe ziet zo'n model er dan uit?

Het bereidt de raad voor, door omvangrijke dossiers te verteren zodat de vergadertijd terugkeert naar het oordeel. Een bestuurder die de avond voordien tweehonderd bladzijden ontvangt, kan de volgende ochtend beschikken over een gestructureerde synthese, de aandachtspunten en de risicozones, en met een voorsprong de zitting binnenstappen.

Het vergroot de capaciteit van de raad, via gespecialiseerde profielen die in het verlengde van de comités liggen: audit, remuneratie en benoeming, risico, duurzaamheid. Een module van sectorintelligentie, eigen aan de activiteit van de klant, vult een veelvoorkomende blinde vlek op. Die blinde vlek is gedocumenteerd: bijna drie kwart van de raden schat zichzelf in als matig of nauwelijks AI-geletterd, en velen dragen een generatieachterstand op het vlak van digitalisering.

Het daagt de beslissingen uit en bevraagt het management, en houdt daarbij een lijn aan die de meeste ervaren bestuurders zullen herkennen: een raad beslist, maar stelt vooral vragen. De echte waarde van zo'n tool is niet antwoorden, maar de juiste vragen stellen, of ze nu inhoudelijk, procesmatig of strategisch zijn. Concreet kan men een voorbereidingsdossier inladen en niet om een samenvatting vragen, maar om de vijf vragen die een nauwgezette bestuurder in de zitting zou moeten stellen over een bepaalde investering of overname. De waarde verschuift van het antwoord naar de vraag.

Het versnelt ten slotte de integratie van nieuwe bestuurders, door snelle toegang te geven tot vroegere beslissingen, hun motivering en de historiek, wat een doorgaans lange leercurve verkort.

Het fundamentele bezwaar

Een veeleisende raad zal het bezwaar zelf opwerpen, dus kunnen we het maar beter benoemen. Een consumenten-LLM geeft al goede oppervlakteantwoorden, en een ervaren raad komt vaak tot dezelfde conclusies. Dat klopt. Maar dat verwart het antwoord met de waarde.

De waarde van zo'n tool is niet een onverwachte conclusie voortbrengen. Ze ligt elders: in de snelheid van voorbereiding, in het afstemmen van de raad rond een gedeelde feitenbasis, in de versnelde integratie van een nieuw lid, en in een verankering in de echte documenten van de onderneming die een generieke tool nooit zal bieden. Een publieke chatbot beantwoordt een geïsoleerde vraag. Een goed gebouwde virtuele raad houdt het geheugen van de vroegere beslissingen bij, kent het dossier, en is ontworpen om tegen te spreken in plaats van te behagen. Het verschil zit niet in de vlotheid van het antwoord, het zit in de diepgang en de traceerbaarheid van wat het onderbouwt.

Niet vervangen, maar verruime n

Blijft de meest intieme vrees. De bestuurder kan vrezen de eigen meerwaarde te verliezen. Het tegendeel gebeurt.

AI beslist niet en heeft niet te beslissen. Ze verruimt het denkvermogen, plaatst een beslissing in perspectief, opent invalshoeken die de kamer niet had gezien. Het oordeel, de afweging en de verantwoordelijkheid blijven volledig menselijk.

Deze bijdrage beperkt zich niet tot middelgrote organisaties zonder gestructureerde raad, waar de winst aan structuur voor de hand ligt. Ze geldt evenzeer voor volwassen, professionele raden, die er winnen aan doeltreffendheid, aan impact en aan afstemming. Een goed gebouwde tool verstevigt de afstemming van een raad evenzeer als ze de integratie van de nieuwe leden versnelt.

De juiste manier om AI in de boardroom uit te nodigen, is dus niet ze de beslissing toe te vertrouwen. Het is er een instrument van voorbereiding en een partner in tegenspraak van te maken, ten dienste van bestuurders die, en die alleen, verantwoording blijven dragen voor hun keuzes.

Bronnen

Stanislav Shekshnia, « How Pioneering Boards Are Using AI », Harvard Business Review, juillet-août 2025.
« How Forward-Thinking Boards Are Using AI », INSEAD Knowledge, janvier 2026.
Paul DeNicola, Barbara Berlin, Ariel Smilowitz (PwC), « Using AI in the Boardroom : New Opportunities and Challenges », Harvard Law School Forum on Corporate Governance, novembre 2025.
« How Boards Can Lead in a World Remade by AI », Harvard Law School Forum on Corporate Governance, février 2026.
« Why Your Board Needs a Plan for AI Oversight », MIT Sloan Management Review.
« A Framework for Assessing AI Risk », MIT Sloan, janvier 2026.
Nick van der Meulen, Jennifer Jewer, « Minimum Viable Governance for Generative AI », MIT Sloan Management Review, juin 2026.
« The Real Question to Ask About AI Governance », MIT Sloan Management Review, juin 2026.
LayerX, Enterprise AI and SaaS Data Security Report 2025.
« Shadow AI Is Happening Within Your Organization », enquête 2026.
Lutz Finger, « AI in the Boardroom : What Directors Need to Know », Forbes, avril 2026.

Inviting AI into the Boardroom

Sat, 01 Aug 2026 22:07:53 GMT

This is a subtitle for your new post

Not to decide in the directors' place, but to prepare them better, sharpen their capacity to reflect, and ask the right questions.

The boardroom is arguably one of the most complex levels in any organisation. That complexity is not incidental. It is the very nature of the exercise.

An analysis by PwC, featured on the Harvard Law School Forum on Corporate Governance, notes that high-performing boards tend to rest on three pillars : varied experience that informs judgement, a long-term view at the scale of the whole enterprise, and a one-step remove from day-to-day management that makes the difficult questions possible.

Those three pillars translate into three demands .

A board must first reconcile divergent points of view . Each director brings the wealth of their own experience, their own background, and a reading of the situation that is theirs alone. The value of a board arises precisely from the friction between these perspectives, provided that friction produces a decision rather than paralysis.

It must then understand the company's DNA . A board decision is never taken on figures alone. It engages a history, a culture, tacit commitments, and a trajectory that the documents never fully capture.

It must, finally , resolve complex situations . Incomplete information, high stakes, long consequences. A board often decides where there is no obvious right answer, only trade-offs.

the temptation

In this context, inviting artificial intelligence can be tempting.

The promise is real. A language model reads in seconds what takes a director hours to work through , and board packs often run to several hundred pages. Writing in the Harvard Business Review, Stanislav Shekshnia (INSEAD) describes pioneering boards already using LLMs to prepare for meetings and to test assumptions in session.

The same research identifies three contributions : preparing directors better, improving the information that reaches the board, and, in time, taking part in the discussion itself.

Beyond synthesis, the most interesting contribution lies elsewhere . A well-configured model helps surface the questions that would otherwise stay in the blind spots , challenge an assumption no one has dared to voice , and test management's position against alternative scenarios . PwC points the same way: AI can reduce the long-standing information asymmetry between board and management, and put strategy under pressure by combining public and internal data.

The state of practice, however, deserves a sober measure. A study published in the Harvard Business Review and cited by the Harvard Law School Forum on Corporate Governance reports that its two authors convened more than fifty directors in focus groups: most say they rarely, if ever, use AI in discharging their mandate. The promise runs well ahead of the practice.

the risks

That promise comes with real risks, which must be named plainly.

The first is confidentiality . A board handles what a company holds most sensitive.

The second is inaccuracy . The MIT Sloan Management Review puts it bluntly: an AI must be watched because it can drift or hallucinate. A model may perform well in testing, then degrade quietly over time.

To this is added the absence of critical judgement . Left to itself, an LLM is the perfect yes-man: fluent, assured, quick to confirm what is expected of it. The risk, for a board, is that it becomes the single voice behind which everyone falls into line, when good governance is measured precisely by each director's ability to challenge without deferring to it.

Other risks deserve to be named:

Dependence. By leaning on a synthesis, a director may stop reading the source and lose the very material of their discernment.
Premature anchoring. A well-written summary steers the debate before it has taken place, and manufactures a false consensus.
Erosion of friction. Debate is a board's function, not its flaw. A tool built to smooth things over can impoverish what gives the board its value.
Opacity. What models internalise, and how far they truly align with human intent, remain difficult to audit. Yet governance demands traceability, challenge, accountability, and the ability to explain why a decision was made. A fast, fluent, plausible answer is not enough.
Accountability. A director carries fiduciary and legal responsibility. The MIT Sloan Management Review situates this within the Caremark and Marchand line of case law and draws a direct consequence: overseeing AI risk presupposes greater technological fluency on the board. That responsibility cannot be delegated to a machine.

addressing the risks

None of these risks is disqualifying. Each one can be managed.

On confidentiality , the news is a regular reminder that nothing is entirely secure . That holds for a web tool, an email system, a cloud, as it does for any digital infrastructure. Zero risk does not exist.

But let us ask the real question. How many directors and executives already use a public LLM in their work, and drop internal information into it without the slightest framework? The figures are telling.

According to the LayerX report of 2025, 45% of employees use generative AI tools , and among them 77% paste data into their queries , more than a fifth of which contains personal or payment information.

More striking still, roughly 82% of these copy-and-paste actions run through unmanaged personal accounts , outside any corporate security perimeter. A 2026 survey confirms the trend: 43% of employees have entered work correspondence into public tools, 34% customer data, and 31% financial information or confidential documents and strategies. The Samsung case, in which engineers disclosed confidential code through ChatGPT while seeking help with debugging, is only the visible illustration of a phenomenon that is both massive and silent.

The debate, then, is not "an LLM or no LLM in the board". It is "a framed LLM or the unmanaged use already under way". A tool hosted in a controlled environment, contractually bounded, and governed by clear rules, is more defensible than today's actual situation. The MIT Sloan Management Review describes exactly this logic under the heading of minimum viable governance: oversight must be built into the platform itself, which logs every prompt and every output, masks sensitive data, screens for hallucinations, and leaves an auditable trail. Control stops being a checkpoint upstream and becomes continuous monitoring. And this framing serves more than security: without serious configuration, an LLM also produces poor answers, when they are not simply wrong.

On inaccuracy , everything turns on the build . A board tool is not a raw chatbot, it is an architecture.

At Nobilys, it takes the form of board patterns , a structure of specialised competencies , and a virtual board designed not to reassure but to challenge . Grounding in the board's real documents rests on a technique known as RAG, for retrieval-augmented generation. Rather than answering from its general knowledge alone, the model first retrieves the relevant passages from the company's own documents, then builds its answer upon them. It stays held to the real substance of the file, and not to its approximations. The design intent is the reverse of the usual reflex: the aim is not a model that pleases, but a model that contradicts, that flags the blind spot and surfaces the missing question. One requirement remains, which the MIT Sloan Management Review captures in a single line: when a model does what it should not, someone must have the authority to stop it. That authority stays human.

a possible model

What, then, does such a model look like?

It prepares the board, digesting voluminous files so that meeting time can be given back to judgement. A director who receives two hundred pages the night before can have, the next morning, a structured synthesis, the points that call for vigilance, and the areas of risk, and walk into the session a step ahead.

It augments the board's capacity, through specialised profiles that extend the committees: audit, remuneration and nomination, risk, sustainability. A sector-intelligence module, specific to the client's business, fills a frequent blind spot. That blind spot is documented: close to three-quarters of boards rate themselves as moderately or barely AI-literate, and many carry a generational deficit on digital matters.

It challenges decisions and questions management, holding a line most experienced directors will recognise: a board decides, but above all it questions. The true value of such a tool is not to answer, it is to ask the right questions, whether of substance, of process, or of strategy. In practice, one can load a preparation pack and ask not for a summary, but for the five questions a rigorous director ought to raise in session on a given investment or acquisition. The value shifts from the answer to the question.

It accelerates , finally, the onboarding of new directors, giving rapid access to past decisions, their rationale, and the historical record, which shortens a learning curve that is usually long.

the fundamental objection

A demanding board will raise the objection itself, so it is best to name it. A consumer LLM already gives good surface answers, and an experienced board will often reach the same conclusions . That is true. But it confuses the answer with the value.

The value of such a tool is not to produce an unexpected conclusion. It lies elsewhere: in the speed of preparation, in aligning the board around a shared base of facts, in the accelerated onboarding of a new member, and in a grounding in the company's real documents that a generic tool will never provide.

A public chatbot answers an isolated question. A well-built virtual board holds the memory of past decisions, knows the file, and is designed to contradict rather than to please. The difference is not in the fluency of the answer, it is in the depth and traceability of what underpins it.

Not to replace, but to enhance

There remains the most intimate fear. A director may dread losing their added value. The opposite is what happens.

AI does not decide, and has no business deciding . It expands the capacity to reflect, sets a decision in perspective, and opens angles the room had not seen. Judgement, the weighing of trade-offs, and responsibility remain entirely human.

This contribution is not confined to mid-sized organisations without a structured board, where the gain in structure is obvious. It holds equally for mature, professional boards, which gain in effectiveness, in impact, and in alignment. A well-built tool tightens a board's alignment as much as it accelerates the onboarding of its new members.

The right way to invite AI into the boardroom, then, is not to entrust it with the decision. It is to make it an instrument of preparation and a partner in contradiction, in the service of directors who remain, and remain alone, accountable for their choices.

References

Stanislav Shekshnia, « How Pioneering Boards Are Using AI », Harvard Business Review, juillet-août 2025.
« How Forward-Thinking Boards Are Using AI », INSEAD Knowledge, janvier 2026.
Paul DeNicola, Barbara Berlin, Ariel Smilowitz (PwC), « Using AI in the Boardroom : New Opportunities and Challenges », Harvard Law School Forum on Corporate Governance, novembre 2025.
« How Boards Can Lead in a World Remade by AI », Harvard Law School Forum on Corporate Governance, février 2026.
« Why Your Board Needs a Plan for AI Oversight », MIT Sloan Management Review.
« A Framework for Assessing AI Risk », MIT Sloan, janvier 2026.
Nick van der Meulen, Jennifer Jewer, « Minimum Viable Governance for Generative AI », MIT Sloan Management Review, juin 2026.
« The Real Question to Ask About AI Governance », MIT Sloan Management Review, juin 2026.
LayerX, Enterprise AI and SaaS Data Security Report 2025.
« Shadow AI Is Happening Within Your Organization », enquête 2026.
Lutz Finger, « AI in the Boardroom : What Directors Need to Know », Forbes, avril 2026.

Inviter l'intelligence artificielle dans le boardroom

Sat, 01 Aug 2026 21:48:20 GMT

Non pour décider à la place des administrateurs, mais pour mieux les préparer, augmenter leur capacité de réflexion et poser les bonnes questions.

Le boardroom est probablement l'un des niveaux les plus complexes d'une organisation.

Cette complexité n'est pas accessoire, elle est la nature même de l'exercice.

Une analyse de PwC, reprise par le Harvard Law School Forum on Corporate Governance, rappelle que les conseils d'administration performants reposent souvent sur trois piliers : une expérience variée qui nourrit le jugement, une vision de long terme à l'échelle de l'entreprise, et une distance d'un cran vis-à-vis de la gestion quotidienne , qui autorise les questions difficiles.

Ces trois piliers se traduisent en trois exigences .

Un conseil d'administration doit d'abord réconcilier des points de vue divergents . Chaque administrateur est riche de sa propre expérience, de son parcours et d'une lecture qui lui est propre. La valeur d'un conseil naît précisément de la friction entre ces regards, à condition qu'elle produise une décision plutôt qu'une paralysie.

Il doit ensuite comprendre l'ADN de l'entreprise . Une décision de conseil ne se prend pas sur des chiffres seuls. Elle engage une histoire, une culture, des engagements tacites et une trajectoire que les documents ne disent jamais entièrement.

Il doit enfin trancher des situations complexes . Information incomplète, enjeux élevés, conséquences longues. Le conseil décide souvent là où il n'existe pas de bonne réponse évidente, seulement des arbitrages.

La tentation

Dans ce contexte, inviter l'intelligence artificielle peut être tentant, et la promesse est réelle.

Un modèle de langage lit en quelques secondes ce qu'un administrateur met des heures à parcourir , et les dossiers de conseil atteignent souvent plusieurs centaines de pages.

Dans la Harvard Business Review, Stanislav Shekshnia (INSEAD) décrit des conseils pionniers qui utilisent déjà des LLM pour préparer leurs réunions et tester des hypothèses en séance.

La même recherche identifie trois apports : mieux préparer les administrateurs , améliorer l'information qui remonte au conseil, et, à terme, participer à la discussion .

Au-delà de la synthèse, l'apport le plus intéressant est ailleurs .

Un modèle bien configuré aide à faire émerger les questions restées dans les angles morts , à éprouver une hypothèse que personne n'a osé formuler , et à confronter la position du management à des scénarios alternatifs .

PwC va dans ce sens: l'IA peut réduire l'asymétrie d'information de longue date entre le conseil et le management, et mettre la stratégie sous tension en combinant données publiques et internes .

Il faut toutefois mesurer où en est la pratique. Une étude publiée dans la Harvard Business Review, relayée par le Harvard Law School Forum on Corporate Governance, rapporte que ses deux auteurs ont réuni plus de cinquante administrateurs en groupes de discussion : la plupart déclarent n'utiliser que rarement, voire jamais, l'IA dans l'exercice de leur mandat. La promesse précède largement l'usage.

Les risques

Cette promesse s'accompagne de risques réels , qu'il faut nommer sans détour.

Le premier est la confidentialité . Un conseil manipule ce qu'une entreprise a de plus sensible.

Le deuxième est l' inexactitude . Le MIT Sloan Management Review le formule sans détour: une IA doit être surveillée parce qu'elle peut dériver ou halluciner.

Un modèle peut bien se comporter en test, puis se dégrader silencieusement dans le temps.

À cela s'ajoute l' absence de jugement critique . Livré à lui-même, un LLM est le « yes man » parfait : fluide, assuré, prompt à confirmer ce qu'on attend de lui.

Le risque, pour un conseil, est qu'il devienne cette voix unique derrière laquelle chacun se range, alors qu'une bonne gouvernance se mesure justement à la capacité de chaque administrateur à challenger sans s'y rallier.

D'autres risques méritent d'être nommés :

La dépendance. À force de s'appuyer sur une synthèse, un administrateur peut cesser de lire la source et perdre la matière même de son discernement.
L'ancrage prématuré. Un résumé bien écrit oriente le débat avant qu'il ait eu lieu, et fabrique un faux consensus.
L'érosion de la friction. Le débat d'un conseil est une fonction, pas un défaut. Un outil conçu pour lisser peut appauvrir ce qui fait sa valeur.
L'opacité. Ce que les modèles intériorisent, et leur alignement réel sur l'intention humaine, restent difficiles à auditer. Or la gouvernance exige traçabilité, contradiction, redevabilité et capacité d'expliquer pourquoi une décision a été prise. Une réponse rapide, fluide et plausible ne suffit pas.
La responsabilité. Un administrateur engage une responsabilité fiduciaire et légale. Le MIT Sloan Management Review la situe dans la lignée jurisprudentielle Caremark et Marchand, et en tire une conséquence directe : superviser le risque IA suppose une maîtrise technologique accrue du conseil. Cette responsabilité ne se délègue pas à une machine.

Traiter les risques

Aucun de ces risques n'est rédhibitoire. Chacun se traite.

Sur la confidentialité , l'actualité le rappelle régulièrement : rien n'est totalement sûr . C'est vrai d'un outil web, d'une messagerie, d'un cloud, comme de toute infrastructure numérique. Le risque zéro n'existe pas.

Mais posons la vraie question .

Combien d'administrateurs et de cadres utilisent déjà un LLM public dans leur travail, et y déposent des informations internes sans le moindre cadre ?

Les chiffres sont éloquents. Selon le rapport LayerX de 2025, 45% des employés utilisent des outils d'IA générative, et parmi eux 77% y copient-collent des données , dont plus d'un cinquième contient des informations personnelles ou de paiement.

Surtout, environ 82% de ces copier-coller passent par des comptes personnels non gérés , hors de tout périmètre de sécurité de l'entreprise.

Une enquête de 2026 confirme la tendance : 43% des employés ont saisi de la correspondance professionnelle dans des outils publics , 34% des données clients , et 31% des informations financières ou des documents et stratégies confidentiels . Le cas Samsung, dont des ingénieurs ont divulgué du code confidentiel via ChatGPT en cherchant de l'aide au débogage, n'est que l'illustration visible d'un phénomène massif et silencieux.

Le débat n'est donc pas « LLM ou pas de LLM au conseil ». Il est « LLM encadré ou usage sauvage déjà en cours ».

Un outil hébergé dans un environnement maîtrisé, contractuellement borné, assorti de règles de gouvernance claires, est plus défendable que la situation réelle d'aujourd'hui. Le MIT Sloan Management Review décrit précisément cette logique sous le terme de gouvernance minimale viable : la supervision doit être intégrée à la plateforme elle-même, qui journalise chaque requête et chaque réponse, masque les données sensibles, filtre les hallucinations et laisse une trace auditable. Le contrôle cesse d'être un poste de garde en amont pour devenir un suivi continu.

Et ce cadre ne sert pas que la sécurité : sans configuration sérieuse, un LLM produit aussi des réponses pauvres, quand elles ne sont pas fausses.

Sur l' inexactitude , tout se joue dans la construction. Un outil de conseil n'est pas un chatbot brut, c' est une architecture .

Chez Nobilys, elle prend la forme de board patterns , d'une structure de compétences spécialisées et d'un board virtuel conçu non pour rassurer mais pour challenger . L'ancrage dans les documents réels du conseil repose sur une technique appelée RAG, pour retrieval-augmented generation. Plutôt que de répondre à partir de ses seules connaissances générales, le modèle recherche d'abord les passages pertinents dans les propres documents de l'entreprise, puis construit sa réponse à partir d'eux.

Il reste ainsi tenu par la matière réelle du dossier, et non par ses approximations. L'intention de conception est inversée par rapport au réflexe habituel : on ne cherche pas un modèle qui plaît, on cherche un modèle qui contredit, qui signale l'angle mort et fait émerger la question manquante. Une exigence demeure, que le MIT Sloan Management Review résume d'une phrase : quand un modèle fait ce qu'il ne devrait pas, quelqu'un doit avoir l'autorité de l'arrêter. Cette autorité reste humaine.

Un modèle possible

À quoi ressemble alors un tel modèle ?

Il prépare le conseil, en digérant des dossiers volumineux pour rendre le temps de séance au jugement. Un administrateur qui reçoit deux cents pages la veille peut disposer le lendemain d'une synthèse structurée, des points de vigilance et des zones de risque, et arriver en séance avec une longueur d'avance.

Il augmente la capacité du conseil, par des profils spécialisés qui prolongent les comités : audit, rémunération et nomination, risques, durabilité. Un module d'intelligence sectorielle, propre au métier du client, comble un angle mort fréquent. Cet angle mort est documenté : près de trois quarts des conseils s'auto-évaluent comme modérément ou faiblement compétents en IA, et beaucoup portent un déficit générationnel sur le numérique.

Il challenge les décisions et interroge le management, en tenant la ligne que la plupart des administrateurs expérimentés reconnaîtront : un conseil décide, mais il questionne surtout. La vraie valeur d'un tel outil n'est pas de répondre, elle est de poser les bonnes questions, qu'elles soient de fond, de processus ou de stratégie. Concrètement, on peut charger un dossier de préparation et demander non pas un résumé, mais les cinq questions qu'un administrateur rigoureux devrait poser en séance sur tel investissement ou telle acquisition. La valeur se déplace de la réponse vers la question.

Il accélère enfin l'intégration des nouveaux administrateurs, en donnant un accès rapide aux décisions passées, à leurs motifs et à l'historique, ce qui raccourcit une montée en compétence habituellement longue.

L'objection de fond

Un conseil exigeant posera l'objection lui-même, autant la nommer.

Un LLM grand public donne déjà de bonnes réponses de surface, et un conseil d'administration expérimenté aboutira souvent aux mêmes conclusions . C'est vrai. Mais c'est confondre la réponse et la valeur.

La valeur d'un tel outil n'est pas de produire une conclusion inattendue. Elle est ailleurs : dans la vitesse de préparation , dans l'alignement du conseil autour d'une même base de faits, dans l'intégration accélérée d'un nouveau membre, et dans un ancrage sur les documents réels de l'entreprise qu'un outil générique ne donnera jamais.

Un chatbot public répond à une question isolée. Un board virtuel bien construit tient la mémoire des décisions, connaît le dossier, et est conçu pour contredire plutôt que pour plaire. La différence n'est pas dans la fluidité de la réponse, elle est dans la profondeur et la traçabilité de ce qui la fonde.

Non pas remplacer, mais élargir

Reste la crainte la plus intime. L'administrateur peut redouter de perdre sa valeur ajoutée. C'est l'inverse qui se produit.

L'IA ne décide pas et n'a pas à décider. Elle élargit la capacité de réflexion, met une décision en perspective, ouvre des angles que la salle n'avait pas vus. Le jugement, l'arbitrage et la responsabilité restent entièrement humains.

Cet apport ne se limite pas aux organisations moyennes dépourvues de conseil structuré, où le gain de structure est évident. Il vaut aussi pour les conseils matures et professionnels, qui y gagnent en efficacité, en impact et en alignement. Un outil bien construit resserre l'alignement d'un conseil autant qu'il accélère l'intégration de ses nouveaux membres.

La bonne manière d'inviter l'IA dans le boardroom n'est donc pas de lui confier la décision.

C'est d'en faire un instrument de préparation et un partenaire de contradiction, au service d'administrateurs qui restent, seuls, comptables de leurs choix.

Références

Stanislav Shekshnia, « How Pioneering Boards Are Using AI », Harvard Business Review, juillet-août 2025.
« How Forward-Thinking Boards Are Using AI », INSEAD Knowledge, janvier 2026.
Paul DeNicola, Barbara Berlin, Ariel Smilowitz (PwC), « Using AI in the Boardroom : New Opportunities and Challenges », Harvard Law School Forum on Corporate Governance, novembre 2025.
« How Boards Can Lead in a World Remade by AI », Harvard Law School Forum on Corporate Governance, février 2026.
« Why Your Board Needs a Plan for AI Oversight », MIT Sloan Management Review.
« A Framework for Assessing AI Risk », MIT Sloan, janvier 2026.
Nick van der Meulen, Jennifer Jewer, « Minimum Viable Governance for Generative AI », MIT Sloan Management Review, juin 2026.
« The Real Question to Ask About AI Governance », MIT Sloan Management Review, juin 2026.
LayerX, Enterprise AI and SaaS Data Security Report 2025.
« Shadow AI Is Happening Within Your Organization », enquête 2026.
Lutz Finger, « AI in the Boardroom : What Directors Need to Know », Forbes, avril 2026.

Machine learning: de anatomie van een klantverloopmodel

Wed, 15 Jul 2026 11:06:08 GMT

Het vertrek van een klant is zelden een plotselinge gebeurtenis.

Het bouwt zich geleidelijk op - minder aankopen, lagere bestelwaarden, langere betalingstermijnen en minder frequente contacten.

Wanneer het verlies zichtbaar wordt, is het vaak al onomkeerbaar. Tegen de tijd dat de onderneming vaststelt dat de klant is vertrokken, valt er doorgaans niets meer te behouden.

Dit fenomeen wordt klantverloop genoemd, of churn in technische termen: het verlies van bestaande klanten, in tegenstelling tot het aantrekken van nieuwe klanten.

De meeste commerciële directies kennen het probleem en kunnen het doorgaans ook kwantificeren. Ze weten welk aandeel van hun klantenportefeuille jaarlijks verloren gaat.

Wat ze veel minder goed weten, is welke klanten zullen vertrekken.

Dat is de enige vraag die tijdige actie mogelijk maakt, want de capaciteit voor retentie is beperkt. Een onderneming kan niet elke klant op dezelfde manier behandelen.

Ze moet bepalen waar ze ingrijpt - en dat vroeg genoeg doen om nog impact te hebben.

Wat een model ziet dat een regel niet ziet

Om klantverloop te voorspellen, beginnen ondernemingen meestal met eenvoudige regels: een waarschuwing wanneer een klant zes maanden niet heeft besteld, of extra opvolging wanneer een account onder een bepaalde drempel zakt.

Die regels hebben een structurele beperking: ze bekijken telkens slechts één signaal.

Het risico op vertrek ligt zelden in één geïsoleerde variabele. Het ontstaat uit een combinatie van factoren.

In het onderstaande voorbeeld heeft een 55-jarige klant met slechts één product en zonder actieve transacties een fundamenteel ander risicoprofiel dan een 35-jarige klant met meerdere producten - zelfs wanneer hun rekeningsaldo identiek is.

Niet de leeftijd, het aantal producten of de inactiviteit op zich voorspellen het vertrek. Het is de interactie tussen die factoren.

Dat is precies wat een machine-learningalgoritme kan detecteren, terwijl een manuele regel doorgaans alleen gemiddelden ziet.

Het model leert uit het historische gedrag van klanten die al zijn vertrokken en identificeert welke combinaties van signalen aan dat vertrek voorafgingen - ook combinaties die niemand spontaan in een regel zou hebben opgenomen.

Het model levert geen definitief oordeel.

Het kent elke actieve klant een waarschijnlijkheid toe om binnen de komende maanden te vertrekken.

Daar begint het echte werk.

De waarde komt niet uit de score

De waarde van een churnmodel hangt niet alleen af van zijn voorspellende prestaties.

Ze wordt bepaald door vier bijkomende parameters:

• de kost van een waarschuwing;

• de economische waarde van een behouden klant;

• het succespercentage van de retentieactie;

• het vermogen van de organisatie om op het signaal te handelen.

Geen van deze parameters komt voor in de technische maatstaven waarmee modellen doorgaans worden beoordeeld - rangschikkingsvermogen, detectiegraad of precisie.

Toch zijn het precies deze parameters die bepalen of de investering verantwoord is.

De analyse hieronder volgt de volledige keten, van data tot businesscase, inclusief de onderliggende cijfers.

De data

De demonstratie is gebaseerd op een veelgebruikte publieke dataset uit de banksector: 10.000 particuliere klanten, een geobserveerd klantverloop van 20,4% en tien gedragsmatige, contractuele en financiële variabelen.

De case is bancair omdat in die sector degelijke publieke datasets beschikbaar zijn.

De onderliggende logica geldt voor elke terugkerende klantenportefeuille - industrie, distributie of dienstverlening.

Reële klantdata worden niet gepubliceerd.

Een publieke dataset biedt precies het omgekeerde voordeel van een vertrouwelijke klantcase: elk cijfer in dit artikel kan worden herberekend en elke stap kan worden gereproduceerd.

De methode: drie datasets, geen twee

De data werden opgesplitst in drie afzonderlijke groepen:

• 6.000 klanten om de modellen te trainen;

• 2.000 klanten om het model te selecteren en de waarschuwingsdrempel te kalibreren;

• 2.000 klanten om de uiteindelijke prestaties te meten.

Deze scheiding is een eerste teken van analytische discipline, maar ze vergt ook meer data.

Een klassieke aanpak gebruikt slechts twee datasets: training en test.

Het risico is onmiddellijk duidelijk. Dezelfde testset kan dan worden gebruikt om het model te selecteren, de drempel aan te passen en de uiteindelijke prestaties te rapporteren.

Dat is vergelijkbaar met een examen afleggen terwijl het correctiemodel op tafel ligt.

De finale testset werd in deze analyse slechts één keer gebruikt, helemaal aan het einde: om te meten hoe het geselecteerde model presteert op klanten die het nooit eerder heeft gezien, met een drempel die zonder die klanten werd bepaald.

Drie modellen, één economisch criterium

Drie modelfamilies werden vergeleken:

logistische regressie , als interpreteerbare statistische referentie;
random forest ;
gradient boosting .

Dit zijn de termen die technische teams en leveranciers zullen gebruiken. De interne werking is minder belangrijk dan het beslissingsprincipe dat volgt.

Het lineaire model is niet louter voor de volledigheid opgenomen.

Wanneer een eenvoudig model even goed presteert als een complex model, moet de eenvoudige oplossing de voorkeur krijgen.

De waarschuwingsdrempel - de waarschijnlijkheid vanaf wanneer een klant wordt gemarkeerd - is geen louter technische instelling.

Het is een economische afweging.

De drempel hangt af van de verhouding tussen de waarde van een verloren klant en de kost van een retentieactie.

In deze case gelden de volgende aannames:

waarde van een verloren klant: €5.000;
kost van een gepersonaliseerde retentieactie: €1.000;
verwacht succespercentage van de actie: 40%.

Elke drempel leidt tot een andere verwachte economische kost.

Die kost, en niet alleen de statistische prestatie, werd gebruikt om het model te selecteren.

Zodra de drempel vastligt, beschrijven twee indicatoren het operationele gedrag van het model.

De eerste is recall , of detectiegraad: welk aandeel van de klanten die werkelijk vertrekken, wordt door het model geïdentificeerd?

De tweede is precisie : welk aandeel van de gemarkeerde klanten vertrekt daadwerkelijk?

Beide bewegen in tegengestelde richting.

Hoe breder het model zoekt, hoe meer echte vertrekkers het detecteert - maar ook hoe meer klanten het onnodig laat contacteren.

De logistische regressie detecteert 75,2% van alle vertrekkers - de hoogste score van de drie, en precies het soort cijfer dat een leverancier prominent op een presentatieslide zou zetten.

Toch is dit het slechtste model van de drie.

Sterker nog: het kost meer dan niets doen.

Niets doen leidt in deze dataset tot een verwachte kost van €2.035.000 - 407 verloren klanten aan €5.000 per klant.

De logistische regressie leidt tot een verwachte kost van €2.108.000.

Ze vernietigt dus €73.000 aan waarde.

De verklaring staat in één kolom: een precisie van slechts 44,7%.

Om 306 echte vertrekkers te identificeren, markeert het model 685 klanten. Meer dan de helft van de contacten is dus verspild, tegen een kost van €1.000 per actie.

Het gradient-boostingmodel detecteert minder vertrekkers, maar markeert ongeveer de helft minder klanten en behaalt een precisie van 70%.

Het concentreert de commerciële inspanning daar waar ze de grootste kans heeft om waarde te creëren.

Dat is het centrale punt van deze analyse.

Zodra een interventie geld kost, wordt de detectiegraad een ijdelheidsmetric.

Wat telt, is hoeveel klanten worden gecontacteerd, hoeveel van hen werkelijk een risico vormen en of de kost van de interventie wordt gerechtvaardigd door de behouden waarde.

Eén nuance is essentieel.

Het verschil tussen random forest en gradient boosting is beperkt - één duizendste AUC en €20.000 verwachte kost.

Een verschil van die omvang bewijst niet dat de ene modelfamilie structureel beter is dan de andere.

Het rechtvaardigt de keuze in deze case, maar mag niet worden veralgemeend.

Wat het geselecteerde model daadwerkelijk doet

Op de finale testset - nooit gebruikt voor training, modelafstelling of kalibratie van de drempel - behaalt het gradient-boostingmodel een AUC van 0,862.

In praktische termen betekent dit het volgende:

Neem willekeurig één klant die zal vertrekken en één klant die zal blijven. In ongeveer 86% van de gevallen geeft het model een hogere risicoscore aan de klant die vertrekt.

Een willekeurig model zou 50% behalen. Een perfect model 100%.

AUC meet dus het vermogen van het model om klanten volgens relatief verlooprisico te rangschikken - en niets meer.

Het zegt niet hoeveel klanten moeten worden gecontacteerd, noch of de interventie economisch aantrekkelijk is.

Van de 2.000 klanten in de finale testset zijn er 407 werkelijk vertrokken.

Het model markeert 333 klanten, of ongeveer 17% van de portefeuille.

Van die 333 klanten:

zijn 229 echte vertrekkers ;
zijn 104 valse waarschuwingen .

Bijna 69% van de gemarkeerde klanten vertrekt dus effectief.

Het model mist 178 vertrekkers.

Die 178 gemiste klanten zijn niet noodzakelijk een technisch defect dat moet worden gecorrigeerd.

Ze vormen de bewuste kost van een selectieve strategie.

Tegen €1.000 per interventie zou proberen om elke mogelijke vertrekker te detecteren meer kosten dan de vermeden verliezen opleveren.

Dat is precies de val waarin de logistische regressie terechtkomt.

Het doel van het model is niet om elk vertrek te detecteren.

Het doel is om een beperkt retentiebudget toe te wijzen waar het de grootste kans heeft om waarde te creëren.

Onder dezelfde aannames:

kosten 333 retentieacties €333.000;
worden 229 echte vertrekkers gecontacteerd;
leidt een succespercentage van 40% tot ongeveer 92 behouden klanten;
bedragen de vermeden verliezen ongeveer €458.000.

De verwachte nettowinst bedraagt dus €125.000 , tegenover een basiskost van klantverloop van €2.035.000.

Dat is een vermindering van ongeveer 6,1%.

Het resultaat is bescheiden.

Precies daardoor is het geloofwaardig.

Een churnmodel elimineert klantverloop niet. Het verbetert de targeting van een commerciële actie die al bestond.

Het break-evenpunt

De interventie wordt rendabel zodra het succespercentage van de retentieacties hoger ligt dan ongeveer 29% .

Het model gaat uit van 40%.

De veiligheidsmarge bedraagt dus elf procentpunten - en ze berust op een parameter die zeer weinig organisaties betrouwbaar meten.

De conclusie moet duidelijk worden gesteld:

Wanneer retentieacties slechts één keer op vier succesvol zijn, vernietigt dit model waarde.

Niet omdat het model slecht voorspelt - de AUC zou identiek blijven - maar omdat de economische logica van de interventie niet langer klopt.

Technische prestatie en rentabiliteit zijn twee onafhankelijke grootheden.

Het model creëert op zichzelf geen waarde

Het model identificeert klanten. Het behoudt ze niet.

Tussen een risicoscore en één euro behouden waarde staat een commerciële actie.

Die actie bepaalt het succespercentage waarop de volledige businesscase berust.

De relevantie ervan telt: beschikt de onderneming over een geloofwaardig aanbod voor een 55-jarige, inactieve klant met slechts één product?

De snelheid telt: een waarschuwing die zes weken later wordt behandeld, kan betrekking hebben op een klant die al vertrokken is.

De kwaliteit van uitvoering telt.

En er moet een business owner zijn die verantwoordelijk is voor het resultaat, niet alleen voor het project.

Een correcte score die wordt doorgestuurd naar een team zonder capaciteit, zonder passend aanbod en zonder duidelijke verantwoordelijkheid, creëert niets - behalve een extra dashboard.

Wat het management moet vaststellen vóór de start

Er zijn drie cijfers nodig, en geen daarvan is technisch.

De werkelijke economische waarde van een behouden klant

Niet de jaarlijkse omzet, maar de verwachte marge over de resterende klantlevensduur.

De volledige kost van een retentieactie

Commerciële tijd, eventuele korting en de opportuniteitskost van het betrokken team.

Het werkelijke succespercentage van retentieacties

Dit is het enige van de drie dat historische meting vereist - en precies het cijfer waarover de meeste organisaties niet beschikken.

Deze drie cijfers bepalen de waarschuwingsdrempel, het operationele gedrag van het model en uiteindelijk de rentabiliteit.

Ze kunnen niet worden geraamd op basis van intuïtie of overgenomen uit een andere onderneming.

Ze moeten worden gemeten op basis van de eigen data.

Verander deze parameters, en hetzelfde model kan verschuiven van waardescheppend naar waardevernietigend.

Daarnaast moeten twee bijkomende voorwaarden worden beantwoord.

Welk aandeel van de waarschuwingen kan de commerciële organisatie werkelijk behandelen?

Een model dat 17% van de portefeuille markeert, veronderstelt dat daarvoor voldoende capaciteit bestaat.

Wanneer die capaciteit moet worden verdubbeld, verandert de kost van de interventie - en dus ook de drempel.

En:

Wie draagt de commerciële verantwoordelijkheid zodra de score is geproduceerd?

Zonder duidelijk antwoord blijft zelfs het beste model slechts een bestand.

Wat Nobilys met deze analyse doet

Nobilys ontwikkelt geen modellen om technische prestaties te demonstreren.

Wij helpen directieteams te bepalen of een model een beslissing kan verbeteren, onder welke economische voorwaarden en met welk uitvoeringsrisico.

Deze demonstratie heeft één doel: tonen hoe een beslissingsgerichte analyse eruitziet.

Die analyse moet plaatsvinden vóór de investering - op basis van de werkelijke data van de onderneming, niet op basis van de aannames van een generieke case.e.

Christian Cirino- Nobilys Group

Dataset: “Churn Modelling” - 10.000 bankklanten, tien variabelen, publiek beschikbaar op Kaggle. Modellen, drempels en businesscase zijn reproduceerbaar op basis van de hierboven gepubliceerde cijfers.

Machine Learning: Anatomy of a Customer Churn Model

Wed, 15 Jul 2026 11:06:07 GMT

Customer loss is rarely a sudden event. It develops over time - fewer purchases, smaller order values, longer payment cycles, less frequent interaction.

By the time the loss becomes visible, it is often already irreversible. When the company finally recognises that the customer has left, there may be nothing left to retain.

The phenomenon is known as customer attrition , or churn in technical terms: the loss of existing customers, as opposed to the acquisition of new ones.

Most commercial organisations understand the issue and can usually quantify it. They know what proportion of their customer base they lose each year.

What they know far less clearly is which customers are likely to leave .

That is the only question that makes intervention possible, because retention capacity is limited. A company cannot treat every customer in the same way. It must decide where to act - and act early enough to make a difference.

What a model can detect that a rule cannot

To anticipate customer loss, companies usually begin with rules: raise an alert when a customer has not ordered for six months, or monitor accounts that fall below a given threshold.

These rules have a structural weakness: they examine one signal at a time. Churn risk rarely sits in one isolated variable. It emerges from a combination of factors.

In the case presented below, a 55-year-old customer holding a single product and showing no transaction activity has a fundamentally different risk profile from a 35-year-old customer holding several products - even when both have the same account balance.

It is not age alone, product holding alone or inactivity alone that predicts churn. It is the interaction between them.

This is precisely what a machine-learning algorithm can capture, while a manual rule generally sees only averages.

The model learns from the history of customers who have already left and identifies which combinations of signals tended to precede departure - including combinations that no one would necessarily have thought to formalise manually.

The output is not a verdict. It is a probability assigned to each active customer: the likelihood that the customer will leave within the coming months.

That is where the real work begins.

Value does not come from the score

The value of a churn model does not depend solely on its predictive accuracy.

It depends on four additional factors:

• the cost of an alert;

• the economic value of retaining a customer;

• the success rate of the retention action;

• the organisation’s ability to respond.

None of these parameters appears in the technical metrics commonly used to assess a model - ranking ability, detection rate or precision.

Yet these are the parameters that determine whether the model deserves investment.

The analysis below follows the complete chain, from data to business case, including the underlying figures.

The data

The demonstration is based on a widely used public banking dataset: 10,000 retail customers, an observed churn rate of 20.4%, and ten behavioural, contractual and financial variables.

The example is banking-related because robust public datasets are available in that sector. The underlying logic applies to any recurring customer portfolio - industrial companies, distribution businesses or service providers.

Real customer data should not be published.

A public dataset offers the opposite advantage of a confidential case study: every figure in this article can be recalculated and every analytical step reproduced.

The methodology: three datasets, not two

The data was divided into three separate groups:

• 6,000 customers to train the models;

• 2,000 customers to select the model and calibrate the alert threshold;

• 2,000 customers to measure final performance.

This separation is an important marker of analytical discipline, and it comes at the cost of using more data.

A common approach uses only two datasets: training and testing. The risk is immediate. The same test set may then be used to select the model, adjust the threshold and report final performance.

That is the equivalent of sitting an examination with access to the answer sheet.

The final test set in this analysis was used only once, at the very end: to measure how the selected model would perform on customers it had never seen, using a threshold determined without reference to them.

Three models, one economic criterion

Three model families were compared:

• logistic regression, as an interpretable statistical baseline;

• random forest;

• gradient boosting.

These are the terms that technical teams and suppliers will use. Their internal mechanics matter less than the decision principle that follows.

The linear model is not included for formality. When a simple model performs as well as a more complex one, the simpler solution should prevail.

The alert threshold - the probability above which a customer is flagged - is not merely a technical setting.

It is an economic decision.

It depends on the relationship between the value of a lost customer and the cost of a retention action.

Under the assumptions used in this case:

• value of a lost customer: €5,000;

• cost of a personalised retention action: €1,000;

• expected success rate of the action: 40%.

Each threshold produces a different expected economic cost.

That cost, rather than statistical performance alone, was used to select the model.

Once a threshold has been fixed, two measures describe the operating behaviour of the model.

The first is recall, or detection rate: what proportion of actual churners does the model identify?

The second is precision: what proportion of flagged customers actually leave?

These measures move in opposite directions. The broader the search, the more churners the model detects - but the more customers it also contacts unnecessarily.

The logistic regression model identifies 75.2% of all churners - the highest detection rate of the three, and exactly the type of number a supplier would place prominently on a presentation slide.

It is nevertheless the worst choice.

More importantly, it costs more than doing nothing.

Doing nothing on this dataset produces an expected cost of €2,035,000 - 407 lost customers at €5,000 each.

The logistic regression model produces an expected cost of €2,108,000.

It destroys €73,000 of value.

The explanation sits in one column: precision of only 44.7%.

To identify 306 genuine churners, the model flags 685 customers. More than half of the retention contacts are wasted, at a cost of €1,000 each.

The gradient boosting model identifies fewer churners, but flags roughly half as many customers and achieves 70% precision. It concentrates the commercial effort where it has the highest probability of creating value.

This is the central point of the analysis.

Once intervention carries a cost, detection rate becomes a vanity metric.

What matters is how many customers are contacted, how many of them were genuinely at risk, and whether the cost of the intervention is justified by the value preserved.

One qualification is important.

The difference between random forest and gradient boosting is limited - one thousandth of AUC and €20,000 of expected cost.

A difference of this magnitude does not prove that one model family is inherently superior to the other. It justifies the choice in this case, but it should not be generalised.

What the selected model actually does

On the final test set - never used for training, model tuning or threshold calibration - the gradient boosting model achieves an AUC of 0.862.

In practical terms, this means the following:

Take one customer who will leave and one customer who will stay. In approximately 86% of cases, the model assigns the higher risk score to the customer who leaves.

A random model would score 50%. A perfect model would score 100%.

AUC therefore measures the model’s ability to rank customers by relative churn risk - and nothing more.

It does not indicate how many customers should be contacted, or whether the intervention will be economically attractive.

Among the 2,000 customers in the final test set, 407 actually churned.

The model flags 333 customers, or approximately 17% of the portfolio.

Of those 333:

• 229 are genuine churners;

• 104 are false alerts.

Nearly 69% of flagged customers genuinely leave.

The model fails to identify 178 churners.

Those 178 missed churners are not necessarily a technical defect to be corrected.

They are the deliberate cost of a selective strategy.

At €1,000 per intervention, attempting to capture every possible churner would cost more than the loss avoided. That is precisely the trap into which the logistic regression model falls.

The purpose of the model is not to detect every departure.

It is to allocate a limited retention budget where it is most likely to produce value.

Under the same assumptions:

• 333 retention actions cost €333,000;

• 229 genuine churners are contacted;

• a 40% success rate retains approximately 92 customers;

• avoided losses amount to approximately €458,000.

The expected net gain is therefore €125,000, against a baseline churn cost of €2,035,000.

That represents a reduction of approximately 6.1%.

The result is modest.

That is also what makes it credible.

A churn model does not eliminate customer attrition. It improves the targeting of a commercial intervention that already exists.

The break-even point

The intervention becomes profitable once the success rate of retention actions exceeds approximately 29%.

The model assumes a 40% success rate.

The resulting margin of safety is therefore eleven percentage points - and it depends on a parameter that very few organisations measure reliably.

The implication should be stated clearly:

If retention actions succeed only one time in four, this model destroys value.

Not because the model predicts poorly - its AUC would remain unchanged - but because the economics of the intervention no longer work.

Technical performance and profitability are independent variables.

The model creates no value on its own

The model identifies customers. It does not retain them.

Between a risk score and a euro of preserved value sits a commercial action.

That action determines the success rate on which the entire business case depends.

Its relevance matters: does the company have a credible proposition for a 55-year-old, inactive, single-product customer?

Its timing matters: an alert processed six weeks late may concern a customer who has already left.

Its quality of execution matters. And there must be a business owner accountable for the outcome, not merely for delivery of the project.

An accurate score passed to a team with no capacity, no appropriate offer and no clear accountability creates nothing - other than another dashboard.

What management must establish before launching

Three numbers are required, and none is technical.

The real economic value of a retained customer

Not annual revenue, but expected margin over the customer’s remaining lifetime.

The full cost of a retention action

Commercial time, potential discounting and the opportunity cost of the team involved.

The actual success rate of retention actions

This is the only one of the three that requires historical measurement - and the one most organisations do not possess.

These three figures determine the alert threshold, the operating behaviour of the model and ultimately its profitability.

They cannot be guessed or transferred from one company to another.

They must be measured on the organisation’s own data.

Change them, and the same model can move from value-creating to value-destroying.

Two additional conditions must also be addressed.

What proportion of alerts can the commercial organisation realistically process?

A model that flags 17% of the portfolio assumes that sufficient capacity exists. If that capacity must be doubled, the cost of intervention changes, and the threshold must change with it.

And:

Who owns the commercial outcome once the score has been produced?

Without a clear answer, even the strongest model remains a file.

What Nobilys does with this analysis

Nobilys does not develop models to demonstrate technical performance.

We help management teams determine whether a model can improve a decision, under what economic conditions, and with what level of execution risk.

This demonstration has one purpose: to show what a decision-grade analysis looks like.

That analysis should take place before investment - using the company’s actual data, not the assumptions of a generic case study.

Christian Cirino- Nobilys Group

Dataset: “Churn Modelling” - 10,000 banking customers, ten variables, publicly available on Kaggle. Models, thresholds and business case are reproducible from the figures published above.

Machine Learning : anatomie d’un modèle d’attrition client

Wed, 15 Jul 2026 10:33:50 GMT

Le départ d'un client est rarement une décision soudaine. Il se prépare: moins d'achats, des paniers plus petits, des délais de paiement qui s'allongent, des interactions qui s'espacent. Quand la perte devient visible, elle est le plus souvent consommée : au moment où l'entreprise constate le départ, il n'y a plus rien à retenir.

Le phénomène porte un nom : l'attrition, ou churn dans le vocabulaire technique: la perte de clients existants, par opposition à la conquête de nouveaux. Il est connu de toutes les directions commerciales, et généralement chiffré : la plupart des entreprises savent quelle proportion de leur portefeuille elles perdent chaque année.

Ce qu'elles savent moins, c'est lesquels .

Et c'est la seule question qui permette d'agir, parce que les moyens de rétention sont limités : on ne peut pas traiter tout le monde.

Il faut choisir qui et le choisir assez tôt.

Ce qu'un modèle voit qu'une règle ne voit pas

Pour anticiper ces départs, une entreprise commence en général par une règle : alerter si le client n'a pas commandé depuis six mois, surveiller les comptes passés sous un certain seuil. Ces règles ont un défaut structurel - elles regardent un signal à la fois.

Or le risque de départ ne se lit pas dans un signal isolé. Il se lit dans une combinaison. Sur le cas détaillé plus bas, un client de 55 ans détenant un seul produit et n'effectuant aucune transaction présente un profil de risque radicalement différent d'un client de 35 ans multi-produits - alors que leur solde est identique. Ce n'est ni l'âge, ni le nombre de produits, ni l'inactivité qui prédisent le départ : c'est leur croisement.

C'est précisément ce qu'un algorithme de machine learning capte, là où une règle manuelle ne voit qu'une moyenne. Le modèle apprend, sur l'historique des clients déjà perdus, quelles combinaisons de signaux ont précédé les départs - y compris des combinaisons que personne n'aurait pensé à écrire. En sortie, il ne rend pas un verdict : il attribue à chaque client actif une probabilité de partir dans les mois qui viennent.

C'est là que commence le vrai travail.

La valeur ne vient pas du score

La valeur d'un modèle de churn ne dépend pas uniquement de sa capacité prédictive. Elle dépend du coût d'une alerte, de la valeur d'un client retenu, du taux de succès commercial et de la capacité de l'organisation à agir.

Aucun de ces quatre paramètres n'apparaît dans les métriques sur lesquelles un modèle se juge habituellement - sa capacité de classement, son taux de détection, sa précision. Et ce sont eux qui décident s'il mérite l'investissement.

La suite détaille un modèle complet, de la donnée au business case, chiffres compris.

Les données

La démonstration s'appuie sur un jeu de données bancaires public de référence : 10 000 clients particuliers, 20,4 % d'attrition observée, dix variables comportementales, contractuelles et financières. Le cas est bancaire parce que c'est là que les jeux publics existent ; la mécanique vaut pour tout portefeuille de clients récurrents - industrie, distribution, services.

Les données d'un client ne se publient pas. Un jeu public permet l'inverse d'une étude de cas : chaque chiffre de cet article peut être recalculé, chaque étape refaite.

La méthode : trois blocs, pas deux

Les données ont été séparées en trois : 6 000 clients pour entraîner les modèles, 2 000 pour choisir le modèle et calibrer le seuil d'alerte, 2 000 pour mesurer la performance finale.

Cette séparation est le premier marqueur de sérieux, et elle coûte cher en données. Le découpage courant n'en prévoit que deux - entraînement et test - et le piège est immédiat : le même jeu sert alors à choisir le modèle, à fixer le seuil et à annoncer la performance. On s'examine avec le corrigé sous les yeux, et le résultat publié est flatté. Ici, le jeu de test final n'a servi qu'une fois, à la toute fin : mesurer ce que le modèle ferait sur des clients qu'il n'a jamais vus, avec un seuil décidé sans lui.

Trois modèles, un critère économique

Trois familles ont été comparées : une logistic regression comme référence statistique interprétable, un random forest, un gradient boosting.

Ce sont les noms qu'emploieront les fournisseurs et les équipes techniques ; leur mécanique importe moins que ce qui suit. Le modèle linéaire n'est pas là pour la forme — si une approche simple égale une approche complexe, c'est la simple qui doit gagner, et le débat s'arrête là.

Le seuil d'alerte - la probabilité à partir de laquelle un client est signalé - n'est pas un paramètre technique. C'est un arbitrage économique : il dépend du rapport entre la valeur d'un client perdu et le coût d'une action de rétention. Sous les hypothèses du cas - 5 000 € la valeur d'un client, 1 000 € le coût d'une action commerciale personnalisée, 40 % de taux de succès de cette action - chaque seuil produit un coût attendu différent. C'est ce coût, et non la performance statistique, qui a servi de critère de sélection.

Deux chiffres suffisent à décrire le comportement d'un modèle une fois son seuil fixé. Le taux de détection : quelle proportion des départs réels le modèle signale.

La précision : quelle proportion des clients signalés partent effectivement. Les deux varient en sens inverse - plus on ratisse large, plus on attrape de départs, et plus on dérange de clients qui n'allaient nulle part.

La logistic regression détecte 75,2 % des départs - le meilleur taux des trois, et exactement le chiffre qu'un fournisseur mettrait sur son slide. C'est pourtant le plus mauvais choix des trois. Pire : elle coûte plus cher que ne rien faire. Ne rien faire, sur ce jeu, coûte 2 035 000 € - 407 clients perdus à 5 000 €. Elle coûte 2 108 000 €. Elle détruit 73 000 €.

La raison tient dans une seule colonne : sa précision est de 44,7 %. Pour détecter 306 départs réels, elle signale 685 clients - plus d'un contact sur deux est gaspillé, à 1 000 € pièce. Le gradient boosting détecte moins de départs, mais signale deux fois moins de monde avec une précision de 70 % : il concentre l'effort là où il a une chance de servir.

C'est le point central de l'exercice.

Dès que l'action coûte de l'argent, le taux de détection est une métrique de vanité.

Ce qui compte est le nombre de clients qu'on contacte, la proportion d'entre eux qui partait réellement, et le rapport entre ce que coûte l'effort et ce qu'il préserve.

Une précision d'honnêteté : l'écart entre le random forest et le gradient boosting est mince - un millième sur la capacité de classement, 20 000 € de coût attendu. Un écart de cette taille ne démontre pas la supériorité d'une famille de modèles sur l'autre, et il serait malhonnête de le présenter ainsi. Le choix se justifie ici ; il ne se généralise pas.

Ce que fait le modèle retenu

Sur le jeu de test final - jamais utilisé pour entraîner, régler le modèle ou calibrer le seuil - le gradient boosting obtient une capacité de classement de 0,862, mesurée par un indicateur appelé AUC.

Ce que ce chiffre dit, en clair : prenez au hasard un client qui va partir et un client qui va rester ; dans 86 % des cas, le modèle donne un score plus élevé à celui qui part. Un modèle qui répondrait au hasard obtiendrait 50 % ; un modèle parfait, 100 %. C'est donc une mesure de la capacité à ordonner les clients par risque - et rien d'autre. Elle ne dit pas combien de clients contacter, ni si l'opération est rentable.

Sur 2 000 clients dont 407 sont effectivement partis, il en signale 333, soit 17 % du portefeuille. Parmi ces 333, 229 sont de vrais départs et 104 de fausses alertes : près de 69 % des clients signalés partaient réellement. Il en manque 178.

Ces 178 départs manqués ne sont pas un défaut à corriger. Ils sont le prix assumé d'une stratégie sélective : à 1 000 € l'action, vouloir tous les attraper coûterait plus que la perte évitée - c'est précisément le piège dans lequel tombe la régression logistique. Le modèle n'est pas fait pour détecter tous les départs. Il est fait pour concentrer un budget de rétention limité là où il produit le plus d'effet.

Le calcul complet, sous les mêmes hypothèses : 333 actions à 1 000 € coûtent 333 000 €. Sur les 229 vrais départs contactés, un taux de succès de 40 % permet d'en retenir 92, soit 458 000 € de perte évitée. Gain net attendu : 125 000 € , sur un coût d'attrition de 2 035 000 € - une réduction de 6,1 %.

C'est modeste. C'est aussi ce qui rend le chiffre crédible : un modèle d'attrition ne supprime pas l'attrition, il améliore le ciblage d'un effort commercial qui existait déjà.

Le point de rupture

Le dispositif devient rentable dès que le taux de succès des actions de rétention dépasse 29 % . L'hypothèse retenue est de 40 %. La marge de sécurité est donc de onze points — et elle repose sur un paramètre que presque aucune entreprise ne mesure.

Cela mérite d'être dit sans détour : si vos actions de rétention réussissent une fois sur quatre, ce modèle vous fait perdre de l'argent. Pas parce qu'il prédit mal - son AUC ne bougerait pas d'un millième — mais parce que l'économie du dispositif ne tient plus. La performance technique et la rentabilité sont deux grandeurs indépendantes.

Le modèle ne crée aucune valeur seul

Le modèle identifie des clients. Il ne les retient pas.

Entre le score et l'euro préservé, il y a une action commerciale - et c'est elle qui détermine le taux de succès dont dépend tout le business case. Sa pertinence : a-t-on quelque chose à proposer à un client de 55 ans mono-produit et inactif ? Sa rapidité : une alerte traitée six semaines plus tard porte sur un client déjà parti. Sa qualité d'exécution. Et un propriétaire métier qui porte le résultat, pas seulement le projet.

Un score juste, transmis à une équipe sans temps disponible, sans offre à proposer ou sans responsable identifié, ne produit rien - sinon un tableau de bord de plus.

Ce qu'une direction doit établir avant de lancer

Trois chiffres, et aucun n'est technique.

La valeur économique réelle d'un client retenu. Pas son chiffre d'affaires annuel : sa marge, sur sa durée de vie résiduelle attendue.

Le coût complet d'une action de rétention. Temps commercial, remise éventuelle, coût d'opportunité de l'équipe.

Le taux de succès effectif de ces actions. Le seul des trois qui exige une mesure historique — et celui que presque personne n'a.

Ces trois nombres déterminent le seuil d'alerte, donc le comportement du modèle, donc sa rentabilité. Ils ne se devinent pas et ne se copient pas d'un cas à l'autre : ils se mesurent sur les données de l'entreprise. Changez-les, et le même modèle bascule de rentable à destructeur.

Deux conditions s'y ajoutent, qui ne se chiffrent pas. Quelle proportion des alertes les équipes peuvent-elles réellement traiter ? Un modèle qui signale 17 % du portefeuille suppose une capacité commerciale correspondante ; s'il faut la doubler, le coût de l'action change et le seuil avec lui. Et qui porte le résultat commercial une fois le score produit ? Sans réponse à cette question, le meilleur modèle reste un fichier.

Ce que nous faisons de ce calcul

Nobilys ne développe pas des modèles pour démontrer une performance technique. Nous aidons les directions à déterminer si un modèle peut améliorer une décision, à quelles conditions économiques et avec quel niveau de risque d'exécution.

Cette démonstration n'a qu'un objet : montrer à quoi ressemble le calcul qui tranche. Il se fait avant l'investissement - sur les données réelles de l'entreprise, et non sur celles d'un cas d'école.

Christian Cirino- Nobilys Group

Jeu de données : « Churn Modelling » - 10 000 clients bancaires, dix variables, disponible publiquement sur Kaggle. Modèles, seuils et business case reproductibles à partir des chiffres publiés ci-dessus.

AI Projects Fail Before the First Model Is Built

Tue, 14 Jul 2026 16:29:20 GMT

This is a subtitle for your new post

According to MIT’s The GenAI Divide: State of AI in Business 2025, 95% of organizations are generating no measurable return from their investments in generative AI, despite an estimated $30–40 billion having been committed.

The study’s methodology can be debated. The order of magnitude, however, is consistent with what we observe in practice. And the root cause is rarely the technology.

Failure begins long before the first model is built.

An instructive precedent

This phenomenon did not begin with AI.

Years before the current wave, we observed the rollout of a business intelligence tool within an industrial group. The objectives were never clearly defined. Roles were never assigned. Training and development were rushed.

The result was thousands of reports, each usable only by the person who had created it.

The tool itself worked perfectly. Yet the figures it produced inspired little confidence -not because they were wrong, but because poorly configured reports were often measuring something different from what users believed they were measuring.

Replace “report” with “model” and the anatomy of many current AI failures becomes immediately recognizable.

Only the budgets are larger, and the expectations higher.

A chain of failures, not an isolated incident

AI initiatives rarely fail for a single reason. Failures accumulate, and each one prepares the ground for the next.

The problem has not been defined.

The company wants to “accelerate on AI”-but which decision needs to improve? Which performance outcome is expected to change: margin, cash, inventory, lead time, quality?

A technological ambition is not a strategy.

The right question is not: Where can we use AI? It is: Which important decision are we currently making with insufficient precision, anticipation or discipline?

Use cases are selected for visibility, not value.

The MIT report documents this bias. Generative AI budgets are heavily concentrated in sales and marketing -the functions that are easiest to showcase to an executive committee -while the most tangible gains it identifies often sit in less visible areas: document automation, finance, procurement and reduced reliance on external providers.

A conversational interface is easy to demonstrate in a management meeting.

A use case focused on scrap reduction, working capital or forecast accuracy is less spectacular—and often more profitable.

This is a capital allocation problem, not a technology problem.

The organisation overestimates the readiness of its data.

A company can be rich in data and poor in usable data.

ERP systems, CRM platforms, historical records and thousands of spreadsheets may coexist with conflicting definitions of the same indicator, incomplete histories, untraceable manual corrections and no clear accountability for data quality at source.

Important data without a genuine owner remains fragile.

Data quality is not an absolute concept. It must be assessed against the decision the organization is trying to improve.

The pilot proves technical performance, not economic value.

Model accuracy says little about the value created.

Technical performance must be connected to the decisions changed, the cost of the actions triggered, false positives, and the costs of integration and maintenance.

A technically strong model may produce no return if it intervenes too late.

An imperfect model may be highly valuable if it improves an economically important decision sufficiently.

A successful demonstration is not the same as a sound capital decision.

The decision process remains unchanged.

A score appears on a dashboard. An alert is sent.

But who acts? Within what timeframe? According to which rule?

A credit-risk model does not collect a receivable. A predictive maintenance model does not repair a machine.

Value does not reside in the prediction itself. It resides in the decision and action that the prediction changes.

Without redesigning the process, AI becomes another layer of information—like the thousands of reports no one opened.

Nobody owns the outcome end to end.

The data team owns the model. The business expects a solution. IT secures the infrastructure. The vendor delivers a tool.

When everyone owns one component, no one owns the whole.

Scaling then exposes everything the pilot concealed: system diversity, recurring costs and actual user adoption.

The MIT report finds that initiatives delivered with specialized external partners reach deployment significantly more often than internally developed solutions. It also notes that this difference may reflect organizational maturity as much as the choice between building and buying.

Either way, the lesson is the same: the difficulty of scaling is consistently underestimated.

Five questions the board should ask

Before funding or expanding an AI initiative:

Which decision or performance outcome are we trying to improve?
What data is required, and what condition is it actually in?
How will economic value be measured?
Who owns the outcome end to end?
What conditions will trigger termination, correction or deployment?

If these five questions do not have explicit answers, the project is not ready to be funded—regardless of the quality of the proposed technology.

Governing AI as an investment

AI should be neither treated as a routine IT tool nor elevated into an inevitable transformation.

It should be governed as an investment: with hypotheses, evidence, thresholds and the discipline to stop what fails to meet them.

That is precisely what a prioritisation diagnostic should determine before capital is committed: which decisions genuinely warrant AI, in what order, and on the basis of which actual data.

Everything else (the model, the platform, the vendor) comes afterwards.

Useful AI is not the AI that impresses, it is the AI that improves a decision.

Christian Cirino - Nobilys Group

Sources: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

Governing AI as a Portfolio of Investments

Tue, 14 Jul 2026 16:29:19 GMT

An executive committee would be unlikely to approve an investment in a new production line without a complete case: a clear sponsor, explicit assumptions, an expected return, alternatives considered and a projected return on investment.

AI initiatives often escape that discipline.

They are funded in small increments - a licence here, a pilot there, an external provider elsewhere - usually absorbed into IT costs or innovation budgets, with each item remaining below the threshold that would trigger deeper scrutiny.

Taken individually, they remain below the radar. Taken together, they represent a material investment - rarely governed as such.

There is, however, one important difference compared with a new factory, and it works in favor of AI: once construction has started, a plant is generally completed. An AI initiative can usually be stopped early and at relatively low cost.

Low-cost exit is unusual in capital allocation. But it only has value when the stopping conditions are defined before the first euro is spent. Many organizations give up that option without ever consciously deciding to do so.

Turning this dispersed flow of initiatives into explicit allocation decisions - launch, prepare, defer or discard - requires a disciplined method.

Start with the business, not the technology

The question “where can we use AI?” is common and usually produces the same result: a long list of opportunities that are difficult to compare and prioritize.

A more useful approach is to frame the question differently:

Which decisions should we make faster and more accurately in order to improve performance? Which events would have less impact on our cost base if they could be anticipated earlier? What concrete actions could strengthen our position in the marke t?

The answers differ from one company to another.

For some, the priority will be margin. For others, working capital, equipment availability, continuity of supply, customer risk or forecast accuracy.

None of these questions mentions artificial intelligence - and that is precisely their strength. They begin with the outcome, not the means.

Artificial intelligence is not a standalone strategy.

An initiative has value only when it improves a decision, a process or an outcome sufficiently to justify the resources and risks involved.

Using an advanced AI model does not, in itself, guarantee that value.

This apparently obvious principle is often bypassed when a project starts with an available solution or a persuasive vendor, and the business problem is then reconstructed to justify the initiative.

Four levels of ambition that should not be confused

Before any assessment takes place, each initiative should be positioned according to its actual level of ambition. These levels do not require the same data, the same investment or the same governance.

The first level is automation : assigning repetitive and recurring tasks to a machine - classifying requests, extracting data from documents or processing routine entries.

The second is optimization : improving an existing operational or commercial process - service levels, production yield, upselling or cross-selling. The distinction between the first two levels is clear: in automation, the machine performs the task; in optimisation, the organisation continues to run the process, but its parameters improve.

The third level is decision quality : anticipating earlier, allocating more effectively and detecting risk sooner. Demand forecasting, supplier risk and predictive maintenance sit in this category.

The fourth is transformation : materially changing a process, an organization or a business model.

This last level is also the rarest, and for good reason. The characteristics that make a problem suitable for AI - repeated decisions, accumulated data at each occurrence and measurable impact - are precisely those that transformation, by nature unique and judgement-intensive, tends to satisfy least.

Transformation remains primarily a strategic matter. AI is one instrument among others.

This hierarchy protects the organization from two symmetrical mistakes: presenting local automation gains as strategic transformation, and launching a transformational programme before the data, processes and organization are ready.

Many disappointments with AI initiatives begin with this initial confusion.

A three-stage method

Clarifying ambition is not enough. Initiatives must then be compared, tested against actual data and converted into decisions.

To organize that transition, Nobilys has developed a three-stage method supported by its analytical framework.

It does not require a major programme or new infrastructure. It works with what the company already has: its priorities, the ideas of its teams and its data.

Frame

Economic priorities and constraints are established with management. Ideas and existing initiatives are gathered from the teams, because they know where decisions are taken with insufficient information, where tasks consume disproportionate time and which events would be valuable to anticipate.

That input must, however, be structured.

A use case described as “using AI in procurement” cannot be assessed. Reformulated as “detecting supplier disruption risk earlier in order to reduce production stoppages and emergency purchases”, it becomes evaluable.

In parallel, the actual state of the company’s data assets is established: history, depth and quality.

The quality of the strategy depends directly on the quality with which the problems are formulated.

Assess

Each use case is evaluated in a working session against the three dimensions of the framework.

The first is expected value , linked to observable outcomes - margin, cost, inventory, service levels or avoided losses - and weighted by the frequency of the problem. A precise prediction applied to a rare event, or one on which no action can be taken, may be worth less than an imperfect model applied to a frequent and economically material decision.

The second is feasibility . This is not the availability of the technology, which in most cases already exists. It is the availability of the conditions required to use it: accessible and usable data, relevant skills and the ability to integrate the solution into the existing process.

The third is execution risk : the number of functions involved, the degree of process change required, user acceptance, clarity of business ownership and the ability to move from pilot to deployment.

Two initiatives with comparable expected impact can have very different probabilities of success.

This third dimension is what separates a workshop matrix from a genuine decision-support tool.

Verify and conclude

A matrix developed in a meeting room remains a representation of the organisation’s assumptions.

For the best-positioned initiatives, the data itself must be tested: sample extracts, actual historical records, missing-data rates, consistency of definitions and the frequency of the events to be predicted.

This confrontation corrects false assumptions in both directions.

An initiative considered straightforward may prove unrealistic because the historical record is inadequate. Another, initially viewed as difficult, may turn out to be feasible because the data is already well structured.

This is what produces the final matrix and converts a strategic discussion into a documented investment decision.

Management receives the roadmap - and decides.

Launch, prepare, defer, discard

At the end of the process, each initiative receives a clear decision.

Launch

The expected impact is sufficient, feasibility has been confirmed on actual data and the execution risk is manageable.

The initiative enters a proof-of-value phase, with stopping criteria defined before the first euro is committed.

Prepare

The potential is high, but a prerequisite is missing - data quality, historical depth, process stability or clear accountability.

The immediate priority is to address those conditions, not to build the model.

Defer

The case is relevant, but not yet a priority given the organisation’s resources or level of maturity.

Deferral is an explicit, dated and reasoned decision.

Discard

The expected impact is too low, the risk is disproportionate or a simpler solution exists.

Traditional automation, a process change or the decision not to intervene may sometimes create more value, faster and with less risk.

A credible strategy must be able to conclude that AI is not the right answer - and identify what is.

The last two decisions are the least popular and often the most value-creating.

They release resources, business attention and executive support for the small number of initiatives capable of producing credible evidence.

Launching too many pilots disperses all three.

A successful pilot is not one that produces an impressive demonstration. It is one that enables management to decide, with sufficient evidence, whether to stop, correct, continue or deploy.

The business owns the outcome

For every selected initiative, a business owner must be accountable for the economic outcome - not only for project delivery.

The data team may develop the model. IT may secure the infrastructure. A supplier may deliver the solution.

But unless the business owns the improved decision and the value created, AI will remain peripheral, regardless of its technical quality.

Conclusion

An artificial intelligence strategy should not be measured by the number of ideas collected, pilots launched or licences purchased.

It should be measured by the quality of the choices it enables - including the choice to stop.

At the end of the process, the company should not have another narrative about AI.

It should have a prioritised portfolio, identified owners, explicit prerequisites and a clear sequence of action.

It should have a plan.

Christian Cirino - Nobilys Group

Not Every Decision Is Suitable for Artificial Intelligence

Tue, 14 Jul 2026 16:29:17 GMT

Companies often ask where artificial intelligence should be introduced into the business.

Much less often do they ask the question that should come first:

Which decisions, precisely, would benefit from being supported by a model - and which would not?

An AI initiative never improves a process in the abstract. It improves a decision: which receivable to pursue first, which inventory level to adjust, which maintenance intervention to schedule, which transaction to approve.

If the wrong decision is selected, no amount of technical refinement will compensate for that mistake.

The first task is therefore to identify the right decisions - before the data, before the models, before the vendors.

Three families of decisions

Business decisions differ in many ways, but frequency is one of the most useful distinctions.

Strategic decisions

Acquiring a company, restructuring a business, closing a site, entering a new market or changing the business model.

These decisions are rare, unique and highly dependent on context. Each is taken once, in circumstances that are unlikely to recur in exactly the same form.

They are therefore poor candidates for automation. AI lacks the repetition and historical volume on which its predictive strength depends.

But a decision that should not be automated may still be supported.

A purpose-built model can inform a strategic decision by generating scenarios, testing the assumptions behind an investment case or challenging a recommendation from angles that may have been overlooked.

AI does not make the decision. It improves the preparation.

Tactical decisions

Staffing levels, commercial resource allocation, inventory planning, supplier monitoring, and trade-offs between customers or products.

These decisions translate strategy into day-to-day management. They recur, rely on data and carry real economic value.

They are strong candidates for AI, usually with human oversight.

Operational decisions

Validating an order, routing a service request, approving a transaction or prioritizing maintenance.

Companies take these decisions every day, at every occurrence of a process.

Individually, each may carry limited weight. In aggregate, they matter considerably.

Because they are frequent, numerous and data-rich, they are among the most fertile areas for AI.

At the far end of this spectrum are micro-decisions : one decision per customer, tailored to each interaction - which price to offer, which product to recommend, which follow-up action to trigger.

Their frequency, volume and cumulative value make them the most natural candidates of all.

This requires a change in perspective.

The greatest value from AI is not necessarily found at the top of the organization, in the rare and prestigious decision. It is often found in the large volume of modest, repeated decisions that the organization makes almost without noticing.

Five questions for assessing a decision

Frequency alone is not enough.

Before treating a decision as a serious AI candidate, five questions require explicit answers.

Does it occur often enough?

Repetition provides two things at once: enough past examples for a model to learn from, and enough volume to justify the investment.

A rare decision usually provides neither.

Do we have the relevant data?

Not data in general - every company has data - but the specific signals on which this decision depends, with sufficient depth and consistency to be usable.

This is the criterion that disqualifies the largest number of apparently obvious candidates.

Can the alternatives and desired outcome be clearly defined?

A decision suitable for AI is not necessarily a simple one. In fact, the opposite is often true.

A trivial decision that can be resolved with a two-line business rule does not justify the investment.

Value appears in non-trivial decisions: those that draw on many signals, involve several imperfect outcomes, and exceed what a human can process quickly and consistently.

But the complexity must remain structured.

The inputs must be identifiable. The alternatives must be definable. The desired outcome must be explicit. The acceptable errors must be bounded.

Complex, but frameable.

What cannot be formulated cannot be modelled. What is too simple does not need to be modelled.

Is the impact measurable?

The effect of the decision must be linked to a concrete indicator: margin, cash, cost, service, lead time, quality, risk, conversion or asset utilization.

Without measurement, the company will never be able to demonstrate the model’s value or decide whether it should be maintained.

Can the organization act on the result?

This is the most frequently overlooked criterion - and the most decisive.

Predicting that a customer is likely to leave has value only if the company can still retain that customer.

Anticipating a failure has value only if an intervention can be scheduled.

Identifying a supply disruption risk has value only if the company can change its sourcing or inventory response.

Value does not reside in the score. It resides in the decision that the score allows the organization to change.

An accurate prediction on which no one acts has no value.

A decision that passes all five tests is a serious candidate.

A decision that fails one of them deserves to be paused. In many cases, a business rule, conventional automation or stronger operational discipline will deliver the required result faster and with less risk.

The remaining question once the decision has been selected

A positive answer to all five questions establishes that a decision is suitable for AI.

It does not yet determine how AI should be introduced into that decision.

A sixth question is required:

Is the cost of an error compatible with the level of human control being considered?

One incorrect transaction among thousands may be corrected without material damage.

An unjustified credit refusal or an unnecessary major maintenance intervention cannot.

Depending on the consequences of error, the same decision - even if it passes the first five tests - may require a different operating model.

The real choice is therefore not simply “AI or no AI”.

It is a choice between three modes.

Automate

The decision is taken without human intervention because it is frequent, well structured and the cost of an isolated error remains limited.

Assist

AI makes a recommendation and a responsible manager validates it.

This is the appropriate model for many tactical decisions, where human judgement retains the final say.

Inform

AI supports the decision through scenarios, analysis or structured testing of assumptions, without taking part in the decision itself.

This is the appropriate mode for strategic decisions, where judgement should be strengthened, not replaced.

Confusing these three modes is a source of failure in itself.

Automating what should have remained assisted leads to a loss of control.

Merely informing a decision that could have been automated leaves value unrealized.

The question is therefore not whether the company “uses AI”.

It is which decisions deserve to be supported by AI, and with what degree of autonomy.

This sorting exercise appears simple. The five criteria can be read in five minutes.

Applying them honestly to forty or fifty use cases proposed by the business, comparing those cases with one another, and then testing the strongest candidates against real data is far more demanding.

Few management teams complete that exercise successfully on their own.

Not because they lack capability, but because organizations are rarely impartial judges of their own ideas.

Teams defend the use cases they proposed. Sound prioritization requires a perspective with nothing to protect.

One question is often enough to expose the gap:

How many AI initiatives are currently under way in your company - and for how many of them could you name the precise decision they are intended to improve, together with the business owner accountable for the economic outcome?

If the answer is unclear, the problem is not technological.

It is a prioritization problem.

That is precisely the purpose of a prioritization diagnostic: to sort before investing, distinguish what should be automated from what should be assisted or merely informed, and provide management with a sequence of decisions it can explicitly approve.

The first step requires nothing more than a serious conversation.

This perspective on decision-making draws on frameworks covered in the MIT xPRO AI Strategy and Leadership Program, extended through Nobilys’ operational practice.

Christian Cirino — Nobilys Group

AI-projecten mislukken vóór het eerste model wordt gebouwd

Tue, 14 Jul 2026 16:29:16 GMT

This is a subtitle for your new post

Volgens MIT’s The GenAI Divide: State of AI in Business 2025 realiseert 95% van de organisaties geen meetbaar rendement op hun investeringen in generatieve AI, ondanks een geschatte investering van 30 tot 40 miljard dollar.

Over de methodologie van de studie kan worden gediscussieerd. De orde van grootte sluit echter aan bij wat wij in de praktijk zien. En de oorzaak ligt zelden bij de technologie zelf.

De mislukking begint ruim vóór het eerste model wordt gebouwd.

Een veelzeggend precedent

Dit fenomeen is niet ontstaan met AI.

Lang vóór de huidige golf waren wij van nabij betrokken bij de invoering van een business-intelligencetool in een industriële groep. De doelstellingen waren nooit scherp gedefinieerd. Verantwoordelijkheden waren niet toegewezen. Opleiding en ontwikkeling werden in hoog tempo uitgevoerd.

Het resultaat: duizenden rapporten, die elk uitsluitend bruikbaar waren voor degene die ze had opgesteld.

De tool zelf werkte perfect. Toch boezemden de cijfers weinig vertrouwen in-niet omdat ze fout waren, maar omdat slecht geconfigureerde rapporten vaak iets anders maten dan wat gebruikers dachten dat ze maten.

Vervang “rapport” door “model” en de anatomie van veel huidige AI-mislukkingen wordt onmiddellijk herkenbaar.

Alleen zijn de budgetten groter en de verwachtingen hoger.

Een keten van tekortkomingen, geen losstaand incident

AI-initiatieven mislukken zelden om één enkele reden. Tekortkomingen stapelen zich op, en elke tekortkoming bereidt de volgende voor.

Het probleem is niet scherp gedefinieerd

De onderneming wil “versnellen met AI”-maar welke beslissing moet beter worden? Welke prestatie moet verbeteren: marge, cashpositie, voorraad, doorlooptijd, kwaliteit?

Een technologische ambitie is geen strategie.

De juiste vraag is niet: Waar kunnen we AI inzetten? Maar: Welke belangrijke beslissing nemen we vandaag met te weinig nauwkeurigheid, te weinig vooruitblik of te weinig discipline?

Use cases worden gekozen op zichtbaarheid, niet op waarde

Het MIT-rapport beschrijft deze vertekening. Budgetten voor generatieve AI gaan in grote mate naar verkoop en marketing-de functies die het gemakkelijkst aan een directiecomité kunnen worden getoond-terwijl de meest tastbare voordelen vaak in minder zichtbare domeinen liggen: documentautomatisering, finance, aankoop en een lagere afhankelijkheid van externe dienstverleners.

Een conversationele interface laat zich eenvoudig demonstreren in een directievergadering.

Een toepassing rond afvalreductie, werkkapitaal of prognosenauwkeurigheid oogt minder spectaculair-maar is vaak rendabeler.

Dit is een vraagstuk van kapitaalallocatie, niet van technologie.

De organisatie overschat de bruikbaarheid van haar data

Een onderneming kan rijk zijn aan data en arm aan bruikbare data.

ERP-systemen, CRM-platformen, historische gegevens en duizenden spreadsheets kunnen naast elkaar bestaan, terwijl definities van dezelfde indicator uiteenlopen, historieken onvolledig zijn, manuele correcties niet traceerbaar zijn en niemand duidelijk verantwoordelijk is voor de datakwaliteit aan de bron.

Belangrijke data zonder echte eigenaar blijven kwetsbaar.

Datakwaliteit is geen absoluut begrip. Ze moet worden beoordeeld in functie van de beslissing die de onderneming wil verbeteren.

De pilot bewijst technische prestaties, geen economische waarde

De nauwkeurigheid van een model zegt weinig over de waarde die wordt gecreëerd.

Technische prestaties moeten worden verbonden met de beslissingen die veranderen, de kosten van de acties die worden geactiveerd, fout-positieve signalen en de kosten van integratie en onderhoud.

Een technisch sterk model kan niets opleveren wanneer het te laat ingrijpt.

Een onvolmaakt model kan zeer waardevol zijn wanneer het een economisch belangrijke beslissing voldoende verbetert.

Een overtuigende demonstratie is nog geen verantwoorde investeringsbeslissing.

Het besluitvormingsproces verandert niet

Er verschijnt een score op een dashboard. Er wordt een waarschuwing verstuurd.

Maar wie onderneemt actie? Binnen welke termijn? Volgens welke regel?

Een kredietrisicomodel int geen openstaande factuur. Een model voor voorspellend onderhoud herstelt geen machine.

De waarde zit niet in de voorspelling zelf. Ze zit in de beslissing en de actie die door die voorspelling veranderen.

Zonder herontwerp van het proces wordt AI een extra informatielaag-zoals de duizenden rapporten die niemand opende.

Niemand draagt de verantwoordelijkheid van begin tot eind

Het datateam is verantwoordelijk voor het model. De business verwacht een oplossing. IT waarborgt de infrastructuur. De leverancier levert een tool.

Wanneer iedereen één onderdeel draagt, draagt niemand het geheel.

Bij het opschalen komt vervolgens alles naar boven wat de pilot verborgen hield: uiteenlopende systemen, terugkerende kosten en de werkelijke adoptie door gebruikers.

Het MIT-rapport stelt vast dat initiatieven met gespecialiseerde externe partners aanzienlijk vaker tot implementatie komen dan intern ontwikkelde oplossingen. Tegelijk merkt het rapport terecht op dat dit verschil evenzeer de maturiteit van de organisatie kan weerspiegelen als de keuze tussen zelf bouwen en aankopen.

In beide gevallen is de les dezelfde: de complexiteit van opschaling wordt systematisch onderschat.

Vijf vragen die de raad van bestuur moet stellen

Vóór een AI-initiatief wordt gefinancierd of uitgebreid:

1. Welke beslissing of welke prestatie willen we verbeteren?

2. Welke data zijn nodig, en in welke staat bevinden die zich werkelijk?

3. Hoe zal de economische waarde worden gemeten?

4. Wie draagt de verantwoordelijkheid voor het resultaat van begin tot eind?

5. Welke voorwaarden leiden tot stopzetting, bijsturing of verdere uitrol?

Wanneer op deze vijf vragen geen expliciet antwoord bestaat, is het project niet klaar voor financiering-ongeacht de kwaliteit van de voorgestelde technologie.

Gouverner l'IA comme un investissement

AI mag niet worden gereduceerd tot een gewone IT-tool, maar evenmin worden verheven tot een onvermijdelijke transformatie.

AI moet worden beheerd als een investering: met hypotheses, bewijzen, drempelwaarden en de discipline om te stoppen wanneer die drempels niet worden gehaald.

Dat is precies wat een prioriteringsdiagnose moet bepalen vóór kapitaal wordt ingezet: welke beslissingen AI werkelijk rechtvaardigen, in welke volgorde en op basis van welke reële data.

De rest-het model, het platform, de leverancier-komt daarna.

Waardevolle AI is niet de AI die indruk maakt.

Het is de AI die een beslissing verbetert.

Christian Cirino - Nobilys Group

Sources: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

AI beheren als een portefeuille van investeringen

Tue, 14 Jul 2026 16:29:14 GMT

Een directiecomité zou een investering in een nieuwe productielijn waarschijnlijk niet goedkeuren zonder een volledig dossier: een duidelijke sponsor, expliciete aannames, een verwacht rendement, vergeleken alternatieven en een onderbouwde return on investment.

AI-initiatieven ontsnappen vaak aan die discipline.

Ze worden gefinancierd in kleine bedragen - hier een licentie, daar een pilot, elders een externe leverancier - meestal ondergebracht in IT-kosten of innovatiebudgetten, waarbij elk afzonderlijk bedrag onder de drempel blijft die een grondige evaluatie zou uitlokken.

Afzonderlijk blijven die initiatieven onder de radar. Samen vormen ze een reële investering - die zelden als zodanig wordt bestuurd.

Er is echter één belangrijk verschil met een nieuwe fabriek, en dat speelt in het voordeel van AI: zodra de bouw van een productielijn is gestart, wordt ze doorgaans afgemaakt. Een AI-initiatief kan meestal vroeg en tegen relatief lage kosten worden stopgezet.

Een goedkope uitstapmogelijkheid is zeldzaam bij investeringsbeslissingen. Maar ze heeft alleen waarde wanneer de stopcriteria vastliggen vóór de eerste euro wordt uitgegeven. Veel ondernemingen geven die optie prijs zonder daar ooit bewust over te beslissen.

Deze verspreide stroom van initiatieven omzetten in expliciete allocatiebeslissingen - starten, voorbereiden, uitstellen of schrappen - vergt een gedisciplineerde methode.

Vertrek van de onderneming, niet van de technologie

De vraag “waar kunnen we AI inzetten?” komt vaak terug en leidt meestal tot hetzelfde resultaat: een lange lijst van opportuniteiten die moeilijk te vergelijken en te prioriteren zijn.

Een nuttiger benadering is om de vraag anders te formuleren:

Welke beslissingen moeten we sneller en nauwkeuriger nemen om onze prestaties te verbeteren? Welke gebeurtenissen zouden minder zwaar doorwegen op onze kosten wanneer we ze vroeger konden voorzien? Welke concrete acties kunnen onze marktpositie versterken?

De antwoorden verschillen van onderneming tot onderneming. Voor de ene zal de prioriteit bij marge liggen, voor de andere bij werkkapitaal, beschikbaarheid van installaties, continuïteit van bevoorrading, klantenrisico of prognosenauwkeurigheid.

Geen van deze vragen vermeldt artificiële intelligentie - en precies daarin ligt hun kracht. Ze vertrekken van het gewenste resultaat, niet van het middel.

Artificiële intelligentie vormt geen zelfstandige strategie.

Een initiatief heeft pas waarde wanneer het een beslissing, proces of resultaat voldoende verbetert om de ingezette middelen en risico’s te rechtvaardigen.

Het gebruik van een geavanceerd AI-model biedt op zichzelf geen garantie op waarde.

Dit ogenschijnlijk evidente principe wordt vaak omzeild wanneer een project vertrekt van een beschikbare oplossing of een overtuigende leverancier, waarna het businessprobleem wordt gereconstrueerd om het initiatief te verantwoorden.

Vier ambitieniveaus die niet door elkaar mogen worden gehaald

Voor elke beoordeling moet elk initiatief eerst op het juiste ambitieniveau worden geplaatst. Die niveaus vereisen niet dezelfde data, investeringen of governance.

Het eerste niveau is automatisering: repetitieve en terugkerende taken aan een machine toevertrouwen - aanvragen classificeren, gegevens uit documenten halen of routinematige invoer verwerken.

Het tweede niveau is optimalisering: een bestaand operationeel of commercieel proces verbeteren - servicegraad, rendement van een productielijn, upselling of cross-selling. Het onderscheid met automatisering is duidelijk: bij automatisering voert de machine de taak uit; bij optimalisering blijft de organisatie het proces aansturen, maar verbeteren de parameters ervan.

Het derde niveau is besluitkwaliteit: eerder anticiperen, beter afwegen en risico’s sneller detecteren. Vraagprognoses, leveranciersrisico en voorspellend onderhoud behoren tot deze categorie.

Het vierde niveau is transformatie: een proces, organisatie of businessmodel ingrijpend wijzigen.

Dat laatste niveau is ook het zeldzaamste, en dat is geen toeval. De kenmerken die een probleem geschikt maken voor AI - herhaalde beslissingen, data die bij elke gebeurtenis worden opgebouwd en een meetbare impact - zijn net de kenmerken waaraan een transformatie, die per definitie uniek en sterk afhankelijk van oordeel is, het minst voldoet.

Transformatie blijft in de eerste plaats een strategische aangelegenheid. AI is één instrument onder meerdere.

Deze hiërarchie beschermt tegen twee tegengestelde fouten: lokale automatiseringswinsten voorstellen als strategische transformatie, en een transformatieproject starten terwijl data, processen en organisatie er nog niet klaar voor zijn.

Veel teleurstellingen rond AI-initiatieven vinden hun oorsprong in deze eerste verwarring.

Een methode in drie stappen

Het ambitieniveau bepalen volstaat niet. Initiatieven moeten vervolgens onderling worden vergeleken, aan reële data worden getoetst en in duidelijke beslissingen worden omgezet.

Om die overgang te structureren, heeft Nobilys een methode in drie stappen ontwikkeld, ondersteund door een eigen analysekader.

Ze vereist geen zwaar programma of nieuwe infrastructuur. Ze vertrekt van wat de onderneming al heeft: haar prioriteiten, de ideeën van haar teams en haar data.

Kaderen

De economische prioriteiten en beperkingen worden samen met het management vastgelegd. Ideeën en bestaande initiatieven worden opgehaald bij de teams, omdat zij weten waar beslissingen met te weinig informatie worden genomen, welke taken buitensporig veel tijd vergen en welke gebeurtenissen nuttig zouden zijn om eerder te voorspellen.

Die input moet wel worden gestructureerd.

Een use case omschreven als “AI inzetten in aankoop” is niet beoordeelbaar. Geformuleerd als “leveranciersrisico vroeger detecteren om productiestilstanden en spoedaankopen te verminderen” wordt hij wel evalueerbaar.

Tegelijk wordt de werkelijke toestand van het dataprofiel van de onderneming vastgesteld: historiek, diepgang en kwaliteit.

De kwaliteit van de strategie hangt rechtstreeks samen met de kwaliteit waarmee de problemen worden geformuleerd.

Beoordelen

Elke use case wordt in een werksessie geëvalueerd volgens de drie dimensies van het kader.

De eerste is verwachte waarde , gekoppeld aan observeerbare resultaten - marge, kosten, voorraden, servicegraad of vermeden verliezen - en gewogen volgens de frequentie van het probleem. Een zeer nauwkeurige voorspelling voor een zeldzame gebeurtenis, of voor een gebeurtenis waarop geen actie mogelijk is, kan minder waard zijn dan een onvolmaakt model dat een frequente en economisch belangrijke beslissing verbetert.

De tweede is haalbaarheid . Dat is niet de beschikbaarheid van de technologie, want die bestaat in de meeste gevallen al. Het gaat om de beschikbaarheid van de voorwaarden om ze nuttig in te zetten: toegankelijke en bruikbare data, de juiste competenties en de mogelijkheid om de oplossing in het bestaande proces te integreren.

De derde is uitvoeringsrisico : het aantal betrokken functies, de vereiste proceswijzigingen, de aanvaarding door gebruikers, de duidelijkheid van het business ownership en het vermogen om van pilot naar uitrol te gaan.

Twee initiatieven met een vergelijkbare verwachte impact kunnen een sterk verschillende kans op succes hebben.

Deze derde dimensie maakt het verschil tussen een workshopmatrix en een volwaardig beslissingsinstrument.

Verifiëren en besluiten

Een matrix die in een vergaderzaal wordt opgesteld, blijft een weergave van de overtuigingen van de organisatie.

Voor de best gepositioneerde initiatieven moeten de data zelf worden getest: proefextracties, reële historieken, het aandeel ontbrekende gegevens, de consistentie van definities en de frequentie van de gebeurtenissen die men wil voorspellen.

Die confrontatie corrigeert veronderstellingen in beide richtingen.

Een initiatief dat eenvoudig lijkt, kan onhaalbaar blijken door een ontoereikende historiek. Een ander, aanvankelijk als moeilijk beschouwd, kan haalbaar blijken omdat de data al goed gestructureerd zijn.

Zo ontstaat de definitieve matrix en wordt een strategische discussie omgezet in een onderbouwde investeringsbeslissing.

Het management ontvangt de roadmap - en beslist.

Starten, voorbereiden, uitstellen, schrappen

Aan het einde van het proces krijgt elk initiatief een duidelijke beslissing.

Starten

De verwachte impact is voldoende, de haalbaarheid is bevestigd op basis van reële data en het uitvoeringsrisico is beheersbaar.

Het initiatief gaat naar een proof-of-valuefase, met stopcriteria die vastliggen vóór de eerste euro wordt ingezet.

Voorbereiden

Het potentieel is hoog, maar een essentiële voorwaarde ontbreekt - datakwaliteit, historische diepgang, processtabiliteit of duidelijke verantwoordelijkheid.

De onmiddellijke prioriteit ligt dan bij het opbouwen van die voorwaarden, niet bij het model.

Uitstellen

De case is relevant, maar nog geen prioriteit gezien de beschikbare middelen of de maturiteit van de organisatie.

Uitstel is een expliciete, gedateerde en gemotiveerde beslissing.

Schrappen

De verwachte impact is te laag, het risico is buiten verhouding of een eenvoudigere oplossing bestaat.

Klassieke automatisering, een proceswijziging of de beslissing om niets te veranderen kan soms meer waarde opleveren, sneller en met minder risico.

Een geloofwaardige strategie moet kunnen besluiten dat AI niet het juiste antwoord is - en benoemen wat dat wel is.

De laatste twee beslissingen zijn het minst populair en vaak het meest waardescheppend.

Ze maken middelen, aandacht van de business en steun van het management vrij voor het beperkte aantal initiatieven dat geloofwaardig bewijs kan leveren.

Te veel pilots tegelijk versnipperen al die elementen.

Een geslaagde pilot is niet degene die een indrukwekkende demonstratie oplevert. Het is degene die het management in staat stelt om op basis van voldoende bewijs te beslissen: stoppen, bijsturen, voortzetten of uitrollen.

De business draagt het resultaat

Voor elk geselecteerd initiatief moet een business owner verantwoordelijk zijn voor het economische resultaat - niet alleen voor de uitvoering van het project.

Het datateam kan het model ontwikkelen. IT kan de infrastructuur beveiligen. Een leverancier kan de oplossing leveren.

Maar zolang de business niet verantwoordelijk is voor de verbeterde beslissing en de gecreëerde waarde, blijft AI perifeer, ongeacht de technische kwaliteit.

Conclusie

Een strategie voor artificiële intelligentie wordt niet gemeten aan het aantal verzamelde ideeën, gestarte pilots of aangekochte licenties.

Ze wordt gemeten aan de kwaliteit van de keuzes die ze mogelijk maakt - inclusief de keuze om te stoppen.

Aan het einde van het proces beschikt de onderneming niet over nog een extra verhaal over AI.

Ze beschikt over een geprioriteerde portefeuille, duidelijk aangewezen verantwoordelijken, expliciete voorwaarden en een heldere volgorde van uitvoering.

Ze beschikt over een plan.

Christian Cirino - Nobilys Group

Niet elke beslissing is geschikt voor artificiële intelligentie

Tue, 14 Jul 2026 16:29:11 GMT

Bedrijven vragen vaak waar artificiële intelligentie in de onderneming kan worden ingezet.

Veel minder vaak stellen ze de vraag die daaraan vooraf zou moeten gaan:

Welke beslissingen worden werkelijk beter wanneer ze door een model worden ondersteund - en welke niet?

Een AI-initiatief verbetert nooit een proces in abstracte zin. Het verbetert een beslissing: welke openstaande vordering eerst moet worden opgevolgd, welk voorraadniveau moet worden aangepast, welke onderhoudsinterventie moet worden gepland of welke transactie moet worden goedgekeurd.

Wanneer de verkeerde beslissing wordt gekozen, kan geen enkele technische verfijning die fout nog compenseren.

Het eerste werk bestaat dus uit het selecteren van de juiste beslissingen - vóór de data, vóór de modellen en vóór de leveranciers.

Drie families van beslissingen

Beslissingen binnen een onderneming verschillen op meerdere punten. Hun frequentie is een van de nuttigste onderscheidende criteria.

Strategische beslissingen

Een overname doen, een onderneming herstructureren, een vestiging sluiten, een nieuwe markt betreden of het businessmodel wijzigen.

Deze beslissingen zijn zeldzaam, uniek en sterk afhankelijk van de context. Ze worden elk één keer genomen, in omstandigheden die zich doorgaans niet op exact dezelfde manier herhalen.

Daarom zijn ze weinig geschikt voor automatisering. AI beschikt hier niet over de herhaling en de historische massa waarop haar voorspellende kracht steunt.

Dat betekent echter niet dat ze niet kunnen worden ondersteund.

Een specifiek daarvoor ontworpen model kan een strategische beslissing verrijken met scenario’s, de aannames van een investeringsdossier testen of een aanbeveling confronteren met invalshoeken die mogelijk over het hoofd zijn gezien.

AI neemt de beslissing niet. Ze verbetert de voorbereiding ervan.

Tactische beslissingen

Personeelsbezetting, commerciële resourceallocatie, voorraadplanning, selectie van leveranciers die extra opvolging vereisen, en afwegingen tussen klanten of producten.

Deze beslissingen vertalen de strategie naar de dagelijkse aansturing. Ze keren terug, steunen op data en hebben een reële economische impact.

Ze zijn goede kandidaten voor AI, meestal met menselijke supervisie.

Operationele beslissingen

Een bestelling valideren, een serviceticket routeren, een transactie goedkeuren of onderhoud prioriteren.

Bedrijven nemen deze beslissingen dagelijks, telkens wanneer een proces zich voordoet.

Afzonderlijk wegen ze vaak beperkt door. Door hun volume hebben ze samen een aanzienlijke impact.

Omdat ze frequent, talrijk en data-intensief zijn, behoren ze tot de meest vruchtbare toepassingsgebieden voor AI.

Aan het uiterste van dit spectrum bevinden zich microbeslissingen : één beslissing per klant, aangepast aan elke interactie - welke prijs aanbieden, welk product voorstellen, welke opvolgactie activeren.

Door hun frequentie, volume en gecumuleerde waarde zijn dit de meest natuurlijke kandidaten van allemaal.

Dat vraagt om een andere blik.

De grootste waarde van AI ligt niet noodzakelijk bovenaan de organisatie, bij de zeldzame en prestigieuze beslissing. Ze ligt vaak in de massa van bescheiden, herhaalde beslissingen die de organisatie bijna ongemerkt neemt.

Vijf vragen om een beslissing te beoordelen

Frequentie alleen volstaat niet.

Vooraleer een beslissing als een serieuze AI-kandidaat wordt beschouwd, moeten vijf vragen expliciet worden beantwoord.

Komt de beslissing vaak genoeg voor?

Herhaling levert twee zaken tegelijk op: voldoende historische voorbeelden om een model te laten leren en voldoende volume om de investering te rechtvaardigen.

Een zeldzame beslissing biedt doorgaans geen van beide.

Beschikken we over de relevante data?

Niet over data in het algemeen - elke onderneming heeft data - maar over de specifieke signalen waarvan deze beslissing afhangt, met voldoende historiek en consistentie om bruikbaar te zijn.

Dit is het criterium dat de meeste op het eerste gezicht evidente kandidaten uitsluit.

Kunnen de alternatieven en het gewenste resultaat duidelijk worden gedefinieerd?

Een beslissing die geschikt is voor AI hoeft niet eenvoudig te zijn. Vaak is het tegendeel waar.

Een triviale beslissing die met een eenvoudige businessregel kan worden genomen, rechtvaardigt de investering niet.

De waarde ontstaat bij niet-triviale beslissingen: beslissingen die op veel signalen steunen, meerdere onvolmaakte uitkomsten kennen en meer informatie vergen dan een mens snel en consistent kan verwerken.

Die complexiteit moet wel structureerbaar blijven.

De input moet identificeerbaar zijn. De alternatieven moeten benoembaar zijn. Het gewenste resultaat moet expliciet zijn. Aanvaardbare fouten moeten begrensd kunnen worden.

Complex, maar afbakenbaar.

Wat niet kan worden geformuleerd, kan niet worden gemodelleerd. Wat te eenvoudig is, hoeft niet te worden gemodelleerd.

Is de impact meetbaar?

Het effect van de beslissing moet aan een concrete indicator kunnen worden gekoppeld: marge, cash, kosten, service, doorlooptijd, kwaliteit, risico, conversie of benutting van activa.

Zonder meetbaarheid kan de onderneming de waarde van het model niet aantonen en ook niet beslissen of het moet worden behouden.

Kan de organisatie op het resultaat handelen?

Dit is het vaakst vergeten criterium - en het meest doorslaggevende.

Voorspellen dat een klant waarschijnlijk vertrekt, heeft alleen waarde wanneer de onderneming die klant nog kan behouden.

Een storing voorspellen heeft alleen waarde wanneer een interventie nog kan worden gepland.

Een risico op leveringsonderbreking detecteren heeft alleen waarde wanneer de onderneming haar bevoorrading of voorraadrespons kan aanpassen.

De waarde ligt niet in de score. Ze ligt in de beslissing die dankzij die score kan worden aangepast.

Een juiste voorspelling waarop niemand handelt, heeft geen waarde.

Een beslissing die aan alle vijf criteria voldoet, is een serieuze kandidaat.

Een beslissing die op één criterium tekortschiet, moet worden gepauzeerd. Vaak zullen een businessregel, klassieke automatisering of sterkere operationele discipline het gewenste resultaat sneller en met minder risico opleveren.

De vraag die overblijft nadat de beslissing is geselecteerd

Een positief antwoord op de vijf vragen toont aan dat een beslissing geschikt is voor AI.

Het bepaalt nog niet hoe AI in die beslissing moet worden geïntegreerd.

Daarvoor is een zesde vraag nodig:

Is de kost van een fout verenigbaar met het voorziene niveau van menselijke controle?

Eén foutieve transactie tussen duizenden kan mogelijk zonder grote schade worden gecorrigeerd.

Een onterecht geweigerde kredietaanvraag of een zware onderhoudsinterventie die ten onrechte wordt uitgevoerd, niet.

Afhankelijk van de gevolgen van een fout kan dezelfde beslissing - ook wanneer ze aan de eerste vijf criteria voldoet - een andere aanpak vereisen.

De echte keuze is dus niet eenvoudigweg “AI of geen AI”.

Het gaat om drie mogelijke werkingsmodellen.

Automatiseren

De beslissing wordt zonder menselijke tussenkomst genomen omdat ze frequent, goed gestructureerd en de kost van een geïsoleerde fout beperkt is.

Ondersteunen

AI formuleert een aanbeveling en een verantwoordelijke manager valideert de beslissing.

Dit is de juiste aanpak voor veel tactische beslissingen, waarbij het menselijk oordeel het laatste woord behoudt.

Informeren

AI ondersteunt de besluitvorming met scenario’s, analyses of een gestructureerde toetsing van aannames, zonder zelf deel te nemen aan de beslissing.

Dit is het juiste model voor strategische keuzes, waarbij het oordeel moet worden versterkt en niet vervangen.

Het verwarren van deze drie modi is op zich een bron van mislukking.

Automatiseren wat ondersteund had moeten blijven, leidt tot verlies van controle.

Alleen informeren waar automatisering mogelijk was, laat waarde onbenut.

De vraag is dus niet of de onderneming “aan AI doet”.

De vraag is welke beslissingen ondersteuning door AI verdienen, en met welke mate van autonomie.

Deze selectie lijkt eenvoudig. De vijf criteria kunnen in vijf minuten worden gelezen.

Ze eerlijk toepassen op veertig of vijftig use cases uit de organisatie, die onderling afwegen en vervolgens de sterkste kandidaten toetsen aan reële data, is veel veeleisender.

Weinig directieteams doorlopen die oefening volledig op eigen kracht.

Niet omdat ze onvoldoende competent zijn, maar omdat organisaties zelden onpartijdige beoordelaars zijn van hun eigen ideeën.

Teams verdedigen de use cases die ze zelf hebben voorgesteld. Degelijke prioritering vergt een blik die niets hoeft te verdedigen.

Eén vraag volstaat vaak om het verschil zichtbaar te maken:

Hoeveel AI-initiatieven lopen vandaag in uw onderneming - en voor hoeveel daarvan kunt u de precieze beslissing benoemen die ze moeten verbeteren, samen met de business owner die verantwoordelijk is voor het economische resultaat?

Wanneer het antwoord onduidelijk is, is het probleem niet technologisch.

Het is een prioriteringsprobleem.

Dat is precies het doel van een prioriteringsdiagnose: selecteren vóór er wordt geïnvesteerd, onderscheiden wat moet worden geautomatiseerd, ondersteund of alleen geïnformeerd, en de directie een duidelijke volgorde van beslissingen voorleggen.

De eerste stap vraagt niets meer dan een ernstig gesprek.

Christian Cirino — Nobilys Group

Toutes les décisions ne se prêtent pas à l’intelligence artificielle

Tue, 14 Jul 2026 15:01:19 GMT

On demande souvent où mettre de l'intelligence artificielle dans l'entreprise. La question précède rarement celle qui devrait la commander : quelles décisions, précisément, gagnent à être outillées par un modèle — et lesquelles n'y gagnent rien.

Car une initiative d'IA n'améliore jamais un processus dans l'abstrait. Elle améliore une décision : une créance à relancer en priorité, un stock à ajuster, une intervention de maintenance à programmer, une transaction à approuver. Si la décision visée est mal choisie, aucun raffinement technique ne rattrapera l'erreur. Le tri des décisions est donc le premier travail — avant les données, avant les modèles, avant les fournisseurs.

Trois familles de décisions

Toutes les décisions d'une entreprise ne se ressemblent pas, et la distinction la plus utile tient à leur fréquence.

Les décisions stratégiques

Acquérir, restructurer, fermer un site, entrer sur un marché, changer de modèle économique.

Ces décisions sont rares, uniques et lourdement dépendantes du contexte. Chacune se prend une fois, dans une situation qui ne se reproduira généralement pas à l'identique.

Elles ne se prêtent donc pas à l'automatisation : l'IA n'y dispose ni de l'historique ni de la répétition qui font sa force prédictive.

Mais ne pas les automatiser ne veut pas dire ne pas les outiller - un modèle conçu pour cela peut éclairer une décision stratégique par des scénarios, tester les hypothèses d'un dossier ou confronter une recommandation à des angles négligés.

L' IA n'y prend pas la décision ; elle en améliore la préparation .

Les décisions tactiques

Niveaux de staffing, allocation commerciale, planification des stocks, choix des fournisseurs à surveiller, arbitrage entre clients ou produits.

Ces décisions traduisent la stratégie en gestion courante. Elles se répètent, s'appuient sur des données, portent une valeur économique réelle. Elles sont de bons candidats à l'IA , généralement sous supervision humaine .

Les décisions opérationnelles

Valider une commande, router un ticket, approuver une transaction, prioriser une maintenance.

Les entreprises prennent ces décisions chaque jour, à chaque occurrence d'un processus.

Prises isolément, chacune pèse peu; par leur volume, elles pèsent lourd.

Répétées, nombreuses, alimentées en données, ce sont les terrains les plus fertiles pour l'IA .

À leur extrême se trouvent les micro-décisions - une décision par client, personnalisée à chaque interaction : quel prix proposer, quelle offre présenter, quelle relance déclencher. Par leur répétition, leur volume et leur valeur cumulée, ce sont les candidates les plus naturelles de toutes.

Le déplacement de regard est là : la valeur de l'IA ne se trouve pas au sommet, dans la décision noble et unique, mais dans la masse des décisions modestes et répétées que l'organisation prend sans y penser.

Cinq questions pour trier une décision

La fréquence ne suffit pas. Avant de retenir une décision comme candidate, cinq questions méritent une réponse explicite.

Revient-elle assez souvent ?

La répétition apporte deux choses à la fois : assez d'exemples passés pour qu'un modèle apprenne, et assez de volume pour justifier l'investissement. Une décision rare ne réunit ni l'un ni l'autre.

Dispose-t-on de données pertinentes ?

Non pas de données en général — l'entreprise en a toujours — mais des signaux précis dont cette décision dépend, avec assez de profondeur et de cohérence pour être exploitables. C'est le critère qui disqualifie le plus de candidats en apparence évidents.

Peut-on définir clairement les alternatives et le résultat recherché ?

Une décision apte à l'IA n'est pas une décision simple — c'est même l'inverse. Une décision triviale, qu'une règle de gestion tranche en deux lignes, ne justifie pas l'investissement. La valeur apparaît sur les décisions non triviales : celles qui mobilisent de nombreux signaux, comportent plusieurs issues possibles dont aucune n'est parfaite, et dépassent la charge qu'un humain peut traiter vite et de façon cohérente. Mais cette complexité doit rester structurable — entrées identifiables, alternatives nommables, résultat attendu défini, erreurs acceptables bornées. Complexe mais cadrable : ce qui ne se formule pas ne se modélise pas, et ce qui est trop simple ne mérite pas d'être modélisé.

Son impact est-il mesurable ?

L'effet de la décision doit pouvoir se relier à un indicateur concret : marge, cash, coût, service, délai, qualité, risque, conversion, utilisation d'un actif. Sans mesure, on ne saura jamais démontrer la valeur du modèle, ni décider s'il faut le maintenir.

L'organisation peut-elle agir sur le résultat ?

C'est le critère le plus souvent oublié, et le plus décisif. Prédire qu'un client va partir n'a de valeur que si l'on peut encore le retenir ; anticiper une panne, que si une intervention peut être planifiée ; détecter un risque de rupture, que si l'approvisionnement peut être modifié. La valeur ne réside pas dans le score produit, mais dans la décision qu'il permet de changer. Une prédiction juste sur laquelle personne n'agit ne vaut rien.

Une décision qui répond oui aux cinq est un candidat sérieux. Une décision qui échoue à une seule mérite qu'on s'arrête : souvent, une règle de gestion, une automatisation classique ou une meilleure discipline opérationnelle produiront le résultat recherché, plus vite et à moindre risque.

La question qui reste, une fois la décision retenue

Répondre oui aux cinq questions établit qu'une décision se prête à l'IA.

Cela ne dit pas encore comment l'IA doit s'y insérer - et c'est une question distincte, qu'une sixième vient trancher : le coût d'une erreur est-il compatible avec le niveau de contrôle humain que l'on prévoit ?

Une transaction erronée parmi des milliers se corrige sans dommage ; un refus de crédit injustifié, une intervention lourde déclenchée à tort, non. Selon le poids de l'erreur, la même décision - pourtant apte à l'IA sur les cinq premiers critères - appelle un traitement différent.

C'est ce qui fait que la vraie question n'est pas « IA ou pas IA », mais un choix à trois termes .

Automatiser : la décision se prend sans intervention humaine, parce qu'elle est fréquente, bien structurée et que le coût d'une erreur isolée reste faible.

Assister : l'IA recommande, un responsable valide - le mode juste pour la plupart des décisions tactiques, où le jugement humain garde le dernier mot.

Éclairer : l'IA nourrit la réflexion par des scénarios, des analyses ou un examen structuré des hypothèses, sans prendre part à la décision. C'est le registre des choix stratégiques, où l'on outille le jugement sans jamais le remplacer.

Confondre ces trois modes est une source d'échec en soi : automatiser ce qui aurait dû rester assisté fait perdre le contrôle ; éclairer ce qui aurait pu être automatisé laisse la valeur sur la table.

La question n'est donc pas de savoir si l'entreprise fait de l'IA, mais quelles décisions méritent d'être outillées, et à quel degré d'autonomie.

Or ce tri est trompeur : les cinq critères se lisent en cinq minutes, mais les appliquer honnêtement à quarante ou cinquante cas d'usage remontés du terrain, les arbitrer les uns contre les autres, puis confronter les mieux placés aux données réelles, est un exercice que peu de directions mènent à bien seules.

Non par manque de compétence mais parce qu'on est rarement bon juge de ses propres idées.

Les équipes défendent les cas qu'elles ont proposés ; trancher demande un regard qui n'a rien à défendre.

Une question suffit d'ailleurs à mesurer l'écart : combien d'initiatives IA sont en cours dans votre entreprise aujourd'hui? Pour combien d'entre elles pourriez-vous nommer la décision précise qu'elles améliorent, et le responsable métier qui en porte le résultat économique ?

Si la réponse est floue, le problème n'est pas technologique. Il est de priorisation.

C'est précisément l'objet d'un diagnostic de priorisation : trier avant d'investir, distinguer ce qu'on automatise de ce qu'on assiste et de ce qu'on se contente d'éclairer, et remettre à la direction un ordre de marche qu'elle peut trancher. Le premier pas ne coûte rien de plus qu'une conversation sérieuse.

Cette lecture des décisions s'appuie sur les cadres enseignés dans le programme AI Strategy and Leadership du MIT xPRO, prolongés par la pratique de Nobilys.

Christian Cirino — Nobilys Group

Gouverner l’IA comme un portefeuille d’investissements

Tue, 14 Jul 2026 13:55:44 GMT

Un comité exécutif n'approuverait vraisemblablement pas l’investissement dans une nouvelle ligne de production sans un dossier complet: un porteur, des hypothèses, un rendement attendu, des alternatives comparées et un retour sur investissement.

Les initiatives d'intelligence artificielle échappent souvent à cette discipline.

Elles se financent par petits montants - une licence ici, un pilote là, un prestataire ailleurs - logés dans les frais informatiques ou le budget innovation, chacun sous le seuil qui déclencherait un examen approfondi.

Prises isolément, elles passent sous le radar, mais cumulées, elles constituent un investissement réel - rarement gouverné comme tel.

Il y a pourtant une différence avec l’exemple de la nouvelle usine, et elle joue en faveur de l'IA : une usine engagée, on la termine alors qu’une initiative IA peut généralement être arrêtée tôt, et à faible coût.

L'arrêt bon marché est rare en matière d'investissement. Mais cette option n'a de valeur que si les conditions d'arrêt ont été fixées avant le premier euro dépensé - et beaucoup d'entreprises y renoncent sans même l'avoir décidé.

Transformer ce flux dispersé en décisions d'allocation - lancer, préparer, différer ou écarter - est un travail de méthode.

Partir de l'entreprise, pas de la technologie

La question « où pouvons-nous utiliser l'IA ? » est récurrente et produit souvent le même résultat : une longue liste d'opportunités difficiles à comparer et à prioriser.

L'autre approche consiste à l'articuler d'une autre manière : quelles décisions devrions-nous prendre de manière plus rapide et plus précise pour améliorer notre performance ? Quels événements n'auraient plus de poids sur nos coûts s'ils étaient mieux anticipés ? Quelles actions concrètes pourrions-nous prendre afin renforcer notre position sur notre marché ?

Les réponses varient d'une entreprise à l'autre : pour certaines ce sera la marge, pour d'autres le fonds de roulement, la disponibilité des équipements, la continuité d'approvisionnement, le risque client ou la précision des prévisions.

Aucune de ces questions ne mentionne l' intelligence artificielle - et c'est là leur force : elles partent du résultat recherché, non du moyen. L'intelligence artificielle ne constitue pas une stratégie autonome.

Une initiative n'a de valeur que lorsqu'elle améliore suffisamment une décision, un processus ou un résultat pour justifier les ressources et les risques engagés.

Le recours à un modèle d’IA avancé n'en est pas, à lui seul, une garantie.

Ce principe à priori évident est pourtant contourné dès lors qu'un projet commence par une solution disponible ou un fournisseur convaincant, le problème métier étant reconstruit ensuite pour justifier l'initiative.

Quatre niveaux d'ambition qu'il ne faut pas mélanger

Avant toute évaluation, chaque initiative doit être située sur son niveau d'ambition réel, car ces niveaux n'exigent ni les mêmes données, ni les mêmes investissements, ni la même gouvernance.

Le premier niveau est l' automatisation : confier à la machine des tâches répétitives et récurrentes - classer des demandes, extraire les données d'un document, traiter une saisie.

Le deuxième est l' optimisation : améliorer un processus opérationnel ou commercial existant - un taux de service, le rendement d'une ligne, les ventes additionnelles ou croisées. La frontière entre les deux est nette : dans le premier cas, la machine exécute la tâche ; dans le second, le processus reste conduit par l'organisation, mais ses paramètres s'améliorent.

Le troisième niveau est la qualité de décision : mieux anticiper, mieux arbitrer, détecter un risque plus tôt - c'est là que se logent la prévision de demande, le risque fournisseur, la maintenance prédictive.

Le quatrième est la transformation : modifier en profondeur un processus, une organisation ou un modèle d'activité.

Ce dernier niveau est aussi le plus rare, et ce n'est pas un hasard : les critères qui rendent un problème apte à l'IA - une décision qui se répète, des données accumulées à chaque occurrence, un impact mesurable - sont précisément ceux qu'une transformation, par nature unique et chargée de jugement, remplit le moins. Elle relève d'abord de la stratégie ; l'IA n'y est qu'un instrument parmi d'autres.

Cette hiérarchie protège contre deux erreurs symétriques : présenter des gains locaux d'automatisation comme une transformation stratégique, et lancer un projet transformant alors que les données, les processus et l'organisation ne sont pas prêts. Beaucoup de déceptions sur les initiatives IA trouvent leur origine dans cette confusion initiale.

La méthode en trois temps

Situer l'ambition ne suffit pas : il faut ensuite comparer les initiatives entre elles, les confronter aux données réelles et en tirer des décisions. C'est pour organiser ce passage que nous avons construit, chez Nobilys, une méthode en trois temps, appuyée sur notre grille d'analyse.

Elle ne requiert ni programme lourd ni infrastructure nouvelle : elle travaille avec ce que l'entreprise possède déjà - ses priorités, les idées de ses équipes, ses données.

Cadrer.

Les priorités économiques et les contraintes sont fixées avec la direction ; les idées et initiatives sont recueillies auprès des équipes - car ce sont elles qui connaissent les décisions prises avec trop peu d'information, les tâches qui absorbent du temps et les événements qu'il serait utile d'anticiper. Mais cette remontée doit être structurée : un cas d'usage formulé comme « utiliser l'IA dans les achats » n'est pas exploitable ; formulé comme « détecter plus tôt les risques de rupture fournisseur pour réduire les arrêts de production et les achats d'urgence », il peut être évalué. En parallèle, l'état exact du patrimoine de données est établi : historiques, profondeur, qualité. La qualité de la stratégie dépend directement de la qualité de formulation des problèmes.

Qualifier.

Chaque cas d'usage est évalué en session de travail selon les trois axes de la grille. La valeur attendue, reliée à des résultats observables - marge, coûts, stocks, taux de service, pertes évitées - et pondérée par la fréquence du problème : une prédiction précise sur un événement rare ou sans action possible vaut moins qu'un modèle imparfait appliqué à une décision fréquente et économiquement importante. La faisabilité, qui n'est pas la disponibilité de la technologie - elle existe presque toujours - mais celle des conditions pour l'utiliser : données réellement mobilisables, compétences, capacité d'intégration au processus existant. Et le risque d'exécution : nombre de fonctions concernées, transformation de processus requise, acceptation par les utilisateurs, clarté du propriétaire métier, capacité à passer du pilote au déploiement. Deux initiatives d'impact comparable peuvent avoir des probabilités de succès très différentes ; ce troisième regard est ce qui sépare une matrice d'atelier d'un véritable outil d'aide à la décision.

Vérifier & restituer.

Une matrice construite en salle reste une représentation des convictions de l'organisation. Pour les initiatives les mieux positionnées, il faut éprouver les données elles-mêmes : extractions de test, historiques réels, taux de données manquantes, cohérence des définitions, fréquence des événements à prédire. Cette confrontation corrige des illusions dans les deux sens - une initiative jugée simple devient irréaliste faute d'historique ; une autre, jugée difficile, s'avère accessible parce que ses données sont déjà structurées. C'est ce qui établit la matrice finale et transforme une discussion stratégique en décision d'investissement documentée. La direction reçoit la feuille de route - et tranche.

Lancer, préparer, différer, écarter

À l'issue du processus, chaque initiative reçoit un verdict.

Lancer.

L'impact est suffisant, la faisabilité confirmée sur données réelles, le risque maîtrisable - l'initiative entre en preuve de valeur, avec des critères d'arrêt définis avant le premier euro.

Préparer.

Le potentiel est élevé mais un prérequis manque - qualité des données, historique, processus stabilisé, responsabilités ; le travail prioritaire porte alors sur ces conditions, pas sur le modèle.

Différer.

Le cas est pertinent mais pas prioritaire au regard des ressources et de la maturité ; différer est une décision explicite, datée et motivée.

Écarter.

L'impact est trop faible, le risque disproportionné - ou une solution plus simple existe. Une automatisation classique, une évolution de processus - ou la décision de ne rien changer - produisent parfois davantage de valeur, plus vite et avec moins de risques. Une stratégie crédible doit pouvoir conclure que l'IA n'est pas la bonne réponse, et nommer ce qui l'est.

Les deux dernières décisions sont les moins populaires et les plus créatrices de valeur : elles libèrent les ressources, l'attention des métiers et le soutien de la direction pour le petit nombre d'initiatives capables de produire une preuve crédible. Multiplier les pilotes disperse tout cela - et un pilote réussi n'est pas celui qui produit une démonstration convaincante, mais celui qui permet à la direction de décider en connaissance de cause : arrêter, corriger, poursuivre ou déployer.

Le métier porte le résultat

Pour chaque initiative retenue, un propriétaire métier porte le résultat économique - pas seulement le projet. L'équipe data peut développer le modèle, l'IT garantir l'infrastructure, un fournisseur livrer une solution ; mais si le métier ne porte pas la décision améliorée et la valeur produite, l'IA restera périphérique, quelle que soit la qualité technique.

Conclusion

Une stratégie d'intelligence artificielle ne se mesure ni au nombre d'idées recensées, ni aux pilotes lancés, ni aux licences acquises. Elle se mesure à la qualité des choix qu'elle permet - y compris celui de renoncer. À l'issue du processus, l'entreprise ne dispose pas d'un discours supplémentaire sur l'IA, mais d'un portefeuille hiérarchisé, de responsables identifiés, de prérequis à lever et d'un ordre de marche.

Elle dispose d'un plan.

Christian Cirino - Nobilys Group

L'échec des projets IA commence avant le premier modèle

Tue, 14 Jul 2026 13:05:40 GMT

This is a subtitle for your new post

Selon le MIT (The GenAI Divide: State of AI in Business 2025), 95% des organisations n'obtiennent aucun retour mesurable de leurs investissements en IA générative - après 30 à 40 milliards de dollars engagés. On peut discuter la méthodologie de l'étude ; l'ordre de grandeur, lui, correspond à ce que nous observons sur le terrain. Et la cause est rarement la technologie. L'échec commence bien avant le premier modèle.

Un précédent instructif

Ce phénomène n'est pas né avec l'IA. Un cas que nous avons observé de près, bien avant la vague actuelle : le déploiement d'un outil de business intelligence dans un groupe industriel. Objectifs jamais définis, rôles jamais attribués, formation et développements menés dans la précipitation. Résultat : des milliers de rapports, chacun utilisable par la seule personne qui l'avait créé. L'outil fonctionnait parfaitement. Mais les chiffres qui en sortaient n'inspiraient aucune confiance - non parce qu'ils étaient faux, mais parce que les rapports, mal configurés, mesuraient souvent autre chose que ce qu'on croyait mesurer.

Remplacez « rapport » par « modèle », et vous retrouvez l'anatomie de bien des échecs IA actuels. Avec des budgets plus élevés et des attentes plus grandes.

Une chaîne de défaillances, pas un accident

Les initiatives IA échouent rarement pour une seule raison. Les défaillances s'enchaînent, et chacune prépare la suivante.

Le problème n'est pas défini.

L'entreprise veut « accélérer sur l'IA » - mais quelle décision doit être améliorée ? Quelle performance doit évoluer : marge, cash, stock, délai, qualité ? Une intention technologique n'est pas une stratégie. La bonne question n'est pas « où pouvons-nous utiliser l'IA ? », mais « quelle décision importante prenons-nous aujourd'hui avec trop peu de précision, d'anticipation ou de discipline?»

Les cas d'usage sont choisis pour leur visibilité, pas pour leur valeur.

Le rapport du MIT documente ce biais : les budgets d'IA générative se concentrent massivement sur les fonctions vente et marketing - les plus faciles à démontrer en comité - alors que les gains les plus tangibles qu'il observe se situent dans les fonctions moins visibles : automatisation documentaire, finance, achats, réduction du recours aux prestataires externes. Une interface conversationnelle se démontre facilement en comité de direction. Un cas d'usage sur les rebuts, le fonds de roulement ou la précision des prévisions est moins spectaculaire - et souvent plus rentable. C'est un problème d'allocation du capital, pas de technologie.

La réalité des données est surestimée.

Une entreprise peut être riche en données et pauvre en données utilisables. ERP, CRM, historiques, milliers de feuilles de calcul - mais des définitions divergentes d'un même indicateur, des historiques incomplets, des corrections manuelles non traçables, et souvent personne qui porte la qualité de la donnée à la source. Une donnée importante sans propriétaire réel reste une donnée fragile. La qualité d'une donnée ne se mesure pas dans l'absolu ; elle se mesure par rapport à la décision qu'on cherche à améliorer.

Le pilote démontre une performance technique, pas une valeur économique.

La précision d'un modèle ne dit rien de la valeur créée. Il faut relier performance technique, décisions modifiées, coût des actions déclenchées, fausses alertes, coûts d'intégration et de maintenance. Un modèle performant peut ne rien rapporter s'il intervient trop tard ; un modèle imparfait peut être précieux s'il améliore suffisamment une décision importante. Une démonstration n'est pas une décision de capital.

La décision n'est pas transformée.

Un score apparaît dans un tableau de bord, une alerte est envoyée. Mais qui agit ? Dans quel délai ? Selon quelle règle ? Un modèle de risque client ne recouvre aucune créance ; un modèle de maintenance prédictive ne répare aucun équipement. La valeur ne réside pas dans la prédiction - elle réside dans la décision et l'action qu'elle modifie. Sans redessiner le processus, l'IA devient une couche d'information supplémentaire. Comme ces milliers de rapports que personne n'ouvrait.

Personne ne porte le résultat de bout en bout.

L'équipe data porte le modèle, le métier attend une solution, l'IT garantit l'infrastructure, le fournisseur livre un outil. Quand chacun porte une composante, personne ne porte l'ensemble. Le passage à l'échelle révèle alors tout ce que le pilote avait masqué : diversité des systèmes, coûts récurrents, adoption réelle. Le rapport du MIT observe que les initiatives menées avec des partenaires spécialisés atteignent le déploiement nettement plus souvent que les développements internes - tout en notant lui-même que cet écart peut refléter la maturité des organisations autant que le choix entre construire et acheter. Dans les deux cas, la leçon est la même : le passage à l'échelle est régulièrement sous-estimé.

Les cinq questions que le board devrait poser

Avant de financer ou d'étendre une initiative IA :

Quelle décision ou quelle performance cherchons-nous à améliorer ?
Quelles données sont nécessaires, et dans quel état se trouvent-elles réellement ?
Comment la valeur économique sera-t-elle mesurée ?
Qui porte le résultat de bout en bout ?
Quelles conditions déclencheront l'arrêt, la correction ou le déploiement ?

Si ces cinq questions n'ont pas de réponse explicite, le projet n'est pas prêt à être financé - quelle que soit la qualité de la technologie proposée.

Gouverner l'IA comme un investissement

L'IA ne doit être ni banalisée comme un outil informatique, ni sanctuarisée comme une transformation inévitable. Elle doit être gouvernée comme un investissement : des hypothèses, des preuves, des seuils, et le courage d'arrêter ce qui ne les franchit pas.

C'est précisément ce qu'un diagnostic de priorisation doit trancher avant tout engagement de capital : quelles décisions méritent l'IA, dans quel ordre, et sur quelles données réelles.

Le reste - le modèle, la plateforme, le fournisseur - vient après.

L'IA utile n'est pas celle qui impressionne.

C'est celle qui améliore une décision.

Christian Cirino - Nobilys Group

Sources: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf