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