Ce guide rassemble le cadre analytique que Nobilys applique dans ses missions de conseil, de la première lecture d'une initiative IA jusqu'à sa gouvernance à l'échelle du portefeuille.
Cette page n'est pas indexée. Vous y accédez parce que vous avez rencontré Nobilys.
Les concepts qui comptent pour les dirigeants qui investissent dans l'intelligence artificielle .
Faits
avant narratifs ·
Impact avant technologie ·
Preuves avant déploiement ·
Gouvernance avant industrialisation
Commencer la lecture
01 Ce qu'est l'IA, et ce qu'elle n'est pas.
Suffisamment de clarté technique pour poser les bonnes questions business.
Dans cette section
comment l’IA fonctionne → ce qu’elle voit réellement → ses grandes familles → ce qu’elle peut apporter à l’entreprise.
A- L'IA est "une machine à prédictions"
Derrière la prévision de la demande, la détection de fraude, les alertes de maintenance ou les modèles de langage, un seul mécanisme se répète: estimer un résultat à partir de données existantes.
Selon les cas, ce résultat peut être un mot, une classe, une probabilité, une anomalie ou une recommandation. Les questions sont différentes, mais la logique reste la même: réduire une part d’incertitude à partir de signaux observables.
L’IA prédit, classe, score ou génère. Elle ne décide pas seule de la valeur créée.
-
B- L’IA apprend des données, pas de la réalité
Un modèle ne voit jamais la réalité elle-même.
Il voit la trace enregistrée de ce que l’entreprise mesure, stocke et rend disponible.
Cela a une conséquence majeure : plus de données ne signifie pas automatiquement plus d’intelligence.
Ce qui compte, c’est la qualité des données mobilisées :
leur pertinence, leur fiabilité, leur représentativité, leur fraîcheur, leur accessibilité et leur usage licite.
Une entreprise peut être riche en données et pauvre en données réellement utilisables.
-
C- L’IA n’est pas une stratégie
L’IA ne remplace ni un diagnostic métier clair ni une démonstration de valeur.
Un modèle peut être performant, mais si personne n’agit sur son résultat, si le processus ne change pas, ou si une solution plus simple suffit, la valeur reste théorique.
La bonne question à se poser:
Quelle décision ou quelle tâche pouvons-nous améliorer, et l’IA est-elle réellement la meilleure option?
D- Les grandes familles de l’IA
Toutes les IA ne font pas la même chose.
Le choix de la technologie dépend du type de problème à résoudre, pas de la popularité de l’outil.
L’intelligence artificielle regroupe plusieurs familles de technologies qui ne répondent pas aux mêmes problèmes.
Le Machine Learning apprend des régularités à partir de données pour prévoir, classer ou détecter. C’est le cas, par exemple, d’un modèle de churn, d’une prévision de demande ou d’un système de détection de fraude.
Le Deep Learning, qui repose sur des réseaux de neurones, est particulièrement adapté aux données complexes comme les images, le son ou le langage.
L’IA générative se distingue par sa capacité à produire ou transformer du contenu : texte, image, audio, vidéo ou code.
Les Large Language Models (LLM) constituent une famille de modèles génératifs spécialisés dans le langage.
Le schéma ci-contre donne une représentation simplifiée de l'écosystème moderne de l'IA.
Il faut enfin distinguer les modèles des produits.
ChatGPT, Claude, Gemini ou Copilot ne sont pas des catégories d’IA : ce sont des produits construits à partir de modèles, souvent enrichis par d’autres composants, données, interfaces et règles d’usage.
E- Signal. Contenu. Action.
Au-delà des familles technologiques, l’IA peut contribuer principalement de trois manières:
elle peut produire un signal, créer ou transformer du contenu, ou contribuer à l’exécution d’une action.
Ces trois formes peuvent se combiner dans un même processus.
Fin de section
Ce qu’est l’IA, et ce qu’elle n’est pas
02 Une décision d'investissement.
La technologie vient après la décision à améliorer et la valeur à démontrer.
Dans cette section
quelle décision améliorer ? → quelle capacité utiliser ? → quelle autonomie accorder ? → quelles décisions se prêtent réellement à l’IA ?
A- Deux questions avant de parler technologie
B- Choisir la capacité adaptée
Chaque situation appelle la capacité la plus adaptée, et ce n’est pas toujours l’IA.
Quelques exemples de capacités utilisables dans les situations rencontrées.
01
ANALYTIQUE
Comprendre ce qui se passe.
Afficher, agréger, comparer, expliquer.
BI · tableaux de bord · reporting
02
RÈGLES
Appliquer une logique connue et stable
Si A et B sont vrais, alors exécuter C.
Règles métier · seuils fixes
03
IA PRÉDICTIVE
Réduire une incertitude
Prévoir, classifier, détecter, scorer.
Machine Learning
04
IA GÉNÉRATIVE
Interpréter ou produire du contenu
Résumer, extraire, reformuler, générer.
LLM · modèles multimodaux
Une amélioration de processus, une règle métier, une automatisation (ou même la décision de ne pas intervenir) peuvent parfois créer la même valeur plus simplement.
Choisir la capacité la plus simple qui permet d’obtenir le résultat recherché.
C- Choisir le niveau d'autonomie accordé à l'IA
01
HUMAIN AUX COMMANDES
Le système informe.
L’humain décide et agit.
Décision : humain
Action : humain
Responsabilité : humain
02
IA ASSISTÉE
L’IA recommande, score ou propose.
L’humain vérifie avant l’action.
Décision finale : humain
Action : humain ou workflow validé
Responsabilité : humain
03
AUTOMATISÉ
Des étapes prédéfinies sont exécutées sans validation humaine au cas par cas.
Décision : règles ou logique prédéfinie
Action : système
Humain : surveillance et exceptions
04
IA AGENTIQUE
Le système peut sélectionner et exécuter différentes étapes pour atteindre un objectif dans un cadre défini.
Choix des étapes : système
Action : système
Humain : objectifs, permissions, garde-fous, contrôle
Le niveau d’autonomie doit rester compatible avec le coût de l’erreur,
sa réversibilité et la responsabilité de la décision.
Choisir le niveau d’autonomie le plus faible qui permet de capturer la valeur de manière fiable.
Plus d’autonomie n’est pas un signe de maturité. C’est un choix de conception.
D- Toutes les décisions ne se prêtent pas de la même manière à l’IA
STRATÉGIQUE
Rare · Unique ·
Très contextuelle
L’IA peut surtout éclairer le jugement.
TACTIQUE
Répétée · Riche en données ·
Valeur significative
Souvent adaptée à l’assistance.
OPÉRATIONNELLE
Fréquente · Répétable ·
Mesurable
Souvent favorable à l’IA ou à l’automatisation.
MICRO-DÉCISION
Individualisée · Très grand volume · Répétée à l’échelle
Souvent particulièrement adaptée à l’IA.
Plus une décision est répétée, observable et mesurable, plus les conditions sont favorables à l’IA.
Fin de section
Une décision d'investissement.
03 De l’output au résultat
Un modèle doit mener à une décision pour apporter de la valeur.
Dans cette section
comment un résultat produit par l’IA devient une décision → pourquoi il doit démontrer un gain par rapport à l’existant → comment traduire les erreurs en impact économique → quelles conditions permettent réellement de capturer la valeur.
A- L’IA produit un résultat. L’organisation crée la valeur.
Données
Output IA
Prévision · Probabilité · Score · Alerte ·
Contenu généré
Évaluation humaine ou système
Décision
Action
Résultat économique
Marge · Cash · Coûts · Qualité · Service · Risque
Un modèle peut produire une prévision très précise, une alerte pertinente ou un excellent résumé. Aucun de ces résultats ne constitue encore, en soi, de la valeur économique.
Entre l’output et le résultat final se trouvent plusieurs étapes que le modèle, à lui seul, ne garantit pas : interpréter le résultat, décider s’il justifie une action, choisir cette action, l’exécuter et en porter la responsabilité.
Ce que le modèle ne fait pas seul
- définir l’objectif économique ;
- déterminer si son résultat justifie une action ;
- fixer seul le coût d’erreur acceptable ;
- garantir que l’organisation agira ;
- porter la responsabilité du résultat.
L’IA produit un résultat intermédiaire.
L’organisation crée la valeur.
B- Trois conditions pour créer de la valeur
Un modèle peut être précis et néanmoins détruire de la valeur.
La technologie identifie une opportunité.
L’organisation transforme cette opportunité en résultat.
C- Une manière simple de raisonner sur la valeur capturable
Valeur en jeu
× fréquence
× capacité d’action
× efficacité de l’intervention
− coût des actions
− coût des erreurs
− coût de mise en œuvre
=
Valeur réellement capturable
Fin de section
De l’output au résultat
04 Comment identifier une initiative solide
Trois dimensions, une grille de décision.
Dans cette section
formuler une initiative mesurable → l’évaluer sur trois dimensions → identifier les principaux risques → la positionner dans la matrice → vérifier les hypothèses avant de décider
A- Transformer une idée en initiative évaluable.
B- Évaluer l’initiative au travers de trois dimensions
C- L'échec des projets IA commence avant le premier modèle
Lorsque les initiatives IA échouent, la cause est rarement le modèle seul.
La stratégie, les fondations et l’ownership déterminent souvent l’issue.
L’IA précède le diagnostic business
La réponse est arrivée avant la question.
La visibilité passe avant la valeur
Le projet est facile à montrer ; sa contribution économique est floue.
Les données sont supposées, pas vérifiées
Historique, qualité, définitions, accès et ownership sont pris pour acquis.
Seule la preuve technique existe
La performance du modèle est démontrée ; l’impact sur la décision, la valeur nette et l’action possible ne le sont pas.
Le processus de décision reste inchangé
Le modèle est ajouté, mais les règles, rôles et comportements restent les mêmes.
Pas de responsabilité clairement établie
Data, IT, fournisseur et métier possèdent chacun un morceau ; personne ne porte le résultat.
D- Positionner l’initiative dans la matrice de priorisation Nobilys
Impact et faisabilité donnent la position initiale.
Le risque d’exécution détermine si cette position est réellement actionnable.
Cette position est préliminaire. Les initiatives prioritaires doivent être confrontées aux données réelles avant toute décision d’investissement.
E- Vérifier avant de décider
01
CADRER
Priorités économiques · initiatives · contexte · patrimoine de données
02
ÉVALUER
Valeur attendue · faisabilité · risque d’exécution
03
VÉRIFIER
Extraits réels · historiques · données manquantes · cohérence des définitions · fréquence réelle des événements
Une matrice construite en salle représente encore les convictions de l’organisation.
La confrontation aux données réelles transforme ces convictions en éléments de décision.
Cette vérification peut corriger les hypothèses dans les deux sens :
- une initiative jugée simple peut devenir irréaliste faute d’historique ;
- une autre, perçue comme difficile, peut s’avérer accessible parce que les données sont déjà structurées.
4 décisions finales
DIFFÉRER
Le cas est pertinent, mais pas prioritaire maintenant.
Une décision explicite,
motivée et datée.
ÉCARTER
Impact trop faible · risque disproportionné · ou solution plus simple disponible.
Une automatisation, une évolution de processus ou la décision de ne rien changer peuvent parfois créer davantage de valeur.
Écarter une initiative IA n’est pas un échec.
C’est une décision d’allocation de ressources.
Fin de section
Comment identifier une initiative solide
05 Gouverner l'IA comme un portefeuille d'investissements.
Une question d'allocation de capital, pas d'informatique.
Dans cette section
rendre visibles les engagements → préserver la possibilité d’arrêter → arbitrer les ressources → clarifier qui possède et surveille chaque initiative → maîtriser les usages hors cadre
A- Ce que les petits engagements peuvent cacher
Pris séparément
- licences Copilot ou autres assistants ;
- abonnements à des outils spécialisés ;
- pilote confié à un prestataire ;
- développement interne ;
- consommation cloud ou API ;
- temps des équipes data et IT ;
- expérimentation financée par une fonction.
Chaque engagement peut rester sous les seuils habituels d’approbation.
Pris ensemble
Ils mobilisent pourtant :
Budget · Capacité IT · Données · Temps métier ·
Attention du management ·
Capacité de changement · Risque
Ce qui paraît marginal initiative par initiative peut devenir un investissement significatif à l’échelle de l’entreprise.
Pour chaque initiative active, le management devrait pouvoir identifier :
| Responsable métier | Qui porte le résultat ? |
|---|---|
| Hypothèse de valeur | Quelle amélioration attendons-nous ? |
| Preuves disponibles | Qu’avons-nous réellement démontré ? |
| Engagement cumulé | Combien avons-nous déjà engagé ? |
| Prérequis clé | Qu’est-ce qui manque encore ? |
| Prochaine décision | Quand réévaluons-nous l’initiative ? |
| Conditions d’arrêt | Qu’est-ce qui nous ferait arrêter ? |
B- Conserver la possibilité d’arrêter
Une initiative IA présente un avantage rare en matière d’investissement :
elle peut souvent être arrêtée tôt, avant que des moyens importants aient été engagés.
À la différence d’un investissement physique déjà construit, il est souvent possible de tester, observer et décider avant d’aller plus loin.
Mais cette option n’existe réellement que si l’organisation définit avant de commencer :
- la preuve attendue ;
- l’engagement maximum accepté avant cette preuve ;
- la date ou le moment de la prochaine décision ;
- les critères de poursuite, de correction ou d’arrêt.
La possibilité d’arrêter à faible coût perd toute sa valeur si les critères d’arrêt ne sont discutés qu’après avoir investi.
Avant de commencer, pouvoir répondre à quatre questions :
Quelle preuve attendons-nous ? · Combien sommes-nous prêts à engager ? ·
Quand déciderons-nous ? · Qu’est-ce qui nous ferait arrêter ?
C- Arbitrer les ressources dans le temps
Une fois le portefeuille constitué,
comment les ressources doivent-elles évoluer entre les initiatives ?
Le but n’est pas de faire davantage d’IA.
Il est de concentrer les moyens sur les quelques initiatives qui méritent d’être testées, poursuivies puis déployées plus largement.
D- Qui est le garant de l'initiative?
Une initiative ne devient pas gouvernée parce qu’un comité l’a approuvée.
Elle l’est lorsque les responsabilités, les contrôles et le pouvoir d’arrêter sont explicites.
01
RESPONSABLE MÉTIER
Possède la décision, l’usage et la valeur créée.
02
RESPONSABLE TECHNIQUE
Assure le fonctionnement, l’intégration et la performance technique.
03
DATA / RISK / LEGAL selon le cas
Assurent qualité des données, sécurité, conformité et contrôles nécessaires.
04
SPONSOR / MANAGEMENT
Arbitre l’investissement, accepte le niveau de risque et peut décider de poursuivre, suspendre ou arrêter.
Sans responsable métier, monitoring et capacité d’arrêt,
un système ne devrait pas être déployé largement.
E- Usage gouverné vs Shadow AI
QUelques chiffres donnent une idée de la réalité en entreprise
Source: LayerX, Enterprise AI and SaaS Data Security Report 2025.
45%
des employés utilisent des outils d’IA générative au travail.
77%
des employés copient/collent des données dans des prompts GenAI.
82%
de ces copier-coller sont effectués depuis des comptes personnels ou non gérés.
La gouvernance ne concerne pas seulement les projets officiellement approuvés.
Elle doit aussi tenir compte des usages qui apparaissent spontanément dans l’organisation.
Le choix réel est rarement « IA ou pas d’IA ».
Il est souvent « usage gouverné ou usage non maîtrisé ».
La voie approuvée doit être suffisamment simple et
utile pour ne pas faire du contournement l’option la plus efficace.
Fin de section
Gouverner l'IA comme un portefeuille d'investissements
06 Des applications pour créer de la valeur.
Des cas d'usage documentés et concrets.
Dans cette section
voir où l’IA peut créer de la valeur → comprendre la décision améliorée → identifier la contribution de l’IA → garder en tête les conditions de réussite
Un cas d’usage n’est pas intéressant parce qu’il utilise une technologie avancée.
Il l’est lorsqu’il améliore une décision ou un processus de manière suffisamment mesurable pour justifier son coût et son risque.
Les exemples ci-dessous illustrent différentes logiques de création de valeur.
Ils ne constituent pas une liste exhaustive ni des recommandations universelles.
Fidélisation / risque de départ client
Le cas
Un acteur e-commerce voyait une partie de ses clients quitter la plateforme. L’enjeu était d’identifier suffisamment tôt ceux présentant un risque élevé de départ pour concentrer les actions de rétention là où elles pouvaient encore avoir un effet.
Décision à améliorer
Quels clients méritent une intervention commerciale prioritaire avant que la relation ne se dégrade davantage ?
Contribution possible de l’IA
Identifier des signaux de désengagement et prioriser les clients selon leur niveau de risque.
Approche IA
IA prédictive - classification supervisée / scoring de propension au départ
Modèle retenu dans l’exemple
Gradient Boosting, après comparaison avec une règle métier, une régression logistique et un Random Forest.
Le choix a été fait sur la performance économique, pas sur la sophistication technique.
Valeur recherchée
Mieux concentrer l’effort commercial et protéger la marge ou le revenu.
Point de vigilance
Identifier un client à risque ne crée de valeur que si une action de rétention pertinente est possible.
Cross-selling
Le cas
Un distributeur de pièces détachées disposait d’un historique important de transactions et cherchait à identifier des offres complémentaires pertinentes pour ses clients plutôt que de recommander les mêmes catégories à tout le monde.
Décision à améliorer
Quelles offres complémentaires proposer à quels clients pour générer une marge additionnelle rentable ?
Contribution de l’IA
Identifier dans l’historique transactionnel les catégories de produits fréquemment achetées ensemble et générer des opportunités de recommandation ciblées.
Approche IA
Apprentissage non supervisé - détection de patterns d’achat.
Modèle retenu dans l’exemple
Règles d’association, comparées à une baseline simple consistant à recommander les catégories globalement les plus rentables.
Valeur recherchée
Augmenter la marge par un meilleur ciblage des actions commerciales.
Point de vigilance
Une opportunité identifiée n’est pas une vente. La valeur dépend de la conversion réelle, de la marge et du coût de l’action commerciale.
Prévision de la demande
Le cas
Un distributeur européen, opérant sur plusieurs sites et produits, pilotait ses réapprovisionnements à partir de moyennes mobiles trimestrielles. Cette méthode lissait une partie de la saisonnalité et contribuait simultanément à des ruptures sur certains produits et à du surstock sur d’autres.
Décision à améliorer
Combien prévoir et réapprovisionner par produit, site et période afin d’équilibrer niveau de service et stock ?
Contribution de l’IA
Produire des prévisions plus sensibles aux comportements historiques, aux tendances et à la saisonnalité.
Approche IA
Prévision prédictive - régression / modèles de forecasting.
Modèles testés dans l’exemple
Régression linéaire, Random Forest et Gradient Boosting.
Valeur recherchée
Réduire le stock excédentaire, libérer du Besoin en Fonds de Roulement et diminuer les pertes de marge liées aux ruptures.
Point de vigilance
Une meilleure prévision ne crée de valeur que si elle modifie réellement les décisions de réapprovisionnement et de planning.
Risque de retard fournisseur / continuité d’approvisionnement
Le cas
Dans un exercice portant sur des flux de fret aérien, l’enjeu était d’identifier suffisamment tôt les expéditions présentant un risque de retard afin de déterminer celles pour lesquelles une intervention préventive pouvait être économiquement justifiée. Il s’agit d’une démonstration méthodologique, pas d’un cas client.
Décision à améliorer
Quels flux méritent une action préventive avant que le retard ne devienne coûteux ?
Contribution de l’IA
Estimer la probabilité de retard et permettre de concentrer les interventions sur les situations où le risque économique le justifie.
Approche IA
Scoring prédictif - classification.
Modèle retenu dans l’exemple
Régression logistique.
Elle a été retenue face à une baseline globale, une règle simple basée sur la structure du transport, un Random Forest et un Gradient Boosting. Les modèles plus complexes n’apportaient pas de gain économique supplémentaire.
Valeur recherchée
Réduire les coûts liés aux retards et aux actions d’urgence tout en évitant d’intervenir inutilement sur tous les flux.
Point de vigilance
Le modèle le plus sophistiqué n’est pas nécessairement le plus utile. Ici, une approche statistique plus simple produisait le meilleur arbitrage économique.
Maintenance prédictive
Le cas
Dans un environnement industriel, une panne non planifiée peut entraîner arrêt de production, réparation urgente, pièces expédiées en urgence, heures supplémentaires et retards clients. L’enjeu est de savoir si les signaux machines permettent d’intervenir avant la panne. Il s’agit ici aussi d’une démonstration méthodologique.
Décision à améliorer
Sur quelles machines intervenir avant qu’une panne ne se produise ?
Contribution de l’IA
Combiner les signaux issus des équipements afin d’estimer leur risque de panne et prioriser les interventions préventives.
Approche IA
IA prédictive - classification supervisée sur données capteurs.
Modèle retenu dans l’exemple
Gradient Boosting, après comparaison avec une régression logistique et un Random Forest.
Mais le point essentiel n’est pas seulement le modèle : le seuil de décision a été déterminé économiquement en tenant compte du coût d’une panne manquée et du coût d’une fausse alerte.
Valeur recherchée
Réduire les arrêts non planifiés tout en évitant une maintenance préventive excessive.
Point de vigilance
Le meilleur seuil n’est pas celui qui détecte le maximum de pannes. C’est celui qui minimise le coût économique total des erreurs.
Détection de défauts qualité
Le cas
Une démonstration sur des produits manufacturés utilise des images pour distinguer les pièces conformes des pièces présentant différents types de défauts. L’exercice s’appuie sur le dataset MVTec AD ; ce n’est pas un cas client.
Décision à améliorer
Quels produits doivent être acceptés, rejetés ou envoyés en inspection complémentaire ?
Contribution de l’IA
Transformer les images en caractéristiques mesurables puis classer les produits selon leur conformité.
Approche IA
Analyse d’images + machine learning supervisé.
Modèle retenu dans l’exemple
Random Forest.
L’approche transforme chaque image en caractéristiques numériques de couleur, texture et contours, puis applique un modèle classique de classification. Le Random Forest a été retenu ; le Gradient Boosting, bien que très performant sur l’échantillon, présentait un risque de surapprentissage compte tenu du faible volume de données.
Valeur recherchée
Réduire les défauts non détectés, limiter les contrôles manuels et éviter le rejet inutile de produits conformes.
Point de vigilance
La performance du modèle ne peut pas être séparée des conditions physiques de prise d’image, du volume d’exemples disponibles et du coût des différents types d’erreur.
Le cas prévoit d’ailleurs explicitement de vérifier les conditions photo et de mener un pilote limité avant extension.
IA agentique / traitement de dossiers
Le cas
Un fonds d’investissement reçoit environ 600 dossiers par an dans des formats variés. Une grande majorité est éliminée dès le screening, mais l’équipe consacre une part importante de son temps à lire, structurer et préparer l’information avant même de pouvoir exercer son jugement d’investisseur.
Décision / processus à améliorer
Comment réduire le travail de préparation sans déléguer à l’IA la décision d’investissement ?
Contribution de l’IA
Lire les dossiers, extraire les informations clés, vérifier les éléments manquants, scorer selon les critères du fonds, préparer une première fiche d’analyse et rendre l’historique des décisions accessible.
Approche IA
IA générative + architecture agentique + règles et outils métier.
Architecture retenue dans l’exemple
Un agent intervient sur quatre capacités :
Lecture et extraction → scoring selon une matrice définie → génération d’une proposition structurée → mémoire et recherche dans l’historique.
Valeur recherchée
Réduire le temps consacré à la préparation des dossiers et réserver davantage de capacité à l’analyse, au challenge et au jugement humain. Le cas présente un potentiel de productivité de l’ordre de 20 % sur la gestion du deal flow.
Point de vigilance
L’agent prépare. L’équipe décide.
Autres cas d'usage
Finance / clôture
Finance / clôture
nombreuses écritures et contrôles répétitifs → concentrer la revue sur les anomalies → détection d’anomalies / règles statistiques.
Customer Service
Customer Service
demandes nombreuses et hétérogènes → déterminer la priorité, la catégorie ou la réponse à préparer → classification + IA générative.
Pricing
Pricing
nombreuses décisions de prix sous contraintes → éclairer ou optimiser le niveau de prix → modèles prédictifs / optimisation, avec la réserve explicite qu’une règle ou une méthode analytique peut parfois suffire.
Détection des fraudes
Détection des fraudes
volumes élevés de transactions avec quelques événements atypiques → décider quelles opérations investiguer → classification supervisée / détection d’anomalies.