Ingenosya.com

PAGE BLOG

L’intelligence artificielle peut automatiser certaines tâches, faciliter l’analyse des données et assister les collaborateurs. Mais lancer un projet IA en entreprise ne consiste pas simplement à choisir un modèle, une API ou un outil.

La réussite d’un projet d’intelligence artificielle dépend d’abord de sa capacité à répondre à un besoin métier clairement identifié. Les données disponibles, les systèmes existants, les utilisateurs, la sécurité, les compétences et les ressources nécessaires doivent également être pris en compte dès les premières étapes.

Sans cadrage précis, une expérimentation peut rester au stade de prototype, générer des coûts supplémentaires ou ne pas produire les résultats attendus.

Les 10 erreurs présentées dans cet article constituent une sélection de points de vigilance, et non une liste exhaustive de tous les pièges possibles. Elles ont pour objectif de sensibiliser les entreprises aux difficultés qu’elles peuvent rencontrer et de les aider à mieux préparer leur projet avant de passer au développement.

Découvrez ces erreurs courantes et les bonnes pratiques pour vérifier si votre projet IA est prêt à passer à l’étape suivante.

1. Choisir une technologie avant de définir le besoin métier

L’IA générative, les assistants intelligents, le machine learning, l’analyse prédictive ou l’automatisation peuvent répondre à des problématiques très différentes.

Pourtant, une erreur fréquente consiste à commencer par la technologie : choisir un modèle ou une solution, puis chercher ensuite un usage auquel l’entreprise pourrait l’appliquer.

La démarche devrait plutôt commencer par un problème métier concret.

Il peut s’agir, par exemple, de :

  • Réduire le temps consacré à des tâches répétitives ;
  • Automatiser un traitement manuel ;
  • Améliorer la gestion des demandes clients ;
  • Analyser rapidement un volume important de données ;
  • Faciliter le traitement de documents ;
  • Assister les collaborateurs dans certaines décisions.

Le cas d’usage doit ensuite être associé à un objectif mesurable et, lorsque cela est possible, à une première estimation du bénéfice attendu.

Exemple

Une entreprise traite manuellement plusieurs centaines de documents chaque semaine. Plutôt que de commencer par rechercher le dernier modèle d’IA disponible, elle peut d’abord identifier le problème : le temps consacré à la classification et à l’extraction des informations.

L’objectif peut alors être de réduire le temps de traitement ou d’améliorer la capacité de l’équipe à traiter les documents.

L’estimation initiale n’a pas besoin d’être parfaitement précise. Elle sert surtout de référence pour déterminer si le projet mérite d’être poursuivi et pour comparer les résultats obtenus après sa mise en œuvre.

Le bénéfice peut prendre différentes formes :

  • Temps économisé ;
  • Réduction des erreurs ;
  • Augmentation de la capacité de traitement ;
  • Amélioration de la qualité du service ;
  • Réduction de certaines tâches manuelles.

La démarche peut ainsi être résumée :

Besoin métier → objectif → bénéfice attendu → cas d’usage → faisabilité → solution technologique.

2. Négliger la qualité et la disponibilité des données

Les données constituent un élément central de nombreux projets d’intelligence artificielle.

Des informations incomplètes, obsolètes, dupliquées ou mal structurées peuvent limiter la pertinence d’une solution. Avant de commencer le développement, il est donc nécessaire de réaliser un état des lieux des données disponibles.

Les sources peuvent notamment se trouver dans :

  • Un ERP ;
  • Un CRM ;
  • Une base de données ;
  • Des logiciels métiers ;
  • Des documents internes ;
  • Des historiques de demandes ;
  • Des applications utilisées par les équipes.

Il faut ensuite vérifier plusieurs éléments :

  • La qualité des données ;
  • Leur format ;
  • Leur disponibilité ;
  • Leur accessibilité ;
  • Leur actualisation ;
  • Les conditions dans lesquelles elles peuvent être utilisées.

Il faut également déterminer qui peut accéder aux informations, quelles données peuvent être traitées et où elles sont stockées.

Une solution IA ne peut pas automatiquement compenser l’absence de données pertinentes.

Cette analyse permet donc de détecter les contraintes avant le développement et de vérifier que les données disponibles permettent réellement de répondre au cas d’usage identifié.

3. Réduire l’intelligence artificielle à un sujet informatique

L’équipe informatique joue un rôle important dans la conception et l’intégration d’une solution IA. Cependant, elle ne possède pas nécessairement seule la connaissance du processus métier concerné.

Les collaborateurs opérationnels connaissent les étapes du processus, les exceptions, les contraintes et les difficultés rencontrées au quotidien.

Un projet IA doit donc réunir plusieurs expertises.

Les équipes métiers peuvent définir :

  • Le besoin ;
  • Les contraintes opérationnelles ;
  • Les utilisateurs concernés ;
  • Les résultats attendus.

Les équipes techniques peuvent évaluer :

  • La faisabilité ;
  • L’architecture ;
  • Les données ;
  • Les intégrations ;
  • Les contraintes techniques et de sécurité.

Le responsable du projet assure quant à lui le suivi des objectifs, des ressources, des délais et des décisions.

Cette collaboration permet de vérifier qu’une solution techniquement fonctionnelle correspond réellement au processus qu’elle doit améliorer.

Une solution peut fonctionner sur le plan technique tout en étant peu adaptée aux pratiques réelles des utilisateurs.

La faisabilité technique doit donc toujours être complétée par une analyse métier.

4. Négliger l’adoption par les utilisateurs

Une solution IA peut modifier certaines habitudes de travail.

Les utilisateurs doivent comprendre ce que l’outil change concrètement dans leur quotidien, mais également connaître ses capacités et ses limites.

La préparation peut notamment passer par :

  • Une communication en amont ;
  • Des ateliers avec les utilisateurs ;
  • Des tests sur un périmètre limité ;
  • Une formation ;
  • Une documentation adaptée ;
  • Un suivi après le déploiement.

Dans le cas d’une solution utilisant l’IA générative, les collaborateurs doivent notamment savoir que certains résultats peuvent nécessiter une vérification humaine.

L’objectif n’est pas nécessairement de remplacer une intervention humaine. L’IA peut également servir d’assistant métier, en prenant en charge certaines tâches. Cela permet de laisser davantage de temps aux activités nécessitant expertise, contrôle ou prise de décision.

Une bonne expérience utilisateur facilite ainsi l’adoption et contribue à la réalisation des objectifs du projet.

5. Vouloir automatiser trop de processus dès le départ

L’automatisation des processus métier peut apporter des bénéfices importants. Mais chercher à transformer plusieurs activités simultanément augmente rapidement la complexité du projet.

Le risque est alors de multiplier :

  • Les intégrations ;
  • Les sources de données ;
  • Les fonctionnalités ;
  • Les utilisateurs ;
  • Les contraintes techniques.

Tout cela avant même d’avoir validé le premier cas d’usage.

Commencer par un périmètre maîtrisé

Une première expérimentation peut porter sur un processus clairement défini.

L’entreprise peut alors :

  1. Identifier le processus à améliorer ;
  2. Définir les données nécessaires ;
  3. Estimer le bénéfice attendu ;
  4. Choisir l’approche technique ;
  5. Développer ou intégrer la solution ;
  6. Tester auprès d’un groupe limité ;
  7. Mesurer les résultats obtenus ;
  8. Comparer les résultats avec les objectifs initiaux ;
  9. Identifier les améliorations possibles ;
  10. Décider d’un éventuel passage à l’échelle.

Cette démarche permet de transformer progressivement une preuve de concept en solution exploitable.

Le premier objectif n’est donc pas de tout automatiser. Il consiste à vérifier, sur un périmètre maîtrisé, que le cas d’usage apporte une réelle valeur à l’entreprise.

6. Traiter la sécurité et la conformité trop tard

Une solution IA peut traiter des données commerciales, financières, personnelles ou confidentielles.

La sécurité des données doit donc être étudiée dès la phase de conception.

Il faut notamment déterminer :

  • Quelles données peuvent être utilisées ;
  • Quelles informations peuvent être transmises au système ;
  • Où elles sont stockées ;
  • Qui peut y accéder ;
  • Comment les accès sont contrôlés ;
  • Quelles règles de conservation s’appliquent ;
  • Quelles obligations réglementaires concernent le projet.

Les exigences dépendent du contexte, de la nature des données et de la finalité de la solution.

Pour les données personnelles, l’entreprise doit notamment vérifier le cadre juridique applicable à son activité et à son territoire.

La sécurité ne doit pas être ajoutée à la fin du développement.

Elle doit être prise en compte dans le cadrage, l’architecture, l’intégration et le déploiement de la solution IA.

7. Sous-estimer le coût global du projet IA

Le coût d’un projet d’intelligence artificielle ne se limite pas au développement initial.

Le budget peut notamment dépendre :

  • Du développement ;
  • Des données ;
  • De l’infrastructure ;
  • Des outils ou services utilisés ;
  • Des intégrations ;
  • De la maintenance ;
  • Des évolutions futures ;
  • Du nombre d’utilisateurs ;
  • Du volume de données traité ;
  • De la fréquence d’utilisation.

Avant de lancer un projet, il est donc préférable d’établir une estimation prenant en compte aussi bien la phase de développement que le fonctionnement à moyen terme.

Cette estimation doit ensuite être comparée aux bénéfices attendus.

Selon le cas d’usage, ceux-ci peuvent concerner :

  • Le temps économisé ;
  • Le volume traité ;
  • La réduction des erreurs ;
  • La productivité ;
  • La qualité du service ;
  • La capacité des équipes à se consacrer à des tâches à plus forte valeur.

L’objectif n’est pas de prévoir avec précision tous les coûts et bénéfices futurs. Il s’agit plutôt de disposer d’hypothèses suffisamment solides pour décider si le projet mérite d’être lancé.

Après la mise en œuvre, les résultats réellement observés pourront être comparés aux estimations initiales.

Lorsque les bénéfices peuvent être traduits en valeur financière, cette comparaison peut également contribuer au calcul du retour sur investissement.

8. Ne pas identifier les compétences nécessaires

Un projet IA peut nécessiter plusieurs expertises :

  • Développement logiciel ;
  • Ingénierie des données ;
  • Machine learning ;
  • IA générative ;
  • Intégration applicative ;
  • Cybersécurité ;
  • Infrastructure ;
  • Gestion de projet.

La question n’est donc pas simplement de savoir si l’entreprise possède une équipe informatique.

Il faut déterminer si elle dispose des compétences nécessaires pour concevoir, intégrer, déployer et maintenir la solution.

Un état des lieux des ressources disponibles permet d’identifier les éventuelles lacunes.

Selon le niveau de maturité de l’organisation, plusieurs options peuvent être envisagées :

  • Développer certaines compétences en interne ;
  • Renforcer temporairement les équipes ;
  • Faire appel à un partenaire spécialisé ;
  • Combiner ressources internes et expertise externe.

L’enjeu est surtout de mobiliser les bonnes compétences au moment où elles sont nécessaires.

9. Négliger le pilotage et la gouvernance du projet

Un projet d’IA peut impliquer plusieurs services, utilisateurs et prestataires.

Sans gouvernance claire, les décisions peuvent ralentir et les priorités peuvent évoluer sans véritable arbitrage.

La désignation d’un pilote de projet IA permet de structurer la démarche.

Il peut notamment être chargé de :

  • Coordonner les équipes ;
  • Suivre les objectifs ;
  • Organiser les différentes phases ;
  • Suivre les délais et les ressources ;
  • Identifier les blocages ;
  • Faciliter les échanges entre métiers et équipes techniques ;
  • Suivre les indicateurs ;
  • Préparer les décisions d’arbitrage.

Le responsable n’a pas nécessairement besoin d’être spécialiste de l’intelligence artificielle.

Il doit surtout comprendre le besoin métier, les objectifs du projet et ses principales contraintes afin de coordonner les différentes parties prenantes.

Cette gouvernance devient particulièrement importante lorsque plusieurs cas d’usage IA sont envisagés dans l’entreprise.

10. Considérer le déploiement comme la fin du projet

La mise en production ne signifie pas que le projet est terminé.

Une solution IA évolue dans un environnement qui peut lui-même changer : les données, les processus, les besoins des utilisateurs ou les outils intégrés peuvent être modifiés.

Un dispositif de suivi doit donc être prévu après le déploiement.

Il peut notamment permettre de surveiller :

  • Les performances de la solution ;
  • Les erreurs ;
  • Les résultats obtenus ;
  • L’utilisation réelle par les collaborateurs ;
  • Les retours des utilisateurs ;
  • Les coûts de fonctionnement ;
  • Les besoins d’évolution ;
  • Les résultats obtenus par rapport aux objectifs initiaux.

La maintenance peut concerner la technologie, les données, les fonctionnalités ou les intégrations avec le système d’information.

Une solution d’intelligence artificielle doit ainsi être suivie et améliorée pour rester adaptée aux besoins de l’entreprise.

La méthode Ingenosya pour cadrer un projet IA

Avant de développer une solution, une entreprise doit d’abord vérifier que le problème, les données, les utilisateurs et les objectifs sont suffisamment définis.

Chez Ingenosya, le cadrage d’un projet IA peut notamment s’articuler autour de cinq étapes :

  1. Identifier le besoin métier

Comprendre le processus concerné, ses difficultés et les objectifs recherchés.

  1. Évaluer le cas d’usage

Déterminer si l’intelligence artificielle peut réellement apporter une réponse pertinente au problème identifié.

  1. Vérifier la faisabilité

Analyser les données, les systèmes existants, les contraintes techniques, la sécurité et les ressources disponibles.

  1. Concevoir et intégrer la solution

Définir l’approche technique adaptée puis développer ou intégrer la solution dans l’environnement existant.

  1. Mesurer et faire évoluer

Suivre les résultats, recueillir les retours des utilisateurs et faire évoluer progressivement la solution selon les besoins observés.

Cette approche permet d’éviter de commencer par la technologie et de conserver le besoin métier comme point de départ du projet.

Comment savoir si son projet IA est prêt à être lancé ?

Question

Point à vérifier

Quel problème voulons-nous résoudre ?

Le besoin métier est clairement défini

Quel résultat recherchons-nous ?

Les objectifs sont identifiés

Quelle valeur attendons-nous ?

Une estimation des bénéfices attendus est établie

Quel cas d’usage prioriser ?

Le périmètre est suffisamment précis

Quelles données utiliser ?

Les données sont disponibles et exploitables

Qui utilisera la solution ?

Les utilisateurs et leurs besoins sont identifiés

Quelle intégration prévoir ?

Les systèmes existants sont connus

Quelles contraintes respecter ?

Sécurité, données et réglementation sont prises en compte

Quelles compétences mobiliser ?

Les ressources internes et externes sont identifiées

Quel budget prévoir ?

Les coûts de développement et de fonctionnement sont estimés

Comment mesurer les résultats ?

Les modalités de suivi sont définies

Avant de commencer le développement, une entreprise peut utiliser cette checklist.Si plusieurs réponses restent floues, une phase de cadrage ou d’étude de faisabilité peut être pertinente avant de passer au développement.

Votre projet IA est-il suffisamment cadré ?
Avant de mobiliser des ressources techniques, il peut être utile de vérifier la pertinence du cas d’usage, la disponibilité des données et la faisabilité de l’intégration.

Questions fréquentes sur les projets IA

Quelle est la première étape pour lancer un projet IA ?

La première étape consiste à définir le problème métier et le résultat attendu. Il faut ensuite identifier les bénéfices recherchés et vérifier les données, les utilisateurs concernés, les contraintes techniques et les ressources nécessaires.

Comment identifier un bon cas d’usage IA ?

Un cas d’usage pertinent répond à un besoin concret et peut être associé à un bénéfice que l’entreprise peut raisonnablement estimer. Il peut concerner l’automatisation, l’analyse de données, le traitement documentaire ou l’assistance aux collaborateurs.

Faut-il commencer par un prototype ?

Un prototype ou une preuve de concept peut permettre de tester une hypothèse technique sur un périmètre limité. Il ne constitue toutefois pas automatiquement une solution prête pour la production.

L’expérimentation doit également permettre de vérifier si les résultats attendus sont réellement atteignables.

Une entreprise doit-elle développer son IA en interne ?

Cela dépend des compétences disponibles, du niveau de complexité et des ressources du projet. Une entreprise peut développer certaines briques en interne ou compléter ses équipes avec un partenaire spécialisé.

Comment évaluer les bénéfices d’un projet IA ?

Les bénéfices dépendent du cas d’usage. Ils peuvent être estimés à partir du temps économisé, de la réduction des erreurs, des coûts évités, de l’augmentation de la capacité de traitement, de l’amélioration de la qualité ou d’autres résultats propres au processus concerné.

Après la mise en œuvre, les résultats peuvent être comparés aux estimations initiales afin d’identifier les écarts et les éventuels bénéfices supplémentaires.

Combien coûte un projet d’intelligence artificielle ?

Il n’existe pas de coût unique. Le budget dépend notamment du cas d’usage, des données, des développements nécessaires, des intégrations, de l’infrastructure, des outils utilisés et du niveau de maintenance attendu.

Que prévoir après la mise en production ?

Il faut prévoir le suivi des performances, la maintenance, la sécurité, les évolutions techniques et les retours des utilisateurs. Le fonctionnement réel de la solution doit être régulièrement comparé aux objectifs définis lors du cadrage.

Pourquoi faire appel à Ingenosya pour un projet IA ?

Toutes les entreprises ne disposent pas en interne de l’ensemble des compétences nécessaires pour mener un projet d’intelligence artificielle.

Un accompagnement externe peut alors permettre d’évaluer un cas d’usage, d’étudier sa faisabilité, de concevoir une solution et de l’intégrer au système d’information existant.

Ingenosya accompagne les entreprises dans leurs projets de transformation digitale et d’intelligence artificielle.

Selon les besoins identifiés, ses équipes peuvent intervenir sur différentes étapes :

  • Cadrage et étude de faisabilité ;
  • Identification et analyse des cas d’usage ;
  • Conception de la solution ;
  • Développement et intégration ;
  • Maintenance et évolution.

L’approche tient compte du besoin métier, des outils existants et des contraintes techniques de chaque organisation.

L’objectif est de construire une solution IA cohérente avec le contexte de l’entreprise et les objectifs définis lors du cadrage.

Ingenosya est également certifiée Excelia et dispose de références permettant de présenter concrètement son savoir-faire et les projets réalisés.

Pour découvrir les réalisations et l’expertise d’Ingenosya, consultez la page dédiée à l’intelligence artificielle.

Partager cet article

S'abonner à notre newsletters

Obtenir des mises à jour et apprendre des meilleurs

Plus d'articles à découvrir

Vous voulez booster votre transformation digitale ?

Envoyez-nous un message et restez en contact

two people shaking hands
Défiler vers le haut