Cadrer un projet IA : de l'idée au premier pilote

La plupart des projets IA qui échouent ne butent pas sur la technologie. Ils butent sur le cadrage : un cas d'usage mal choisi, des données absentes, ou personne pour dire si le résultat est bon.

Voici la méthode que j'applique en mission AMOA pour passer d'une idée (« on devrait utiliser l'IA pour… ») à un pilote dont on peut mesurer la valeur. Elle tient en six étapes, et la plupart des cadrages se font en quelques jours à deux semaines.

1. Faire l'inventaire des tâches, pas des idées

Je commence par des entretiens courts avec les équipes concernées. La question n'est pas « où mettre de l'IA ? » mais « quelles tâches répétitives vous prennent le plus de temps ? ». On obtient une liste concrète : ressaisies, tris d'emails, comptes rendus, recherches documentaires, relances.

2. Choisir un seul cas d'usage

Chaque tâche est évaluée sur cinq critères simples :

• Volume : la tâche revient-elle souvent ?
• Répétitivité : suit-elle toujours à peu près la même logique ?
• Données disponibles : les informations nécessaires sont-elles accessibles et exploitables ?
• Tolérance à l'erreur : une erreur est-elle rattrapable facilement ?
• Sponsor : un responsable métier veut-il vraiment que ça change ?

Le meilleur premier cas d'usage n'est pas le plus spectaculaire. C'est celui qui coche ces cinq cases. On garde les autres pour la suite.

3. Vérifier les données avant de promettre

C'est l'étape la plus souvent sautée, et la plus coûteuse à rattraper. Pour le cas d'usage retenu, je vérifie :

• où se trouvent les données (CRM, ERP, messagerie, fichiers) et comment y accéder (API, export) ;
• leur qualité réelle, sur un échantillon et pas sur la parole de chacun ;
• les contraintes : données personnelles, confidentialité, hébergement.

Si les données ne sont pas au rendez-vous, mieux vaut le savoir maintenant. Parfois, le vrai premier projet est de remettre de l'ordre dans les données.

4. Définir la mesure avant de construire

Sans point de départ, impossible de prouver un gain. Avant toute ligne de code, on mesure la situation actuelle : temps passé par tâche, délai de traitement, taux d'erreur, volume traité. Puis on fixe ensemble le seuil qui rendra le pilote concluant.

5. Poser les garde-fous

• L'humain dans la boucle : à quelle étape une personne valide-t-elle ce que propose l'IA ?
• Le périmètre : quelles données l'IA voit-elle, lesquelles sont exclues ?
• La conformité : RGPD, et classement du cas d'usage au regard de l'AI Act.
• La réversibilité : si le pilote échoue, peut-on revenir en arrière sans dommage ?

6. Choisir entre acheter et construire

Pour beaucoup de cas d'usage, une fonction déjà présente dans vos outils (CRM, messagerie, PIM) suffit. Pour d'autres, un assemblage sur mesure (API de vos outils, modèle de langage, orchestrateur) est plus adapté. Le cadrage compare les deux sur trois points : coût total, maîtrise des données, capacité à faire évoluer.

Ce que contient un cadrage

À la fin, le sponsor dispose d'un dossier court et décisionnel :

1. une fiche du cas d'usage retenu, avec les raisons du choix ;
2. la cartographie des données et des flux concernés ;
3. la mesure de départ et les critères de succès ;
4. l'analyse des risques et les garde-fous ;
5. le périmètre, le planning et le budget du pilote.

Le pilote dure ensuite en général quelques semaines. À son terme, on compare les résultats aux critères fixés et on décide : étendre, ajuster ou arrêter. Arrêter un pilote qui ne tient pas ses promesses est aussi un bon résultat : il a coûté peu et appris beaucoup.

Les erreurs à éviter

• Lancer trois pilotes à la fois. Les équipes se dispersent et aucun n'est mené au bout.
• Laisser le projet à la seule DSI. Sans sponsor métier, l'outil est livré mais pas utilisé.
• Mesurer après coup. Sans mesure de départ, le débat sur la valeur ne se termine jamais.