Stratégie IA en entreprise. Un cadre pour prioriser les cas d'usage qui rapportent.

Pourquoi la longue liste de cas d'usage est le mauvais point de départ.

Quand une équipe dirigeante nous demande de l'aide sur sa stratégie IA, le document que l'on nous montre en premier est généralement une sortie d'atelier avec trente ou quarante cas d'usage candidats. La liste est bien intentionnée. Elle a été produite en collectant les idées dans toute l'entreprise et représente des semaines d'effort. La salle en est silencieusement fière. Le problème est que ce n'est pas une stratégie. C'est un inventaire de curiosité, et les inventaires de curiosité ne rapportent pas.

Dans notre travail à Paris, Dubaï, Singapour et Bali, nous reconnaissons un schéma d'échec récurrent dans ces longues listes. Le budget est alloué finement, trois ou quatre pilotes tournent en parallèle sous-dotés, l'équipe qui devrait donner toute son attention à chacun est éparpillée sur tous, et à la fin de l'année rien n'a atteint la production. L'équipe dirigeante en conclut que l'IA est plus difficile que prévu et coupe le budget. La conclusion est juste mais la cause n'est généralement pas la technologie. La cause est l'absence de discipline de priorisation.

Le cadrage que nous proposons est inconfortable à l'entrée et utile à la sortie. Le bon nombre de cas IA actifs pour la plupart des organisations avec lesquelles nous travaillons est de trois à cinq, pas de trente. Tout le reste est sur une watch list. La concentration bat la couverture à ce stade, et le cadre ci-dessous est ce que nous utilisons pour défendre cette concentration quand la salle pousse en sens inverse.

Quatre critères qui couvrent presque toutes les questions utiles.

Valeur business en jeu.

Le premier critère est la taille et la certitude de la valeur. Nous évitons de la noter en points. Nous demandons au sponsor du cas de défendre un gain quantifié en termes monétaires, ancré à une vraie ligne de business, défendable devant un directeur financier qui a vu beaucoup de prévisions. Un cas où la valeur est large mais où la chaîne d'hypothèses est fragile se note en dessous d'un cas où la valeur est modérée et où la chaîne est solide. Nous ne cherchons pas à maximiser le chiffre d'affichage. Nous cherchons à maximiser la valeur qui survit au premier trimestre d'opération.

Faisabilité sur la donnée et l'outillage.

Le deuxième critère est de savoir si le cas peut vraiment être construit et opéré avec la donnée, les systèmes et les intégrations disponibles aujourd'hui. La réponse honnête est souvent non, ou pas encore. Un cas qui exige un socle de données que l'organisation n'a pas construit reçoit ici un score bas, quelle que soit l'attractivité de la valeur. Nous avons appris à être stricts. Les projets IA les plus chers que nous ayons vus sont ceux qui ont ignoré la faisabilité au motif que le problème de données se résoudrait pendant la livraison. Cela arrive rarement.

Risque et exposition à la conformité.

Le troisième critère est le risque réglementaire, réputationnel et opérationnel attaché au cas. Exposition à l'AI Act, traitement des données personnelles, considérations d'équité, modes de défaillance du modèle qui touchent directement les clients. Un cas peut être très valorisable et faisable et néanmoins appartenir à la watch list parce que l'enveloppe de risque n'est pas encore assortie d'une capacité de gouvernance. Nous rendons cela explicite plutôt que de le maquiller. Les équipes qui enterrent le risque en note de bas de page le paient ensuite.

Maturité organisationnelle.

Le quatrième critère est la maturité de l'équipe qui pilotera vraiment le cas en production. Que les opérateurs aient été consultés, que la fonction opérations ait accepté de prendre la responsabilité, qu'il existe un sponsor nommé doté de l'autorité d'agir quand quelque chose tourne mal. C'est le critère le plus souvent noté avec trop de générosité, et celui qui, d'après notre expérience, fait échouer le plus de pilotes. Des scores forts sur les trois premiers avec un score faible ici signifie généralement que le cas sort puis s'éteint.

La notation comme atelier, pas comme tableur.

La version de cet exercice qui fonctionne est conversationnelle. La salle est restreinte. Les sponsors des cas, le chief data officer ou chief technology officer, le responsable conformité, et l'opérateur qui vivra avec le résultat. Chaque cas est présenté en dix minutes, noté sur les quatre critères avec un paragraphe de défense par critère, et discuté.

Un tableur de notation seul produit une fausse précision et des comportements politiques. Les chiffres gonflent. Les cas portés par des dirigeants puissants finissent haut. Les cas dont la défense sur la donnée est mince disparaissent silencieusement dans la moyenne. Le format atelier force la défense au grand jour et rend les désaccords visibles tant qu'il est encore temps d'y agir.

Le livrable que nous recommandons est court. Une synthèse de deux pages par cas qui ancre les quatre scores dans un argument unique, plus une vue portefeuille qui montre les trois à cinq cas qui obtiendront un financement complet, les cas en watch list, et les cas en cours de retrait. Tout ce qui est plus long est une couverture contre la conversation plus dure, qui est qui a dit non à quoi.

Financer les trois premiers. Retirer le reste.

La sortie de l'atelier doit rendre la décision de financement quasi mécanique. Les trois ou quatre meilleurs cas obtiennent une équipe complète, un sponsor clair, un budget qui va jusqu'à la production plutôt que jusqu'au pilote, et le propriétaire opérationnel identifié avant que la construction ne commence. La watch list reçoit une revue trimestrielle, pas de la capacité. Les cas retirés reçoivent une note d'une page expliquant pourquoi, utile à la fois pour ceux qui les ont proposés et pour le prochain cycle d'idéation.

La discipline du retrait explicite est la partie du cadre que nous voyons le plus souvent sautée, et celle qui a le plus de levier. Un cas d'usage retiré avec une raison claire donne à l'organisation la permission de dire non la prochaine fois que quelque chose de similaire apparaît. Un cas simplement déprioritisé revient souvent six mois plus tard avec un sponsor différent et consomme à nouveau du budget. Nous avons vu des organisations perdre des années entières à ce schéma.

La discipline du non.

Dans les équipes dirigeantes avec lesquelles nous travaillons, le partner qui peut défendre un non ferme sur un cas d'usage populaire est généralement plus précieux que celui qui peut défendre une longue liste. Dire non sans aliéner le sponsor est un art. Il repose généralement sur les mêmes éléments. Une comparaison de valeur claire, une position de risque transparente, et un chemin de retour si les conditions changent.

Si votre équipe entre dans le prochain cycle de planification avec une liste de vingt cas d'usage IA, la question utile avant la réunion budgétaire n'est pas lesquels des trois sont les plus excitants. C'est lesquels des trois sont les plus défendables sur les quatre critères, et quelle conversation doit avoir lieu avec les sponsors des autres. Les portefeuilles qui rapportent sont ceux qui ont survécu à cette conversation tôt plutôt que tard.

L'équipe Consulting de nos bureaux de Paris, Dubaï, Singapour et Bali est joignable depuis le formulaire ci-dessous. Nous répondons sous un jour ouvré, avec le partner qui suivra le dossier.