La fenêtre se déplace
Pendant trois ans, la conversation IA en entreprise a tourné autour d'une question simple : « ça marche ? ». La réponse, aujourd'hui, est connue. Oui, les modèles de fondation produisent des résultats utiles. Oui, les cas d'usage classiques, synthèse de documents, génération de contenus, recommandations, classification, détection d'anomalies, sont matures.
La question s'est déplacée. Elle n'est plus « est-ce que ça marche ? » mais « comment passe-t-on de 30 preuves de concept à 5 cas d'usage en production à l'échelle ? ». Et cette question est infiniment plus difficile.
Sur les missions IA que nous menons depuis 2023, nous avons vu se dessiner une géographie claire. Les organisations qui réussissent ne sont pas celles qui ont les meilleurs data scientists. Ce sont celles qui ont structuré, en amont, trois éléments souvent négligés : une priorisation business stricte, une fondation data exploitable, et une gouvernance qui anticipe la conformité plutôt que de la subir.
Ce manifeste résume notre conviction sur la trajectoire à tenir, et sur les pièges à éviter.
1. Prioriser : sortir du syndrome du POC qui ne passe pas l'échelle
Pourquoi tant de preuves de concept restent des preuves de concept
Sur les missions que nous conduisons depuis 2023, une minorité des preuves de concept IA atteint réellement la production à l'échelle. Les raisons sont remarquablement constantes.
- Le POC est lancé sans cadrage business clair : on teste une technologie, pas une création de valeur.
- Le retour sur investissement estimé au cadrage repose sur des hypothèses non vérifiables, et personne ne s'engage à les valider.
- Le passage à la production révèle des coûts d'intégration et d'exploitation jamais budgétés.
- L'équipe data science qui a mené le POC n'a ni l'autorité ni les compétences pour porter la mise en production.
- La conformité réglementaire n'a pas été cadrée : elle devient un blocage en fin de programme.
Notre méthode : la matrice valeur x maturité
Avant de lancer un POC, nous instruisons systématiquement deux axes : la valeur business potentielle, en euros annualisés sur 3 à 5 ans, et la maturité du cas d'usage, qu'elle soit technologique, data, organisationnelle ou réglementaire.
Les cas d'usage à fort potentiel mais faible maturité ne sont pas écartés : ils sont calés sur une trajectoire à 18 ou 24 mois, avec des jalons de levée de risque. Les cas à valeur modeste mais haute maturité peuvent être déployés rapidement pour créer la traction interne. Et les cas qui combinent forte valeur et forte maturité, les rares, sont prioritaires absolus.
Un portefeuille IA équilibré contient 2 à 3 cas d'usage prioritaires industrialisés, 4 à 5 cas en industrialisation, et 5 à 10 cas en exploration. Pas l'inverse.
L'effet de mode pousse à multiplier les expérimentations dans toutes les directions métier. Le résultat est connu : portefeuille de POC ingérable, équipes data débordées, attentes désalignées, abandon en cascade au bout de 12 à 18 mois.
Le bon réflexe : choisir 5 à 8 cas d'usage, les instruire en profondeur, et accepter de dire non au reste pendant 12 mois.
2. Fonder : la data avant le modèle
L'IA est aussi bonne que la donnée qui la nourrit
C'est une évidence que tout le monde cite, et que peu d'organisations honorent vraiment. Dans la moitié des projets IA que nous accompagnons, la première phase de cadrage révèle que la donnée nécessaire n'existe pas, ou qu'elle existe dans un format inexploitable, ou qu'elle est dispersée dans des silos qui ne communiquent pas.
Notre approche démarre toujours par un audit data appliqué au cas d'usage : quelles sources sont nécessaires, quelle qualité actuelle, quel effort de remédiation, quelle gouvernance pour assurer la fraîcheur dans la durée. Cet audit prend 4 à 8 semaines selon la complexité. Il évite des mois de bricolage en aval.
Le bon niveau d'investissement data
La fondation data n'a pas besoin d'être parfaite avant de lancer les premiers cas d'usage. Elle doit être suffisante. La nuance est importante : beaucoup d'organisations se condamnent à des programmes data pluriannuels avant d'autoriser le moindre cas d'usage IA. C'est un mauvais calcul.
La fondation data se construit en parallèle des premiers cas d'usage, pas en amont. Un cas d'usage bien priorisé révèle exactement les manques data à combler, et justifie budgétairement les investissements de remédiation.
Le rôle des plateformes data modernes
Les plateformes de type Databricks, Snowflake, BigQuery, Microsoft Fabric ou équivalentes sont devenues des standards. Le choix entre elles relève moins de la fonctionnalité que de la cohérence avec l'écosystème du système d'information existant et de la trajectoire de l'éditeur. Comme pour le CRM, ce choix mérite un cadrage indépendant des éditeurs.
3. Industrialiser : sortir du laboratoire
Le MLOps n'est pas une option
Un modèle IA en production n'est pas un livrable, c'est un système qui doit être surveillé, réentraîné, sécurisé et monitoré pour la dérive de performance. Sans pratique MLOps établie, un cas d'usage en production se dégrade silencieusement et finit par produire des décisions de mauvaise qualité sans que personne ne s'en aperçoive.
Concrètement, cela suppose un pipeline d'entraînement et de déploiement automatisé, un monitoring de la dérive des données et de la dérive du modèle, une boucle de retour utilisateur structurée, et une équipe d'exploitation dédiée.
Le passage du POC à la production : les vrais coûts
Le ratio que nous observons sur nos missions : le coût d'industrialisation est généralement 5 à 10 fois supérieur au coût du POC. Il inclut l'intégration aux systèmes existants, le run et l'exploitation, la formation des utilisateurs, la conformité réglementaire, la gouvernance et le pilotage.
Une bonne pratique : budgéter dès le POC les coûts d'industrialisation estimés. Si le retour sur investissement ne tient pas avec ces coûts, le cas d'usage n'est pas prêt, quel que soit le résultat du POC.
Beaucoup d'organisations construisent leur portefeuille IA cas par cas, sans plateforme commune. Résultat : chaque cas d'usage est réarchitecturé depuis zéro, les coûts de run explosent, les compétences sont dupliquées.
Le bon réflexe : construire une plateforme IA d'entreprise mutualisée, qui couvre la data, l'infrastructure, le MLOps et la gouvernance, et sur laquelle les cas d'usage s'appuient. L'investissement plateforme est récupéré dès le troisième ou le quatrième cas d'usage industrialisé.
4. Gouverner : conformité, éthique et risques
L'IA Act change la donne
L'IA Act européen, entré en application progressive entre 2025 et 2026, impose un cadre réglementaire structuré aux systèmes IA déployés en Europe. Les systèmes classés à haut risque, notamment dans l'assurance, le recrutement, le crédit et la santé, doivent répondre à des exigences précises de documentation, de transparence, de supervision humaine et d'évaluation des biais.
Notre observation : peu d'organisations disposent aujourd'hui d'une cartographie à jour de leurs systèmes IA au regard de l'IA Act. Beaucoup vont découvrir, courant 2026 et 2027, que des cas d'usage déjà en production nécessitent des remédiations coûteuses.
RGPD et IA : les zones grises persistantes
Le RGPD reste structurant pour tous les traitements de données personnelles. L'usage de modèles d'IA générative soulève des questions spécifiques : entraînement sur données personnelles, droit à l'effacement, automatisation de décisions, transparence des modèles. Ces questions doivent être traitées en amont, projet par projet.
Notre méthode : une gouvernance IA pragmatique
Une gouvernance IA efficace combine cinq éléments.
- Une cartographie à jour des cas d'usage et de leur niveau de risque.
- Un comité d'arbitrage qui valide les nouveaux cas d'usage à risque élevé.
- Une charte éthique opérationnelle, et non un document théorique.
- Un dispositif de mesure de la performance et des biais.
- Un cadre contractuel adapté avec les éditeurs et fournisseurs IA.
La gouvernance IA n'est pas un frein. Bien posée, elle accélère l'industrialisation, parce qu'elle aligne les acteurs et sécurise les engagements.
5. Embarquer : la vraie bataille est humaine
L'adoption ne se décrète pas
Un assistant IA déployé n'est pas un assistant IA utilisé. C'est une vérité que tous les directeurs de programmes IA finissent par découvrir. L'utilisation profonde d'un outil IA dépend de quatre facteurs : la pertinence des suggestions perçue par l'utilisateur, l'effort cognitif demandé, la confiance dans la qualité du résultat, et l'intégration aux gestes quotidiens.
L'enjeu de conduite du changement est, sur les projets IA, paradoxalement plus important que sur les projets CRM ou data classiques, parce que la valeur ne se révèle qu'à l'usage. Une IA qu'on n'utilise pas n'a pas de valeur.
Compétences : l'enjeu invisible
Les organisations qui industrialisent l'IA structurent en parallèle leurs compétences, à trois niveaux : une montée en compétence des dirigeants pour piloter, des compétences hybrides métier et data dans les équipes qui utilisent l'IA au quotidien, et une équipe IA centrale qui combine data science, MLOps, conformité et conduite du changement.
Le ratio que nous observons : 1 data scientist pour 3 à 5 utilisateurs IA opérationnels, et 1 chef de produit IA pour 2 à 3 cas d'usage industrialisés.
En conclusion : passer de la promesse à la preuve
L'IA est sortie de la phase d'émerveillement. Elle entre dans la phase d'industrialisation, celle où les organisations gagnantes ne seront pas celles qui ont fait le plus de POC, mais celles qui auront posé les fondations pour passer à l'échelle.
Cinq décisions structurantes font la différence.
- Prioriser dur : choisir 5 à 8 cas d'usage et accepter de dire non au reste.
- Construire la fondation data en parallèle des cas d'usage, pas en amont.
- Investir dans le MLOps et la plateforme commune.
- Anticiper la conformité plutôt que la subir.
- Gagner l'adoption par le design, le changement et les compétences.
Ces décisions ne se prennent pas en s'inspirant d'un benchmark. Elles se prennent en regardant honnêtement sa propre organisation, ses forces, ses lacunes, ses contraintes. C'est précisément le rôle d'un cabinet indépendant que de poser ce regard, et d'aider à organiser la trajectoire.
