La démo est prête. La question, beaucoup moins.
Une démo IA peut donner un air d'évidence à une idée faible. Quelqu'un colle un document dans un modèle, reçoit une synthèse impeccable, et la salle demande immédiatement quel fournisseur acheter. La meilleure question arrive plus tôt : quelle décision, quel délai ou quelle erreur cherchons-nous à changer ?
Posez cinq questions avant de choisir un modèle
Quel est le moment coûteux ? Nommez l'endroit où le client attend, où les équipes répètent une tâche ou où une décision se trompe. « Il nous faut un assistant IA » n'est pas un problème. « Les agents support interrogent cinq outils avant de répondre à une question de facturation » en est un.
Le travail est-il assez stable pour être amélioré ? Si personne ne s'accorde sur le processus actuel, l'automatiser revient à conserver la confusion à plus grande vitesse. Cartographiez d'abord le parcours. Retirez les étapes sans valeur avant d'ajouter un modèle.
Qu'est-ce qui doit réellement progresser ? Choisissez un résultat principal : délai jusqu'à une réponse utile, taux d'erreur, qualité d'une décision ou coût par dossier traité. C'est la discipline de la mesure du ROI de l'IA par les décisions, pas par le nombre de prompts.
Que peut-il mal se passer, et qui peut l'arrêter ? Un assistant qui rédige et un agent qui modifie une fiche client ne méritent pas la même liberté. Définissez la revue, l'escalade et le retour en arrière avant le lancement. La gouvernance IA est déjà une exigence produit pour cette raison.
Qu'est-ce qui nous ferait arrêter ? Un pilote sans condition d'arrêt devient un abonnement permanent. Fixez la preuve qui justifie l'élargissement et celle qui met fin à l'expérience.
D'abord, les faits : l'usage n'est plus une preuve suffisante
Les données disent deux choses à la fois. Dans son AI Index 2025, Stanford indique que 78 % des organisations interrogées déclaraient utiliser l'IA en 2024, contre 55 % un an plus tôt. Dans son enquête 2026, McKinsey rapporte que 80 % des répondants voient l'IA améliorer leur productivité individuelle, tandis que 37 % attribuent au moins un effet positif sur l'EBIT de leur organisation. Ces chiffres ne se contredisent pas. Ils décrivent la distance entre un outil utile sur le poste d'une personne et un changement d'entreprise qui tient au-delà de son écran.
Le cadre de gestion des risques IA du NIST arrive au même constat par un autre chemin. Il traite l'IA comme un système sociotechnique : le modèle n'est qu'un élément parmi les personnes, les données, le contexte, les impacts et la gouvernance. Son guide pratique n'est volontairement pas une checklist à appliquer aveuglément. Il invite les organisations à gouverner, cartographier, mesurer et gérer selon leur usage précis.
Analyse : automatiser et améliorer sont deux paris différents
L'automatisation modifie qui ou quoi exécute une étape. L'amélioration modifie le résultat d'un workflow. Les deux peuvent coïncider, mais ce n'est pas automatique.
Prenons une équipe qui reçoit des centaines de documents fournisseurs. Elle peut utiliser un modèle pour extraire des champs plus vite. C'est une automatisation. Cela n'améliore le workflow que si les champs extraits sont assez exacts, arrivent au bon moment, réduisent un vrai délai de décision et ne créent pas une file de vérification cachée. Si le problème réel est que trois départements ne s'accordent pas sur les champs requis, un meilleur extracteur ne résoudra pas le désaccord. L'équipe a peut-être besoin d'une politique commune avant tout.
Cette distinction protège de deux erreurs symétriques. La première est l'enthousiasme pour l'IA : automatiser parce qu'un modèle sait démontrer une capacité. La seconde est le scepticisme défensif : rejeter l'IA parce qu'un premier cas d'usage a été mal choisi. Toutes deux évitent le travail qui consiste à trouver la contrainte. La voie utile est de faire un pari limité et responsable sur un problème réel, mesurable et assez sûr pour apprendre.
Une note de décision qui prend trente minutes
Les cinq questions peuvent devenir une note de décision d'une page. Ce format est volontairement simple, car il doit servir à un responsable produit, une personne des opérations, un expert métier et un responsable technique dans la même discussion.
Commencez par le workflow en une phrase. « Un client modifie un moyen de paiement, et le support doit vérifier son identité, mettre à jour la fiche, prévenir la finance et confirmer le résultat. » Nommez ensuite le point douloureux. Le délai vient-il d'une information absente, d'une saisie répétée, d'une interprétation difficile, d'une exception à une règle ou d'un passage de relais ?
Notez ensuite la référence. Combien de temps prend le parcours actuel ? À quelle fréquence échoue-t-il, revient-il dans la file ou exige-t-il une escalade ? Une référence n'a pas besoin d'être parfaite. Elle doit être assez honnête pour que l'équipe voie si le nouveau chemin a aidé ou s'il a seulement donné l'impression d'aller plus vite.
Définissez ensuite la frontière. Le modèle peut préparer une proposition de mise à jour ; une personne confirme l'identité et autorise le changement. Ou le système classe les cas courants pendant que les exceptions restent dans une file humaine. C'est à cet endroit que la « supervision humaine » cesse d'être une promesse vague. La personne doit recevoir l'information et l'autorité de corriger le système, comme l'explique la conception d'un passage de relais humain utile.
Enfin, écrivez la prochaine date de décision et la règle d'arrêt. « Dans quatre semaines, nous poursuivons uniquement si le délai vers une mise à jour correcte diminue sans augmenter les reprises ni les réclamations. » Le pilote devient alors un apprentissage. Il devient aussi plus facile de l'arrêter sans traiter l'équipe comme si elle avait échoué. Une expérimentation arrêtée peut être précieuse lorsqu'elle évite une montée à l'échelle coûteuse.
Le contre-argument : est-ce que cela peut devenir bureaucratique ?
Oui, si ces questions deviennent un rituel de comité pour des essais sans conséquence. Toute aide à la rédaction n'a pas besoin d'un registre de risques. L'effort doit être proportionné à l'enjeu. Un assistant d'écriture à faible impact peut démarrer avec une courte référence et une instruction claire de ne pas saisir de données sensibles. Un système qui influence le recrutement, le crédit, la tarification ou l'accès à des services exige un dispositif bien plus solide. L'AI Act européen adopte une approche par les risques pour une raison proche : tous les systèmes n'ont pas les mêmes conséquences, et les usages à haut risque demandent des contrôles documentés, une supervision humaine, une traçabilité et des mesures de précision avant leur mise sur le marché.
L'objectif est la proportion, pas la paperasse. Ces cinq questions doivent supprimer les discussions floues, non les créer. Si une réponse prend des semaines à obtenir, le problème est peut-être le processus de décision de l'organisation, pas la proposition IA.
Ma position : l'IA opportuniste est un signal de management
J'utilise l'expression « IA opportuniste » pour décrire un schéma familier : l'outil arrive avant le problème, le pilote existe avant le responsable de la décision, et l'usage devient la seule preuve de valeur. C'est tentant parce que cela donne une image d'activité. Mais l'activité est un mauvais substitut à une stratégie.
Les organisations qui transforment des gains individuels en résultats durables ont tendance à redessiner leurs workflows et à en mesurer l'effet, au lieu d'insérer simplement un outil dans le travail existant. Ce n'est pas une invitation à lancer un programme de transformation tentaculaire. C'est un appel à préciser ce que l'on achète comme changement. Le meilleur portefeuille IA peut contenir moins d'initiatives, des frontières plus claires et davantage de preuves que la diapositive la plus impressionnante remplie d'expérimentations.
Ce que vous pouvez faire maintenant
Choisissez une proposition qui concurrence déjà un budget. Réunissez la personne qui réalise le travail, celle qui possède le résultat et celle qui connaît la contrainte technique. Donnez à chacune cinq minutes pour répondre indépendamment aux questions. Comparez ensuite les réponses.
Là où elles divergent, vous trouverez le vrai travail. Peut-être que le goulot n'est pas partagé. Peut-être que personne ne porte le résultat. Peut-être que le risque est plus élevé que ne le montrait la première démo. Ou peut-être que vous avez identifié un petit cas d'usage qui mérite d'avancer vite. Dans tous les cas, vous obtenez une meilleure décision que « le modèle était impressionnant ».
Sources
- NIST AI Risk Management Framework(lien externe, nouvel onglet) - cadre volontaire pour intégrer la fiabilité dans la conception, l'usage et l'évaluation de l'IA.
- NIST AI RMF Playbook(lien externe, nouvel onglet) - actions proposées selon les fonctions Gouverner, Cartographier, Mesurer et Gérer.
- NIST Generative AI Profile(lien externe, nouvel onglet) - considérations de gestion des risques adaptées à l'IA générative.
- Stanford AI Index Report 2025 : économie(lien externe, nouvel onglet) - données sur l'adoption et l'impact dans les entreprises.
- McKinsey, The State of AI in 2026(lien externe, nouvel onglet) - enquête sur les gains individuels, les résultats d'entreprise, les coûts et la refonte des workflows.
Appliquez les cinq questions à une proposition en cours, puis partagez la note avec la personne qui la finance. Résolvez-vous un goulot, ou ajoutez-vous un outil de plus ?
