Quel premier projet IA choisir pour votre entreprise ? 6 questions pour décider

L'intelligence artificielle ouvre de nombreuses possibilités aux entreprises : retrouver des informations dans une documentation interne, traiter des demandes clients, analyser des documents ou automatiser certaines opérations.

Les idées ne manquent pas. Mais toutes ne présentent pas le même intérêt, ne demandent pas les mêmes investissements et ne sont pas réalisables dans les mêmes conditions.

Alors, par où commencer ?

Avant de choisir une solution ou de lancer un POC, il est utile de comparer les cas d'usage envisagés. Six questions permettent d'évaluer leur pertinence, leurs contraintes et les conditions nécessaires pour passer à l'expérimentation.

1. Quel problème cherchez-vous à résoudre ?

« Nous voulons utiliser l'IA dans notre service client » exprime une intention, mais ne définit pas encore un projet.

« Nos conseillers passent une partie de leur journée à rechercher des informations dans plusieurs documentations » constitue un point de départ plus précis.

Il devient alors possible d'identifier les personnes concernées, d'observer leur travail et de comprendre les difficultés rencontrées.

Pour chaque idée de projet, commencez par préciser :

• La tâche ou le processus concerné.
• La fréquence et les conséquences du problème.
• La manière dont il est traité aujourd'hui.
• Le résultat que vous souhaitez améliorer.

Cette analyse peut également révéler que l'IA n'est pas la solution la plus appropriée. Une meilleure organisation documentaire, un moteur de recherche classique ou une automatisation fondée sur des règles peuvent parfois répondre au besoin.

Cette réflexion est également essentielle pour les projets logiciels : avant de développer une solution, il faut vérifier que le problème justifie réellement un investissement.

Le premier critère de sélection est donc la pertinence du problème à résoudre, indépendamment de la technologie envisagée.

2. Les données nécessaires sont-elles accessibles et exploitables ?

Un cas d'usage peut sembler particulièrement intéressant, mais devenir difficile à concrétiser lorsque les données nécessaires sont dispersées, incomplètes ou difficilement accessibles.

Prenons l'exemple d'un assistant IA destiné aux conseillers du service client.

La documentation existe, mais plusieurs versions d'une même procédure circulent. Certains documents ne sont plus à jour. D'autres contiennent des informations réservées à une équipe.

L'assistant pourrait alors produire une réponse convaincante à partir d'une information obsolète ou restituer des données auxquelles l'utilisateur ne devrait pas avoir accès.

Il faut donc examiner :

• L'emplacement et les conditions d'accès aux données.
• Leur qualité, leur complétude et leur actualisation.
• L'identification des sources de référence.
• Les droits d'accès et les contraintes de confidentialité.
• Leur adéquation avec le fonctionnement de la solution envisagée.

Les exigences varient selon les projets. Un assistant documentaire dépend notamment de la qualité des documents et de leur organisation. Un modèle de prévision peut nécessiter un historique structuré et représentatif.

L'entreprise n'a pas nécessairement besoin de remettre l'ensemble de son système d'information au propre avant de commencer.

L'enjeu est de déterminer si les données disponibles permettent de tester sérieusement le cas d'usage, et quelles préparations seraient nécessaires.

3. Quels bénéfices pouvez-vous réellement attendre ?

Une solution techniquement performante ne présente pas automatiquement un intérêt économique ou opérationnel.

Pour un assistant documentaire, le bénéfice attendu pourrait être de réduire le temps consacré à la recherche d'informations.

Mais si les conseillers doivent systématiquement relire, vérifier et corriger les réponses produites, une partie du gain peut disparaître.

L'évaluation doit donc prendre en compte plusieurs dimensions :

• Le temps nécessaire pour accomplir la tâche.
• La qualité et la fiabilité du résultat.
• Le nombre de corrections ou d'interventions humaines.
• Les délais de traitement.
• La capacité à absorber davantage de demandes.

Les coûts doivent également être considérés : développement, intégration, utilisation, maintenance, formation et supervision humaine.

Un gain de temps ne se traduit d'ailleurs pas nécessairement par une réduction des dépenses. Il peut permettre d'améliorer la qualité du service, de réduire les délais ou de libérer du temps pour d'autres activités.

Pour comparer plusieurs projets, il est important de définir les résultats attendus et les indicateurs qui permettront de les mesurer.

Un projet dont les bénéfices sont clairement identifiés sera plus facile à évaluer qu'une idée reposant uniquement sur une promesse de productivité.

4. Quels risques et quelles erreurs pouvez-vous accepter ?

Tous les usages de l'IA ne présentent pas le même niveau de risque.

Une erreur dans la proposition d'un titre peut être corrigée facilement. Une information confidentielle communiquée à la mauvaise personne ou une décision erronée exécutée automatiquement peut avoir des conséquences bien plus importantes.

Le niveau de contrôle nécessaire dépend donc de la nature des tâches confiées à l'IA.

Pour un assistant documentaire, plusieurs mécanismes peuvent être envisagés :

• L'affichage des sources utilisées pour produire une réponse.
• Une validation humaine avant l'envoi d'une information sensible.
• La possibilité de signaler une réponse incorrecte.
• Le recours à un interlocuteur lorsque l'information est insuffisante.
• Des tests portant sur les erreurs les plus critiques.

Un taux global de bonnes réponses ne suffit pas toujours à évaluer la fiabilité d'une solution. Certaines erreurs, même peu fréquentes, peuvent rendre un usage inadapté sans contrôle supplémentaire.

Ces exigences influencent directement la complexité du projet, son coût et les conditions de son déploiement.

Deux projets offrant des bénéfices comparables peuvent ainsi nécessiter des niveaux d'investissement très différents selon les risques à maîtriser.

5. Le projet peut-il s'intégrer dans votre environnement de travail ?

Une démonstration convaincante ne garantit pas qu'une solution sera simple à utiliser au quotidien.

Imaginons qu'un conseiller doive quitter son logiciel métier, copier une demande dans un assistant IA, contrôler la réponse puis la recopier dans son outil initial.

La solution peut fonctionner techniquement tout en ajoutant des manipulations qui réduisent son intérêt.

L'évaluation doit porter sur l'ensemble du parcours de travail : accès aux informations, authentification, intégration aux logiciels existants, temps de réponse et validation des résultats.

La disponibilité des équipes compte également.

Qui pourra expliquer les règles métier ? Quels utilisateurs participeront aux tests ? Qui prendra les décisions ? Qui assurera le suivi de la solution après son lancement ?

Les collaborateurs concernés doivent être associés suffisamment tôt pour identifier les exceptions, les contraintes opérationnelles et les difficultés qui ne sont pas toujours visibles lors d'une démonstration.

Une entreprise peut disposer des outils nécessaires sans avoir immédiatement les ressources humaines disponibles pour conduire le projet.

La faisabilité dépend autant de l'environnement technique que de la capacité de l'organisation à intégrer et à faire évoluer la solution.

6. Quel projet mérite d'être testé en premier ?

Après avoir examiné les besoins, les données, les bénéfices, les risques et les contraintes d'intégration, il devient possible de comparer les différentes pistes.

Imaginons une entreprise qui envisage trois projets :

• Un assistant permettant aux collaborateurs de retrouver des informations dans leur documentation.
• Une solution d'extraction automatique des données de factures fournisseurs.
• Un outil de prévision des commandes clients.

Ces trois projets peuvent présenter un intérêt. Mais leur faisabilité dépendra des données disponibles, des processus existants, des performances attendues et des ressources nécessaires.

Le projet offrant le gain potentiel le plus important n'est donc pas automatiquement celui qu'il faut lancer en premier.

Un cas d'usage plus limité, reposant sur des données accessibles et pouvant être testé rapidement, peut constituer une meilleure première expérimentation.

Pour départager les projets, quatre critères peuvent servir de base à la réflexion :

Cette comparaison permet d'identifier les pistes les plus prometteuses, celles qui nécessitent des travaux préalables et celles qu'il vaut mieux reporter.

Elle aide également à déterminer la prochaine étape.

Selon l'incertitude à lever, la première expérimentation ne sera pas la même. POC, prototype ou MVP répondent à des questions différentes et doivent être choisis en fonction de ce que l'entreprise souhaite vérifier.

Un besoin encore mal défini peut nécessiter un cadrage complémentaire. Une incertitude technique peut justifier un POC ciblé. Un parcours utilisateur à valider peut conduire à réaliser un prototype. Une solution déjà suffisamment éprouvée peut être expérimentée dans le cadre d'un pilote.

Même lorsqu'un POC donne des résultats encourageants, certaines erreurs d'évaluation peuvent conduire à prendre une mauvaise décision sur la suite du projet.

Chaque étape doit répondre à une question précise et fournir les éléments nécessaires pour décider de poursuivre, d'ajuster ou d'arrêter.

Comment passer de plusieurs idées à une feuille de route IA ?

Identifier un premier projet constitue une étape importante, mais il faut également déterminer comment les différentes opportunités pourront être explorées dans le temps.

Certaines initiatives peuvent être engagées rapidement. D'autres nécessitent de préparer les données, d'adapter des processus ou de lever des incertitudes techniques.

Cette réflexion permet de construire une feuille de route cohérente avec les priorités et les capacités de l'entreprise.

Chez Keleo, le Diag Data IA accompagne cette démarche : comprendre les besoins, réaliser un état des lieux technique et opérationnel, identifier les cas d'usage, évaluer leur pertinence et leur faisabilité, puis définir une feuille de route.

Le diagnostic permet de structurer les décisions en amont. Les expérimentations qui suivront serviront à vérifier les performances des solutions envisagées dans les conditions réelles de l'entreprise.

Vous avez plusieurs idées de projets IA, mais vous ne savez pas laquelle explorer en priorité ?

Découvrez comment le Diag Data IA de Keleo peut vous aider à identifier les opportunités les plus pertinentes pour votre entreprise.