Dans les comités de direction, la question n’est plus de savoir s’il faut déployer de l’intelligence artificielle, mais à quelle vitesse et sur quel périmètre. Cette urgence, alimentée par la pression concurrentielle, produit des résultats très inégaux d’une organisation à l’autre.
Des chiffres flatteurs, des retours plus nuancés
Le décalage entre l’annonce et l’usage
Une majorité d’entreprises déclarent avoir intégré des outils d’IA générative dans au moins un processus métier. Derrière cette statistique, les retours de terrain racontent une autre histoire : projets pilotes qui ne dépassent jamais le stade du test, chatbots internes désertés en quelques semaines, workflows automatisés qui génèrent parfois plus de tickets de support qu’ils n’en résolvent.
Un problème de cadrage, pas d’outil
L’outil n’est en général pas en cause, c’est le cadre dans lequel il a été introduit qui pose problème. Les équipes IT constatent souvent que les projets démarrent sans cartographie préalable des processus existants ; on automatise ce qui est visible, pas forcément ce qui pose réellement problème.
La logique du « déploiement par obligation »
Une priorité inversée
Certaines directions imposent l’usage de l’IA comme un objectif en soi, indépendamment des cas d’usage réels susceptibles de le justifier. Cette approche inverse la démarche habituelle de transformation : au lieu de partir d’un besoin métier identifié, on part d’une technologie qu’il faut justifier après coup.
Cette inversion des priorités, où le problème de « L’IA d’abord » fait passer la finalité opérationnelle après l’affichage technologique, est un constat que partagent beaucoup de DSI, même si peu le formulent aussi frontalement en interne.
Partir du problème, pas de la technologie
Les organisations qui obtiennent des gains mesurables procèdent différemment : elles identifient un irritant précis, souvent dans la gestion des demandes internes, avant d’évaluer si une solution d’IA constitue une réponse proportionnée.
Ce que change une approche structurée
Les trois piliers récurrents
Trois éléments reviennent régulièrement dans les déploiements qui tiennent dans la durée :
- Gouvernance des données : sans qualité en amont, aucun modèle ne produit de résultats fiables.
- Implication des équipes terrain : elles détectent les frictions bien avant les équipes projet.
- Mesure continue : les indicateurs doivent être suivis sur plusieurs mois, pas seulement au lancement.
La flexibilité, critère souvent négligé
Un quatrième critère, moins technique, revient de plus en plus : pouvoir désactiver ou modifier une automatisation sans dépendre entièrement du fournisseur initial. Une flexibilité souvent négligée à l’achat, mais critique dès que les besoins évoluent.
Une maturité qui se construit lentement
Un parallèle avec les cycles technologiques précédents
Le cloud, puis la digitalisation des processus, ont connu des cycles similaires : euphorie initiale, déploiements précipités, puis consolidation. L’IA semble suivre une trajectoire comparable, accélérée par la médiatisation du sujet.
Consolider plutôt qu’accumuler
Pour les DSI, l’enjeu des prochains mois ne sera sans doute pas d’ajouter d’autres outils, mais de consolider ceux déjà en place et de mesurer leur apport réel : temps de résolution, charge des équipes support, satisfaction des utilisateurs internes.
