Les outils d’IA évoluent rapidement : ont-ils eu un impact sur votre vie professionnelle en tant que Managing Director, Chairman et membre de conseils consultatifs ?

Oui, absolument. Le cas d’usage le plus évoqué de l’IA générative concerne le développement informatique, mais je ne suis pas développeur. Néanmoins, j’utilise des outils d’IA générative pour m’aider dans de nombreux domaines, et leur utilisation a augmenté de manière régulière.

Je dirais également que j’ai affiné la manière et les contextes dans lesquels je les utilise, à mesure que j’ai compris où ils m’apportent une réelle valeur. Je pense qu’il existe une part de test et d’erreur lorsqu’on utilise l’IA à titre individuel, et qu’il est essentiel de rester conscient de ses limites.

Le test et l’erreur deviennent beaucoup plus complexes lorsque l’on envisage d’utiliser l’IA pour des processus métier critiques et à grande échelle — par exemple dans un cabinet d’avocats pour la rédaction de contrats — et c’est là que les organisations doivent faire preuve d’une grande prudence.

Les dirigeants d’entreprise doivent-ils considérer les outils d’IA comme pertinents aujourd’hui ? Peuvent-ils apporter une valeur durable ?

Je pense que c’est extrêmement pertinent, tout en étant conscient que de nombreuses entreprises ont perdu du temps et de l’argent sur des initiatives qui n’ont pas abouti. Ce n’est pas non plus un pari automatique : on ne peut pas simplement agiter une baguette magique IA et constater des bénéfices immédiats. Son utilisation et son déploiement doivent être réfléchis et planifiés.

L’utilisation de base de ChatGPT ou de Copilot est désormais un prérequis dans de nombreuses entreprises, à condition de mettre en place une gouvernance adaptée. Cela permet aux contributeurs individuels, dans de nombreux rôles, d’améliorer leurs capacités et leur productivité. Cela peut inclure la recherche documentaire, l’aide à la réflexion et à la prise de décision, ou encore la création de contenus créatifs simples. Tant que l’on ne délègue pas entièrement sa réflexion et que l’on vérifie les résultats, il s’agit désormais d’un mode de fonctionnement relativement standard.

À l’échelle organisationnelle, en revanche, aider de manière mesurable à faire mieux, plus vite et à moindre coût s’est avéré beaucoup plus difficile à mettre en œuvre. Les meilleurs exemples que j’ai observés se concentrent généralement sur trois domaines :

1. L’optimisation des processus dans des entreprises opérationnellement complexes (par exemple : industrie manufacturière, logistique, entreposage)
2. La tarification et la gestion des revenus dans des environnements complexes et en constante évolution (par exemple : hôtellerie, compagnies aériennes, retail)
3. La recherche, la synthèse et la diffusion de l’information dans la gestion des connaissances (par exemple : services professionnels, conseil, secteur public)

Pouvez-vous partager des moyens simples et à faible risque de mettre en œuvre des processus ou des outils d’IA en entreprise ?

Pour de nombreuses entreprises, il existe d’abord une question fondamentale à se poser, qui déterminera ensuite la nature et le rythme de leurs initiatives en matière d’IA : souhaitez-vous être un innovateur de pointe dans votre secteur, avec les risques que cela implique, ou préférez-vous être un suiveur rapide, prenant le temps d’observer quels cas d’usage fonctionnent réellement, quels éditeurs de logiciels tiennent leurs promesses, avant de déployer les meilleures solutions ?

Les approches les moins risquées consistent à fournir aux collaborateurs des versions professionnelles de Copilot, Gemini, ChatGPT, etc., et à les encourager à les utiliser dans un cadre de gouvernance clair. L’ampleur de ce déploiement dépendra du secteur, de la diversité des rôles et de l’appétence au risque de l’organisation.

Une autre approche relativement peu risquée consiste à s’appuyer sur de nouveaux outils SaaS intégrant l’IA et ciblant spécifiquement votre secteur. Cela n’est pas sans risque — les défis classiques du déploiement SaaS demeurent, tout comme le risque que certains outils disparaissent dans les 12 mois — mais cela mérite d’être exploré et éventuellement testé.

Par ailleurs, de nombreux outils SaaS que vous utilisez déjà, comme votre CRM ou vos systèmes comptables ou RH, disposent probablement de fonctionnalités intégrant l’IA qui peuvent s’avérer utiles.

Quelles sont les erreurs les plus courantes commises par les entreprises lorsqu’elles tentent de mettre en œuvre des projets d’IA ?

Je constate plusieurs erreurs récurrentes.

Tout d’abord, déléguer l’IA exclusivement à la DSI ou au CTO, comme s’il s’agissait avant tout d’un sujet technologique, ou constituer un comité interne d’experts intéressés par l’IA et leur confier la direction du sujet. Ces groupes sont certes importants pour le déploiement, mais la réflexion sur le pourquoi et le comment de l’IA devrait, selon moi, venir du CEO, avec l’appui des responsables commerciaux et opérationnels. Les CEO doivent définir le niveau d’ambition en matière d’IA, les zones de l’entreprise où elle peut avoir le plus d’impact, et le retour sur investissement attendu. Cela peut être difficile, car peu de dirigeants ont une formation dans ce domaine, mais ils doivent s’entourer des bonnes personnes internes et externes et donner une direction claire, comme pour toute autre composante stratégique.

Les données sont essentielles à la plupart des projets d’IA, et j’ai observé deux problèmes majeurs à ce sujet. Le premier est de ne pas vérifier en amont que les données nécessaires au cas d’usage sont réellement disponibles — j’ai vu des projets pourtant bien cadrés échouer immédiatement faute de données critiques.

Le second problème, paradoxalement inverse, est de penser que toutes les données doivent être parfaites avant de démarrer un projet d’IA, et de passer des mois à vouloir perfectionner un data lake global. Avec de bons data engineers, ce niveau de perfection n’est généralement pas nécessaire pour des cas d’usage spécifiques, et attendre peut ralentir inutilement les projets. Les données sont essentielles, mais elles n’ont pas besoin d’être parfaites dans leur totalité avant de commencer.

Enfin, une autre erreur consiste à se lancer dans le développement de solutions sur mesure sans réfléchir à leur mise en production et à leur fiabilité dans le monde réel. Cela inclut la gestion de ces solutions lorsque l’activité évolue. Si vous créez 100 GPT personnalisés, que se passe-t-il lorsque les modèles sous-jacents changent et que les performances se dégradent ? Ou comment mettre à jour un outil de tarification basé sur l’IA lorsque votre stock ou le comportement de vos clients évoluent ?

Les bonnes pratiques du project management peuvent-elles s’appliquer à des projets intégrant des processus et/ou des outils d’IA ? Les équipes doivent-elles adapter les méthodologies pour améliorer les résultats ?

Je pense que de nombreuses techniques de gestion de projet issues de l’ère pré-IA générative restent pleinement pertinentes. Il existe aujourd’hui de nouvelles formations spécifiquement dédiées au pilotage de projets IA, comme AIPM ou CPMAI, qui constituent d’excellents points de départ pour ceux qui souhaitent s’engager fortement dans ce type de projets.

On oublie parfois que le meilleur projet d’IA au monde peut échouer si les personnes qui déploient l’outil — car il y a toujours des humains impliqués — n’adhèrent pas au projet et ne modifient pas leurs comportements. Impliquer les futurs utilisateurs avant, pendant et après le projet est donc plus important que jamais.

Un défi supplémentaire des projets intégrant l’IA est la rapidité d’évolution des technologies sous-jacentes : à la fin d’un projet long, la solution mise en place peut déjà être sous-optimale. C’est pourquoi des pratiques de gestion de projet favorisant la flexibilité et l’agilité sont essentielles, et les solutions doivent être conçues de manière à permettre l’évolution facile de leurs composants au fil du temps.

Avez-vous un conseil pratique à donner aux entreprises pour leur permettre de prioriser sans prendre de retard ?

Le point de départ doit être de disposer d’une stratégie IA, même simple, et de la réévaluer et l’affiner régulièrement. Il est également essentiel de rester curieux, informé et attentif aux évolutions de l’IA. Le sujet doit rester vivant au sein des instances de direction et faire l’objet d’un suivi régulier.

Même si vous choisissez pour l’instant de ne pas vous engager pleinement dans ce domaine, le moment viendra où les bénéfices justifieront l’investissement. Vous aurez alors fait vos recherches, observé les meilleures pratiques dans votre secteur, et serez — idéalement — en mesure de réussir du premier coup.