Quand un COMEX demande « comment on structure notre approche IA ? », il y a trois grandes réponses sur le marché. Trois frameworks, trois philosophies. Et honnêtement, j'en ai conçu un des trois, donc autant poser la transparence dès le départ : je suis juge et partie. Je vais quand même essayer d'être droit.
Cet article compare IAgile (mon framework, itératif et ancré dans l'agilité), AUGMENT de Thiga (6 étapes, acculturation d'abord) et AI Ladder d'IBM (centré données, linéaire). Chacun a ses forces. Chacun a ses angles morts. Et le meilleur choix dépend de là où vous en êtes, pas de qui le vend.
IAgile : l'agilité appliquée à la transformation IA
Commençons par celui que je connais le mieux, évidemment. IAgile part d'un constat simple : les projets IA échouent rarement pour des raisons techniques. Ils échouent parce qu'on planifie trop, on livre trop tard, et l'organisation n'a pas le temps de digérer les changements.
Le framework fonctionne en sprints courts (2 à 4 semaines) appliqués à la transformation elle-même — pas seulement aux projets individuels. Identification de use cases, prototypage rapide, test terrain, boucle de feedback, ajustement. Le même cycle itératif que Scrum, mais appliqué à la stratégie IA d'ensemble.
L'idée clé : on ne définit pas 70 use cases dans un PowerPoint pour ensuite les dérouler en 18 mois. On commence par 5, on apprend, on ajuste, et on monte en échelle progressivement.
Où ça brille : organisations déjà matures en agilité, équipes habituées aux sprints, culture du test-and-learn. Si vos équipes font déjà du Scrum ou du SAFe, IAgile s'insère naturellement dans leurs rituels existants.
Où ça coince : je l'admets volontiers — si votre organisation n'a pas de culture agile, IAgile est difficile à déployer. Vous demandez aux gens d'adopter simultanément une nouvelle méthode de travail ET l'IA. C'est un double changement, et c'est parfois trop. Dans ce cas, AUGMENT est probablement un meilleur point de départ.
AUGMENT : l'acculturation avant tout
Le framework AUGMENT, proposé par Thiga, suit 6 étapes séquentielles : Awareness, Understanding, Generating ideas, Mastering tools, Embedding dans les processus, Nurturing la culture. La logique est claire : avant de déployer quoi que ce soit, assurez-vous que les gens comprennent ce qu'est l'IA, ce qu'elle peut faire, et ce qu'elle ne peut pas faire.
J'ai longtemps sous-estimé cette approche. Je pensais que l'acculturation viendrait naturellement avec l'usage. Je me trompais. Sur une mission dans un groupe industriel de 15 000 personnes, on a lancé des POCs IA ambitieux dès le mois 2. Techniquement impeccables. Adoption : 12 %. Parce que les équipes n'étaient pas prêtes, ne comprenaient pas pourquoi on leur demandait de changer, et avaient peur pour leurs postes.
AUGMENT pose un cadre pour ce travail de fond. Chaque étape a des objectifs, des livrables, des indicateurs. C'est méthodique, structuré, rassembleur.
Où ça brille : grandes organisations avec peu de culture digitale, secteurs traditionnels (industrie, BTP, assurance mutualiste), contextes où la peur de l'IA est forte. L'approche « on comprend d'abord, on fait ensuite » réduit considérablement la résistance au changement.
Où ça coince : le temps. AUGMENT est une démarche de 12 à 18 mois avant d'arriver à des résultats tangibles. Quand votre COMEX veut des résultats au trimestre, expliquer qu'on est encore en phase « Understanding » au mois 4 est un exercice périlleux. Et franchement, certaines équipes apprennent mieux en faisant qu'en écoutant des formations.
AI Ladder : la donnée comme fondation
L'AI Ladder d'IBM est le framework le plus connu historiquement. Quatre barreaux : Collect (collecter les données), Organize (structurer et gouverner), Analyze (modéliser et entraîner), Infuse (intégrer dans les processus métier). La métaphore de l'échelle est parlante : pas de raccourci, on monte barreau par barreau.
L'approche a du mérite. La qualité des données est effectivement le sujet que tout le monde sous-estime. J'ai vu des entreprises investir 2 millions dans un modèle prédictif magnifique, alimenté par des données incohérentes, incomplètes, dupliquées. Résultat : un modèle précis sur des données fausses. Garbage in, garbage out — mais avec des réseaux de neurones.
Où ça brille : organisations data-heavy (banque, télécom, retail avec gros volumes transactionnels) qui ont un vrai problème de qualité de données. Pour ces entreprises, passer 6 mois à structurer leur data lake avant de toucher au machine learning n'est pas du temps perdu — c'est un prérequis.
Où ça coince : le monde a changé. L'AI Ladder a été conçu à l'ère du machine learning classique, où la donnée était le principal goulot d'étranglement. Avec les LLM, une entreprise peut déployer de l'IA générative utile sans avoir résolu son problème de data quality. Du coup, exiger de monter les 4 barreaux dans l'ordre est parfois excessif. Et puis, soyons honnêtes : c'est aussi un framework qui mène naturellement vers l'écosystème IBM — Watson, Cloud Pak for Data. Le biais commercial est transparent, mais réel.
Comparaison synthétique
| Critère | IAgile | AUGMENT | AI Ladder |
|---|---|---|---|
| Philosophie | Itératif, agile-native | Acculturation séquentielle | Data-centric, linéaire |
| Durée typique | 3-6 mois pour premiers résultats | 12-18 mois cycle complet | 6-12 mois avant « Infuse » |
| Prérequis organisation | Maturité agile existante | Sponsorship direction + budget formation | Infrastructure data, équipe data eng. |
| Focus principal | Use cases concrets, feedback rapide | Humains, compréhension, adoption | Qualité données, pipeline ML |
| Risque principal | Aller trop vite pour l'organisation | Trop lent, perte de momentum | Rigide, biais techno IBM |
| Idéal pour | Scale-ups, ESN, orgs agiles | Grands groupes traditionnels | Data-heavy industries |
| Gouvernance | Intégrée aux rituels agiles | Comité dédié acculturation | CDO / data office |
Alors, lequel choisir ?
Ma réponse, après avoir utilisé les trois dans différents contextes : partez de votre organisation, pas du framework.
Si vous êtes une organisation agile (sprints, rétros, culture du feedback), IAgile s'intègre naturellement. C'est l'approche que je détaille dans l'article dédié, et c'est celle que j'utilise chez inspearit. Mais je ne la recommande pas si votre organisation découvre encore Scrum.
Si vos équipes ont peur de l'IA, si la résistance au changement est forte, si le mot « intelligence artificielle » déclenche des réactions défensives — commencez par AUGMENT. L'acculturation n'est pas un luxe, c'est un prérequis. J'ai appris cette leçon à mes dépens.
Si votre problème fondamental est la qualité des données, si vos équipes data passent 80 % de leur temps à nettoyer plutôt qu'à modéliser, l'AI Ladder pose les bons fondamentaux. Prenez-la sans forcément acheter la stack IBM qui va avec.
Et dans la vraie vie ? On mélange. Sur ma dernière mission longue, un assureur de 8 000 personnes, on a utilisé la logique AUGMENT pour les 3 premiers mois (acculturation, formation des managers avec le framework M3K), puis basculé sur IAgile pour l'exécution. Le ciment entre les deux, c'était une gouvernance IA claire avec un comité qui décidait vite.
Aucun framework ne vous sauvera si votre gouvernance est floue, si votre sponsor n'est pas engagé, ou si personne ne veut arrêter les projets qui ne marchent pas. Le framework donne un rythme et une structure. Le reste, c'est du leadership.