Quand un projet IA échoue, la première réaction du COMEX est de chercher un problème technique. Le modèle n'était pas assez bon. Les données étaient mauvaises. L'équipe data manquait de compétences. Parfois c'est vrai. Mais dans la majorité des cas que je vois, le projet était condamné avant le premier sprint — par des décisions prises dans des salles de réunion, pas dans des notebooks Jupyter.
Je ne vais pas vous donner une recette miracle. Mais je peux vous raconter les erreurs que je vois se répéter, et ce que je fais différemment quand j'arrive assez tôt pour les éviter.
Erreur 1 : commencer par la technologie
« On veut déployer du GPT-4. » « On veut faire de l'IA générative. » Neuf briefs sur dix que je reçois commencent par un nom de technologie. Pas par un problème.
Du coup, vous cherchez un problème qui justifie la solution. Et vous en trouvez toujours un — c'est juste rarement le plus important. J'ai accompagné un groupe de distribution qui a investi 6 mois dans un chatbot de support client « parce que tout le monde en fait ». Leur vrai problème ? Un taux de rotation des équipes à 35 %. Le chatbot est toujours là. La rotation aussi.
Ce que je fais à la place : avant de parler technologie, je pose une seule question en comité de direction : « quel problème vous coûte le plus cher cette année ? » Ensuite seulement on regarde si l'IA est la bonne réponse. Souvent, elle ne l'est pas.
Erreur 2 : déléguer la stratégie IA au DSI
L'IA n'est pas un sujet IT. C'est un sujet business + tech + RH + juridique. Déléguer la stratégie IA au DSI seul, c'est comme déléguer la stratégie digitale au webmaster en 2005.
Le DSI voit les contraintes techniques. Le métier voit les opportunités. Le juridique voit les risques. Les RH voient l'impact humain. Sans cette vision croisée, vous obtenez une stratégie IA qui est en réalité une stratégie infrastructure déguisée.
La question qui débloque : « qui d'autre devrait être dans cette pièce ? » Si la réponse est « personne, le DSI gère », vous avez trouvé le problème. La gouvernance IA doit être cross-fonctionnelle — 5 à 8 personnes représentant business, tech, juridique et RH.
Erreur 3 : viser l'automatisation complète d'entrée de jeu
« L'IA va automatiser le processus de bout en bout. » C'est le signal d'alerte numéro 2 dans mes diagnostics. L'automatisation complète est un objectif légitime — mais jamais un point de départ.
Quand vous annoncez l'automatisation complète, vous déclenchez instantanément : résistance syndicale, peur des équipes, pression politique. Le projet devient un sujet RH avant d'être un sujet technique. Et il meurt de ses résistances bien avant de prouver sa valeur.
Ce que je fais à la place : optimiser avant de transformer. Commencer en mode copilote — l'IA recommande, l'humain décide. La confiance se construit usage après usage. Et en général, ce sont les équipes elles-mêmes qui finissent par demander plus d'automatisation. C'est à ce moment-là qu'on passe à la vitesse supérieure, pas avant.
Erreur 4 : ignorer la qualité des données
« On a les données. » À chaque fois que j'entends cette phrase en kickoff, je sais qu'on va perdre du temps. Avoir des données et avoir des données utilisables — c'est la différence entre avoir un garage et avoir une voiture qui roule.
J'ai documenté un projet de maintenance prédictive arrêté après 4 mois et 300 000 euros. La raison : les capteurs enregistraient toutes les 5 minutes, mais le modèle nécessitait des données toutes les 10 secondes. Personne n'avait vérifié avant de commencer.
Le test que j'applique : 2 semaines de sprint Discovery dédiées à l'audit data. Pas de modèle, pas de code, pas de dashboard. Juste une question : les données sont-elles suffisantes, dans la bonne condition, à la bonne fréquence ? Ce sprint de 2 semaines est le Go/No-Go le plus rentable que je connaisse. Il a sauvé au moins 3 projets de la catastrophe l'année dernière.
Erreur 5 : confondre adoption et déploiement
Le modèle est en production. Les licences sont distribuées. Le COMEX annonce le succès. Six mois plus tard, personne ne l'utilise. Ou pire : les équipes l'utilisent pour la forme mais ignorent ses recommandations.
Déployer un outil et le faire adopter sont deux compétences radicalement différentes. La première est technique. La seconde est humaine, managériale, culturelle. Et c'est la seconde qui détermine le ROI.
Ce que j'ai appris : l'adoption se prépare dès le premier sprint, pas après la mise en production. Le framework M3K que j'utilise structure ça autour de quatre axes — posture, pratiques, mesure et capitalisation — mais le point clé c'est que la mesure porte sur la compréhension, pas sur les connexions. Les gens se connectent par obligation. Ils comprennent par choix.
Erreur 6 : mesurer le mauvais ROI
« Le modèle a 94 % de précision. » Et alors ? La précision d'un modèle n'est pas un ROI. C'est une métrique technique intéressante pour les data scientists, mais elle ne dit rien sur la valeur métier.
Les métriques trompeuses que je vois dans les reportings :
- « 4 heures gagnées par semaine » — sans mesurer ce que les collaborateurs font de ces heures
- « 500 documents générés » — sans mesurer combien sont lus
- « 10 000 tickets classifiés automatiquement » — sans mesurer l'impact sur le temps de résolution
La règle que je pose en début de mission : chaque projet IA doit être relié à un KPI métier. Pas la précision du modèle. Le time-to-resolution a-t-il baissé ? Le NPS a-t-il augmenté ? Le coût par transaction a-t-il diminué ? Si on ne peut pas faire le lien, on n'a pas un projet IA — on a un projet technique qui cherche sa raison d'être.
Le diagnostic avant lancement
Avant d'investir le premier euro dans votre stratégie IA, vérifiez ces six points :
- Le problème métier est-il identifié et chiffré avant le choix technologique ?
- La gouvernance inclut-elle business, tech, juridique et RH ?
- Le scope initial est-il en mode copilote (aide à la décision), pas autopilote ?
- Un audit data de 2 semaines est-il planifié avant tout développement ?
- Le plan de conduite du changement existe-t-il dès le sprint 1 ?
- Les KPI de succès sont-ils des KPI métier, pas des métriques de modèle ?
Si vous répondez « non » à plus de deux questions, ce n'est pas grave — c'est normal. La plupart des organisations que je rencontre commencent à 1 ou 2 sur 6. Ce qui compte, c'est d'en prendre conscience avant d'engager le budget, pas après.
Pour aller plus loin, découvrez l'approche IAgile et ses 6 principes, et pourquoi les transformations IA échouent à cause des managers, pas de la technologie.