Un Comex me convoque après 18 mois et 2,4 M€ engagés sur leur "stratégie IA". Le modèle tourne. Personne ne l'utilise. Ils veulent comprendre ce qui s'est passé.
Ce qui s'est passé n'a rien à voir avec le modèle. Le projet était condamné au kick-off, par six décisions prises dans des salles de réunion, pas dans des notebooks Jupyter.
21% seulement des projets IA génèrent une vraie valeur (Gartner). Voici les six erreurs que je vois revenir, mois après mois, dans les 79% restants — et ce que je fais différemment quand j'arrive assez tôt pour les éviter.
Erreur 1 — Commencer par la techno, pas par le problème
"On veut déployer du GPT-4." "On veut faire de l'IA générative." Neuf briefs sur dix arrivent avec un nom de techno. Pas avec un problème.
Du coup, on cherche un problème qui justifie la solution. On en trouve toujours un — c'est rarement le plus important. Un groupe de distribution a investi 6 mois dans un chatbot support client "parce que tout le monde en fait". Leur vrai irritant : 35% de turnover équipes. Le chatbot est toujours là. Le turnover aussi.
Ce que je fais à la place : avant de parler techno, 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 seul
L'IA n'est pas un sujet IT. C'est un sujet business + tech + RH + juridique + data. 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 — et qui se cogne contre les usages dès qu'elle sort de la salle serveur.
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 transverse — 5 à 8 personnes, décisionnaires, qui se réunissent toutes les deux semaines.
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 n°2 dans mes diagnostics. L'automatisation complète est un objectif légitime — jamais un point de départ.
Quand vous annoncez "automatisation complète", vous déclenchez instantanément : résistance syndicale, peur des équipes, pression politique. Le projet devient un sujet RH avant d'être un sujet technique. 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. Ce sont les équipes elles-mêmes qui finissent par demander plus d'automatisation. C'est là qu'on passe à la vitesse supérieure. Pas avant.
Bascule conceptuelle : on ne déploie pas l'automatisation, on déploie l'augmentation. Pas le même verbe, pas la même adoption.
Erreur 4 — "On a les données"
À chaque kick-off où j'entends cette phrase, 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 vu un projet de maintenance prédictive arrêté après 4 mois et 300 K€. 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 dédié à l'audit data. Pas de modèle, pas de code, pas de dashboard. Une seule 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 sauve typiquement 5 à 10 processus de la catastrophe par audit, et tue les 2-3 dead-ends qui auraient consommé le budget pendant 6 mois.
Erreur 5 — Confondre déploiement et adoption
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. C'est la seconde qui détermine le ROI — et elle se prépare au sprint 1, pas après la mise en prod.
Ce que j'ai appris : mesurer la compréhension, pas les connexions. Les gens se connectent par obligation. Ils comprennent par choix. Le framework M3K structure ça autour de quatre axes — Mindset, Methods, Metrics, Knowledge.
Erreur 6 — Mesurer la mauvaise couche de ROI
"Le modèle a 94% de précision." Et alors ? La précision d'un modèle n'est pas un ROI. C'est une métrique intéressante pour les data scientists, elle ne dit rien sur la valeur métier.
Pire : la majorité des Comex pilotent uniquement la couche 1 de la valeur IA — l'efficience. Moins de temps, moins de coût, plus de volume. C'est mesurable, donc c'est la seule qu'on poursuit. On laisse deux couches entières sur la table :
→ Couche 1 — Efficience. Heures gagnées, coût par transaction, volume traité.
→ Couche 2 — Qualité de décision. Pas combien de rapports tu produis, mais à quel point tes décisions sont mieux informées, plus rapides, moins biaisées. Ça ne rentre pas dans un Excel. Donc personne ne la cherche.
→ Couche 3 — Opportunités créées. Les produits qu'on n'aurait pas lancés, les segments qu'on n'aurait pas détectés, les pivots qu'on n'aurait pas osés.
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 est relié à un KPI métier d'au moins une couche, idéalement les trois. Le time-to-resolution a-t-il baissé ? Le NPS a-t-il augmenté ? Quelle décision stratégique a changé grâce à ce modèle ? 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.
Diagnostic avant lancement — les 6 questions
Avant d'investir le premier euro dans votre stratégie IA, vérifiez :
- Le problème métier est-il identifié et chiffré avant le choix technologique ?
- La gouvernance inclut-elle business, tech, juridique, RH et data ?
- Le scope initial est-il en mode copilote (augmentation), pas autopilote (automatisation totale) ?
- Un audit data de 2 semaines est-il planifié avant tout développement ?
- Le plan d'adoption existe-t-il dès le sprint 1 ?
- Les KPI de succès couvrent-ils au moins deux des trois couches de valeur (efficience / décision / opportunité) ?
La plupart des organisations que je rencontre commencent à 1 ou 2 sur 6. C'est normal. Ce qui compte, c'est d'en prendre conscience avant d'engager le budget, pas après.
Pour aller plus loin : IAgile et ses 6 principes, et pourquoi les transformations IA échouent à cause des managers, pas de la technologie.
Sur lesquelles de ces 6 erreurs votre dernière initiative IA a-t-elle buté ?