Définition
La préparation à l’IA évalue des préalables plutôt qu’une ambition. Elle demande si vos processus sont définis, vos données accessibles, votre tolérance au risque comprise, et si quelqu’un répond du résultat, car les projets d’IA échouent bien plus souvent sur ces terrains que sur le plan technique.
La préparation n’est pas l’enthousiasme
La plupart des évaluations de préparation à l’IA mesurent la mauvaise chose : l’appétit, le budget et le parrainage de la direction. Ces éléments déterminent si un projet démarre. Ils n’ont presque aucune incidence sur le fait qu’il fonctionne.
Ce qui le détermine est bien plus banal. Un système peut-il atteindre les données au moment voulu ? Le processus est-il assez défini pour que « correct » ait un sens ? Quelqu’un répond-il du résultat une fois le projet terminé ? Une entreprise pleine d’enthousiasme et dépourvue de tout cela produira un projet pilote impressionnant et rien d’autre, ce qui résume assez bien le constat largement cité selon lequel environ 95 % des pilotes d’IA générative en entreprise ne produisent aucun rendement mesurable.
Les quatre conditions qui comptent vraiment
La clarté du processus. Pouvez-vous décrire le flux visé de bout en bout sans dire « ça dépend de qui le fait » ? Sinon, vous avez d’abord un problème de cartographie des processus, et l’IA ne ferait qu’industrialiser l’ambiguïté.
L’accessibilité des données. Non pas leur existence, mais la capacité d’un système à les interroger maintenant. De l’information enfermée dans des PDF, des boîtes courriel individuelles ou une base dont personne n’a les accès n’est pas disponible, quelle qu’en soit la quantité.
La clarté du risque. Savez-vous ce que coûte une mauvaise sortie, à quelle vitesse vous le remarqueriez et qui en répond ? Sans cela, vous ne pouvez pas décider du degré d’autonomie à accorder : vous restreindrez le système jusqu’à l’inutilité, ou pas assez jusqu’à l’incident.
L’imputabilité. Une personne nommée responsable du résultat, pas seulement du projet. Les systèmes sans responsable dérivent, et personne ne s’aperçoit qu’ils ont cessé de bien fonctionner.
Trois conditions solides sur quatre suffisent pour cadrer quelque chose de réel. Deux ou moins : le travail opérationnel passe d’abord, et le faire crée de la valeur avec ou sans IA.
Ce que la préparation n’est pas
Ce n’est pas avoir des données propres. Des données parfaitement propres sont une condition qu’aucune entreprise en activité n’a jamais remplie, et l’attendre est une façon de ne jamais commencer. Il vous faut des données accessibles et raisonnablement fiables pour le processus visé, une exigence bien plus modeste.
Ce n’est pas avoir un document de stratégie. Ce n’est pas avoir choisi un modèle ou un fournisseur, qui est l’une des dernières décisions plutôt que l’une des premières. Et ce n’est pas une question de taille : une entreprise de 30 personnes avec un flux bien défini et à fort volume est plus prête qu’une entreprise de 500 personnes dont tous les processus sont sur mesure.
L’approche Automathing
Nous évaluons la préparation par processus plutôt que par entreprise, parce que la réponse diffère nettement entre deux flux d’une même organisation. Un processus aux étapes claires, aux données accessibles et doté d’un responsable est un projet viable même dans une organisation globalement peu prête, et commencer là produit la preuve qui rend le suivant plus facile.
Foire aux questions
Comment savoir si nous sommes prêts pour l’IA ?
Choisissez un processus précis et répondez honnêtement à quatre questions : pouvez-vous le décrire de bout en bout, un système peut-il atteindre les données nécessaires, connaissez-vous le coût d’une erreur, et quelqu’un répond-il du résultat ? Trois réponses solides : cadrez le projet. Moins : réglez d’abord le problème opérationnel, ce qui coûte moins cher et rapporte de toute façon.
Faut-il nettoyer nos données d’abord ?
Il faut que les données du processus visé soient accessibles et assez bonnes, pas propres en général. Un vaste programme de nettoyage préalable à tout travail d’IA est un projet pluriannuel qui s’enlise généralement. Délimitez le travail sur les données au processus que vous construisez réellement, et laissez le résultat justifier la ronde suivante.
Quel est le principal blocage pour les PME ?
L’accès aux données, systématiquement. Ni le volume, ni le choix du modèle, ni le budget. L’information existe mais réside dans des systèmes qu’on ne peut pas interroger, des formats qu’on ne peut pas analyser, ou des comptes dont personne ne peut accorder l’accès. C’est pourquoi les projets d’IA deviennent si souvent des projets d’intégration, et pourquoi une base d’intégration se rembourse deux fois.
Faut-il embaucher quelqu’un avant de commencer ?
Généralement pas en premier. Le travail initial est opérationnel : cartographier un processus, établir quelles données sont accessibles, et décider ce que coûte une erreur. Votre équipe actuelle peut le faire, souvent mieux qu’une personne recrutée de l’extérieur qui ne connaît pas l’entreprise. Embauchez une fois que vous savez ce que vous construisez et que vous comptez l’exploiter durablement.