Un bon cas d’usage IA commence rarement par l’IA.
Je vois beaucoup d’entreprises vouloir “mettre de l’IA” quelque part: dans un outil, dans un process, dans une équipe, dans une roadmap mais sans savoir vraiment pour quoi faire. Cette frénésie vient par des directions qui veulent absolument être à la mode, ne pas être dépassé par la vague et qui par conséquent mette une pression sur leur organisation sans vraiment comprendre le fond.
Mais la vraie question n’est pas : “Où peut-on mettre de l’IA ?”, c’est plutôt: “Quel irritant mérite et/ou peut être amélioré ?”: un temps perdu à consolider des informations, une tâche répétitive qui mobilise des profils expérimentés, une tâche mécaniquement longue, une décision prise avec trop peu de contexte, une analyse faite trop tard. C’est là que l’IA devient intéressante.
Pas comme une couche magique ajoutée sur un processus flou mais comme un levier concret sur une situation métier déjà comprise.
Le paradoxe, c’est que pour identifier ces cas d’usage, il faut quand même connaître l’IA, pas être expert technique mais comprendre ce qu’elle sait faire, ce qu’elle ne sait pas faire, où elle est fiable, et où elle ajoute surtout du bruit. C’est souvent l’étape oubliée: avant de lancer des POC dans tous les sens, il faut former les équipes, acculturer les managers, évangéliser intelligemment, avec des exemples concrets, proches du terrain. reliés aux vrais irritants métier.
Sinon, on court après des solutions avant d’avoir compris les problèmes.
Et dans ce cas, l’IA n’accélère pas la transformation, elle accélère surtout la confusion.