La plupart des initiatives d’IA échouent non pas parce que la technologie ne fonctionne pas, mais parce que les organisations ne savent pas quel problème elles essaient réellement de résoudre.
Selon l’étude du MIT State of AI in Business 20251 la plupart des organisations ont mis en œuvre au moins quelques projets pilotes d’IA, mais beaucoup mentionnent encore un faible impact et aucun retour mesurable sur les initiatives d’IA.
Malgré toutes les promesses de la révolution de l’IA, nous avons encore besoin d’une bonne approche, à l’ancienne, fondée sur la valeur, afin de nous assurer que ce que nous faisons produit des résultats pour les parties prenantes.
Le regard des stratèges sur les initiatives d’IA
Comme cela se produit généralement lorsqu’une nouvelle technologie brillante apparaît, des experts naissent simplement en modifiant le slogan sur leur profil LinkedIn. L’IA ne fait pas exception. Avec autant d’experts et autant de contenu générique généré par l’IA, pourquoi devriez-vous prendre en compte ma perspective ?
J’ai commencé à expérimenter l’IA en 2000, durant mes années préuniversitaires, en essayant de résoudre le problème de la reconnaissance de l’écriture manuscrite à l’aide de réseaux de neurones. Remporter une compétition junior était vraiment agréable, mais le développement des réseaux de neurones à l’époque était limité par la puissance de calcul. Mon domaine d’intérêt s’est ensuite orienté vers l’informatique, les mathématiques appliquées, la physique, puis vers des disciplines davantage tournées vers le business, telles que la mesure de la performance et la planification stratégique. L’IA n’a jamais été mon expertise principale (même si j’aime établir des parallèles entre les fonctions en chaîne, les gradients, la rétropropagation en IA et la capacité des organisations à apprendre).
Aujourd’hui, j’aborde l’IA du point de vue d’un stratège, avec une certaine base en mathématiques appliquées. Les LLM sont remarquables en tant que technologie, mais du point de vue de la planification stratégique, je les considère davantage comme un projet complexe de transformation numérique que comme une initiative miraculeuse.
J’aide effectivement les organisations dans leurs initiatives d’IA, mais je le fais avec une approche axée sur la stratégie, et non sur la technologie. En général, nous parlons beaucoup des parties prenantes, de leurs besoins, de leur intention stratégique, de la manière dont la vision de l’organisation est traduite en objectifs à long terme, de la manière dont ces objectifs sont décomposés en buts spécifiques, et de la façon dont nous les rendons encore plus précis et sans ambiguïté grâce à des KPI.
L’IA n’est qu’une pièce du puzzle qui peut ou non s’intégrer à la manière dont cette stratégie sera exécutée.
D’une certaine manière, ce que je fais répond à la demande globale d’apporter de la clarté dans le domaine de l’IA ; je partage donc également ma perspective via des conférences. En 2026, ce sera « Stratégie de mise en œuvre de l’IA » à Munich, puis plus tard en mai « Mesurer la confiance dans l’IA » à Vienne.
Avant de mettre en œuvre l’IA – Faites d’abord vos devoirs stratégiques
Le rapport du MIT mentionné ci-dessus confirme une vérité simple :
Mettre en œuvre l’IA est facile – créer de la valeur avec l’IA est difficile.
Le point de vue des stratèges sur ce sujet est clair : avant d’envisager toute initiative de changement, assurez-vous que votre stratégie a été correctement déclinée et suivie. Sans ces fondamentaux, je ne pense pas qu’il soit viable d’aller de l’avant avec une quelconque initiative de transformation.
La mise en œuvre de l’IA est une bonne raison de revenir aux fondamentaux (les besoins des parties prenantes) et de réfléchir aux possibilités que l’IA pourrait offrir.
Pensez en termes de conditions limites : à quoi ressemblerait votre organisation si tous les obstacles possibles à la mise en œuvre de l’IA (technologie, architecture, conformité, juridique, personnes, etc.) étaient levés ?!
Une définition de l’exécution de la stratégie consiste à valider des hypothèses dans la pratique. Dans le cadre des devoirs sur l’IA, il est judicieux de formuler ces hypothèses. Expérimentez un peu avec la technologie, réalisez quelques prototypes pour vous faire une idée des écueils possibles en termes de mise en œuvre, d’écarts de capacités et d’attentes des utilisateurs.
Examinons certains principes afin de rendre la mise en œuvre de l’IA plus réussie en termes de création de valeur tangible pour les parties prenantes.
Principe 1. Relevez le véritable défi – connaissez les besoins de vos parties prenantes
Quelle est la différence entre une mise en œuvre axée sur la technologie et une mise en œuvre axée sur la stratégie ? Avec une mise en œuvre axée sur la stratégie, vous commencez toujours par le contexte métier. Vous connaissez vos parties prenantes, leurs besoins, vos objectifs de haut niveau et vos objectifs spécifiques, et vous essayez de comprendre comment la nouvelle technologie vous aidera à exécuter ces objectifs plus efficacement – en particulier, comment elle aura un impact sur les métriques que vous suivez.
Cela crée une focalisation sur ce qui compte, plutôt que de simplement jouer avec la technologie.
De bons candidats cibles pour une mise en œuvre de l’IA sont :
- Métriques de coûts
- Métriques de temps
- Métriques de complexité en tant que dérivé des coûts, du temps et de la complexité cyclomatique
- Métriques de qualité (taux d’erreur, pourcentage de problèmes récurrents)
- Métriques liées aux talents (domaines avec un taux de rotation élevé)
Pour réitérer l’importance de la décomposition initiale de la stratégie : il ne devrait pas s’agir de « nous allons nous transformer en une organisation axée sur l’IA ». Il devrait y avoir des défis spécifiques que vous souhaitez relever, avec les parties prenantes correspondantes derrière eux et une responsabilité clairement définie en termes d’exécution. Cette approche résonne fortement avec les principes agiles que nous utilisons dans le développement logiciel.
Si vous tenez à réinventer votre organisation et à être axé sur l’IA, assurez-vous de commencer par la stratégie, les parties prenantes et leurs besoins !
Principe 2. Préparez-vous sur le long terme – Réfléchissez à l’architecture dès le début
J’ai mentionné que je considère l’IA comme une autre transformation numérique, une initiative de changement. Mais cette initiative de changement est évidemment plus complexe que, disons, la mise en œuvre d’un CRM.
En ce sens, la planification de l’architecture pour l’IA est cruciale. Tenez compte de :
- La manière dont le contexte et les prompts seront maintenus ;
- La manière dont vous connecterez l’IA à l’environnement métier existant ;
- Préparez-vous à orchestrer plusieurs outils d’IA ;
- Préparez-vous à repenser certains workflows à partir de zéro.
Imaginez, par exemple, que vous utilisiez l’IA pour répondre aux questions des utilisateurs via un chatbot. L’architecture que vous choisirez sera définie par des questions telles que :
- Quel sera le cycle d’apprentissage ?
- Y aura-t-il une supervision humaine ? Comment sera-t-elle mise en œuvre ?
- Comment les actions correctives seront-elles introduites ?
- L’IA aura-t-elle accès aux dialogues précédents avec le même utilisateur ?
- L’IA pourra-t-elle récupérer des données directement depuis le CRM ?
- Quels mécanismes de sécurité seront mis en œuvre ?
La capacité de l’IA à apprendre, à se souvenir du contexte et à s’améliorer sera un facteur déterminant du taux d’adoption au fil du temps. Assurez-vous que l’architecture que vous choisissez pour la mise en œuvre de l’IA répond à ces besoins d’apprentissage.
Principe 3. Rendre la qualité et la conformité pertinentes pour les parties prenantes
L’IA touche à trop de points sensibles d’une organisation : l’accès aux données des clients, l’utilisation d’outils tiers, le soutien à la prise de décision, la communication avec les utilisateurs et la conservation des données en vue d’éventuels audits.
À une certaine échelle de mise en œuvre de l’IA, les contrôles de qualité et de conformité sont indispensables.
Nous entrons dans le domaine de la GRC, mais, là encore, il ne s’agit pas de l’IA. Il s’agit de votre stratégie, des risques que l’IA y fait peser, et de la manière dont nous pouvons les prévenir et les atténuer.
Nous entendons souvent dire que, pour la mise en œuvre de l’IA, il devrait y avoir :
- Humain dans la boucle,
- Audit Trail,
- Explicabilité,
- …
Ce qui manque en pratique, c’est la connexion entre ces idées et ce qui importe réellement aux parties prenantes.
Je trouve que la méthode d’analyse de risque bowtie est bien adaptée à ce rôle. Faites-la pour un événement de risque central, en définissant les menaces avec les contrôles préventifs correspondants, ainsi que les conséquences de l’événement de risque avec les contrôles d’atténuation correspondants.
Nous avons examiné un exemple d’une telle analyse dans le cas « AI implementation in a medical quality control »2 présenté à l’OOP. Dans ce cas, l’événement de risque central était formulé ainsi : « Les résultats validés par l’IA sont approuvés sans examen humain approprié. »
En utilisant des contrôles de prévention des risques et des contrôles d’atténuation des risques, nous avons aligné la mise en œuvre de l’IA sur les préoccupations des parties prenantes en matière de qualité et de conformité. En déclinant cette idée, les mêmes contrôles contribueront à construire un cadre complet de gouvernance de l’IA. Lorsque cette approche est déployée à l’échelle de l’organisation, les mêmes contrôles peuvent être utilisés pour établir un cadre complet de gouvernance de l’IA.
Résumé exécutif : faire passer l’IA de la technologie à la stratégie
Suivez ces principes pour une mise en œuvre de l’IA axée sur la stratégie :
- Concentrez la mise en œuvre sur les besoins spécifiques des parties prenantes ; idéalement, la quantification des résultats réels par rapport aux résultats attendus doit être définie.
- La mise en œuvre de l’IA est un système d’apprentissage complexe, et non une connexion ponctuelle à l’API d’un LLM — planifiez l’architecture en conséquence.
- Établissez des contrôles de qualité et de conformité et communiquez-les aux parties prenantes ; cela définira l’acceptation future de la mise en œuvre de l’IA. La méthode bowtie s’est révélée être un excellent outil à cette fin.
- The GenAI Divide State of AI in Business 2025, MIT NANDA, juillet 2025 ↩
- « Strategy and Oversight of AI Implementation in Medical Quality Control, » BSC Designer, Alexis Savkín, 2025. ↩
Alexis Savkin est un architecte de mise en œuvre de la stratégie et le fondateur de BSC Designer, une plateforme logicielle d’exécution de la stratégie et de tableau de bord équilibré. Il aide les organisations à automatiser la gestion de la performance et à transformer la stratégie en résultats mesurables. Alexis est le créateur du « Strategy Implementation System », l’auteur de plus de 100 articles sur la stratégie et la mesure de la performance, ainsi qu’un intervenant régulier lors d’événements du secteur.