Formulation de cas d'usage IA pertinents et évaluables

1. La règle d'or : le problème avant la technologie

La tentation est grande de commencer par la technologie ("Que pourrions-nous faire avec de l'IA générative ?"). C'est presque toujours une erreur. Le principe fondamental de tout projet d'innovation réussi est de commencer par le métier.

Pour bien ancrer cette idée, je vous propose de regarder un court extrait d'une présentation de George Westerman, chercheur au MIT. Il cite des dirigeants d'entreprises comme Airbus qui illustrent parfaitement cette philosophie.

Cette approche "problème d'abord" est la pierre angulaire de la sélection d'un bon cas d'usage. Il ne s'agit pas de trouver un problème pour une solution, mais de trouver la meilleure solution (qui peut être l'IA, ou non) pour un problème existant et prioritaire.

Une autre courte vidéo, proposée par IBM, renforce ce point en distinguant deux approches :

• "Problem to tech" : Vous avez un problème métier, vous cherchez la bonne technologie pour le résoudre. C'est l'approche à privilégier.
• "Tech to problem" : Vous avez déjà investi dans une technologie, vous cherchez des cas d'usage pour la rentabiliser. C'est une approche possible, mais plus risquée.

2. Où trouver les bons problèmes ? La chasse aux "irritants"

Maintenant que nous sommes convaincus de devoir partir d'un problème, où les chercher ? En tant que manager, vous en connaissez déjà beaucoup. L'enjeu est de les structurer.

George Westerman, dans la même vidéo du MIT, propose quatre grands domaines où chercher des opportunités de transformation :

1. L'expérience client (personnalisation, engagement)
2. Les opérations (automatisation, adaptation, efficacité – le cœur de l'Industrie 4.0)
3. Les modèles d'affaires (nouveaux services basés sur l'information)
4. L'expérience employé (réduction des tâches pénibles, amélioration des outils)

Pour rendre cette recherche encore plus concrète, la meilleure méthode est de se concentrer sur les "irritants" opérationnels : les points de friction, les inefficacités et les tâches à faible valeur ajoutée qui pénalisent la performance au quotidien.

Le guide suivant propose une excellente liste de ces irritants et des exemples de cas d'usage typiques qui peuvent y répondre.

Cette liste est une mine d'or pour animer un atelier d'idéation avec vos équipes. Demander "Où avons-nous des tâches répétitives ?" ou "Quels processus génèrent le plus d'erreurs ?" est bien plus productif que de demander "Où pourrions-nous mettre de l'IA ?".

3. Comment transformer un "irritant" en cas d'usage "pertinent et évaluable" ?

Avoir identifié un irritant est un bon début, mais ce n'est pas encore un cas d'usage. Il faut maintenant le qualifier pour s'assurer qu'il est pertinent (il vaut la peine d'être résolu) et évaluable (on saura si on a réussi).

Pour cela, on utilise une grille d'analyse avec des critères simples.

3.1. Les 5 critères de faisabilité d'un premier projet

Le guide du CPQ propose une grille d'évaluation très efficace pour un premier projet. Il doit être simple et démontrer sa valeur rapidement.

Ces cinq critères (Impact, Fréquence, Complexité, Risque, Données) constituent une première checklist managériale pour filtrer les idées. Une idée qui coche ces cinq cases a de fortes chances d'être un bon candidat pour un projet pilote.

Pour visualiser ce processus de sélection, on utilise souvent une matrice 2x2 qui positionne les cas d'usage en fonction de leur valeur métier et de leur complexité de mise en œuvre.

3.2. Plongée dans la complexité et les questions critiques

Si la "valeur" est relativement simple à estimer (gains de temps, réduction de coûts...), la "complexité" est multidimensionnelle. Elle ne se résume pas à la complexité technique. L'image suivante décompose très bien ces différentes facettes.

Pour compléter cette évaluation, voici une liste de questions fondamentales à vous poser (et à poser à vos experts techniques), inspirées de la présentation du MIT. Elles permettent de préciser le cahier des charges et de s'assurer que le cas d'usage est bien "évaluable".

• Précision : Quel niveau de précision est acceptable ? Quelle est la conséquence d'une erreur ? (Prédire une panne en se trompant d'un jour est moins grave que de mal diagnostiquer une maladie).
• Explicabilité : Avons-nous besoin de comprendre pourquoi le modèle a pris cette décision ? (Pour une décision de crédit, la réponse est oui ; pour trier du spam, c'est moins crucial).
• Consistance : La réponse doit-elle être la même à chaque fois pour la même entrée ?
• Données : Avons-nous une source de vérité fiable ? Nos données sont-elles représentatives ou risquent-elles d'introduire des biais ?
• Confidentialité : Les données utilisées sont-elles sensibles ?

Répondre à ces questions en amont permet de définir les gardes-fous du projet et les critères de succès techniques et métier.

4. L'outil pratique : Le Canevas de Cadrage de Projet

Pour synthétiser toutes ces réflexions et formaliser le cas d'usage, il est très utile d'employer un outil structuré comme un "canevas" (ou "canvas"). C'est un document d'une page qui résume l'essentiel du projet.

Le guide du CPQ, en annexe, propose un excellent canevas réalisé par la société Airudi. C'est un outil parfait à utiliser dans vos ateliers de formation.

Ce canevas est votre livrable final pour cette étape de cadrage. Il transforme une discussion en un document de référence pour le projet. Les sections clés à retenir sont :

• Défi ou Objectif d'Affaires : Le "Pourquoi". C'est l'irritant que vous voulez résoudre.
• Opportunité IA : Le "Comment" (hypothèse). "Utiliser l'IA pour prédire, détecter, automatiser..."
• Valeur Attendue / Impact Mesurable : Le gain chiffré. "Réduire les coûts de X%", "Augmenter la productivité de Y%". C'est ce qui rend le projet évaluable.
• Critères et mesures de succès : Les KPIs qui seront suivis pour valider l'atteinte de la valeur attendue.
• Sources et types de données : Le test de réalité. Avons-nous le carburant pour faire tourner le moteur ?

Remplir ce document, même de façon succincte, force à la clarté et à l'alignement entre les parties prenantes (métier, IT, direction).

Conclusion

Vous disposez maintenant d'une méthodologie et d'outils concrets pour guider vos participants dans la formulation de leur premier cas d'usage IA.

Points clés à retenir :

• Commencez toujours par un problème métier concret ("irritant"), jamais par la technologie.
• Cherchez les opportunités dans l'amélioration des opérations, de l'expérience client ou de l'expérience employé.
• Évaluez chaque idée à l'aune de critères simples : Impact, Fréquence, Complexité, Risque, Données. Visez les "quick wins" pour commencer.
• Posez les questions critiques sur la précision, l'explicabilité et les données pour définir les contours du projet.
• Utilisez un canevas de cadrage pour formaliser le cas d'usage en une proposition claire, pertinente et évaluable.

Aperçu de la prochaine leçon :

Une fois que nous avons défini le "quoi" avec un cas d'usage bien formulé, la question suivante est "qui" et "comment". La prochaine leçon portera sur la gouvernance d'un projet IA. Nous verrons comment identifier les rôles et responsabilités des différentes parties prenantes (métier, data, IT, direction) pour s'assurer que le projet est bien piloté et que les bonnes décisions sont prises au bon moment.