Le plus difficile avec l’IA en entreprise, c’est de définir les priorités, pas d’innover

La plupart des organisations ne manquent pas d’idées en matière d’IA. Mais comment les transformer efficacement en applications concrètes qui contribuent réellement au retour sur investissement ?

Pour les responsables d’entreprise et des technologies, la question semble simple, mais elle est étonnamment difficile : il faut beaucoup de travail pour repérer, évaluer et hiérarchiser les possibilités offertes par l’IA qui créeront réellement de la valeur.

Même lorsque la technologie est prête et que la créativité est au rendez-vous, la plupart des initiatives d’IA échouent avant même d’être mises en œuvre. Le fossé entre l’expérimentation et le passage à l’action est manifeste : S&P Global a constaté que les organisations abandonnaient en moyenne 46 % de leurs projets de validation de concept en IA avant leur mise en production. Cela s’explique par le fait qu’elles évaluent des idées d’IA avant d’avoir clairement défini le problème à résoudre.

De nombreuses organisations ont désormais dépassé la phase d’expérimentation, durant laquelle elles cherchent à déterminer dans quels projets d’IA investir et dans quel ordre. Pourtant, l’adoption ne se traduit pas nécessairement par des retombées pour l’entreprise : l’enquête State of AI 2026 de McKinsey a révélé que, si 44 % des organisations déclarent désormais déployer l’IA à grande échelle dans toute l’entreprise, seules 37 % font état d’un effet mesurable de l’IA sur leurs bénéfices d’exploitation. Ces organisations ont besoin d’un système décisionnel reproductible qui distingue les gains rapides, les possibilités stratégiques, les prérequis et les problèmes qui ne relèvent pas de l’IA avant d’engager des ressources.

Le problème commence dès la formulation des idées

Dans les équipes de direction, les idées liées à l’IA ne se présentent pas sous la forme de possibilités bien délimitées. Elles arrivent souvent en bloc, sous la forme de propositions ambitieuses, foisonnantes et difficiles à cerner, telles que : « Nous avons besoin de l’IA pour nous aider dans les communications, les rapports, les réunions, le transfert des connaissances, la gestion des performances, et peut-être même pour que des agents IA pilotent nos projets. »

Un tel problème ne nécessite pas une seule idée, mais au moins six, chacune ayant une portée, une complexité, des exigences de gouvernance et une valeur attendue fondamentalement différentes.

Derrière une seule déclaration comme « nous avons besoin de l’IA pour les rapports » peuvent se cacher :

• Une tâche répétitive qui peut être automatisée en quelques semaines
• Un processus à repenser avant que l’IA puisse être utile
• Une capacité véritablement nouvelle que l’IA rend possible pour la première fois
• Un problème lié aux données ou aux systèmes que l’IA seule ne peut pas résoudre

Traiter tous ces cas de la même manière, avec les mêmes critères d’évaluation, le même calendrier et la même méthode de calcul du retour sur investissement, entraîne une mauvaise hiérarchisation des priorités et un gaspillage des efforts. Les gains rapides sont noyés sous des procédures de gouvernance conçues pour les initiatives majeures. Les idées révolutionnaires ne reçoivent jamais le soutien dont elles ont besoin. Et les problèmes qui ne relèvent pas du tout de l’IA mobilisent des ressources qui devraient être affectées ailleurs.

Un cadre pour hiérarchiser les possibilités offertes par l’IA

Les organisations ont besoin d’un ensemble de principes normalisés pour déterminer quelles possibilités se prêtent le mieux aux solutions d’IA. Voici les principes que je propose :

1. Décomposez avant de hiérarchiser. La qualité des décisions en matière d’IA dépend entièrement de la qualité des idées soumises au processus. L’étape la plus importante consiste à découper les demandes générales en possibilités distinctes, chacune assortie d’un résultat défini, d’un responsable unique et d’une portée réaliste. Évaluées de cette manière, quelques propositions initiales peuvent se transformer en plusieurs possibilités distinctes pouvant être notées. Certaines peuvent être mises à l’essai immédiatement. D’autres nécessitent d’abord la résolution de prérequis. Certaines ne relèvent peut-être pas du tout de l’IA.
2. Le type détermine la gouvernance. Le score détermine l’ordre. Le type de mise en œuvre de l’IA nécessaire pour répondre à un enjeu de l’entreprise et son score (ou son potentiel de création de valeur) sont deux questions tout à fait différentes, que la plupart des processus de hiérarchisation confondent. De quel type de possibilité s’agit-il ? L’idée concerne-t-elle l’automatisation d’une tâche, la refonte d’un processus, une capacité d’IA entièrement nouvelle ou autre chose ? La réponse détermine la manière de la gérer : le processus d’approbation, le calendrier et la méthode de mesure de la valeur. C’est sa comparaison avec les autres possibilités qui détermine quand il convient de la mettre en œuvre. Une automatisation rapide et une capacité d’IA tactique peuvent toutes deux être utiles. Elles ne devraient jamais suivre le même parcours de gouvernance.
3. Définissez le problème avant de choisir la technologie. Avec l’IA, l’un des pièges les plus faciles à éviter est de passer trop vite aux questions portant sur les modèles, les plateformes ou les fournisseurs. Il vaut mieux commencer par comprendre le problème lui-même : qui le rencontre, quelle difficulté il engendre et quel résultat doit être amélioré. Cette distinction est importante, car les organisations peuvent être convaincues de la pertinence de leur stratégie d’IA tout en ne disposant pas des capacités nécessaires à sa mise en œuvre : une enquête de 2026 UST a révélé que 44 % des dirigeants de grandes entreprises considéraient la qualité des données comme un obstacle à l’adoption de l’IA. Si la discussion sur la technologie commence avant qu’un accord soit trouvé sur ces éléments fondamentaux, c’est généralement trop tôt. En centrant les premières discussions sur le problème, on peut clarifier considérablement les décisions technologiques qui suivront.
4. Signaler les obstacles aussi clairement que les possibilités. Un score élevé ne suffit pas à lui seul. Une idée à fort impact bénéficiant du soutien de la direction, mais se heurtant à un obstacle majeur de faisabilité — comme l’absence de données, une dépendance non résolue à un système ou une contrainte de conformité — devrait figurer dans la feuille de route, sans être mise en œuvre tant que cet obstacle n’est pas levé. La gouvernance et la conformité comptent déjà parmi les principaux freins au déploiement de l’IA à grande échelle : L’enquête 2025 de Moody’s a révélé que 33 % des répondants citaient l’incertitude réglementaire ou les risques de non-conformité comme un défi pour l’adoption de l’IA à grande échelle, tandis que 30 % mentionnaient la difficulté d’intégrer l’IA aux systèmes existants. Par exemple, une possibilité peut obtenir un score élevé dans toutes les dimensions, sauf celle de la faisabilité, parce qu’elle dépend de la résolution d’un manque de données par une autre équipe. Elle peut rester clairement signalée dans la feuille de route et être prête à avancer une fois cette dépendance résolue.
5. Garder une feuille de route adaptable. Les capacités technologiques évoluent, les priorités commerciales changent et les dépendances se transforment au fil du temps. Un portefeuille solide devrait permettre de réévaluer facilement les différentes possibilités à mesure que la situation évolue, sans devoir reconstruire l’ensemble du plan. Les cycles de planification annuels sont souvent trop rigides pour un domaine qui évolue aussi rapidement.

Passer à la mise en pratique

Il est à noter que l’IA elle-même peut contribuer à la mise en œuvre de ce cadre. Les organisations peuvent s’appuyer sur des outils tels que des compétences spécialisées en IA conçues à cet effet et des applications légères de gestion de feuilles de route pour guider les dirigeants dans le recensement, la décomposition, la classification, l’évaluation et la hiérarchisation des possibilités. Plutôt que de s’en remettre entièrement à des ateliers et à une animation manuelle, l’IA peut examiner des idées non structurées, repérer les différentes possibilités, soulever des questions de clarification, remettre en question les hypothèses et produire des évaluations structurées des possibilités à examiner.

Ces évaluations peuvent ensuite alimenter une feuille de route centralisée, où les possibilités, les dépendances, les obstacles et les priorités sont gérés de manière cohérente dans l’ensemble de l’organisation. Les dirigeants peuvent ainsi voir quelles possibilités existent, lesquelles sont prêtes à avancer et lesquelles nécessitent des prérequis ou une évaluation supplémentaire. La discussion passe alors de « quelles sont nos idées ? » à « que devrions-nous traiter en premier ? »

Cela peut rendre les séances de priorisation beaucoup plus productives. Les dirigeants y arrivent après avoir déjà examiné les questions fondamentales ; la discussion peut donc porter sur l’harmonisation des priorités et la prise de décisions, plutôt que de repartir de zéro.

Au lieu de gérer les idées liées à l’IA au moyen de feuilles de calcul et de réunions sans lien entre elles, les organisations peuvent mettre en place un processus décisionnel reproductible qui évalue et hiérarchise continuellement les possibilités, au gré de l’évolution des besoins commerciaux et des capacités technologiques.

Ce que cela signifie pour l’IA en entreprise

Les organisations qui créeront une valeur durable grâce à l’IA ne seront pas nécessairement celles qui disposent des modèles les plus avancés ou des budgets les plus importants. Ce seront celles qui se dotent des capacités organisationnelles nécessaires pour évaluer rigoureusement les possibilités offertes par l’IA avant d’engager des ressources. Le défi relève de plus en plus d’une discipline d’investissement : Les recherches de Deloitte sur le rendement de l’IA en 2025 ont révélé que la plupart des organisations déclaraient obtenir un rendement satisfaisant sur un cas d’usage typique de l’IA en deux à quatre ans, contre un délai de rentabilisation attendu de sept à douze mois pour les investissements technologiques.

Cela signifie qu’il faut aider les dirigeants à transformer les idées générales en possibilités clairement définies avant d’aller de l’avant, tout en laissant aux équipes techniques la marge nécessaire pour tester les hypothèses et repérer rapidement les difficultés potentielles. Cela suppose également de maintenir une feuille de route qui tient compte des obstacles, des dépendances et des possibilités qui pourraient être plus pertinentes à un stade ultérieur.

En définitive, la création de valeur grâce à l’IA en entreprise dépend de bien plus que des modèles ou des agents qu’adopte une organisation. Elle repose sur des décisions réfléchies quant aux domaines où les utiliser, au moment de le faire et aux raisons de le faire.