Intelligence Artificielle : Comment réussir sa stratégie
Il se passe quelque chose de singulier dans les conseils d’administration, les comités stratégie et technologie, ainsi que les comités de direction des grandes institutions quand on aborde la thématique de l’intelligence artificielle. Les dirigeants ont tous une opinion, souvent certaine et tranchée, parfois passionnée. Mais une proportion non négligeable d’entre eux n’a jamais utilisé un seul outil d’IA dans leur pratique professionnelle. Et une majorité encore plus large confond la question de l’IA avec celle des outils numériques, du cloud ou de la data, comme si la révolution en cours était simplement une extension de la précédente.
Mon parcours académique et professionnel m’a amené à approfondir cette thématique. Ce que j’ai appris, c’est que l’essentiel du défi n’est pas technologique. Il est davantage stratégique, organisationnel et humain. Et les erreurs commises par les dirigeants sont prévisibles, parce qu’elles sont structurellement les mêmes dans la quasi-totalité des organisations.
Première erreur : Traiter l’IA comme un projet IT
La première et la plus répandue des erreurs est de confier le déploiement de l’IA à la direction des systèmes d’information. Ce n’est pas une question de compétence, car les équipes IT sont souvent parfaitement capables de déployer des outils. C’est une question de positionnement et de portage par le conseil d’administration, la direction générale et les équipes métier.
L’IA n’est pas un outil. C’est une nouvelle manière de prendre des décisions, de concevoir des processus, d’interagir avec des clients, de gérer des risques, de piloter ses réalisations. Son déploiement efficace requiert que les métiers soient au cœur du pilotage, et pas en position de clients internes de la DSI. Un programme d’IA conduit sans ancrage fort dans les métiers produit des pilotes techniques brillants qui ne passent jamais en production, ou que les équipes métier ne s’approprient pas, parce que personne dans l’organisation n’en est réellement propriétaire (notion de fonction proproétaire).
La première condition du succès est d’identifier des cas d’usage à fort impact métier, de confier leur pilotage à des dirigeants opérationnels, et de construire autour d’eux des équipes mixtes où l’expertise technique et l’expertise métier sont à parité.
Le signe révélateur : Si le programme d’IA est piloté exclusivement par la DSI, il a peu de chances de transformer l’organisation. Si les métiers le copilotent avec autant d’autorité et de responsabilité, les chances augmentent considérablement.
Deuxième erreur : Confondre GenAI et IA
ChatGPT a produit un effet pervers dans les comités de direction : beaucoup de dirigeants ont désormais une expérience directe de l’IA générative, et en ont conclu que c’est là que se joue l’essentiel. Or l’IA générative, aussi puissante soit-elle pour certains cas d’usage, n’est qu’une des composantes de ce qu’il est possible de déployer.
L’IA prédictive, celle qui apprend sur des données historiques pour anticiper des comportements futurs, reste la technologie la plus créatrice de valeur : scoring de crédit, détection de fraude, pricing du risque, prévision de churn client, anticipation de l’appétence des clients, personnalisation des parcours clients, maintenance prédictive : ces applications sont matures, éprouvées, et produisent des retours économiques mesurables. Elles n’ont pas besoin de ChatGPT pour fonctionner. Elles ont plutôt besoin de données de qualité, de modèles bien calibrés, et d’une intégration dans les processus de décision opérationnels.
Les organisations qui réussissent ne déploient pas l’IA la plus sophistiquée, mais l’IA la plus adaptée à leur niveau de maturité organisationnelle.
La question à poser au COMEX : Savons-nous distinguer, dans notre portefeuille d’initiatives IA, ce qui relève de l’IA prédictive, de l’IA générative, et des systèmes agentiques ? Et avons-nous calibré notre niveau d’ambition sur notre niveau réel de préparation ? Et avons-nous mis en face les moyens et l’organisation appropriés ?
Troisième erreur : Négliger la question des cœurs et des esprits
La troisième erreur est la plus profonde, et la moins souvent adressée : la technologie n’est pas le facteur limitant, les humains le sont.
Les organisations se retrouvent souvent dans quatre configurations possibles. Celle avec des équipes qui ont les compétences mais pas l’adhésion des dirigeants : les équipes se trouvent alors frustrées. Celle avec des équipes qui ont l’adhésion mais pas les compétences requises : les équipes sont alors enthousiastes mais inefficaces. Celle avec des équipes qui n’ont ni l’un ni l’autre : elles sont alors indifférentes ou résistantes. Et celle avec des équipes qui combinent les deux (expertises et support de la gouvernance), et c’est là le principal facteur de succès.
Cette lecture n’est pas théorique. Elle décrit précisément ce que l’on observe sur le terrain. Une organisation dont les équipes craignent d’être remplacées par l’IA ne déploiera jamais efficacement l’IA, car ses équipes saboteront le processus, consciemment ou non. Une organisation dont les équipes comprennent que l’IA les libère des tâches à faible valeur ajoutée pour leur permettre de se concentrer sur ce qui requiert vraiment leur jugement humain au regard des enjeux en place, gagne en vitesse d’exécution et en impact.
Le premier défi du dirigeant qui lance une stratégie IA n’est pas de choisir les bons outils. C’est de construire ce narratif, convaincant, honnête et ancré dans la réalité des métiers, — qui explique à ses équipes ce que l’IA change réellement pour elles, et ce que ça ne change pas. Le silence sur cette question est interprété comme une menace. La transparence est interprétée comme un respect.
Ce que les dirigeants doivent décider maintenant
La stratégie IA n’est pas un sujet pour dans trois ans. Les positions compétitives se construisent maintenant. Et une fois consolidées, elles seront difficiles à rattraper.
Trois décisions essentielles s’imposent aux dirigeants qui veulent éviter l’irréversibilité.
Première décision : choisir deux ou trois cas d’usage concrets à fort impact business et les exécuter avec la rigueur d’un projet industriel, c’est à dire avec des objectifs mesurables, des équipes dédiées, et un dispositif de passage à l’échelle planifié dès le départ. L’IA se déploie par les cas d’usage, pas par les plateformes.
Deuxième décision : investir dans la donnée avant d’investir dans les modèles. La qualité des données reste le facteur limitant le plus sous-estimé dans les projets d’IA, quel que soit le secteur d’activité. Des modèles sophistiqués alimentés par des données de mauvaise qualité produisent des résultats inutilisables, et parfois dangereux du point de vue réglementaire ou d’arbitrage stratégique.
Troisième décision : poser la question de la gouvernance IA au niveau du conseil d’administration et des comités de direction générale. Qui, dans l’organisation, est responsable des décisions prises par les algorithmes ? Comment les biais sont-ils détectés et corrigés ? Quelle est la stratégie de conformité dans un environnement réglementaire et concurrentiel qui évolue rapidement ? Ces questions ne peuvent pas être laissées à la seule discrétion des équipes techniques.
Dans trois ans, les organisations qui auront réussi leur transformation IA ne seront pas nécessairement celles qui auront eu les meilleurs data scientists. Ce seront celles dont les dirigeants auront été capables d’apprendre assez pour poser les bonnes questions, et assez humbles pour écouter les réponses.
L’IA n’est pas une révolution technologique. C’est avant tout une révolution managériale. Elle exige des dirigeants une capacité à apprendre, à désapprendre, et à conduire le changement dans des conditions d’incertitude élevée. Ces compétences ne sont pas nouvelles. Ce qui est nouveau, c’est l’urgence avec laquelle elles sont requises.