● Journal du Net 📅 11/05/2026 à 13:05

Géopolitique 👤 Sylvie Ouziel

🏷️ Tags : chine cert rte

Réussir l'IA suppose d'agir vite : partir d'un cas d'usage concret, tester et itérer plutôt que tout théoriser, afin de générer rapidement du ROI et l'adhésion. Nous n’avons pas lancé de projet d’IA agentique car nous préférons bien définir notre besoin et notre cahier des charges avant ". Mauvaise idée pour garantir l’adoption réussie de l’IA ! Rédiger une longue description des besoins, fondée sur un existant, plus ou moins bien connu, et sur un " fantasme " d’IA " baguette magique ", déconnectés de la réalité quotidienne des workflows tout autant que de la faisabilité technique, est une perte de temps. Seul un " passage à l’acte ", sur un cas d’usage concret et impactant, positionne les entreprises pour gagner la bataille de compétitivité. La direction et l’encadrement ne connaissent généralement pas dans le détail les activités des collaborateurs, ce qui constitue un premier frein pour vraiment appréhender les opportunités d’automatisation et d’optimisation. Dans une entreprise de service dont le métier consiste à intermédier de larges volumes de transactions entre ses clients et des fournisseurs, l’analyse " bottom up " des processus dans le cadre de la mise en place d’agents IA a mis en lumière une étape particulièrement révélatrice de cette réalité… Un prestataire externe facturait des millions d’euros par an pour rapprocher les factures reçues du bon compte fournisseur et résoudre les ambiguïtés. Or, l’existence même de ces ambigüités sur l’identité du fournisseur résultait d’une mauvaise gestion de la base de données qui contenait de nombreux tiers inactifs, redondants ou obsolètes. Cette tâche a été purement et simplement éliminée après analyse ! Dans un autre registre, une entreprise de service souhaitait optimiser le déploiement de ses dizaines de milliers de collaborateurs sur des milliers de sites d’intervention. La réalisation de cet agent IA de scheduling et dispatch a supposé près de dix itérations pratiques, confrontant l’encadrement et la direction aux plannings produits par l’IA, afin de faire expliciter les règles métiers " préconscientes ". De ces itérations ont émergé de nouvelles contraintes " dures / obligatoires " ou " souples / préférentielles " (telles que le nombre de collaborateurs différents qui pouvaient intervenir durant l’année sur le même poste, pour assurer une qualité de service maximum au client) ou des précisions sur certains paramètres (tels que les coûts réels de formation et onboarding d’un collaborateur sur un site client, bien inférieurs aux coûts théoriques). En conclusion, il est difficile d’appréhender " en chambre " les modes de fonctionnement actuels à un niveau de détail suffisamment granulaire autant que de formuler les optimisations attendues en termes algorithmiques précis. En parallèle de cette difficulté à " savoir ce que l’on veut ", il est encore plus difficile d’imaginer ce que l’on peut ! Les technologies disponibles aujourd’hui sont nombreuses et évolutives. L’IA générative des chatbot grand public que tout le monde pratique n’est que la face émergée de l’iceberg. De nombreuses autres technologies sont disponibles et doivent être articulées pour remplacer un humain dans la réalisation de tâches fastidieuses ou augmenter un humain dans les activités à plus forte valeur ajoutée et les prises de décisions complexes. On peut avoir recours à des modèles multi modaux (analyse, amélioration ou génération d’image, son, voix, vidéo), à de l’apprentissage machine, à différents modèles d’optimisation sous-contraintes, ou encore à des technologies agentiques de raisonnement autonome. Imaginer ce qu’il est possible de faire en enchaînant les bonnes technologies, avec les instructions et contextes adaptés, est plus ou moins facile ex ante. Mais surtout, le " pipeline " de technologies ainsi constitué doit être mis à l’épreuve des faits : la validité des résultats obtenus doit être évaluée sur des cas concrets pour appréhender ce qu’il est réellement possible de faire, dans quelles conditions, avec quelle latence (rapidité / réactivité) et pour quels coûts. Définir un périmètre (une persona dans l’entreprise, un workflow, une problématique) et passer à l’acte rapidement, dans un cadre stratégique et technique défini (contraintes règlementaires, choix technologiques…) permet d’obtenir des ROIs tangibles rapidement, de construire la confiance et de gagner l’adhésion, ainsi que de valider les socles stratégiques et techniques, ce qui ouvre la voie à un déploiement plus rapide de prochains cas d’usages. La rédaction de cahiers des charges (par définition théoriques) et le classement des cas d’usage dans des feuilles de calcul doit rapidement laisser le pas à une approche plus agile et plus adaptée à la réalité des technologies de l’IA.

🔗 Lire l'article original 👁️ 0 lecture