Comment cadrer un projet IA sans se tromper de problème

La plupart des projets IA qui échouent ne échouent pas à cause du modèle utilisé — ils échouent parce que le problème de départ était mal posé. On demande à l'IA de résoudre un symptôme, pas une cause, et le résultat déçoit malgré une technologie qui fonctionne très bien sur le papier.

La première étape n'est jamais technique : c'est identifier qui rencontre le problème, à quelle fréquence, et ce que coûte réellement ce problème aujourd'hui — en temps, en erreurs, en opportunités manquées. Sans ce chiffrage, impossible de savoir si un projet IA est justifié ou si un simple ajustement de processus suffirait.

La deuxième étape consiste à définir un critère de réussite mesurable avant de commencer, pas après. « Améliorer la productivité » n'est pas un critère. « Réduire de moitié le temps de traitement d'une candidature » en est un. Un projet sans critère de réussite explicite ne peut pas échouer proprement — il s'arrête simplement, sans qu'on sache pourquoi.

La troisième étape est de cartographier le processus existant avant d'y insérer de l'IA. Un processus mal compris, automatisé tel quel, ne fait que reproduire ses inefficacités plus vite. C'est souvent à cette étape qu'on découvre qu'une partie du problème n'a pas besoin d'IA du tout, juste d'une meilleure organisation.

La quatrième étape est de prototyper petit, sur un périmètre réel mais limité, avant d'envisager un déploiement large. Un agent IA testé sur 20 cas réels révèle en quelques jours des angles morts qu'aucune spécification n'aurait anticipés.

Cadrer un projet IA, c'est finalement appliquer la même rigueur qu'à n'importe quel projet digital : comprendre le besoin avant la solution, mesurer avant de promettre, et itérer avant de généraliser. La technologie change ; la méthode, non.