Pourquoi tant de projets de pilotage par IA échouent-ils ?

Selon IBM, seuls 16 % des initiatives en matière d'IA sont déployées à l'échelle de l'entreprise. D'ici fin 2025, au moins un sur Deuxième projet GenAI abandonné après la phase de validation de principe. « De nombreuses entreprises ont désormais prouvé que l'IA fonctionne sur le plan technique. Mais le véritable défi ne fait que commencer », explique Artur Heidt, directeur général de KAMIE Solution Factory Deutschland GmbH. « Une démonstration de faisabilité montre ce qui est possible. Mais elle ne répond pas encore à la question de savoir si une solution peut être exploitée de manière rentable, intégrée aux processus existants et mise en œuvre au quotidien. »

Ce projet pilote n'est qu'un début

Une démonstration de faisabilité (Proof of Concept) s'appuie généralement sur un petit nombre d'utilisateurs, des données sélectionnées et des processus clairement délimités. En production, les exigences augmentent considérablement : les interfaces doivent fonctionner de manière stable, les droits d'accès doivent être réglementés, les données doivent être mises à jour en continu et les résultats doivent pouvoir être reproduits de manière fiable. « Dans le cadre d’un projet pilote, de nombreuses faiblesses peuvent encore être compensées manuellement. En production, cela ne fonctionne plus », explique M. Heidt. « Si les collaborateurs doivent constamment vérifier les résultats, retravailler les données ou corriger des erreurs, une démonstration peut tout de même convaincre. Mais dans l’utilisation quotidienne, cela devient rapidement un facteur de coût.» C’est pourquoi la mise en production ultérieure doit être prise en compte dès le début. Ce qui est déterminant, ce n’est pas seulement de savoir si une application fonctionne techniquement, mais aussi si elle peut être exploitée à long terme avec un effort raisonnable.

Sans utilité évidente, l'IA reste une expérience

Une autre raison de l’échec des projets d’IA réside dans l’absence de business case. Outre une qualité insuffisante des données et des contrôles des risques déficients, Gartner cite également la hausse des coûts et un bénéfice commercial mal défini comme causes principales de l’échec des projets d’IA générative. « Après la validation du concept, la question ne doit pas se limiter à : »L’IA fonctionne-t-elle ?« Ce qui est déterminant, c’est : »Quelles améliorations économiques cela apporte-t-il ?” », souligne M. Heidt. « Sans indicateurs clairs, il est pratiquement impossible d’évaluer par la suite si une application est réellement couronnée de succès. » Les avantages peuvent se traduire par des délais de traitement plus courts, moins d’erreurs, une productivité accrue, une meilleure disponibilité des informations ou un chiffre d’affaires supplémentaire. Dans le même temps, les entreprises doivent prendre en compte le coût global. Outre les licences, cela inclut également l’intégration, le traitement des données, l’exploitation, la surveillance, l’assistance et les formations. Les chiffres actuels montrent que l’IA peut être rentable : 52 % des entreprises qui utilisent déjà l’IA font état d’une contribution mesurable à leur réussite. 77 % estiment que leur position concurrentielle s'est améliorée.

Les données, un frein à la mise à l'échelle

De nombreux projets pilotes s'appuient sur un ensemble de données soigneusement préparé. En exploitation courante, en revanche, les systèmes d'IA doivent fonctionner avec les données réelles de l'entreprise. Dans les PME notamment, ces données sont souvent dispersées entre les systèmes ERP, CRM, les documents, les e-mails, les fichiers Excel ou les applications métier. « Une IA peut fournir d’excellents résultats lors de tests réalisés avec des données sélectionnées. Ce qui est déterminant, c’est de savoir si elle est également capable de fonctionner de manière fiable au quotidien avec les données réelles de l’entreprise », explique M. Heidt. Selon IBM 72 % des PDG interrogés considèrent que les données de leur propre entreprise sont essentielles pour exploiter la valeur de l'IA générative. Les entreprises devraient donc déterminer dès le départ quelles données sont nécessaires, où elles se trouvent, dans quelle mesure elles sont à jour et qui est responsable de leur qualité. Pour cela, il n'est pas nécessaire de moderniser immédiatement l'ensemble de l'environnement de données. Pour un premier cas d’utilisation, un ensemble de données clairement délimité, mis à disposition de manière ciblée pour une utilisation en production, suffit souvent.

La mise en production nécessite une répartition claire des responsabilités

Les projets d'IA ne doivent en outre pas relever uniquement de la responsabilité du service informatique. La direction définit les objectifs et les priorités, le service métier connaît les processus et les exigences, tandis que le service informatique est responsable de l'intégration, de la sécurité et de la stabilité technique. « Un projet pilote peut fonctionner au sein d’une petite équipe. Un système de production nécessite des responsabilités clairement définies », explique M. Heidt. « Qui contrôle la qualité ? Qui décide des modifications ? Qui est responsable des données, de l’exploitation et des résultats ? Si de telles questions ne sont posées qu’après le projet pilote, cela entraîne des retards. » Dans les moyennes entreprises de taille moyenne notamment, les circuits décisionnels courts se heurtent souvent à des environnements informatiques complexes. Les nouvelles applications d’IA doivent donc non seulement pouvoir être mises en place rapidement, mais aussi s’intégrer durablement aux systèmes et processus existants.

Commencer modestement, penser de manière productive

Pour les PME, un projet pilote clairement délimité reste souvent le bon point de départ. Il ne doit toutefois pas être considéré comme un simple terrain d’expérimentation technique. « Les entreprises ne doivent pas nécessairement lancer tout de suite un vaste programme de transformation », résume M. Heidt. « Mais elles doivent déjà, dès la phase de validation du concept, réfléchir à la rentabilité, aux données, à l’intégration et aux responsabilités. Ce n’est qu’ainsi qu’une bonne idée deviendra une application productive.» Le véritable succès d’un projet d’IA ne se mesure donc pas à une démonstration réussie. Il ne se concrétise que lorsque l’application est utilisée de manière durable et apporte une contribution mesurable à l’activité.

Source : KAMIE Solution Factory Deutschland GmbH 

Cet article est paru initialement sur m-q.ch - https://www.m-q.ch/de/warum-so-viele-ki-piloten-versanden/