iQo > Tech for Business > Réussir le passage à l’échelle de vos projets IA

Réussir le passage à l’échelle de vos projets IA

De nos jours, le passage à l’échelle est le mot d’ordre de chaque initiative d’Intelligence Artificielle. En effet, la promesse de valeur découlant de l’utilisation de cette technologie, pousse les acteurs à accélérer le déploiement des POCs. Pour autant, l’industrialisation des modèles d’IA en entreprise, reste chose difficile et cela pour plusieurs raisons. Alors, que se passe-t-il ? Pourquoi le passage à l’échelle reste encore l’exception plutôt que la règle ?

Pourquoi vos projets IA ne dépassent pas le stade de l'innovation ?

Une fusée IA qui ne décolle pas ?

Malgré l’effervescence autour de l’intelligence artificielle, une majorité d’initiatives peinent à passer le cap du PoC. En effet, près de 80 % des projets Data & IA échouent lors de l’étape d’industrialisation, non pas en raison de la technologie, mais par manque d’adhésion métier, de stratégie claire et de pilotage (Gartner).

Résultat, 30 % des DSI ignorent si leurs PoC atteignent les KPIs fixés (CIO.com), et 80 % des organisations ne constatent pas d’impact tangible de l’IA générative sur l’EBITDA (McKinsey).

Un état des lieux contrasté

De manière générale, seules 26 % des entreprises disposent des capacités nécessaires pour dépasser le stade du PoC (BCG). Par ailleurs, d’ici à la fin de l’année 2025, 30 % des projets d’IA générative seront abandonnés dû au manque de fiabilité sur les données, de contrôle des coûts ou de valeur commerciale avérée (Gartner).

60 % des dirigeants placent le passage à l’échelle comme une priorité stratégique (CGI) et 75 % des entreprises prévoient d’intégrer l’IA à leurs processus métier d’ici 2027 (Gartner).

Kevin JEAN, associé Tech for Business chez iQo

Du côté de la France, le ROI des projets IA reste faible. En effet, seulement 2 % des entreprises considèrent que l’IA a généré un ROI optimal (Rockwell Automation). Malgré cela, du point de vue des collaborateurs les effets sont plus visibles, puisque 72 % d’entre eux indiquent une meilleure performance, s’expliquant notamment par la réduction du nombre de tâches répétitives (France Travail).

Les causes d’échec des projets IA : un triptyque organisationnel

La technologie n’est pas la seule cause d’échec du passage à l’échelle des projets IA. En effet, d’autres types de problématiques sont également à l’œuvre :

Mobilisation insuffisante des métiers, avec une perception de l’IA déconnectée des enjeux opérationnels
Manque de formation et de confiance dans la technologie, qui vient alimenter un climat d’inquiétude dans les entreprises (60 % des professionnels craignent que l’IA menace leur emploi)
Gouvernance fragmentée, sans soutient de la part du COMEX, avec des KPIs flous ou absents

A cela s’ajoute des lacunes sur les compétences IA détenues en interne (moins d’une entreprise sur deux, estime avoir l’expertise nécessaire), ainsi qu’un socle technologique souvent inadapté (systèmes dits « Legacy », données stockées en silos et faible supervision humaine).

Passage à l'échelle des projets IA : les facteurs clés de succès

Une stratégie IA basée sur une approche « platform-centric », impliquant la mutualisation des ressources, la création de centres d’excellence, ainsi que la capitalisation des savoirs
Une infrastructure orchestrée et des données de qualité, soutenues par un mécanisme d’automatisation de bout en bout
Des cas d’usages priorisés, préalablement évalués en fonction de la valeur métier délivrée et de la complexité technique, déployés au sein de modèles adaptés
Des collaborateurs formés à l’utilisation de cette technologie et rassurés sur sa finalité, facilitant ainsi son adoption et sa diffusion au sein de l’entreprise

En prenant en compte ces différents éléments, les entreprises ont de fortes chances de voir leurs initiatives se transformer en succès.

Former ses collaborateurs à l’IA, ce n’est pas seulement répondre à une tendance actuelle mais bien accompagner la transformation des métiers. Tous les métiers sont et seront impactés par l’IA. Expliquer et démystifier l’intelligence artificielle avant de lancer ses démarches est donc un impératif.

Kevin JEAN, associé Tech for Business chez iQo

Mesurer le ROI de votre stratégie IA : entre indicateurs classiques et nouveaux référentiels

Aujourd’hui, définir une méthode de calcul pour le ROI des projets IA demeure un défi. Les objectifs et les priorités en termes de valeur apportée par l’IA, varient selon les entreprises, les industries, mais aussi les cas d’usage.

En effet, lorsque le cas d’usage en question a un impact stratégique et est considéré comme «Game Changer» pour l’entreprise qui le déploie, le ROI peut être plus complexe à définir et à mesurer que pour des cas d’usage qui sont orientés vers la productivité et la réduction de coûts.

Par ailleurs, cette technologie étant récente et évoluant rapidement, il est difficile d’estimer de façon précise les bénéfices qu’elle peut apporter par rapport à une technologie connue et implémentée depuis plusieurs années.

Quelles sont les approches adoptées par les entreprises pour la mesure du ROI des projets IA ?

Malgré le fait que les méthodes divergent, des bonnes pratiques peuvent être appliquées par tous :

Les bonnes pratiques à retenir

Intégrer des métriques extra-financières orientées vers les bénéfices que la technologie apporte aux employés
Collecter suffisamment de données pour permettre une analyse fiable et représentative sur le projet en question
Adapter les indicateurs en fonction des outils, de l’entreprise et de sa stratégie IA

5 actions concrètes à activer dès maintenant

Le passage à l’échelle des projets IA est un processus qui demande du temps. Pourtant, certaines actions peuvent être mises en place dès à présent et faciliteront les prochaines étapes :

Sponsoriser les projets IA au plus haut niveau (COMEX)
Abandonner les PoC à faible valeur
Organiser des « Learning Expeditions » pour s’inspirer des réussites
Identifier les « Killer Use Cases » et investir massivement dessus
Nommer un « IA Champion » par équipe, moteur de l’adoption

Cap vers 2030 : IA forte, quantique, robotique… et collaboration homme-machine

À horizon 2030, l’IA ne sera plus seulement un levier d’optimisation, mais un facteur structurant de notre modèle socio-économique : IA forte, quantique, robots compagnons, usines autonomes, interfaces cerveau-machine… L’évolution sera profonde et ceux qui auront su combiner vision stratégique, excellence opérationnelle et accompagnement humain, seront les mieux armés pour en tirer parti.