Je me place un instant dans le fauteuil de la dirigeante à qui l’on vient proposer un investissement en intelligence artificielle. Je dois tenir mes engagements, développer l’activité, surveiller les coûts et préserver la qualité. J’ai entendu parler des possibilités de l’IA. Je suis prête à les examiner. Mais pour devenir un investissement, une possibilité doit rencontrer un problème dont j’ai la charge.
Supposons que l’on me demande 200 000 euros. Ce montant est ici une hypothèse, mais la question, elle, ne l’est pas : qu’est-ce qui fonctionnera mieux dans mon entreprise si je les engage ? Une démonstration peut éveiller mon intérêt. Elle ne suffit pas à justifier un investissement. Je cherche des cas qui permettent de comprendre ce que l’IA a réellement changé dans un métier. Qu’est- ce qui fonctionne mieux, dans quelles conditions et qu’a-t-on appris en confrontant la solution à l’activité réelle ? Une liste de possibilités ne répond pas encore à la question qui m’intéresse : quel problème allons-nous réellement résoudre ?
Je veux pouvoir discuter la promesse
Prenons une proposition destinée à réduire les retards de paiement des clients. Avant d’examiner la solution, j’ai besoin de comprendre ce qui produit ces retards chez nous. S’agit-il de factures contestées, d’informations manquantes, de conditions mal renseignées ou de relances qui arrivent trop tard ? Selon la réponse, l’aide attendue sera différente.
Si l’IA est proposée pour repérer les dossiers à traiter en priorité, je veux savoir ce que l’équipe pourra faire de cette information. Pourra-t-elle agir plus tôt ? Dispose-t-elle des informations et de l’autorité nécessaires pour résoudre les difficultés ? Si les dossiers identifiés restent bloqués au même endroit, nous aurons amélioré le diagnostic, mais pas encore le résultat.
Ce raisonnement permet aussi de comparer la proposition avec d’autres réponses. Un meilleur accès à l’information, une règle de validation plus claire ou une automatisation déjà disponible pourraient résoudre une partie du problème. L’IA doit donc être comparée aux autres réponses possibles, et pas seulement à l’inaction.
La qualité d’un dossier tient aussi à la possibilité d’en discuter les hypothèses. Je veux pouvoir demander pourquoi ce périmètre a été choisi, sur quelle hypothèse repose le bénéfice annoncé et ce qui pourrait empêcher de l’obtenir. Si la discussion reste possible à ce niveau, nous commençons à parler d’un investissement.
Ce que j’attends d’un cas concret
Un cas présenté par un fournisseur doit m’aider à apprécier ce qui serait transposable chez nous. Pour cela, j’ai besoin de connaître la situation de départ, le changement introduit, les moyens mobilisés et le résultat observé. Qui utilise réellement la solution ? Depuis combien de temps ? Sur quel périmètre ? Qu’a-t-il fallu modifier dans l’organisation ? Qu’est ce qui reste incertain ? Ces précisions rendent la proposition plus crédible, y compris lorsqu’elles montrent que tout n’a pas fonctionné comme prévu.
J’attends la même franchise sur les gains. Une capacité libérée dans une équipe n’aura pas nécessairement la même traduction qu’une dépense supprimée ou qu’un encaissement avancé. Ces bénéfices peuvent tous avoir de la valeur. Je veux savoir de quel bénéfice nous parlons, qui pourra le constater et quelles décisions seront nécessaires pour qu’il se réalise.
Cette exigence ne doit pas conduire à fabriquer une précision artificielle. Au début, certaines données manqueront. Je préfère que l’on me présente une hypothèse explicite et le moyen de la vérifier plutôt qu’un retour sur investissement assuré au terme d’un calcul dont personne ne peut expliquer les bases.
Je peux financer une question encore ouverte
Une dirigeante n’a pas besoin de tout savoir avant de commencer. Elle a besoin de savoir ce qu’elle autorise. Je peux accepter une expérimentation limitée pour déterminer si une approche mérite d’être développée, à condition que la question à résoudre soit claire.
Dans l’exemple des retards de paiement, nous pourrions vouloir vérifier si le repérage proposé aide effectivement les équipes à traiter plus tôt certains dossiers. Cela suppose de choisir un périmètre, une situation de référence et une période d’observation adaptée. Il faudra aussi regarder les faux signaux, le travail de vérification et les changements intervenus pendant le test. Nous ne pourrons pas attribuer automatiquement toute amélioration à l’outil. Avant de commencer, je veux convenir de ce qui justifiera la suite. Quel résultat nous conduira à élargir l’usage ? Quel écart nous imposera de revoir le dispositif ? À partir de quel constat déciderons-nous de ne pas poursuivre ? Une expérimentation utile ne sert pas à démontrer que nous avons raison. Elle doit aussi nous permettre de décider d’arrêter.
Le rôle de la DSI est précieux dans cette discussion. Elle doit rendre explicites la faisabilité, les données nécessaires, les dépendances, les risques, les coûts et les conditions d’exploitation. Le métier doit dire ce qu’il souhaite améliorer, comment il mesurera le résultat et ce qu’il est prêt à changer dans son fonctionnement. Je veux entendre les deux avant d’engager l’entreprise.
Je suis disposée à investir dans une possibilité encore imparfaitement connue. En revanche, je veux pouvoir expliquer la décision autrement qu’en disant que nous devions faire de l’IA. Quel problème avons-nous choisi de traiter ? Qu’espérons-nous apprendre ? Et sur quels résultats déciderons-nous de poursuivre, d’ajuster ou d’arrêter ? Si nous pouvons répondre clairement, la discussion mérite d’avancer.
