Il suffit aujourd’hui de quelques minutes pour faire une démonstration convaincante d’IA générative. On charge un contrat, l’outil en extrait les clauses sensibles. On lui confie un dossier volumineux, il en propose une synthèse. On lui demande de préparer une réponse à un client, il la rédige dans un français impeccable. La réaction est presque toujours la même : si cela fonctionne aussi bien, pourquoi ne pas le mettre immédiatement à la disposition de toute l’entreprise ?
La question est légitime. Elle confond cependant deux moments très différents d’un projet. La démonstration permet de vérifier qu’un usage est techniquement envisageable dans un environnement contrôlé. L’industrialisation commence lorsqu’il faut garantir le même service dans la durée, avec les données réelles de l’entreprise, des centaines d’utilisateurs, des habilitations différentes et des conséquences qui dépassent largement le cadre d’une présentation.
C’est là que la DSI entre véritablement en scène. Pas pour refroidir les enthousiasmes ni pour ajouter des délais par principe. Elle doit transformer une possibilité technique en un service dont l’entreprise connaît l’utilité, le coût, les limites et les risques. Cette responsabilité paraît moins spectaculaire que la démonstration initiale, mais elle engage beaucoup plus durablement l’organisation.
Le prototype donne peu de garanties
Un prototype est conçu pour vérifier une hypothèse. On sélectionne un cas favorable, un nombre limité de documents et quelques utilisateurs avertis. Les erreurs sont repérées rapidement, parfois corrigées à la main, et leurs conséquences restent contenues. Cette démarche est utile, à condition de ne pas lui faire dire davantage que ce qu’elle démontre réellement.
Une expérimentation réussie ne renseigne pas encore sur la qualité du service après plusieurs milliers de requêtes. Elle ne permet pas de savoir comment le modèle réagira à un document mal structuré, à une instruction imprécise ou à des sources contradictoires. Elle ne donne qu’une indication partielle sur le coût futur, l’adoption par les équipes et la charge nécessaire pour maintenir le dispositif.
Le passage à l’échelle reste d’ailleurs difficile pour une grande partie des entreprises. Dans son enquête mondiale publiée en 2025, McKinsey constatait que près des deux tiers des organisations interrogées n’avaient pas encore commencé à déployer leurs programmes d’IA à l’échelle de l’entreprise. Celles qui obtenaient les effets les plus significatifs avaient généralement revu leurs processus de travail plutôt que d’ajouter simplement un outil supplémentaire.
L’écart entre une expérience prometteuse et un usage installé dans l’entreprise ne se résorbe donc pas avec quelques licences de plus. Il faut reprendre le processus concerné, examiner la donnée qui l’alimente, définir le niveau de qualité attendu et décider comment les résultats seront contrôlés.
Commencer par le travail
L’IA générative provoque facilement une inversion de la démarche. L’entreprise découvre un outil impressionnant, puis part à la recherche des problèmes qu’elle pourrait lui confier. Cette façon de procéder produit beaucoup d’idées, quelques démonstrations brillantes et souvent peu de transformations durables.
Je préfère commencer par le travail réel. Où les équipes perdent-elles du temps ? Quelle information est difficile à retrouver ? Quelle tâche répétitive mobilise des compétences qui seraient plus utiles ailleurs ? Quel délai voulons-nous réduire et comment vérifierons-nous que le résultat s’est amélioré ?
Ces questions paraissent ordinaires. Elles permettent pourtant d’écarter rapidement les usages décoratifs. Si un outil rédige un compte rendu en trente secondes, mais oblige ensuite un collaborateur à consacrer vingt minutes à sa vérification et à sa remise en forme, le gain mérite d’être recalculé. Si une synthèse automatique accélère l’étude d’un dossier tout en augmentant le risque de manquer une information importante, il faut regarder avec précision qui contrôle le résultat et dans quelles conditions.
L’utilité ne peut pas être appréciée uniquement pendant la démonstration. Elle se mesure dans le processus complet, depuis la collecte des informations jusqu’à la décision ou à l’action qui en découle. C’est à ce niveau que la DSI doit travailler avec les métiers. Elle apporte une lecture de bout en bout, là où chaque direction voit naturellement la partie du processus dont elle a la charge.
La donnée revient au centre
L’IA générative donne parfois l’impression que les difficultés anciennes de gestion de la donnée auraient disparu. Elles sont toujours là. Elles deviennent même plus visibles, car un modèle sait présenter avec beaucoup d’assurance une réponse construite à partir d’informations incomplètes, périmées ou contradictoires.
Avant de connecter un assistant à la documentation interne, il faut savoir quels documents font autorité, qui les tient à jour et quelles personnes sont autorisées à les consulter. Il faut pouvoir retrouver la source d’une réponse, distinguer un document validé d’une version de travail et éviter qu’un contenu ancien continue d’alimenter le système longtemps après son remplacement.
Ce chantier touche directement à la gouvernance de l’information. Dans de nombreuses entreprises, les documents utiles sont dispersés entre des espaces partagés, des messageries, des applications métiers et des répertoires historiques. Les droits d’accès se sont accumulés au fil des changements de poste. La durée de conservation reste imprécise et la responsabilité éditoriale de certains contenus n’est plus clairement attribuée.
Brancher un modèle sur cet ensemble ne le remet pas en ordre. L’outil rend simplement les informations plus faciles à interroger, y compris celles qui sont erronées ou auxquelles l’utilisateur ne devrait pas avoir accès. L’industrialisation de l’IA oblige donc à reprendre sérieusement le classement, les habilitations, la qualité et la propriété des données. Ce travail existait avant l’IA. Elle lui donne désormais une urgence nouvelle.
L’intégration fait la valeur
Lors d’une expérimentation, il est acceptable de copier un document dans une interface, de rédiger une instruction et de transférer manuellement le résultat dans une autre application. À l’échelle d’une entreprise, cette succession de manipulations devient vite une source de perte de temps, d’erreurs et de fuites d’information.
Un service utile doit trouver sa place dans l’environnement de travail. Il doit reconnaître l’identité de l’utilisateur, respecter ses droits, accéder uniquement aux sources nécessaires et conserver une trace des opérations lorsque l’activité l’exige. Son résultat doit pouvoir revenir dans le processus sans être recopié à la main, avec les contrôles adaptés au niveau de responsabilité engagé.
Cette intégration pose des questions d’architecture très classiques. Où sont traitées les données ? Combien de temps sont-elles conservées ? Peuvent-elles servir à entraîner un modèle externe ? Comment le service se comporte-t-il lorsque le fournisseur est indisponible ? Peut-on changer de modèle sans reconstruire toute la solution ? Comment surveille-t-on la qualité des réponses après une mise à jour ?
Ces sujets intéressent rarement la salle au moment de la démonstration. Ils déterminent pourtant la fiabilité du service et la capacité de l’entreprise à rester maîtresse de ses choix. Sans cette réflexion, chaque direction risque d’adopter son propre assistant, ses connecteurs et ses abonnements. La facture devient opaque, les mêmes données circulent dans plusieurs environnements et personne ne dispose plus d’une vision complète des risques pris.
La DSI doit permettre aux métiers d’expérimenter rapidement tout en conservant une architecture cohérente. Elle peut proposer un environnement approuvé, quelques modèles référencés et des règles simples pour les essais. Les usages prometteurs sont ensuite intégrés selon leur criticité. Cette organisation laisse de la place à l’initiative sans transformer chaque expérimentation locale en dette technique.
Une gouvernance proportionnée
Toutes les utilisations de l’IA générative ne présentent pas le même risque. Reformuler un texte destiné à la communication interne n’a pas les mêmes conséquences que présélectionner des candidatures, analyser un dossier médical ou préparer une décision financière. Une gouvernance utile commence par reconnaître ces différences.
Les usages courants et peu sensibles peuvent être encadrés par des règles compréhensibles : catégories de données autorisées, outils approuvés, contrôle attendu et consignes en cas d’erreur. Les applications qui touchent aux personnes, à des informations confidentielles ou à une décision engageante demandent une analyse plus approfondie. Il faut alors identifier le responsable du traitement, documenter les sources, tester les biais possibles et préciser le rôle exact du contrôle humain.
Cette gradation évite deux écueils que je rencontre souvent. Une procédure identique pour tous les usages finit par ralentir les expérimentations les plus simples et pousse les équipes à contourner la DSI. À l’inverse, une liberté générale laisse chaque collaborateur apprécier seul des risques qu’il n’a pas toujours les moyens d’évaluer.
Le calendrier réglementaire impose maintenant d’organiser cette gouvernance. Les dispositions de l’AI Act relatives aux pratiques interdites et à la maîtrise de l’IA par les personnels s’appliquent depuis février 2025. Les obligations concernant les fournisseurs de modèles d’IA à usage général sont entrées en application en août 2025. L’entreprise doit comprendre quels systèmes elle utilise et à quelles obligations ils peuvent la soumettre. Ce travail demande une collaboration suivie entre la DSI, les métiers, la sécurité, le juridique et les ressources humaines.digital-strategy.europa+1
Des coûts à suivre dans le temps
Le coût d’un prototype est rarement représentatif de celui d’un service industrialisé. Quelques utilisateurs effectuent un nombre limité de requêtes et l’intégration reste sommaire. Lorsque l’usage s’étend, il faut ajouter la consommation des modèles, les licences, l’infrastructure, la sécurisation des accès, la supervision, le support et la maintenance des sources documentaires.
Le modèle économique doit être suivi dans le temps. Une tâche peut paraître peu coûteuse à l’unité tout en générant une dépense importante lorsqu’elle est répétée des milliers de fois. Certains utilisateurs choisissent spontanément le modèle le plus puissant alors qu’un modèle plus simple suffirait. Des requêtes mal conçues consomment inutilement des ressources. Des abonnements continuent parfois à être payés longtemps après la disparition de l’usage qui les avait justifiés.
La DSI doit donc rapprocher les coûts des résultats obtenus. Le temps de traitement a-t-il réellement diminué ? La qualité s’est-elle améliorée ? Les équipes utilisent-elles encore le service après quelques mois ? La capacité libérée a-t-elle été réinvestie dans une activité utile ?
Les réponses seront rarement aussi nettes que dans le dossier initial. Une minute théoriquement économisée ne devient pas automatiquement une économie financière. Elle peut néanmoins réduire un délai client, soulager une équipe saturée ou améliorer la qualité d’une analyse. Ces bénéfices ont de la valeur, à condition de les définir avant le déploiement et de les observer honnêtement ensuite.
Le contrôle humain doit être réel
Un modèle génératif peut produire une réponse inexacte dans une langue parfaitement convaincante. Plus la formulation est fluide, plus le risque de confiance excessive augmente. Prévoir un contrôle humain est donc indispensable pour de nombreux usages, mais cette formule ne suffit pas à sécuriser un processus.
La personne chargée de vérifier doit avoir accès aux sources et posséder la compétence nécessaire. Elle doit disposer du temps suffisant et savoir précisément ce qu’elle engage en validant le résultat. Dans le cas contraire, le contrôle devient une formalité qui transfère la responsabilité vers un collaborateur sans lui donner les moyens de l’exercer.
Il faut aussi organiser le traitement des erreurs. Un utilisateur doit pouvoir signaler une réponse douteuse, comprendre si le problème vient de la source ou du modèle et obtenir une correction. Les incidents récurrents doivent être analysés, car ils peuvent révéler une documentation défaillante, une instruction mal conçue ou un cas d’usage trop ambitieux pour le niveau de fiabilité disponible.
C’est dans cette confrontation avec le réel que l’IA générative devient éventuellement un service utile. La réussite se verra moins dans l’effet produit en comité de direction que dans la capacité des équipes à l’utiliser plusieurs mois plus tard, avec des résultats dont elles connaissent la provenance et les limites. À ce moment-là, la démonstration sera déjà loin. Le véritable travail de la DSI, lui, aura porté ses fruits.
