Nous sommes en pleine ruée vers l’or de l’intelligence artificielle. Dans tous les conseils d’administration, des entreprises du Fortune 500 aux startups agiles, le mot d’ordre résonne : « de l’IA partout ». Pourtant, malgré cet engouement, de nombreux projets d’IA s’embourbent avant même de générer de la valeur.
Le problème ne vient généralement pas de la technologie. C’est une question d’approche. Trop d’organisations traitent l’IA comme une simple expérimentation plutôt que comme une initiative d’affaires. Elles se concentrent sur la faisabilité technique (Pouvons-nous le bâtir?) au lieu de la valeur d’affaires (Devrions-nous le bâtir? Est-ce que cela va nous faire gagner du temps, réduire nos coûts ou améliorer notre efficacité?).
En nous appuyant sur notre expérience d’implantation d’IA générative et d’agents intelligents pour de grandes entreprises, voici une feuille de route pratique pour mener à bien un projet de validation de la valeur (PoV – Proof of Value).
Une précision importante sur notre posture avant de détailler cette feuille de route. Il s’agit délibérément de la voie de la prudence : assister les personnes plutôt que de les remplacer, démontrer la valeur en quelques semaines et passer à l’échelle supérieure uniquement lorsque les preuves sont faites. Il existe une approche plus audacieuse, qui consiste à repenser des flux de travail complets autour de l’IA et à parier sur une transformation radicale; bien exécutée, elle peut rapporter beaucoup plus. Nous défendons d’ailleurs ce point de vue plus affirmatif ailleurs; ce n’est tout simplement pas l’objet de cet article. Ce qui suit est la voie à faible risque, plus lente à produire des effets cumulatifs, mais indiscutable une fois que les chiffres parlent d’eux-mêmes.
Préparez d’abord vos données (ou du moins, un sous-ensemble)
Avant même de choisir un cas d’usage, examinez de près les données dont l’IA dépendra : articles de base de connaissances, éléments de catalogue, historique des requêtes. Dans la plupart des organisations, c’est là que se situe le véritable goulot d’étranglement, et non dans le modèle d’IA lui-même.
Les causes d’échec sont souvent banales, mais fatales. Un article de connaissance qui n’est en fait qu’une capture d’écran sans texte alternatif est invisible pour l’IA. Un élément de catalogue dont la configuration de formulaire est incompatible ne pourra pas être traité par un agent, aussi performant soit le modèle sous-jacent. De plus, un contenu rédigé pour un humain qui survole une page ne peut souvent pas être analysé par un système qui le lit au pied de la lettre.
La solution est peu glorieuse, mais extrêmement payante : établissez une base de référence de la qualité de votre contenu avant de commencer, corrigez-en un sous-ensemble représentatif et mesurez l’amélioration de ce que l’IA est réellement capable de traiter. Cette même base de connaissances alimente tous les systèmes d’IA que vous déploierez, de Now Assist à Copilot en passant par la recherche d’entreprise. L’améliorer est donc l’un des rares leviers que vous contrôlez, peu importe la plateforme choisie à terme. Considérez la préparation des données comme l’étape zéro de votre projet PoV, et non comme une tâche de nettoyage à remettre à plus tard. N’essayez pas de tout régler d’un coup, mais assurez-vous que les données d’entrée de votre PoV soient impeccables.
Planifiez le déploiement des capacités de manière stratégique
On entend souvent l’expression « ramper, marcher, courir ». Avec l’IA, il faut aller encore plus loin pour comprendre comment les capacités se construisent les unes sur les autres. Par exemple, chez Bell Canada, nous avons commencé par le résumé d’incidents avec Now Assist pour CSM. Par la suite, nous avons introduit la génération de notes de résolution, sachant que les résumés d’incidents aideraient l’IA à produire des notes de résolution de qualité supérieure. Nous avons ensuite implanté la génération d’articles de base de connaissances, sachant que les notes de résolution bonifiées aideraient l’IA à créer de meilleurs premiers jets d’articles. La clé de l’adoption de l’IA est de s’assurer que chaque phase renforce la suivante afin de générer une valeur cumulative plutôt que des gains isolés. C’est la voie de la patience; un programme plus audacieux lancerait ces phases en parallèle et accepterait de prendre plus de risques pour aller plus vite. Ici, nous privilégions la certitude cumulative à la vitesse.
Gardez toujours un humain dans la boucle
Les meilleurs candidats pour un projet PoV sont ceux où l’IA assiste un expert humain plutôt que de le remplacer. Cela accélère le déploiement en réduisant les risques et en garantissant que le contrôle de la qualité reste entre les mains d’experts humains. Garder un humain dans la boucle est un choix délibérément conservateur. La voie plus audacieuse accorde plus d’autonomie au modèle derrière des garde-fous plus stricts; pour un premier PoV, nous préférons laisser les commandes à un expert.
Les cas d’usage les plus courants incluent :
- Résumé : requêtes clients, billets de soutien TI
- Génération : notes de résolution, articles de base de connaissances
- Triage : aiguillage, classification et priorisation
En commençant par des cas d’usage simples et prêts à l’emploi, vous serez en mesure de démontrer un retour sur investissement en quelques semaines, et non en mois.
Changez votre approche de test
La différence la plus critique entre une simple expérimentation et un PoV réussi réside dans la rétroaction des utilisateurs réels. Cependant, tester l’IA exige un changement complet de mentalité.
Les tests traditionnels reposent sur un comportement déterministe : une même entrée produit toujours la même sortie. Les LLM sont probabilistes et non déterministes, ce qui signifie que les réponses varient par définition.
Il est déconseillé de s’en remettre uniquement aux développeurs pour tester ces systèmes, car ils savent comment formuler leurs requêtes pour obtenir les meilleurs résultats. Vous avez besoin de vrais utilisateurs finaux (agents du service client, techniciens sur le terrain) qui poseront des questions vagues, utiliseront des expressions familières et testeront les limites du système de manière inattendue.
Les vrais utilisateurs vous montrent là où le système flanche. Un jeu de données de référence vous indique à quel point, et si votre dernière modification a amélioré ou détérioré la situation. C’est cette rigueur qui distingue un véritable PoV d’une simple démo.
Bâtissez un ensemble d’exemples réels étiquetés : des requêtes jumelées à la bonne réponse ou action, tirées de cas vécus et validées par les personnes qui font le travail au quotidien. Évaluez chaque version du système par rapport à cet ensemble. Cela vous permet de transformer un simple « ça avait l’air bien lors de nos trois démos » en un chiffre solide que vous pourrez défendre et revérifier à chaque modification de requête, sur des centaines de cas plutôt que sur la poignée d’essais faits manuellement.
Utilisez trois signaux complémentaires, sans les confondre :
- L’évaluation humaine : un pouce vers le haut ou vers le bas de la part d’utilisateurs réels sur des résultats concrets.
- La validation automatisée : un LLM qui agit comme juge pour évaluer les réponses à grande échelle selon vos critères.
- La notation par rapport aux réponses de référence : la comparaison des résultats du système avec les bonnes réponses validées dans votre jeu de données étiqueté.
Deux choses rendent cette approche payante. D’une part, ancrez la réussite dans le processus humain que l’IA est censée soutenir, et non dans une norme abstraite : si votre chef d’équipe de triage traite un dossier d’une certaine manière, c’est cela votre vérité absolue. D’autre part, traitez l’étiquetage comme un travail à part entière; c’est l’équivalent, pour l’IA, des tests d’acceptation par les utilisateurs, et cela vaut la peine d’y consacrer des ressources dédiées, avec des utilisateurs d’affaires engagés à fournir rapidement des données de référence.
Du PoV à la production, de manière réfléchie
Voici une objection tout à fait légitime : on ne met pas un projet de validation de la valeur directement en production. C’est un excellent réflexe, et il convient d’être précis à ce sujet. Une preuve de concept (PoC) teste si une idée est techniquement réalisable; un projet de validation de la valeur (PoV) teste si cela vaut la peine d’être fait, dans des conditions réelles; un produit minimum viable (MVP), ou projet pilote, est la première version stabilisée sur laquelle de vrais utilisateurs s’appuient. Mélanger ces concepts mène souvent à gérer un prototype jetable comme s’il s’agissait d’un produit fini. Soyez donc clair sur le type de projet que vous menez, et sur ce que le mot « réel » doit signifier pour que l’essai compte.
Un PoV confiné dans un bac à sable réussit rarement. Déployer l’outil dans un environnement de production sécurisé et contrôlé auprès d’un groupe restreint de 20 à 50 utilisateurs est le chemin le plus rapide pour obtenir des résultats significatifs. Le but n’est pas de livrer le prototype; c’est d’obtenir un signal de valeur honnête, et seuls de vrais utilisateurs et de vraies données peuvent vous le fournir. Déployez donc le PoV dans un cadre similaire à la production : une cohorte d’utilisateurs ciblée, des données réelles, les mêmes normes de sécurité et de confidentialité qu’en production, le tout dans un horizon temporel fixe. Assez réel pour faire confiance aux chiffres, mais assez encadré pour que rien ne brise en cas d’échec.
L’objectif n’est pas d’atteindre la perfection, mais de favoriser l’itération. Nous constatons le plus de succès lorsque les équipes déploient rapidement, restent à l’écoute des utilisateurs et s’adaptent à vitesse grand V. N’attendez pas que votre solution d’IA soit parfaite. Générez de la valeur rapidement et améliorez-la en continu.
Une fois la valeur démontrée, résistez à la tentation de laisser le PoV devenir tranquillement le produit officiel. Le passage en production est une étape délibérée, pas un simple changement de nom : il faut renforcer la sécurité et la gouvernance, répondre aux exigences non fonctionnelles d’un système d’entreprise (fiabilité, surveillance, évolutivité et modèle de soutien) et rebâtir ce qui n’était que temporaire. Planifiez et budgétisez ce travail dès le départ. Un « projet pilote réussi » qui glisse vers la production sans être solidifié est la façon dont un gain rapide devient une infrastructure fragile et sans soutien.
Pour maximiser vos chances de réussite, nous vous recommandons d’avoir :
- Une intégration transparente : Intégrez l’IA là où vos utilisateurs travaillent déjà (ex. : ServiceNow, portail Web). La friction ralentit l’adoption.
- Une boucle de rétroaction simple : Utilisez un mécanisme simple de « Pouce vers le haut / Pouce vers le bas ». Exigez des utilisateurs qu’ils expliquent ce qu’ils attendaient lorsqu’ils donnent un pouce vers le bas. Ces données qualitatives sont cruciales.
- Une barrière de passage à l’étape suivante : Entendez-vous sur les critères de réussite et le feu vert/rouge avant de commencer, de sorte qu’une réussite déclenche une voie financée vers la production, et qu’un échec se termine proprement, sans s’éterniser dans les limbes des projets pilotes.
Mesurez ce qui compte vraiment
Un PoV réussi se définit par des indicateurs, et non par des impressions. Définissez vos indicateurs clés de performance (KPI) avant de commencer :
- Taux d’adoption : Est-ce que les utilisateurs du PoV reviennent quotidiennement?
- Utilité : Quel pourcentage de réponses ont obtenu un « Pouce vers le haut »?
- Temps de résolution : L’outil a-t-il permis de réduire le temps de réalisation des tâches?
Points clés à retenir
Notre conseil est simple : Commencez petit. Restez simple. Démontrez le succès.
Bâtissez un outil d’IA utile et sécurisé qui rend vos effectifs 20 % plus efficaces. C’est le genre de proposition de valeur qui obtient des financements, et c’est ainsi que vous passez d’un projet PoV en IA à un déploiement à l’échelle de l’entreprise.
Une dernière chose. Il s’agit du guide de la prudence, et nous le soutenons pleinement, mais ce n’est pas le seul. Une approche plus ambitieuse, axée d’abord sur la transformation, troque cette prudence contre la vitesse et l’envergure, et pour certaines organisations, c’est le bon pari à faire. Si c’est la discussion que vous souhaitez avoir, c’est une discussion que nous accueillons volontiers.
Prêt à accélérer votre parcours d’IA?
Passer d’un concept à une validation concrète de la valeur nécessite le bon partenaire. Un projet PoV bien conçu est le moyen le plus rapide de valider l’impact, de réduire les risques de livraison et de renforcer la confiance des parties prenantes – avant de passer à l’échelle.
Si vous êtes prêt à passer des idées aux résultats, contactez-nous pour planifier une brève séance de travail. Nous nous alignerons sur vos objectifs, confirmerons l’état de préparation de vos données et plateformes, et tracerons un plan clair pour lancer votre projet.
