Publié le 13 septembre 2026 à 11:00 · Publication originale
La question paraît stratégique.
Elle arrive souvent beaucoup trop tôt.
Imaginez un groupe hôtelier qui souhaite utiliser l’IA pour améliorer sa relation client.
Il peut commencer par comparer les modèles disponibles: puissance, prix, vitesse, taille du contexte.
Mais aucun de ces critères ne dit encore ce que l’entreprise cherche réellement à améliorer.
Réduire le temps de réponse? Augmenter les réservations directes? Identifier les clients susceptibles de revenir? Traduire les échanges? Donner aux équipes accès à l’historique d’un visiteur?
Ces problèmes peuvent nécessiter des solutions très différentes.
C’est ici que commence une véritable stratégie IA.
On ne part pas de ce que la technologie sait faire. On identifie une friction mesurable dans l’organisation, puis on cherche si l’IA constitue réellement le meilleur moyen de la réduire.
Prenons un service recevant 20.000 demandes par mois.
Si 40% concernent cinq questions répétitives, un système relativement simple peut suffire. Utiliser le modèle le plus puissant disponible pourrait augmenter les coûts sans créer davantage de valeur.
À l’inverse, analyser des contrats complexes, croiser plusieurs sources ou assister une décision à fort enjeu peut justifier une architecture beaucoup plus sophistiquée.
Cette distinction explique une partie des déceptions actuelles.
Une démonstration impressionnante prouve qu’une technologie fonctionne.
Elle ne prouve pas qu’elle résout un problème suffisamment important pour justifier son déploiement.
La bonne unité de départ n’est donc pas le modèle.
C’est le processus.
Combien de temps prend-il? Combien coûte-t-il? Où échoue-t-il? Quelle partie nécessite réellement du jugement? Que changerait une amélioration de 20%?
Alors seulement vient la technologie.
Une stratégie IA ne consiste pas à trouver des endroits où installer de l’intelligence artificielle.
Elle consiste à identifier où l’organisation perd déjà de la valeur, puis à déterminer si l’IA peut réellement la récupérer.
ULTRA®
Une stratégie IA sérieuse peut classer les cas d’usage par "Value × Feasibility", mais l’ingénierie ajoute fréquence d’exécution, qualité des données, latence, taux d’erreur acceptable, intégration SI, coût d’inférence et contrôle humain.
Le ROI réel devient alors: valeur créée ou coût évité, moins inference cost, infrastructure, intégration, observabilité, sécurité, maintenance et human review.
Un système à 95% de précision peut ainsi être économiquement médiocre, tandis qu’une IA moins spectaculaire automatisant 30% d’un processus exécuté un million de fois peut créer beaucoup plus de valeur.
Il faut donc établir une baseline avant le déploiement, puis mesurer les "AI unit economics": coût par tâche accomplie, dossier traité ou décision correctement assistée.
Sans baseline, un POC mesure surtout si l’IA fonctionne. Pas si elle rapporte.