Le déploiement de l’IA reste souvent un parcours semé d’embûches. Les organisations qui veulent réussir doivent pouvoir aller au-delà des idées reçues. Les experts Benoît Hespel et Dirk Luyckx partagent les 7 leçons clés tirées de plus de 150 projets d’IA.
L’immense potentiel de l’IA n’est plus à démontrer. Par contre, transposer ce potentiel dans la pratique, c’est une autre histoire. De nombreuses entreprises se heurtent à des obstacles, qu’il s’agisse de problèmes liés aux données, d’un retour sur investissement peu clair ou de résistances lors de la mise en œuvre. La théorie est présente en abondance, mais ce qui manque le plus souvent, c’est une véritable expérience pratique. Aujourd’hui, Proximus NXT est en mesure de fournir cette expérience. À ce jour, son compteur affiche plus de 150 projets d’IA qui ont permis de tirer sept grandes leçons.
1. Commencez par le problème, pas par le modèle
“Nous avons connu la même situation en 2018”, déclare Benoît Hespel, Head of AI chez Proximus ADA. “Tout le monde a voulu déployer des réseaux neuronaux, même s’ils n’étaient pas la solution idéale pour un projet spécifique.” La technologie pour la technologie n’est jamais le meilleur point de départ.
C’est pourtant ce qui se passe aujourd’hui avec les LLM et les agents d’IA. “Les entreprises ne veulent pas être à la traîne. Souvent, elles souhaitent ‘intégrer l’IA dans leurs processus’ sans partir d’un problème concret”, explique Dirk Luyckx, CTO chez Codit. “Nous devons alors revenir ensemble à l’essence même de la démarche, qui est de savoir ce qu’elles souhaitent résoudre exactement.”
Un trajet d’IA digne d’intérêt commence par une problématique commerciale claire, et non par une préférence pour une technologie particulière. Mieux vaut travailler sur la base d’une feuille de route, en convertissant les idées en cas d’utilisation réalisables assortis d’un impact.
2. Voyez grand, mais travaillez avec des points de mesure concrets
“Il est bien entendu crucial d’avoir de l’ambition, mais il faut aussi savoir la diviser en plusieurs étapes réalisables. Dire que l’on veut ‘améliorer l’efficacité du réseau’ est trop vague”, précise Benoît Hespel. “Qu’est-ce que cela implique concrètement ? Quels sont les KPI que vous souhaitez améliorer et dans quelle mesure ?” En l’absence de cadre de mesure clair, on assiste à d’innombrables itérations sans prise de décision. “Dans ce domaine, vous devez faire preuve d’une grande rigueur. Si les attentes ne sont pas définies avec précision, le projet échoue avant même d’avoir commencé.”
3. Pas de valeur sans données de qualité
“L’intelligence de l’IA ne tombe pas du ciel”, affirme Dirk Luyckx. “Vous avez besoin de données, et elles doivent être utilisables, disponibles et correctes.” Trop souvent, au début d’un projet, il s’avère que les étiquettes nécessaires sont manquantes. Ou que les données que les équipes pensaient avoir sont inutilisables dans la pratique. “Vous devez évaluer objectivement la maturité de vos données”, souligne Benoît Hespel. “Sans gouvernance, et sans compréhension de la propriété et de la confidentialité des données, vous vous retrouverez inévitablement dans une impasse.”
Souvent, l’intégration technique est une autre source de difficultés. “Les données sont cantonnées dans des silos”, poursuit Dirk Luyckx. “Il faut briser ces silos et faire fonctionner les données ensemble. L’intégration nécessite plus que le ‘simple’ acheminement des données. Elle exige de la cohérence et un alignement sémantique, généralement assortis d’accords organisationnels.”
Découvrez aussi les 4 autres points clés partagés par nos experts : une approche multidisciplinaire, la mise à l’échelle des projets IA, les enjeux éthiques et le soutien opérationnel.