Laurent Dubois, directeur des systèmes informatiques dans un groupe industriel de 2 500 collaborateurs, a piloté plus de vingt projets d’intelligence artificielle au cours des trois dernières années. Nous l’avons rencontré dans les locaux parisiens de son entreprise pour discuter de ce qui a fonctionné, ce qui n’a pas marché, et comment il a progressivement construit une culture de la transformation IA au sein de son organisation.
Contexte, vision et premières approches
L’entreprise avait une excellente infrastructure technologique, mais aucune orientation stratégique claire autour de l’IA. Nous avions les données, nous avions les compétences, mais nous n’avions pas de vision d’ensemble. Mes prédécesseurs avaient lancé quelques projets ponctuels qui avaient produit des résultats très inégaux. En 2021, j’ai été nommé DSI avec un mandat explicite d’industrialiser l’IA au sein du groupe.
J’ai commencé par créer une commission de gouvernance IA composée de cinq directeurs métier, du responsable innovation, et d’un représentant des ressources humaines. Cette commission se réunissait toutes les deux semaines pour examiner les projets en cours, en valider de nouveaux, et ajuster les priorités. L’idée était simple : la sélection des projets ne pouvait pas être purement technique. L’évaluation de la maturité IA m’avait aidé à structurer une approche qui considérait la maturité organisationnelle de chaque unité métier avant de lui proposer un projet. DécisionIA avait partagé avec moi une grille d’évaluation qui s’était avérée transformatrice. Nous avons rapidement compris que certaines équipes n’étaient simplement pas prêtes à accueillir une solution IA complexe, indépendamment de sa qualité technique.
Le premier obstacle a été la résistance aux changements, particulièrement auprès des équipes qui n’avaient jamais eu affaire à des projets d’innovation. Nous avons contré cette résistance en menant un diagnostic IA systématique auprès de chaque directeur avant de proposer des projets. Ce diagnostic montrait clairement comment les concurrents utilisaient l’IA, quels gains opérationnels ils réalisaient, et comment notre groupe pouvait rester compétitif. Les dirigeants qui avaient compris les enjeux sont devenus nos meilleurs alliés. Pour surmonter les résistances les plus fortes, nous avons aussi consulté des ressources sur la conduite du changement, ce qui nous avait permis de structurer une approche plus empathique et didactique.
Apprendre de l’échec et créer des processus robustes
Une unité de production voulait déployer un système de prédiction des pannes fondé sur l’apprentissage automatique. Le cas d’usage était attrayant : réduire les arrêts imprévus de 40 pourcent, dégager deux millions d’euros de gain annuel. Nous avons investi six mois et un quart de million d’euros dans son développement. Le problème fondamental est que les données historiques ne contenaient pas les signaux prédictifs suffisants. De plus, l’adoption par les opérateurs a été compliquée parce que nous ne les avions pas impliqués assez tôt dans le projet.
Ce projet a échoué parce que nous n’avions pas validé deux éléments avant de démarrer : la qualité des données et la préparation organisationnelle de l’équipe. C’est une leçon que je répète maintenant systématiquement. Avant d’engager des ressources dans un projet complexe, on doit vérifier que les données existent, que l’équipe cible a participé à la définition du besoin, et qu’il existe une volonté claire du leadership.
J’ai établi un processus strict en trois étapes : d’abord, une phase d’exploration d’une durée maximum de quatre semaines dans laquelle nous dialoguons avec le client interne, nous explorons les données disponibles, et nous évaluons la probabilité technique de réussite. Deuxième étape, la phase de conception pendant laquelle nous documentons le cas d’usage, définissons les métriques de succès avec l’équipe métier, et créons un plan d’implémentation réaliste. Troisième étape, le pilote en conditions réelles. Nous déployons une version limitée auprès d’un groupe restreint d’utilisateurs, collectons du feedback immédiat, et ajustons. Uniquement si le pilote montre des résultats conformes aux attentes nous engageons une industrialisation complète. Ce processus nous a sauvés de plusieurs autres débâcles. Plusieurs projets initialement prometteurs se sont avérés impraticables lors de la phase d’exploration.
Heureusement, nos succès ont nettement compensé cet apprentissage coûteux.
Succès concrets et impact mesurable
Un système de recommandation pour les équipes de vente que nous avons développé en partenariat avec le département commercial générait une augmentation de 18 pourcent du taux de conversion. Six mois après le déploiement, les commerciaux rapportaient une amélioration marquée de la pertinence de leurs interactions avec les clients. Le projet a généré un surcroît de chiffre d’affaires estimé à trois millions d’euros sur l’année. Ce qui m’a vraiment satisfait, c’est que les commerciaux ne considéraient plus l’IA comme une menace, mais comme un outil les rendant meilleurs et augmentant leur efficacité.
Un autre succès marquant avait porté sur l’optimisation de la chaîne d’approvisionnement. Une équipe de six personnes consacrait deux jours complets chaque semaine à l’analyse manuelle des données de prévision et à l’ajustement des commandes. Un système d’IA que nous avions développé en trois mois de pilote avait automatisé quatre-vingts pour cent de ces tâches d’analyse. Les économies sur les stocks dormants, combinées à la réduction des ruptures, s’élevaient à deux millions d’euros annuels. Surtout, l’équipe avait pu se réorienter vers des tâches plus stratégiques : l’identification de nouveaux fournisseurs, la négociation de meilleures conditions, et l’optimisation de la structure des stocks. Cette réorientation n’avait pas supprimé d’emplois ; elle avait simplement transformé la nature du travail.
C’est là que DécisionIA nous avait véritablement aidés. Nous avions accès à des cadres de pensée structurés pour concevoir un projet d’impact, pour calculer le ROI d’un projet IA de manière réaliste, pour identifier les métriques pertinentes, et pour gérer la résistance au changement de manière systématique. La transformation IA s’était avérée être autant une question d’accompagnement humain et de gouvernance qu’une question technique. Sans les bonnes structures de sélection et de soutien des projets, même les meilleures solutions technologiques auraient échoué.
Mes conseils pour les DSI qui commencent une transformation IA : premièrement, acceptez que vous ne comprenez pas tous les détails techniques. Votre responsabilité est d’orchestrer une transformation organisationnelle. Deuxièmement, commencez petit et itérez rapidement. Préférez dix petits projets à un seul projet ambitieux. Troisièmement, investissez lourdement dans la gouvernance et la sélection des projets. Quatre-vingt-dix pourcent des écueils provenaient d’une mauvaise sélection ou d’une préparation insuffisante. Enfin, mesurez les résultats de manière systématique. Ne vous contentez pas de métriques techniques. Mesurez l’adoption, la satisfaction des utilisateurs, et surtout l’impact sur les opérations et la rentabilité.
Vers une culture d’innovation continue et consolidation des résultats
Nous avons créé une impulsion organisationnelle durable. Au début, les propositions de projets venaient de ma commission de gouvernance. Maintenant, les équipes commencent à venir nous proposer des idées sans que nous ayons à les solliciter. C’est un signe que la culture a changé de manière fondamentale. Le vrai succès d’une transformation IA n’est pas le déploiement d’un seul projet spectaculaire, c’est la création d’une culture dans laquelle la technologie est vue comme un levier naturel pour l’amélioration continue et l’innovation.
Après trois ans, nous avons dépourvu des centaines de petits projets d’optimisation basés sur l’IA, en plus des dix-sept projets majeurs que nous avons industrialisés. L’investissement global dans l’IA au sein du groupe avait atteint quatre millions d’euros, mais nous estimions que le retour cumulé dépassait les trente millions d’euros en gains de productivité, réductions de coûts, et augmentation de chiffre d’affaires. Plus important que ces chiffres, la structure de gouvernance que nous avions instaurée avait permis à l’organisation d’éviter les débâcles coûteuses. Plusieurs projets prometteurs n’avaient jamais dépassé la phase d’exploration parce que nous avions identifié en amont que les données ou la maturité organisationnelle n’étaient pas présentes.
Nous avons investi lourdement dans la formation de nos propres experts IA en interne. Certains membres clés de nos équipes ont suivi le bootcamp DécisionIA pour renforcer leur compréhension stratégique de la transformation et pour partager avec leurs collègues une vision commune de la façon d’approcher les projets. Nous avons aussi embauché délibérément des profils hybrides capables de parler à la fois aux technologues et aux dirigeants métier. Ces traducteurs culturels se sont avérés précieux pour naviguer les tensions inévitables entre les objectifs techniques et les contraintes métier.
Une leçon qui s’est cristallisée progressivement est que les erreurs courantes sont largement évitables si on met en place les bonnes structures. Notre processus en trois étapes—exploration, conception, pilote—ressemblait fortement aux méthodologies recommandées par les experts en transformation IA. Nous l’avions développé indépendamment, mais cela validait notre intuition que certains principes de base transcendaient les organisations spécifiques.
Aucune technologie n’est plus puissante que le management qui en accompagne l’adoption. C’est la leçon centrale que j’aurais souhaité comprendre dès le premier jour de mon mandat. Avec cette conviction solidifiée par trois ans d’expérience concrète, j’aborde avec confiance les trois années suivantes de développement de l’IA au sein du groupe. La transformation ne s’arrête jamais ; elle évolue.