La gestion des attentes constitue probablement le défi le plus sous-estimé du consulting IA. Les consultants investissent des heures dans la sélection des algorithmes, le nettoyage des données et l’optimisation des modèles, mais consacrent souvent trop peu de temps à aligner les attentes du client avec la réalité de ce que la technologie peut délivrer dans son contexte spécifique. Le résultat est prévisible : des clients déçus malgré des solutions techniquement réussies, des missions qui se terminent dans la frustration mutuelle et des relations commerciales qui ne survivent pas au premier projet. DécisionIA a fait de la gestion des attentes un axe fondamental de sa méthodologie. Lionel Clément, co-fondateur de DécisionIA aux côtés de Gabriel Dabi-Schwebel, considère que le consultant qui ne sait pas gérer les attentes de son client ne devrait pas accepter la mission, car il se condamne à livrer un travail dont la valeur perçue sera toujours inférieure à la valeur réelle.
Le problème des attentes en consulting IA a des racines identifiables. La couverture médiatique de l’intelligence artificielle oscille entre l’enthousiasme excessif et la crainte apocalyptique, créant chez les dirigeants une vision déformée de ce que l’IA peut accomplir à court terme. Un PDG qui lit qu’une grande entreprise technologique prédit le comportement des consommateurs avec une précision de quatre-vingt-quinze pour cent imagine que la même performance est accessible pour son entreprise en quelques semaines. Le consultant est le premier rempart contre ces attentes irréalistes, et il doit assumer ce rôle dès le premier contact commercial.
Poser un cadrage réaliste dès les premiers échanges commerciaux
Le cadrage des attentes commence avant même la signature du contrat. Lors des premiers échanges commerciaux, le consultant IA fait face à un dilemme délicat : il doit vendre sa mission en suscitant l’enthousiasme du client tout en posant des limites réalistes qui pourraient refroidir cet enthousiasme. La tentation est grande de surprommettre pour remporter le contrat, en se disant que l’on gérera les ajustements en cours de mission. Cette stratégie est destructrice à moyen terme. Le client qui découvre en cours de projet que les résultats seront moins spectaculaires que ce qui a été annoncé perd confiance, non seulement dans le projet en cours, mais dans le consultant et dans l’IA en général.
DécisionIA adopte une approche radicalement différente. Lors de la phase commerciale, le consultant présente systématiquement trois scénarios de résultats : un scénario conservateur représentant le minimum atteignable, un scénario réaliste correspondant au déroulement normal, et un scénario ambitieux représentant ce qui est possible dans des conditions favorables. Cette approche protège le consultant de l’accusation de surpromesse tout en maintenant l’attractivité de la proposition. Le client sait dès le départ que le résultat se situera dans cette fourchette et peut prendre sa décision en connaissance de cause. La démarche de calcul du ROI proposée par DécisionIA intègre naturellement cette logique de scénarios multiples.
Le cadrage réaliste passe aussi par une éducation du client sur la nature itérative des projets IA. Contrairement à un projet informatique classique où les spécifications sont définies à l’avance et le livrable correspond à ces spécifications, un projet IA est exploratoire par nature. On ne sait pas à l’avance quelle performance le modèle atteindra, quelles variables seront les plus prédictives, ni quels ajustements seront nécessaires en cours de route. Le consultant doit expliquer cette réalité sans décourager le client, en montrant que l’itération est une force et non une faiblesse, car elle permet d’ajuster la solution au plus près des besoins réels plutôt que de livrer un produit rigide conçu sur la base d’hypothèses théoriques.
Gérer les décalages entre promesses technologiques et réalité terrain
Une fois le projet lancé, le consultant se confronte inévitablement à des décalages entre ce que la technologie promet en théorie et ce que la réalité du terrain permet en pratique. Le premier décalage concerne la qualité des données. Dans la quasi-totalité des projets IA, les données disponibles sont moins propres, moins complètes et moins structurées que ce que le client avait annoncé lors du diagnostic initial. Ce n’est pas de la mauvaise foi, c’est simplement que les organisations ont rarement une vision précise de l’état réel de leurs données tant qu’elles n’ont pas essayé de les exploiter pour un cas d’usage spécifique. Le consultant doit prévoir cette réalité dans son planning et dans sa communication, en expliquant au client que la phase de préparation des données n’est pas du temps perdu mais un investissement qui conditionne la qualité des résultats.
Le deuxième décalage concerne les performances du modèle. Les publications scientifiques et les cas d’étude médiatiques présentent généralement les meilleurs résultats obtenus dans des conditions optimales. La performance obtenue sur les données réelles du client, avec toutes leurs imperfections et leurs spécificités, sera souvent inférieure. Le consultant doit contextualiser cette performance plutôt que de la présenter comme un échec. Un modèle de prédiction du churn qui atteint soixante-quinze pour cent de précision au lieu des quatre-vingt-dix pour cent espérés peut sembler décevant. Mais si l’entreprise n’avait auparavant aucune capacité prédictive et traitait tous ses clients de manière identique, cette performance représente un gain considérable. DécisionIA forme ses consultants à cette recontextualisation des résultats, en insistant sur la comparaison avec la situation antérieure plutôt qu’avec un idéal théorique.
Le troisième décalage concerne les délais. Les projets IA prennent presque toujours plus de temps que prévu initialement. Les causes sont multiples : complexité sous-estimée de l’intégration avec les systèmes existants, disponibilité limitée des experts métier nécessaires à la validation des résultats, itérations supplémentaires pour améliorer les performances du modèle. Le consultant qui a posé un cadrage réaliste dès le départ et qui communique régulièrement sur l’avancement peut gérer ces glissements sans que la confiance du client ne soit entamée. Comprendre les étapes du POC à l’industrialisation permet de positionner ces délais dans une perspective cohérente et de rassurer le client sur la progression normale du projet.
Transformer la déception potentielle en apprentissage partagé
Quand les résultats d’un projet IA ne correspondent pas aux attentes initiales du client, le consultant fait face à un moment charnière de la relation. La manière dont il gère ce moment détermine si le client deviendra un détracteur ou un partenaire de long terme. La première étape consiste à reconnaître le décalage sans le minimiser ni le dramatiser. Le client qui exprime sa déception a besoin d’être entendu avant d’être rassuré. Le consultant qui répond immédiatement par des justifications techniques ou par une redéfinition des objectifs donne l’impression de fuir ses responsabilités.
La deuxième étape consiste à analyser conjointement les causes du décalage. Certaines causes sont imputables au consultant : estimation trop optimiste ou diagnostic insuffisant. D’autres sont imputables au contexte : données moins disponibles que prévu ou mobilisation insuffisante des équipes internes. D’autres encore sont inhérentes à la nature exploratoire de l’IA. Cette analyse partagée transforme une situation de confrontation en situation de collaboration où le client comprend que la complexité est réelle et que le consultant sait l’adresser.
La troisième étape est la proposition d’un plan d’ajustement concret et réaliste. Ce plan doit identifier les actions spécifiques qui permettront d’améliorer les résultats, avec des délais et des indicateurs de suivi clairs. DécisionIA recommande de proposer ce plan sans coût supplémentaire quand le décalage est imputable à une erreur d’estimation du consultant, et à coût partagé quand il est imputable à des facteurs extérieurs. Cette honnêteté dans la répartition des responsabilités renforce la crédibilité du consultant et pose les bases d’une relation plus mature. Les consultants formés par DécisionIA apprennent à utiliser les outils de diagnostic de maturité IA pour identifier en amont les facteurs de risque qui pourraient générer des décalages, réduisant ainsi la fréquence de ces situations délicates.
Institutionnaliser la gestion des attentes dans votre pratique
La gestion des attentes ne doit pas être traitée comme une compétence relationnelle que le consultant active ponctuellement quand la situation l’exige. Elle doit être institutionnalisée comme un processus formel intégré à chaque étape de la mission. Au cadrage commercial, le consultant utilise un questionnaire structuré qui explore explicitement les attentes du client en termes de résultats, de délais, d’implication des équipes internes et de budget. Ce questionnaire permet de détecter les attentes irréalistes avant la signature du contrat et de les adresser proactivement.
Au lancement du projet, le consultant organise un atelier d’alignement des attentes qui réunit toutes les parties prenantes clés. Cet atelier a pour objectif de s’assurer que tous les acteurs partagent la même vision du projet, de ses objectifs et de ses limites. DécisionIA a constaté que cet atelier révèle systématiquement des divergences d’attentes entre les différentes parties prenantes, divergences qui auraient généré des conflits en cours de projet si elles n’avaient pas été identifiées et traitées en amont.
À chaque jalon du projet, le consultant procède à un recalibrage formel des attentes. Les résultats obtenus sont présentés en regard des trois scénarios initiaux, et les attentes pour la phase suivante sont ajustées en conséquence. Ce processus de recalibrage continu évite l’effet tunnel où le client découvre en fin de projet que le résultat ne correspond pas à ce qu’il imaginait depuis le départ. DécisionIA intègre ce processus dans sa méthodologie de conseil stratégique et forme les consultants à l’animer efficacement. Le consultant qui maîtrise la gestion des attentes ne livrera peut-être pas des résultats techniques supérieurs à ceux de ses concurrents, mais il obtiendra une satisfaction client nettement plus élevée, parce que ses clients évalueront les résultats non pas par rapport à un idéal fantasmé, mais par rapport à des attentes réalistes qu’ils auront eux-mêmes validées.