L’IA à grande échelle : de l’expérimentation à une véritable valeur commerciale

Cela marque un changement de cap majeur. Les organisations ne peuvent plus se contenter d’investissements spéculatifs ou d’approches de mise en œuvre tous azimuts. Il fut un temps où la dynamique seule, alimentée par une tendance en pleine expansion et un argumentaire de transformation convaincant, suffisait pour obtenir du budget et de la bonne volonté. Désormais, les investisseurs et les actionnaires sont en mesure d’établir une distinction beaucoup plus nette entre l’engouement pour l’IA et la valeur de celle-ci, et sont prêts à se lancer.

des cadres supérieurs ont confirmé en début d’année que l’IA avait une incidence sur leur organisation*

des dirigeants ont restructuré leurs équipes au cours des deux dernières années afin de mettre l’IA en œuvre*

ont confirmé que les développements géopolitiques des six derniers mois ont accéléré leurs projets en matière d’IA

^{* Baromètre des exécutifs 2026;}

Les gains d’efficacité au chapitre de la main-d’œuvre obtenus grâce à l’IA et à la transformation des affaires ont eu des répercussions importantes, mais l’IA n’a toujours pas atteint son plein potentiel pour certaines organisations, souvent malgré une mise en œuvre enthousiaste et réussie. Les projets pilotes se sont multipliés, mais rares sont ceux qui ont débouché sur un changement durable des méthodes de travail ou une évolution significative des modes de fonctionnement et de production de résultats d’une entreprise.

Pour passer de l’engouement autour de l’IA à la création de valeur, les organisations et leurs dirigeants doivent s’éloigner du discours axé sur les capacités, plus centré sur les étapes de déploiement et les éléments livrables, et adopter un discours axé sur le rendement, qui met résolument l’accent sur la valeur commerciale produite par l’IA.

Le RCI provenant de l’IA représente un changement majeur. Ce passage de l’expérimentation à la mesure est l’élément qui permettra à une organisation d’atteindre une échelle significative et de transformer les gains initiaux en un avantage concurrentiel durable. Les organisations incapables d’y parvenir verront des répercussions non seulement sur leurs résultats financiers et leur position sur le marché, mais aussi sur la justification des investissements futurs. 

L’écart entre les investissements en IA et la valeur générée Chaque année, nous menons des recherches afin de comprendre les priorités et les enjeux au cœur des activités de nos clients. Notre baromètre des exécutifs recueille les points de vue de milliers de cadres supérieurs du monde entier; cet outil nous fournit des renseignements précieux sur les tendances et les transformations qui ont une incidence sur les entreprises.  Six mois après nos premières perspectives pour 2026, les nouveaux constats tirés de notre analyse de mi-année  renforcent la confiance des dirigeants à l’égard du potentiel de l’IA et mettent en lumière les premières retombées des investissements réalisés dans ce domaine. Cependant, on ne peut vraiment évaluer les rendements globaux sans tenir compte de l’ampleur de l’investissement. À l’heure actuelle, la part du budget consacrée à l’IA augmente fortement en fonction du chiffre d’affaires, comme on pouvait s’y attendre, mais nous avons constaté que 15 % des organisations ont investi plus d’un cinquième de leur budget dans l’IA, tandis que 35 % des organisations y ont consacré moins de 10 %. Quel niveau de RCI les dirigeants et leurs entreprises (ainsi que leurs investisseurs et parties prenantes) devraient-ils s’attendre à obtenir ?

• 86des cadres supérieurs ont confirmé que l’IA avait amélioré la productivité de leurs équipes
• 63des cadres supérieurs font état d’un RCI lié à l’IA pouvant atteindre 10 %, un cinquième d’entre eux ayant enregistré des gains encore plus élevés
• 33des cadres supérieurs affirment que leur entreprise est bien équipée et prête à adapter sa stratégie en fonction du rythme des futurs développements en matière d’IA

Pour la plupart des organisations, l’absence de RCI en matière d’IA provient généralement de quatre facteurs critiques :

1. Absence de stratégie – Trop souvent, la motivation consiste simplement à utiliser l’IA, sous la pression des investisseurs ou de la concurrence, plutôt que de s’en servir pour résoudre un problème bien défini. La mise en œuvre suit la technologie plutôt que le besoin.
2. Mauvaise définition des cas d’utilisation – Les organisations se sont fortement appuyées sur des cas d’utilisation horizontaux plutôt que verticaux, choisissant le mauvais outil pour la tâche ou définissant des attentes et des indicateurs inadéquats pour le cas d’utilisation. Il arrive souvent que ces trois désalignements soient en jeu.
3. Gouvernance faible – Une mauvaise qualité des données et des limites ou des classifications mal définies entravent même les efforts bénéficiant des ressources les plus importantes. Même les géants de la technologie comme Google sont encore aux prises avec ces défis, ce qui démontre l’importance d’une gouvernance adaptée dès le départ.
4. Gestion inadéquate du changement – Une adhésion peu enthousiaste de la main-d’œuvre, un leadership faible et un soutien insuffisant empêchent l’adoption de l’IA de s’ancrer dans de nombreuses organisations. 

Mais cela ne veut pas dire que les organisations devraient freiner leurs ambitions en matière d’IA. Le rythme de l’innovation ne ralentit pas; au contraire, il s’accélère de façon exponentielle. Les entreprises qui ne saisissent pas le potentiel de transformation de l’IA risquent fort de se retrouver à la fin du peloton. Toutefois, l’analyse du RCI montre que la mise en œuvre doit être abordée de manière stratégique et proportionnée. Adopter une approche stratégique dans l’évaluation et la définition des cas d’utilisation – tout en établissant des bases solides en matière de données et de gouvernance – permettra aux organisations de progresser rapidement et de générer une valeur réelle à mesure que la technologie continue d’évoluer.

Comment utiliser l’IA pour produire une véritable valeur commerciale

L’IA représente une transformation si fondamentale des modèles opérationnels et des priorités – touchant de nombreux aspects de l’entreprise – qu’elle ne peut pas être abordée comme une simple technologie complémentaire. Cela signifie qu’une base solide en matière de données et de gouvernance est nécessaire, tout comme une vision claire du problème d’affaires que la technologie contribue réellement à résoudre.

« Les organisations qui réussissent le mieux sont celles qui disposaient déjà des bases nécessaires en matière de données et de gouvernance avant de mettre en œuvre des cas d’utilisation de l’IA, ou celles qui ont utilisé l’IA comme catalyseur d’une transformation numérique plus large, en établissant ces bases avant de tenter de mettre en œuvre l’IA à grande échelle. » Michael Fried, Associé, Forvis Mazars au États-Unis

Dans tous les cas d’utilisation, l’IA doit être considérée comme un outil potentiel, bien que très puissant permettant de résoudre un problème stratégique, plutôt que comme une fin en soi. L’IA n’est pas une solution miracle; aborder la mise en œuvre de l’IA avec pour seule priorité de trouver un moyen de l’exploiter a peu de chances de générer une véritable valeur, et risque fort d’aboutir à des solutions disproportionnées et inefficaces. L’IA est un outil parmi tant d’autres dans une vaste palette de technologies à exploiter pour un problème d’affaires donné. L’important, c’est de savoir quand y recourir, et dans quelle situation une autre solution permettra de mieux résoudre le problème en question.

Cependant, le simple fait de cerner un problème que l’IA peut résoudre ne suffit pas. Des mises en œuvre efficaces et productrices de valeur exigent un objectif clair, une réponse proportionnée et une attention constante aux résultats qui comptent.

Cas d’utilisation horizontaux et verticaux

C’est ici que la distinction entre les mises en œuvre horizontales et verticales prend toute son importance. Cette terminologie vient du monde des TI, où l’on distingue la « mise à l’échelle horizontale » (scaling out) – par exemple, ajouter des voies sur une autoroute très fréquentée – de la « mise à l’échelle verticale » (scaling up) – par exemple, remplacer les véhicules existants par des modèles plus rapides et plus efficaces. 

Dans le contexte des déploiements d’IA, les cas d’utilisation horizontaux prennent souvent la forme d’assistants IA généralistes conçus pour accroître la productivité du personnel. Or, ces gains sont non seulement difficiles à mesurer, mais ils risquent aussi d’être compensés ailleurs par les employés en l’absence d’indicateurs clairs et quantifiables liés à leur utilisation de l’IA. Une heure économisée qui n’est pas réaffectée à un résultat mesurable ne constitue pas vraiment une économie.

Les cas d’utilisation horizontaux sont de par leur nature vastes et difficiles à mesurer, et à eux seuls, ils ont peu de chances de justifier l’investissement sur le plan de la production d’une valeur commerciale.

Les cas d’utilisation verticaux, en revanche, constituent des mises en œuvre d’IA plus performantes qui automatisent des tâches auparavant réalisées manuellement, qu’elles soient fastidieuses, exigeantes en données ou les deux, ou qui permettent de coordonner les processus d’affaires de bout en bout. Les mises en œuvre verticales, liées à des fonctions et à des résultats bien précis, sont plus faciles à mesurer et à justifier, même lorsqu’un investissement initial plus important est requis.

Les cas d’utilisation pertinents pour la mise en œuvre de l’IA sont ceux qui abordent de véritables problèmes d’affaires et qui s’accompagnent d’indicateurs de réussite quantifiables.

Une fois qu’un problème d’affaires et le cas d’utilisation vertical correspondant ont été cernés, les quatre questions qui suivent aideront les dirigeants à déterminer comment (et si) l’IA peut être mise à profit pour créer de la valeur commerciale :

L’IA est-elle le bon outil pour ce travail ?

L’IA est une solution extrême, qui doit être proportionnelle à la valeur commerciale du problème qu’elle résout. Les dirigeants devraient résister à la tentation d’utiliser des moyens disproportionnés pour résoudre des problèmes simples; ainsi, si une automatisation fondée sur des règles, une refonte des processus ou un tableau de bord mieux conçu permettent d’atteindre l’objectif tout aussi efficacement, cela constitue généralement une meilleure solution que la mise en œuvre de l’IA. Les préoccupations environnementales ainsi que la qualité et la disponibilité des données doivent également être prises en compte à ce stade, avant qu’un engagement soit pris.

En effet, les questions de développement durable doivent être abordées dès la phase de cadrage plutôt que d’être prises en compte après coup. Il est difficile de quantifier l’empreinte environnementale de l’IA, même avec nos propres processeurs graphiques, et il est établi que l’IA est nuisible à l’environnement, c’est particulièrement vrai pour les systèmes d’IA « agentique ». Il est important de prendre en compte dès le début les ambitions, les objectifs et la conformité en matière de développement durable, car il peut exister des solutions tout aussi (ou presque aussi) efficaces qui sont moins nuisibles sur le plan environnemental. Les solutions sans IA permettent souvent d’atteindre l’essentiel du résultat recherché, sans entraîner les mêmes coûts sur le plan de la durabilité (ni les mêmes coûts financiers).

Quel type d’IA convient le mieux à cette tâche ?

Si l’IA est l’outil approprié, il faut ensuite se demander quel type d’IA utiliser. Les avantages et les défis varient considérablement selon qu’il s’agit d’interfaces conversationnelles, de systèmes de génération augmentée par récupération d’information, de systèmes agentiques ou d’architectures multiagents. 

L’IA appliquée à une seule tâche constitue souvent un gaspillage de potentiel; s’en servir pour un cas d’utilisation peut fréquemment en favoriser un autre, et penser en termes d’écosystèmes de capacités plutôt que de tâches isolées a tendance à produire de meilleurs résultats. Ainsi, une mise en œuvre (ou une mise en œuvre coordonnée) peut contribuer à résoudre plusieurs problèmes d’affaires, ou un seul problème comportant plusieurs facteurs contributifs dans différents secteurs de l’entreprise.

« Les organisations qui tirent réellement parti de l’IA ne pensent pas en termes de tâches, mais plutôt d’écosystèmes de capacités. Une mise en œuvre bien conçue peut résoudre plusieurs problèmes d’affaires à la fois, mais seulement si vous êtes prêt à prendre du recul par rapport au cas d’utilisation immédiat et à voir le modèle opérationnel dans son ensemble. » – Laurent Inard, Associé, Responsable de la recherche et développement  Forvis Mazars en France

Les grands modèles de langage (GML) reconnus (par opposition aux modèles propriétaires) sont généralement le choix privilégié en matière de conception. Ils offrent habituellement une meilleure robustesse et une plus grande efficacité, tout en étant mis à jour régulièrement afin d’intégrer les capacités appropriées. Ces modèles comportent toutefois des risques et des exigences dont il faut tenir compte, notamment un renforcement des pratiques de gestion des risques liés aux tiers. Le recours à des modèles empruntés ne réduit pas le niveau de maturité requis en matière de gouvernance et de supervision; au contraire, il l’accroît.

Quels sont les indicateurs de réussite appropriés pour ce cas d’utilisation ? 

L’un des principaux obstacles auxquels se heurtent les organisations lorsqu’elles passent d’une approche axée sur les capacités à une approche fondée sur le rendement réside dans la définition des mauvais indicateurs de réussite pour la mise en œuvre. Les indicateurs clés de performance de chaque cas d’utilisation doivent être liés au problème stratégique à résoudre et démontrer une réelle valeur commerciale dans leur formulation. Une valeur quantifiable, comme la réduction des délais d’exécution, l’amélioration des taux d’exception et le raccourcissement des cycles de création de valeur, sera toujours préférable à des indicateurs de productivité, d’étape ou d’efficacité vagues.

Ce cas d’utilisation fonctionne-t-il efficacement sans IA ?

Même si un cas d’utilisation n’atteint pas les indicateurs de réussite pertinents, dans la plupart des cas, il devrait être opérationnel sans l’IA. Si le processus est mal défini ou inefficace au départ, l’ajout de l’IA ne fera qu’aggraver les lacunes, sans les résoudre. 

L’impôt des sociétés : un cas d’utilisation propice à la mise en valeur de l’IA 

Les organisations constatent des économies fiscales évidentes à court terme grâce à des processus et à des analyses optimisés par l’IA, ce qui se traduit par un rendement sur investissement clair pour les mises en œuvre pertinentes de l’IA. En effet, le domaine de la fiscalité des entreprises se prête particulièrement bien à la mise en œuvre de l’IA grâce à ses solides fondements opérationnels et de gouvernance :

• Les équipes fiscales disposent de processus opérationnels bien établis et normalisés.
• Les données sont souvent bien structurées et gérées grâce aux exigences de conformité.
• Les fonctions fiscales impliquent souvent des processus manuels et une analyse approfondie des données.

La clé d’une mise en oeuvre réussie de l’IA réside, comme toujours, dans la qualité et la normalisation des données et des processus. La fiscalité d’entreprise décentralisée peut également tirer profit de l’IA, mais des opérations et des données centralisées ouvrent la voie plus clairement à la valeur ajoutée de l’IA.

Les mises en œuvre de l’IA ont été particulièrement fructueuses pour des cas d’utilisation impliquant un volume important de données et des tâches répétitives, comme celles-ci :

• Conformité et production de rapports.
• Facturation électronique et production de déclarations.
• Analyse des données relatives aux achats et aux acquisitions (ainsi que l’intégration post-fusion).

Dans un tel cas, le principe directeur est une gouvernance adaptée. Les mesures de protection et la responsabilisation doivent être adaptées spécifiquement à la nature, à l’ampleur et à la criticité de chaque cas d’utilisation de l’IA pris individuellement, ainsi qu’aux répercussions opérationnelles qui en découlent. Des contrôles proportionnés exigent des organisations qu’elles déterminent la catégorie de risque que présente un cas d’utilisation et qu’elles appliquent des mécanismes de contrôle proportionnés à ce risque. Un système de prise de décision pour les employés en contact avec la clientèle justifie un environnement de contrôle très différent de celui d’un outil de synthèse interne. 

L’harmonisation avec le degré de maturité est également essentielle; les ambitions doivent correspondre à l’état de préparation actuel de l’organisation en matière d’intégration des données, d’architecture et de compétences du personnel, et non à la situation que les dirigeants souhaiteraient que l’organisation ait déjà atteinte. Si les ambitions et le degré de maturité ne concordent pas dans la réalité, cela témoigne de la nécessité d’une profonde transformation avant la mise en œuvre.

Établir un contrat de flux de travail

Pour passer de l’ambition à l’action, un « contrat de flux de travail » devrait être établi pour chaque cas d’utilisation. Ce contrat définit cinq éléments clés :

La préparation des données est à la base de ce processus. Les dirigeants doivent harmoniser leurs ambitions avec la réalité de leur degré de maturité selon un continuum de maturité concret, sans quoi la mise en œuvre de l’IA risque d’échouer. Au mieux, une mise en œuvre prématurée ou mal alignée ne générera que peu de valeur, voire même aucune, même si elle est mise en œuvre « avec succès ».

Sécurité et conformité intégrées dès la conception 

La sécurité et la conformité vont de pair avec la gouvernance et exigent une rigueur similaire. L’état de la réglementation en matière d’IA en 2026 est plus avancé qu’il ne l’était il y a un an, les cadres régionaux qui se chevauchent imposant désormais des obligations concrètes aux organisations qui déploient certains types d’IA.

La conformité est un élément central à prendre en compte dans la mise en œuvre de l’IA; cependant, tout comme les autres types de gouvernance, elle doit être appliquée à la bonne échelle. Elle doit constituer le prolongement de la stratégie d’affaires et de la gestion des risques. Il en va de même pour la cybersécurité : les mesures doivent être fondées sur les risques et établies en proportion des données, des processus, du personnel et des systèmes visés. 

La conformité et la sécurité doivent être intégrées au cycle de vie de l’IA dès le début, lors de la définition de la portée et de la conception, plutôt que d’être considérées comme une étape finale de révision. Des approches de gouvernance réutilisables s’avèrent utiles à cet égard. Les organisations devraient établir des réponses réutilisables aux questions fondamentales courantes qui se posent pour chaque nouveau cas d’utilisation, notamment une approche standard de classification des données, des modèles normalisés de journalisation et de conservation pour répondre aux exigences d’audit et surtout, un « bouton d’arrêt d’urgence » ou un plan de secours à appliquer lorsque la qualité se détériore ou que les modèles produisent des comportements indésirables.

Une stratégie de sortie claire est essentielle. Les organisations devraient se demander comment elles sauront à quel moment la qualité de l’IA se détériore. Quel est le processus permettant de désactiver l’IA et d’assurer la continuité du processus sous-jacent ? Qui détient la responsabilité et le pouvoir décisionnel à cet égard ? Ce sont là des questions qui exigent des réponses avant le déploiement, et non après un incident.

Les répercussions sur la main-d’œuvre et la peur face au changement 

Les organisations les plus stratégiques, qui profitent le plus de l’IA, trouvent des moyens de réaliser des gains d’efficacité en tirant mieux parti de leur main-d’œuvre existante, et non en remplaçant celle-ci par des outils d’IA. Cependant, cela ne suffit guère à apaiser les craintes des employés d’être remplacés par l’IA, surtout lorsque ce message n’est pas clairement communiqué à l’interne.

En réalité, les employés n’adopteront pas les outils d’IA – ou du moins pas pleinement – s’ils croient que ceux-ci sont destinés à les remplacer. Il faut souligner que l’IA contribuera à l’efficacité de la main-d’œuvre, mais qu’elle servira les objectifs de croissance à long terme plutôt que de contribuer à réduire les effectifs. La voie à suivre avec l’IA doit être claire pour tout le monde, en particulier pour ceux et celles à qui l’on demande de l’utiliser. 

Favoriser l’adhésion dès le début du projet pilote 

Pour passer avec succès de la phase de projet pilote au déploiement à grande échelle, en particulier lorsque l’adoption par les utilisateurs est nécessaire, il faut pouvoir s’appuyer sur des répercussions tangibles et très visibles. Des résultats qui apparaissent dans les tableaux de bord financiers ou lors des revues hebdomadaires des activités contribuent à obtenir la permission requise pour une transformation à plus grande échelle. 

La formation est essentielle tout au long de la transition. Les employés doivent comprendre les avantages, les limites et les attentes liés à l’IA. Le chevauchement avec la cybersécurité mérite une attention particulière; les employés doivent être bien informés des préoccupations en matière de cybersécurité liées à l’IA et à la protection des données, en particulier lorsque des agents conversationnels sont fondés sur l’IA et que des outils externes sont utilisés.

Les utilisateurs et les responsables des cas d’utilisation doivent également être sensibilisés aux enjeux ESG associés à leur travail. Cette compréhension contribuera à maintenir l’utilisation axée sur les processus essentiels et à valeur ajoutée, et encouragera les utilisateurs et les responsables des cas d’utilisation à privilégier d’abord les solutions à moindre impact lorsqu’elles existent. 

Enfin, le personnel doit comprendre comment les nouveaux cas d’utilisation sont évalués et régis, et ce processus doit avoir une grande visibilité. Grâce à une gouvernance reproductible, les employés et les dirigeants peuvent proposer de nouveaux cas d’utilisation qui seront évalués de façon efficace et efficiente, en mettant l’accent sur l’amélioration des résultats d’affaires plutôt que sur la recherche de solutions à la mode. 

La direction donne le ton 

La direction de l’organisation doit montrer l’exemple, tant en matière d’enthousiasme envers l’IA que de l’utilisation quotidienne de celle-ci. Les attentes sont définies à l’échelon le plus élevé, et la direction détermine la manière dont les membres de l’organisation perçoivent la nécessité de l’IA. Une équipe de direction qui utilise des outils d’IA, qui parle ouvertement des capacités et des limites de ceux-ci, et qui récompense l’expérimentation réfléchie obtiendra une courbe d’adoption très différente de celle d’une équipe de direction qui ignore ou rejette l’IA et qui délègue son utilisation aux échelons inférieurs.

Comment les dirigeants des différents secteurs de l’entreprise peuvent-ils permettre la création d’une valeur commerciale réelle et tangible grâce à l’IA ?

Le chef ou la cheffe de la direction Déterminer les secteurs où la création de valeur devrait avoir lieu  Le principal risque n’est pas d’en faire trop peu : c’est d’en faire trop sans produire d’impact.  Ancrer l’IA dans les résultats d’affaires : exiger que chaque initiative d’IA soit liée à un levier de revenus, à un facteur de coûts ou à un processus décisionnel clé Cibler les efforts pour générer un véritable impact : donner la priorité à un nombre limité de cas d’utilisation à forte valeur ajoutée et à facettes multiples, et éviter de répartir les investissements entre un trop grand nombre d’initiatives S’approprier le discours sur la transformation : positionner clairement l’IA comme un levier d’amélioration de la productivité et du processus décisionnel, et non comme un programme de réduction des effectifs; communiquer l’information de manière cohérente à l’échelle de l’organisation Aligner l’équipe de direction sur la valeur et l’horizon temporel : s’assurer que le chef ou la cheffe des finances, le chef ou la cheffe des technologies de l’information et les dirigeants opérationnels s’entendent sur ce que représente la réussite, la façon de mesurer la valeur et le moment où les rendements sont attendus Institutionnaliser l’adaptabilité dans l’exécution : s’éloigner des plans de transformation statiques en mettant en œuvre une redéfinition des priorités des initiatives et des boucles décisionnelles rapides à l’échelle de la haute direction tous les trois mois Promouvoir la conformité dès la conception : exiger une gouvernance et une conformité rigoureuses et adaptées, même lorsque la réglementation reste un objectif en constante évolution; préconiser des mesures proportionnées et fondées sur les risques pour les cas où il n’y a pas de cadres clairs

Le chef ou la cheffe des finances S’assurer que la valeur est mesurée et réalisée Voir l’IA comme un investissement informatique traditionnel est une erreur. Sa valeur est progressive,  liée à l’adoption, et variable selon les cas d’utilisation. Déplacer la conversation sur les capacités et l’orienter vers le rendement :  recueillir et suivre les indicateurs opérationnels, et non seulement les résultats techniques (temps de cycle, gains de productivité, réduction des erreurs, création de capacité, etc.) Mettre en place un cadre solide de suivi du RCI et de la valeur :  suivre les coûts réels d’investissement (y compris les données, l’intégration et la gestion du changement) et les avantages réalisés (pas seulement ceux prévus); distinguer les gains d’efficacité à court terme des répercussions commerciales à plus long terme Financer les capacités, et non des initiatives fragmentées : affecter les budgets aux infrastructures de données, aux plateformes d’IA et aux composantes partagées Échelonner les investissements et imposer une discipline : lier le financement à des jalons et à des résultats/taux d’adoption mesurables Réaffecter les ressources à mesure que la valeur se matérialise : rajuster l’affectation de la main-d’œuvre et les structures de coûts de manière proactive Intégrer les questions de conformité dans les discussions sur le rendement : insister sur la visibilité de la conformité et de la gouvernance dans le cadre des discussions sur le rendement relativement aux cas d’utilisation; mettre en place des mécanismes de contrôle d’audit continus pour garantir un alignement permanent

Le chef ou la cheffe des technologies de l’information et le chef ou la cheffe de la technologie Faire en sorte que la valeur puisse être mise à l’échelle et soit durable Rechercher les dernières tendances en matière d’IA sans disposer de bases solides ne fera qu’accroître la fragilité au lieu d’augmenter la valeur Donner la priorité aux données et à la gouvernance pour établir les bases : investir dans la qualité des données, leur accessibilité et leur propriété, et intégrer la gouvernance dans toutes les initiatives de transformation, et pas seulement dans l’IA Veiller à ce que la conception ait comme objectif la transformation à l’échelle de l’entreprise : dépasser les cas d’utilisation tactiques, cerner des capacités polyvalentes, garantir le caractère réutilisable entre les fonctions et harmoniser les initiatives d’IA avec la transformation numérique au sens large Établir des modèles reproductibles pour permettre le déploiement à grande échelle : normaliser les approches de classification des données, les environnements de traitement d’IA approuvés (les « zones ») et les mécanismes de validation qui favorisent l’intervention humaine Se concentrer sur l’intégration dans les flux de travail principaux : intégrer l’IA dans les processus d’affaires et les flux décisionnels existants, et garantir l’interopérabilité entre les systèmes Évaluer les choix technologiques en fonction des besoins de l’entreprise : partir du problème, pas de l’outil; sélectionner des solutions techniques adaptées aux besoins de l’entreprise, à l’environnement de données et au niveau de risque Opérationnaliser la conformité : combler l’écart entre les stratégies de conformité et leur mise en œuvre technique; assurer la transparence à chaque étape

 IA : de l’engouement à la création de valeur

Comment les organisations qui ont soit reporté la mise en œuvre de l’IA, soit constaté que leurs cas d’utilisation n’apportaient que peu de valeur ajoutée, peuvent-elles réorienter rapidement leurs efforts afin d’établir les bases adéquates sans perdre de terrain ? La bonne nouvelle, c’est que même si une véritable transformation prend du temps, il existe des moyens de réorienter efficacement les initiatives actuelles en matière d’IA :

« Ne tenez pas compte des manchettes dans les médias. Faites un examen de votre organisation et élaborez une stratégie centrale axée sur la création d’une véritable valeur ajoutée plutôt que la réponse aux exigences de ceux qui crient le plus fort. Cela vous permettra d’étayer la justification commerciale de nouveaux cas d’utilisation et de jeter les bases solides nécessaires à la réalisation des objectifs de votre organisation, ce qui se traduira par la création d’une valeur tangible, ainsi que par une plus grande résilience et une confiance accrue à mesure que l’IA continue d’évoluer. »  Michael Fried, Associé, Forvis Mazars au États-Unis