Gestion de projet en intelligence artificielle vs logiciel traditionnel

Imaginez ce scénario : votre entreprise décide de mettre en œuvre un système d’intelligence artificielle (IA) pour optimiser un processus critique. Le chef de projet, habitué aux déploiements à grande échelle de logiciels traditionnels, lance le planning, définit un périmètre précis, organise les livrables dans un tableau Kanban linéaire et promet une précision maximale dans des délais records.

Si vous gérez vos projets de données et d'intelligence artificielle de la même manière que vous gérez vos projets ERP ou de logiciels existants, j'ai un constat à faire : votre planning vous ment.

Dans le monde des technologies traditionnelles, le succès est généralement binaire : le code fonctionne ou non, l’écran s’allume ou non. Mais lorsqu’on entre dans le monde de l’IA, la logique change radicalement. On quitte le domaine du déterminisme pour celui des probabilités, où un plus un ne fait pas toujours deux.

Pour comprendre pourquoi tant de projets d'IA échouent avant même d'être conçus, et comment les leaders technologiques peuvent surmonter ce défi, nous avons compilé les principaux enseignements pratiques abordés dans le podcast Builders par des experts qui vivent cette transition de près.

Le constat de la réalité : pourquoi les méthodes traditionnelles échouent-elles en IA ?

Les données du marché sont impitoyables. Les études de cabinets de conseil comme McKinsey indiquent qu'environ 70 % à 85 % des projets d'IA échouent ou ne dépassent pas la première phase de test (la fameuse preuve de concept ou PoC).

Ce rythme alarmant ne s'explique pas par un manque de technologies de pointe, mais plutôt par un profond décalage entre les attentes et les méthodologies. Le développement de l'IA s'apparente davantage à un processus scientifique et expérimental qu'au génie logiciel traditionnel.

Le changement dans la « définition de fait »

Dans les projets logiciels traditionnels ou les modules ERP, la définition de « terminé » est claire : le flux de travail passe du développement à la validation et aboutit au déploiement de code structuré.

En intelligence artificielle, la définition de « prêt » correspond à la validation d'une hypothèse. Le processus est intrinsèquement cyclique et itératif : implémentation, tests, analyse de rappel ( une métrique qui évalue la fréquence des erreurs du modèle et la nécessité de tests supplémentaires), puis retour au point de départ. Souvent, au début, ni le développeur ni le client ne savent quel sera le résultat final.

Les 3 profils de clients (et les risques liés au projet)

Gérer l'IA exige une gestion chirurgicale des attentes humaines. Dans l'écosystème des entreprises, trois de parties et les chefs de projet doivent apprendre à les gérer :

1. Le naïf : Ce profil enthousiaste décrit une personne qui a entendu parler du potentiel des technologies sur le marché et qui croit que la mise en œuvre de l'IA sera rapide, facile et miraculeuse. Elle ignore totalement l'ampleur du travail et de la structuration interne nécessaires de son côté pour que le modèle porte ses fruits.
2. Le sceptique quant au retour sur investissement immédiat croit au potentiel de l'IA, mais exige un retour sur investissement extrêmement rapide, sans comprendre le processus d'évolution de cette technologie. Les modèles d'apprentissage automatique nécessitent un cheminement progressif : on atteint d'abord 30 % d'efficacité, puis 60 %, jusqu'à atteindre la maturité et l'excellence.
3. Le opportuniste politique : il souhaite implémenter la technologie à tout prix, uniquement pour convaincre en interne ou sur le marché que l'entreprise « possède une IA ». Ce profil est considéré comme le plus dangereux, car il ne sait pas précisément à quoi servira la solution, ignore les limitations techniques et génère un niveau de frustration très élevé à l'avenir.

La matière première cachée : vos données sont-elles prêtes ?

Le principal facteur déterminant la réussite ou l'échec d'un agent ou d'un modèle d'IA réside dans la qualité des données. Cette technologie apprend et fonctionne exclusivement à partir des informations qui lui sont fournies.

Le scénario le plus fréquent en entreprise est celui d'un client qui demande une solution complexe et qui, interrogé sur la base de données, découvre qu'elle n'existe pas, qu'elle est incomplète ou totalement non structurée. Par exemple : si vous créez un modèle conçu pour répondre aux problématiques des ressources humaines et que vous l'alimentez avec une base de données incohérente, ou si vous tentez d'en extraire des données financières pour lesquelles il n'a pas été entraîné, la solution proposée ne fonctionnera pas.

Avant de concevoir des robots ou des flux de travail complexes, commencez par analyser votre matière première : les données de votre entreprise.

Comment adapter le management : CAPEX, OPEX et agilité à double voie

Pour éviter que la gestion du temps et des ressources ne soit entravée par le modèle déterministe traditionnel, les grandes entreprises utilisent des cadres d'adaptation en temps réel :

• Séparation comptable (CAPEX vs. OPEX) : Les marchés plus matures établissent une distinction claire. La structuration des données, la recherche, l’expérimentation et la phase initiale d’apprentissage du modèle sont comptabilisées en CAPEX (investissement). Dès que le modèle est établi, suivi et génère des gains significatifs, le projet entre dans la OPEX (coûts d’exploitation).
• Cadre à double voie : utilisation du modèle agile divisé simultanément en deux voies : Découverte (expérimentation) et Livraison (livraison de valeur axée sur le logiciel).
• Cartographie de la chaîne de valeur : privilégier l’amélioration continue et le perfectionnement constant des processus plutôt que de considérer les erreurs comme des échecs définitifs. À l’ère de l’IA, tirer des leçons des comportements anormaux des modèles fait partie intégrante du cycle d’évolution.

Conclusion : L’IA ne remplace pas les personnes, elle remplace les activités

Les projets d'intelligence artificielle réussis ne visent pas à remplacer le facteur humain, mais plutôt à éliminer les goulets d'étranglement opérationnels et les activités entièrement manuelles ou bureaucratiques. En libérant les professionnels des tâches répétitives, comme la mise en forme manuelle fastidieuse de rapports ou de présentations, les dirigeants gagnent un temps précieux qu'ils peuvent consacrer à la stratégie, aux relations interpersonnelles et à la recherche de nouvelles opportunités commerciales.

Gérer l'IA exige d'abandonner une vision statique et d'adopter une approche probabiliste. Vos échéanciers ne seront plus trompeurs que lorsqu'ils refléteront des hypothèses, des données structurées et des expérimentations concrètes.

Souhaitez-vous maîtriser parfaitement les méthodologies de gestion adaptées à la nouvelle ère technologique ?

Écoutez l'intégralité du débat et découvrez toutes les astuces, les exemples de bases de données RH/Finance et les leçons pratiques partagés par Bruno Marcos (coordinateur de l'ingénierie des données chez Skyone) et Sidney Rocha (directeur des services chez Skyone) dans cet épisode incontournable.

🎧 Cliquez ici pour écouter l'épisode complet du podcast Builders sur Spotify !

Écrit par Skyone