La direction générale demande une feuille de route IA, les données dorment dans l’ERP, des fichiers Excel et des rapports hétérogènes, et le comité de direction attend un plan crédible au prochain trimestre. La question « par où commencer » appelle une réponse nette : la première étape d’un projet data et IA en entreprise n’est jamais l’achat d’un outil, mais l’audit de l’existant et la cartographie des données déjà présentes dans l’organisation.
Réponse directe : pour lancer un projet data et IA en entreprise, commencez par un audit de vos données et de vos usages, puis structurez une gouvernance, et seulement ensuite lancez un pilote sur un cas d’usage métier à valeur mesurable, avant toute industrialisation.
Cette séquence — audit, gouvernance, pilote, industrialisation — constitue un chemin balisé que vous pouvez défendre jalon par jalon devant une direction. Cet article déroule chaque étape, identifie les erreurs qui font échouer les projets avant même leur démarrage, et fournit les critères de décision utiles pour arbitrer votre investissement.
- La première étape n’est pas technologique : elle est dans vos données
- Pourquoi tant de projets IA échouent avant même de démarrer ?
- Construire une feuille de route : audit, stratégie, gouvernance
- Quels cas d’usage IA privilégier en premier ?
- Mesurer les résultats : du pilote à l’industrialisation
- Par où commencer concrètement : checklist du décideur
La première étape n’est pas technologique : elle est dans vos données
L’audit de l’existant répond à une question simple : quelles données l’entreprise produit-elle déjà, où résident-elles, qui les utilise, et dans quel état sont-elles ? Dans une PME industrielle, la réponse recouvre souvent l’ERP de gestion, des extractions Excel maintenues par les équipes, des historiques de production, des données de maintenance et des rapports commerciaux — rarement reliés entre eux. Cette cartographie constitue le premier livrable à présenter à une direction.
L’idée selon laquelle il faudrait d’abord choisir un outil d’IA mérite d’être démontée. Un modèle d’intelligence artificielle apprend à partir des données qu’on lui fournit : si ces données sont dispersées, dupliquées, incomplètes ou mal documentées, le modèle produit des résultats peu fiables, quel que soit son niveau de sophistication. La gouvernance des données est la condition de réussite des projets IA, pas une option de confort. Un accompagnement de bout en bout comme celui proposé par deep.eu commence d’ailleurs systématiquement par l’audit et la stratégie, avant toute considération d’outil.
Pour un décideur qui doit justifier son plan, l’argument est audible : l’audit ne coûte pas un outil, il évite d’en acheter un pour rien. Il transforme l’incertitude (« nos données sont partout, entre l’ERP, Excel et les rapports ») en un état des lieux documenté, sur lequel bâtir la suite.
Pourquoi tant de projets IA échouent avant même de démarrer ?
Le constat chiffré existe et il est récent : selon une étude Salesforce OpinionWay sur l’IA en France relayée par Journal du Net, Entreprises françaises ayant lancé des projets d’IA : 94 % des entreprises françaises ont lancé des projets d’IA, mais un projet sur deux n’aboutit pas au stade du test, notamment faute de gouvernance des données. Autrement dit, l’échec survient majoritairement avant l’industrialisation, au moment où la fondation data est censée porter le projet.
Trois causes reviennent de manière récurrente et se combinent souvent :
- Des données dispersées et peu fiables : chaque service entretient sa propre version de la vérité, et aucun référentiel commun ne permet d’entraîner un modèle sérieusement.
- Une absence de gouvernance : personne ne définit qui est responsable de la qualité, de la documentation et des accès aux données.
- Un cas d’usage mal cadré : le projet part de la technologie (« faisons de l’IA générative ») plutôt que d’un problème métier mesurable.
Le scénario archétypal se déroule toujours de la même façon. Une entreprise, sous pression concurrentielle, lance un pilote IA en quelques semaines sans audit préalable. L’équipe découvre en cours de route que les historiques sont incomplets, que les désignations produits ne sont pas normalisées, que les accès ne sont pas documentés. Le pilote consomme son budget, produit des résultats non concluants, et la direction en tire la conclusion erronée que « l’IA ne marche pas » — alors que c’est la fondation data qui a manqué.
Construire une feuille de route : audit, stratégie, gouvernance
Une feuille de route défendable devant un comité de direction suit une chronologie éprouvée, où chaque étape produit un livrable identifiable. La méthode appliquée par DEEP, du diagnostic initial à l’industrialisation, illustre ce séquençage de bout en bout.
- Audit de l’existant
Cartographier les sources de données, les usages, les flux et les outils. Livrable : un état des lieux documenté des données disponibles, de leur qualité et de leurs silos — le point de départ de toute décision.
- Stratégie data
Prioriser les cas d’usage métier en fonction de la valeur attendue et de la faisabilité. Livrable : une liste hiérarchisée de cas d’usage, chacun associé à un objectif mesurable, prête à être arbitrée par la direction.
- Gouvernance des données
Définir les responsables, les règles de qualité, la documentation et les droits d’accès, dans le respect du RGPD. Livrable : un référentiel de gouvernance qui sécurise juridiquement et techniquement les projets à venir.
- Pilote sur un cas d’usage
Lancer un premier projet à périmètre réduit, avec des indicateurs définis à l’avance. Livrable : des résultats mesurés, comparés aux objectifs initiaux.
- Industrialisation
Étendre le pilote validé aux processus concernés, avec suivi, maintenance et montée en compétences internes. Livrable : un dispositif opérationnel pérenne, intégré aux outils existants.
Ce séquençage n’est pas théorique : l’étude de cas publiée par DEEP sur la construction d’une architecture data scalable pour ADCA montre comment un socle conçu dès l’audit et la stratégie permet ensuite d’accueillir plusieurs usages sans reconstruire l’infrastructure à chaque projet. Pour la préparation de votre comité de direction, c’est ce point qui fait la différence : chaque étape a un livrable, chaque livrable soutient une décision.
Quels cas d’usage IA privilégier en premier ?
Le choix du premier cas d’usage dépend moins de la technologie que de la maturité data de l’entreprise. Un principe de correspondance simple permet d’orienter la décision : plus les données sont fiables et structurées, plus le type de cas d’usage accessible est avancé.
- Données dispersées, peu ou pas gouvernées :
Commencez par l’audit et l’automatisation documentaire simple (extraction, classement, normalisation). Ces projets consolident les données tout en produisant un premier gain de temps mesurable.
- Données centralisées et fiables sur un périmètre :
Lancez un projet de machine learning prédictif sur un domaine maîtrisé : prévision de la demande, maintenance prédictive ou détection d’anomalies qualité en production.
- Données gouvernées avec gouvernance et conformité en place :
Envisagez l’IA générative (assistants documentaires, synthèse de rapports) ou les agents IA, en cadrant explicitement les usages sensibles.
- Secteur régulé avec exigences de souveraineté :
Orientez-vous vers une IA souveraine, où les données restent sous contrôle européen — approche retenue par DEEP pour Generali Luxembourg sur des cas AML/KYC, dans un contexte bancaire où la conformité conditionne tout.
Trois critères permettent de sélectionner un premier cas d’usage à valeur mesurable. Le projet doit d’abord répondre à un problème métier identifié et non à une mode technologique ; les leviers de l’intelligence artificielle et de la productivité ne se matérialisent que lorsque le cas d’usage est ancré dans un processus réel. Il doit ensuite reposer sur des données déjà existantes, même imparfaites mais localisées par l’audit. Il doit enfin disposer d’un indicateur de réussite défini avant le lancement : taux de défaut détecté, délai de traitement, fiabilité de prévision.
Pour une PME industrielle dont les données sont encore éparpillées, les candidats les plus fréquents sont l’automatisation documentaire, la consolidation des indicateurs de production et la prévision sur un périmètre restreint. Aucun ne nécessite un dispositif complexe ; tous produisent un résultat chiffrable rapidement.
Mesurer les résultats : du pilote à l’industrialisation
Un pilote IA ne vaut que par ses jalons mesurables, définis avant le lancement. Trois familles d’indicateurs couvrent l’essentiel des besoins d’un comité de direction : les indicateurs de décision (le projet apporte-t-il une information nouvelle et fiable pour arbitrer ?), les indicateurs opérationnels (gain de temps, réduction des erreurs, fiabilité des prévisions sur le périmètre testé) et les indicateurs liés à de nouveaux services (ce que le pilote rend possible ensuite). Des KPI simples, mesurés avant et après, suffisent à objectiver la valeur.
Le passage du pilote à l’industrialisation obéit à des critères explicites : les résultats atteignent le seuil fixé, les données d’entrée sont stabilisées, les processus cibles sont identifiés, et les utilisateurs internes sont prêts à changer leur façon de travailler. À défaut de ces conditions, un pilote voué à rester un pilote consomme du budget sans rien transformer — le piège le plus courant documenté par les retours d’expérience du secteur.
La conformité accompagne cette montée en charge plutôt qu’elle ne la freine. La recommandation CNIL sur l’IA et le RGPD rappelle que, dès lors que des données personnelles sont utilisées pour développer un système d’IA, le RGPD et le règlement européen sur l’intelligence artificielle (AI Act) s’appliquent tous les deux de manière complémentaire. Au Luxembourg, un projet de loi désigne la CNPD comme autorité de référence générale pour l’application de l’AI Act, aux côtés d’autorités sectorielles telles que la CSSF ou l’ILNAS — un point de repère utile pour les entreprises opérant de part et d’autre de la frontière. Intégrer ces exigences dès la conception du pilote évite de devoir le reconstruire au moment de l’industrialisation.
Par où commencer concrètement : checklist du décideur
Les sections précédentes déroulent la logique ; celle-ci en extrait les actions à mener dès cette semaine. Chaque point correspond à un livrable que vous pouvez présenter en l’état à votre direction.
- Lancer l’audit de vos sources de données : ERP, Excel, rapports, historiques de production et de maintenance.
- Cartographier la qualité et les silos : qui produit, qui consomme, où sont les doublons et les ruptures.
- Prioriser deux ou trois cas d’usage métier avec un indicateur mesurable chacun.
- Cadrer la gouvernance : responsables, règles de qualité, droits d’accès, conformité RGPD et AI Act.
- Définir le pilote : périmètre restreint, KPI fixés à l’avance, critères de passage à l’industrialisation.
Faut-il un prestataire externe ou des compétences internes pour démarrer ?
Les deux, à des étapes différentes. L’audit et la gouvernance bénéficient d’un regard externe structuré, car ils exigent une méthode éprouvée que peu de PME possèdent en interne. Le pilotage métier, la connaissance des processus et la réutilisation des résultats doivent rester internes. Un accompagnement de bout en bout, comme la méthode DEEP, vise justement à transférer les compétences plutôt qu’à créer une dépendance. Le critère de sélection d’un prestataire : exigez des études de cas publiées, des livrables précis par phase et un plan de montée en compétences internes.
Combien de temps avant les premiers résultats mesurables ?
Aucun chiffre universel ne peut être garanti, car le délai dépend de l’état des données et du périmètre du pilote. La logique reste la même dans tous les cas : un premier pilote à périmètre restreint, adossé à des données déjà cartographiées par l’audit, produit des indicateurs mesurables plus vite qu’un projet lancé sans fondation — qui, comme le montre l’étude Salesforce et OpinionWay, a une chance sur deux de ne jamais passer le stade du test. Fixer le calendrier après l’audit, et non avant, est précisément ce qui rend l’engagement crédible.
Le choix devant votre direction se formule simplement : lancer un pilote IA sans fondation, en espérant faire partie de la moitié des projets qui survivent, ou séquencer audit, gouvernance et pilote mesurable, avec un argumentaire vérifiable à chaque jalon. La seconde option demande quelques semaines de plus au départ et épargne des mois d’erreur. Pour approfondir l’organisation de vos données, les phases pour structurer la communication d’entreprise autour des données offrent un prolongement utile, et l’approche de gestion des données en data vault illustre une architecture pensée pour l’évolutivité.
La prochaine étape réaliste tient en une phrase : commandez l’audit de vos données. C’est ce document, et non une promesse d’outil, qui transformera la question « par où commencer » en un plan que votre comité de direction pourra valider.