Diagnostic IA en 4 phases
Avant de déployer un outil ou de choisir un modèle, la vraie question est : où l'IA crée-t-elle réellement de la valeur dans cette organisation ? Cette méthodologie est conçue pour répondre à cette question avec rigueur — et éviter les projets pilotes qui ne passent jamais en production.
État des lieux
Avant toute recommandation, un diagnostic approfondi permet de poser les bonnes bases. Cette phase vise à comprendre le contexte stratégique et la réalité des données disponibles — deux dimensions indissociables pour éviter des cas d'usage techniquement irréalisables ou stratégiquement déconnectés des priorités de l'organisation.
Cadrage stratégique.
Identification des domaines à forte valeur pour l'organisation : quels processus génèrent le plus de coûts, de frictions ou de risques ? Quels objectifs business sont prioritaires ? Cette étape permet de définir des critères de sélection ancrés dans la réalité de l'entreprise plutôt que dans l'enthousiasme technologique.
Cadrage Data.
Exploration des données réellement disponibles : leur volumétrie, leur qualité, leur accessibilité et leur degré de structuration. Un cas d'usage IA brillant sur le papier peut s'effondrer en quelques semaines si les données nécessaires sont absentes, fragmentées ou trop dégradées pour être exploitables.
L'outil Comex illustre cette phase : il génère en quelques minutes un cadrage stratégique et technique structuré à partir d'une description de besoin, simulant les échanges d'un premier comité de pilotage.
Identification de cas d'usage
C'est l'étape la plus critique — et la plus souvent bâclée. Identifier de "bons" cas d'usage IA ne se fait pas en réunion de comité de direction avec un brainstorming de post-its. Cela demande une plongée dans les réalités opérationnelles, trois angles complémentaires permettant d'aller au-delà des idées de surface.
Analyse de la performance réelle des processus.
Cartographie des processus existants (As-Is), identification des goulots d'étranglement, des tâches répétitives à faible valeur ajoutée et des points de friction récurrents. L'objectif n'est pas de recenser toutes les opportunités IA imaginables, mais de localiser les 3 à 5 zones où l'impact serait le plus significatif.
Confrontation de la vision du management aux réalités du terrain.
Les équipes opérationnelles vivent des problèmes que le management ne perçoit pas toujours. Cette confrontation structurée — entretiens terrain, observation directe, ateliers croisés — est souvent la source des cas d'usage les plus pertinents et les mieux adoptés, car portés par ceux qui en bénéficieront directement.
Exploitation des feedbacks digitaux.
Analyse des données existantes souvent sous-exploitées : tickets de support, emails entrants, verbatims d'enquêtes de satisfaction, logs d'erreurs. Ces sources recèlent un signal fort sur les irritants réels des utilisateurs — une matière première directement exploitable pour identifier des cas d'usage IA.
L'outil Sirene illustre cette capacité : il permet d'interroger la base SIRENE/INSEE en langage naturel, démontrant comment rendre exploitable une source de données publique complexe sans compétences techniques préalables.
Priorisation par valeur ajoutée
Tous les cas d'usage identifiés ne méritent pas d'être développés. La prioritisation s'appuie sur une grille d'évaluation croisant deux axes : la valeur ajoutée attendue (gain de temps, réduction des erreurs, amélioration de l'expérience utilisateur, ROI quantifié) et la complexité de mise en oeuvre (disponibilité des données, maturité technique des équipes, contraintes réglementaires, effort d'intégration).
Prototypage rapide pour valider avant d'investir.
Avant d'engager un développement complet, un prototype léger permet de tester les hypothèses de valeur sur des données réelles. Cette approche réduit drastiquement le risque de livrer un outil fonctionnellement correct mais qui ne répond pas aux attentes réelles des utilisateurs finaux.
L'outil DVF illustre cette logique : développé pour rendre exploitable une donnée publique dense (les transactions immobilières), il démontre comment transformer une source brute en outil d'aide à la décision sans sur-engineering.
Livrable et trajectoire de mise en oeuvre
Le livrable final n'est pas une liste de recommandations génériques mais un document de cadrage opérationnel : cas d'usage priorisés avec justification chiffrée, architecture cible recommandée, stack technique adaptée au contexte, plan de déploiement phasé et indicateurs de suivi. Ce livrable est conçu pour servir de base de décision immédiatement exploitable par un comité de direction.
La conduite du changement.
Un projet IA ne réussit pas seulement par la qualité technique de sa solution — il réussit parce que les équipes qui doivent l'utiliser ont été embarquées dès le début. Formation ciblée, communication interne adaptée, identification des relais métier : la conduite du changement est planifiée dès la phase de priorisation, pas ajoutée en fin de projet.
Le suivi dans la durée.
La mise en production n'est pas la fin du projet. Des indicateurs de suivi sont définis en amont : taux d'adoption, gain de temps mesuré, réduction des erreurs, retour utilisateurs. Ces métriques permettent d'ajuster le déploiement, de justifier les investissements auprès des parties prenantes et d'alimenter les prochains cycles d'amélioration.
Une méthodologie éprouvée sur mes propres outils
Cette méthodologie n'a pas été conçue en chambre. Elle a d'abord été appliquée à mes propres projets : Comex, Sirene et DVF ont tous traversé ces quatre phases — état des lieux de la donnée disponible, identification du cas d'usage pertinent, priorisation par la valeur, livrable en production. Avant d'accompagner une organisation dans cette démarche, je l'ai moi-même parcourue sur des projets réels, avec les contraintes réelles d'un développeur solo : données imparfaites, ressources limitées, nécessité de livrer quelque chose de fonctionnel et utilisable. C'est cette expérience de praticien qui donne à la méthode sa crédibilité.