L'IA est partout, la pression est énorme. Vos actionnaires, votre conseil d'administration, et même vos employés vous demandent : "Quelle est notre stratégie IA ?".

Si vous avez l'impression que tout le monde réussit son passage à l'IA sauf vous, rassurez-vous : c'est faux. Selon le MIT, seulement 5% des déploiements d'IA générative sont considérés comme des succès complets. Les 95% restants oscillent entre prototypes abandonnés, gouffres financiers et désastres en termes d'image.

Pourquoi un tel taux d'échec ? Nous avons analysé les échanges entre Lambert Hogenhout (Chief Data & AI, ONU), David Cox (VP AI Models, IBM) et Brita Muschtotski (CEO, Capsville) lors du Web Summit 2025. Loin des banalités, ils ont livré une vision systémique des pièges qui attendent les entreprises, les mécanismes précis de ces échecs et, surtout, la roadmap technique pour les éviter.

________________________________________

1. Tactique vs stratégique :
La grenouille dans l'eau chaude

L'erreur numéro un est de céder à la pression de "faire de l'IA" sans savoir pourquoi. Beaucoup d'entreprises se lancent pour gagner en efficacité à court terme (réduire les coûts, aller plus vite). C'est ce que Lambert Hogenhout appelle l'approche tactique. C'est bien, mais c'est insuffisant.

L'IA ne doit pas être cantonnée au DSI (CIO). Elle change fondamentalement le paysage économique et doit impliquer l'ensemble du comité de direction. La question n'est pas "Comment utiliser cet outil ?", mais "Notre modèle économique est-il toujours valide à l'ère de l'IA ?".

  • L'approche tactique (le piège) : "Comment l'IA peut-elle m'aider à faire ce que je fais déjà, mais 10% plus vite ?" (ex : résumer des réunions, coder plus vite). C'est bien pour la marge, mais dangereux pour l'avenir.
  • L'approche stratégique (la survie) : "Est-ce que l'IA rend mon modèle d'affaires obsolète ?"

Lambert Hogenhout utilise l'analogie de la grenouille dans l'eau qui chauffe. Si votre business repose sur la vente de services cognitifs intermédiaires (traduction basique, rédaction SEO simple, synthèse de documents), vous êtes déjà en train de bouillir.

"L'IA ne doit pas être déléguée au DSI (CIO) comme un simple outil IT. C'est une discussion qui doit avoir lieu au Conseil d'Administration. Si vous ne repensez pas votre proposition de valeur maintenant, un concurrent "AI-Native" le fera pour vous."

________________________________________

2. Le paradoxe de la précision :
Quand l'ingénierie tue le business

David Cox (IBM) a partagé une étude de cas qui démontre pourquoi les métriques techniques (précision, recall) ne sont pas des métriques business. Elle illustre parfaitement le décalage entre performance technique et succès business.

L'histoire de la location de voiture : Une grande entreprise a utilisé une IA de vision par ordinateur pour automatiser l'inspection des véhicules au retour.

  • Le rêve technique : L'IA était surhumaine. Elle détectait des micro-rayures et des éraflures invisibles à l'œil nu. Techniquement, c'était un triomphe de précision.
  • Le résultat business : Un désastre. Les clients ont commencé à recevoir des factures pour des dommages qu'ils ne pouvaient même pas voir. Ils se sont sentis arnaqués. Le Net Promoter Score (NPS) s'est effondré, la réputation de la marque a plongé.

"Une IA doit être alignée sur la "valeur perçue" par le client, pas sur la perfection mathématique. Vous devez parfois brider l'IA pour qu'elle reste dans un cadre humainement acceptable." — David Cox (IBM)

________________________________________

3. Passer du déterministe au probabiliste : Pourquoi vos tests cassent

Nous passons d'un monde informatique déterministe à un monde probabiliste. Pour comprendre pourquoi vos tests unitaires classiques ne suffisent plus, il faut ouvrir le capot.

Le code classique (déterministe)

  • La logique : Si (Input == A) Alors (Output = B).
  • La certitude : si je demande à une calculatrice "2 + 2", elle répondra "4". Aujourd'hui, demain, et dans 100 ans.
  • La validation : on écrit un test unitaire. S'il passe au vert une fois, le code est considéré comme valide.

L'IA générative (probabiliste)

Une IA ne "sait" rien. Elle prédit simplement la suite logique d'une séquence, mot par mot (ou token par token). Exemple : "Le chat est assis sur le..."

  1. Tapis : 65% de chance
  2. Canapé : 20% de chance
  3. Toit : 10% de chance
  4. Nuage : 5% de chance (hallucination poétique)

C'est ici qu'intervient le "lancer de dés" (la température). Pour être "créative" et naturelle, l'IA va parfois piocher volontairement un mot moins probable. Conséquence : si vous posez deux fois la même question, vous pouvez obtenir deux réponses différentes.

  • Lundi, elle vous dit que le document est "conforme".
  • Mardi, elle vous dit qu'il est "à revoir".

Comment tester ça ? Vous ne pouvez plus valider un logiciel en le testant une fois ("Pass/Fail"). Vous devez gérer le risque de manière statistique.

  • Lancez 100 tests automatisés sur la même question.
  • Si l'IA répond correctement 95 fois sur 100, le modèle est jugé "stable".
  • C'est la fin du "test unitaire" et l'avènement du "framework d'évaluation continu".

IBM insiste : si vous n'avez pas de système pour mesurer la dérive du modèle en temps réel, vous pilotez une voiture les yeux bandés.

"Si vous ne pouvez pas le mesurer, vous ne devriez pas le déployer." — David Cox

________________________________________

4. Roadmap d'architecture :
Du "monstre" au modèle agile

Comment être rentable ? David Cox détaille le cycle de vie idéal d'un projet IA rentable, souvent ignoré par les entreprises.

  • Exploration : Utilisez les LLM (Large Language Models) les plus puissants (type GPT-4, Claude Opus). Ils sont lents et chers, mais leur capacité de raisonnement est indispensable pour valider le concept (MVP).
  • Industrialisation : Une fois le cas d'usage validé, n'allez jamais en production avec les gros modèles. Migrez vers des modèles beaucoup plus petits (de 7 à 13 milliards de paramètres).

La stratégie SLM (Small Language Models)

  • Ils sont 10x à 100x moins chers.
  • Ils sont plus rapides (latence faible).
  • Ils consomment moins d'énergie (ESG).
  • Ils peuvent tourner sur vos propres serveurs, garantissant que vos données ne partent pas dans le cloud public.

Le gros modèle sert à concevoir la solution, le petit modèle sert à la livrer à l'échelle.

________________________________________

5. Shadow AI et psychologie :
L'employé n'est pas l'ennemi

Brita Muschtotski (Capsville) et Lambert Hogenhout ont abordé la dimension humaine et sécuritaire : le phénomène du "Shadow AI". Si vous ne donnez pas d'outils IA à vos équipes, elles utiliseront leurs comptes personnels (ChatGPT, etc.) pour traiter vos données confidentielles.

L'erreur classique est la réponse punitive : bloquer les accès, mettre des firewalls. Pour les experts, c'est inutile et contre-productif.

  • Le Shadow AI est un signal du marché interne : vos employés vous disent que vos outils actuels sont obsolètes.
  • Ils veulent bien faire : ils cherchent l'efficacité, pas le sabotage.

La solution : les sandboxes

L'entreprise doit fournir un environnement interne sécurisé qui imite l'expérience fluide des outils publics. Si l'UX de votre outil sécurisé est mauvaise, le Shadow AI reviendra. C'est une bataille d'expérience utilisateur autant que de sécurité.

________________________________________

Conclusion :
Ne confondez pas l'outil et le collègue

Nous avons tendance à traiter l'IA comme une personne ("L'IA a pensé que...", "L'IA a décidé que..."). C'est dangereux. L'IA n'a ni conscience, ni morale, ni contexte social. C'est un moteur statistique incroyablement puissant.

Pour réussir, les dirigeants doivent garder la tête froide : traitez l'IA comme une pièce d'ingénierie complexe qui nécessite supervision, maintenance et gouvernance, et non comme ce nouveau collègue magique à qui l'on peut tout confier aveuglément.

________________________________________

🎯 Le mot de la fin pour votre stratégie

  • Pilotage business : définissez un KPI business clair (et attention aux effets de bord comme pour la location de voiture).
  • Architecture flexible : commencez avec un LLM puissant, finissez avec un SLM optimisé et peu coûteux.
  • Sécurité positive : ne bloquez pas l'IA. Offrez une alternative interne sécurisée et performante pour tuer le "Shadow AI".
  • Gouvernance comité d’administration : l'IA est un sujet de stratégie d'entreprise, pas un ticket de support informatique.

C'est à ce prix que vous ferez partie des 5% qui réussissent.