L’erreur fondamentale des organisations réside dans la confusion entre une démarche d’exécution et une démarche d’exploration. Les projets informatiques classiques relèvent de l’exécution, où le résultat est prévisible et où le succès se mesure à la stricte conformité au plan initial grâce aux KPI. À l’inverse, l’IA générative exige une démarche d’exploration, caractérisée par une profonde incertitude quant au potentiel, aux résultats et à l’investissement requis. En exigeant des garanties de résultats déterminés sur des projets par nature flous, le management sclérose l’innovation et engendre un monstre bureaucratique : l’indicateur pastèque.

Les tableaux de bord affichent alors un vert éclatant, validant la consommation des budgets et le respect des jalons de livraison, tandis que la réalité du projet vire au rouge vif en raison d’une adoption faible ou d’une rentabilité nulle. Cette illusion de maîtrise pousse finalement les équipes à satisfaire les exigences de reporting pour plaire à leur hiérarchie, au détriment de la véritable viabilité du projet.

La valeur d’un projet d’IA générative ne se résume pas à la simple livraison d’une fonctionnalité stabilisée, mais réside dans sa capacité à s’intégrer au sein du système technique et social de l’entreprise, pour y engendrer un changement réel. Un projet d’IA générative dote une équipe non pas d’une capacité d’exécution mais d’une capacité de génération. Les résultats d’un tel projet sont par nature partiellement indéterminés, imprévisibles.

L’imprévisibilité du projet d’IA générative se manifeste de différentes manières. Une intelligence artificielle générative peut s’avérer techniquement très performante tout en restant totalement inutilisée par les collaborateurs sur le terrain. De même, elle peut être opérationnelle mais devenir financièrement inefficace si l’on intègre les coûts de contrôle, trop lente pour les processus métiers, ou encore se révéler difficilement assumable sur le plan juridique et réglementaire. Cette imprévisibilité n’est pas un défaut de conception, mais de facto la marque de fabrique de tout projet innovant qui vient bousculer les processus existants et les équilibres établis. Face à la complexité de l’adoption interne et externe, les indicateurs de suivi classiques – le monitoring — se révèlent inopérants pour saisir et agir sur la dynamique fluctuante de ces transformations.

Pour sortir de cette impasse, les dirigeants doivent abandonner la frénésie de la mesure purement technocentrée au profit d’un véritable discernement technologique. Ce changement de paradigme implique de substituer au suivi des livrables un pilotage économique dit en “Full Value”. Une approche « Full Value » permet de modéliser un potentiel global (l’ensemble des gains, qu’ils soient directs et indirects moins les coûts directs et cachés) puis d’agir pour le concrétiser.

Dans ce cadre d’incertitude, la mission du décideur évolue vers le questionnement des conditions de validation d’hypothèses critiques. Tout l’enjeu est de redevenir pragmatique. Chaque hypothèse de création de valeur démarre avec un taux de certitude nul et l’objectif des équipes est de mener des actions concrètes pour accroître la certitude d’un gain global. Si un frein structurel à l’adoption est identifié, le projet ne doit plus avancer aveuglément techniquement pour maintenir les indicateurs au vert ; il doit être reconfiguré ou arrêté.

Le monitoring d’indicateurs pastèque peut être substitué au pilotage d’actions de terrain pour vérifier des hypothèses et les concrétiser. C’est un gain qui est piloté et non le suivi de la réalisation d’une tâche. Cette exigence saine et rigoureuse évite aux entreprises le cycle destructeur et particulièrement coûteux du projet d’IA générative brillant qui s’achève inévitablement par une industrialisation douloureuse et une extinction silencieuse.

Par Tony da Motta Cerveira, Principal Sponsor du Domaine d’Excellence Innovation du cabinet de conseil Square Management et Yacine Founaqa, consultant en management de l’innovation chez Square Management.