Beaucoup d’entreprises abordent l’IA par la technologie : « on veut faire du LLM » ou « on veut un agent ». La bonne question est différente : quel problème, une fois résolu, aura un impact visible sous quelques semaines ? Cette question, simple sur le papier, est étonnamment difficile à répondre honnêtement en interne, parce qu’elle oblige à confronter l’idée la plus séduisante à l’idée la plus rentable, et ce n’est presque jamais la même.

Voici la grille en quatre critères que nous utilisons avec nos clients pour sélectionner un premier cas d’usage, et la méthode concrète pour l’appliquer à votre propre liste d’idées.

Cette grille n’est pas née d’une réflexion théorique : elle s’est construite à force de voir les mêmes erreurs de priorisation se répéter d’un client à l’autre, quel que soit le secteur. Une PME qui hésite entre automatiser sa comptabilité fournisseurs ou lancer un assistant conversationnel pour ses clients grand public a besoin exactement du même outil de décision qu’une startup qui hésite entre deux fonctionnalités produit. Le secteur change, la méthode de sélection ne change pas.

Critère 1 · La fréquence

Un processus exécuté cent fois par semaine offre beaucoup plus d’opportunités d’apprentissage rapide et de gains mesurables qu’un processus exécuté une fois par mois, même si ce dernier semble plus « stratégique ». La fréquence n’est pas qu’une question de volume : c’est surtout une question de vitesse d’apprentissage. Un système qui traite cent cas par semaine génère en un mois autant de retours qu’un système mensuel en huit ans.

Dans les segments que nous accompagnons le plus souvent, le signal de fréquence saute vite aux yeux : un service support qui traite des dizaines de tickets similaires par jour, une équipe commerciale qui qualifie des dizaines de leads par semaine, ou un service comptable qui traite le même type de facture en boucle. Ce sont des candidats naturels, précisément parce qu’ils se répètent.

À l’inverse, se fier uniquement à l’intuition sur ce critère mène régulièrement à surestimer la fréquence réelle d’un processus : un problème très visible parce qu’il génère des plaintes, mais qui ne survient en réalité qu’une dizaine de fois par mois, se classera toujours moins bien qu’un processus discret mais quotidien. Mesurer la fréquence réelle, même approximativement à partir des outils existants, vaut mieux que de se fier à l’intensité du souvenir qu’on en a.

Critère 2 · La disponibilité des données

Le meilleur cas d’usage du monde ne vaut rien si les données nécessaires sont éparpillées, incomplètes ou inaccessibles. Vérifier la disponibilité réelle des données avant de choisir un cas d’usage évite des semaines de blocage plus tard dans le projet, au moment où on s’y attend le moins.

La vérification ne demande pas un audit complet : une conversation de trente minutes avec la personne qui manipule ces données au quotidien suffit généralement à savoir si elles existent, où elles se trouvent, et dans quel état. Si la réponse est « ça doit être quelque part dans un tableur que Fatma tient à jour », c’est un signal à prendre au sérieux, pas à ignorer par optimisme.

Critère 3 · La tolérance à l’erreur

Un premier projet doit pouvoir se tromper sans conséquence grave. Les cas d’usage à fort enjeu réglementaire ou financier sont de meilleurs candidats pour une deuxième ou troisième itération, une fois la méthode éprouvée sur un terrain moins risqué. Ce critère est celui que les équipes ambitieuses ont le plus de mal à respecter : l’envie de s’attaquer directement au sujet le plus critique est naturelle, mais elle inverse l’ordre logique d’apprentissage.

Concrètement, on distingue trois niveaux de risque : les erreurs qui coûtent quelques minutes de correction (bon candidat pour un premier projet), les erreurs qui coûtent une réputation ou une relation client (à traiter avec beaucoup de garde-fous, pas en premier), et les erreurs qui engagent juridiquement ou financièrement l’entreprise (à ne jamais automatiser sans validation humaine systématique, quel que soit le niveau de maturité du système).

Le but du premier projet n’est pas d’impressionner, c’est de prouver, avec des chiffres, que l’approche fonctionne dans votre contexte.

Critère 4 · Un propriétaire métier engagé

Un projet IA sans porteur côté métier, prêt à tester, corriger et défendre le système auprès de son équipe, a statistiquement moins de chances d’aboutir, quelle que soit la qualité technique de la solution. Ce critère est souvent le plus négligé lors du choix initial, parce qu’il ne se voit pas sur un tableau de scoring purement quantitatif.

Un bon signe : la personne qui porte le sujet côté métier a déjà, de sa propre initiative, essayé de bricoler une solution avec les moyens du bord, un tableur compliqué, des règles de tri manuelles, une checklist partagée. Ce n’est pas un problème que cette solution artisanale existe déjà, c’est au contraire la preuve que le besoin est réel et que la personne est investie.

Comment s’en servir concrètement

Listez trois à cinq idées de cas d’usage avec les personnes concernées, notez chacune sur ces quatre critères avec une échelle simple de 1 à 3, et commencez par celle qui obtient le meilleur score global, pas nécessairement celle qui semble la plus ambitieuse ou la plus visible en interne. Un score équilibré vaut mieux qu’un score excellent sur un seul critère et faible sur les autres : un cas d’usage très fréquent mais aux données inexistantes reste bloqué, quelle que soit sa fréquence.

Un dernier conseil issu de nos missions : méfiez-vous du cas d’usage qui obtient un score parfait sur les quatre critères dès le premier passage. C’est souvent le signe qu’on a mal évalué un des critères, en particulier la disponibilité réelle des données, qui se révèle presque toujours plus compliquée qu’elle n’y paraît de loin.

Un exemple de grille remplie

Pour rendre l’exercice concret, voici à quoi ressemble une grille remplie lors d’un atelier récent avec une équipe e-commerce, qui avait listé trois idées candidates.

  • Réponse automatique aux avis clients négatifs — fréquence : élevée (3/3, plusieurs dizaines par semaine) ; données : disponibles (3/3, avis centralisés) ; tolérance à l’erreur : moyenne (2/3, impact image de marque) ; propriétaire engagé : oui (3/3). Score total : 11/12.
  • Génération de descriptions produit — fréquence : moyenne (2/3, nouveaux produits ajoutés par lots) ; données : partielles (1/3, fiches techniques incomplètes) ; tolérance à l’erreur : élevée (3/3, relecture prévue) ; propriétaire engagé : oui (2/3). Score total : 8/12.
  • Prévision de la demande pour les achats — fréquence : faible (1/3, révision mensuelle) ; données : disponibles (2/3) ; tolérance à l’erreur : faible (1/3, impact financier direct) ; propriétaire engagé : incertain (1/3). Score total : 5/12.

Le troisième cas d’usage était pourtant celui qui suscitait le plus d’enthousiasme en réunion avant l’exercice : c’est souvent le cas des sujets à fort enjeu financier, perçus comme stratégiques. La grille a clairement montré qu’il fallait commencer ailleurs, et l’équipe a démarré par le premier cas, livré et mesuré en trois semaines, avant de revenir sérieusement sur le sujet des prévisions quelques mois plus tard, une fois la méthode éprouvée.

Les biais qui faussent l’exercice

Même avec une grille claire, certains biais reviennent systématiquement dans les ateliers de sélection, et il vaut la peine de les nommer avant de démarrer pour que le groupe les surveille activement. Le biais du plus vocal en réunion : l’idée qui obtient le meilleur score n’est pas toujours celle défendue avec le plus d’assurance par la personne la plus expérimentée dans la salle. Poser la notation individuellement avant d’en discuter collectivement limite cet effet.

Le biais de récence favorise l’idée dont on a entendu parler la semaine précédente, souvent via un article ou un concurrent, au détriment d’options moins visibles mais mieux notées objectivement sur la grille. Le biais de complexité valorisée pousse à préférer inconsciemment le cas d’usage le plus techniquement intéressant à construire plutôt que le plus rentable à résoudre, un travers qu’on retrouve aussi dans le choix d’un premier agent IA. Nommer ces biais à voix haute au début de l’atelier, avant de remplir la grille, change concrètement la qualité des discussions qui suivent.

En résumé

Le meilleur projet IA n’est pas le plus impressionnant, c’est le plus mesurable. Une grille simple à quatre critères, appliquée honnêtement avec les bonnes personnes autour de la table, vaut mieux que des heures de brainstorming sur des idées séduisantes mais invérifiables.