Le déroulé d'un projet IA type
Un projet IA réussi suit généralement cinq phases. Chacune a ses livrables, ses risques, ses décisions.
Cadrage (2 à 4 semaines) — Comprendre le problème, définir le succès, cadrer le périmètre.
Prototype (4 à 8 semaines) — Construire une première version fonctionnelle testée par un groupe pilote.
Industrialisation (2 à 4 mois) — Passer du prototype à un système robuste, sécurisé, intégré.
Déploiement (2 à 6 semaines) — Mettre en production, former, communiquer.
Évolution (continue) — Mesurer, améliorer, étendre.
Un projet complet prend 4 à 8 mois. Les projets qui s'étalent sur plus d'un an ont presque toujours un problème de périmètre.
Phase 1 — Cadrage
Le cadrage est la phase la plus importante, et la plus souvent bâclée. Objectif : éviter de construire la mauvaise solution.
Ce qu'il faut produire
Un problème clairement formulé — « Réduire le temps de traitement des réclamations de 30 % » plutôt que « améliorer le support ».
Un périmètre explicite — ce qui est inclus, ce qui ne l'est pas.
Des indicateurs de succès — mesurables avant/après.
Un groupe pilote — 5 à 15 utilisateurs réels qui testeront la solution.
Les contraintes — données disponibles, réglementation, budget, délais.
Les décisions à prendre
Modèle open source ou API commerciale ? Solution construite ou achetée ? Déploiement progressif ou global ? Ces choix se font au cadrage, pas au milieu du projet.
Phase 2 — Prototype
L'objectif du prototype n'est pas d'être beau : c'est de répondre à la question « est-ce que cette approche peut marcher ? ».
Ce qui doit être vrai
Une version fonctionnelle, même imparfaite
Testée par le groupe pilote pendant 2 à 3 semaines
Sur un périmètre réduit mais représentatif
Avec des indicateurs mesurés (temps, qualité, satisfaction)
Ce qui peut attendre
L'intégration complète avec les systèmes existants
Les optimisations de performance
Les fonctionnalités avancées
La documentation
Quand arrêter un prototype
Deux cas justifient l'arrêt : la qualité des résultats est insuffisante, ou l'adoption par le groupe pilote est faible. Dans les deux cas, mieux vaut arrêter tôt que d'industrialiser un échec.
Phase 3 — Industrialisation
Une fois le prototype validé, il faut le transformer en système robuste. C'est souvent là que les coûts cachés apparaissent.
Ce qui change entre prototype et production
Robustesse — gestion des erreurs, des cas limites, des pics de charge
Sécurité — authentification, chiffrement, journalisation
Intégration — connexion aux outils existants (CRM, ERP, base documentaire)
Surveillance — logs, métriques, alertes
Documentation — pour les utilisateurs et pour l'équipe technique
Les pièges classiques
Sous-estimer le coût de l'intégration (souvent 50 % du temps total)
Négliger la sécurité jusqu'à la fin
Repousser la documentation à « plus tard »
Ne pas prévoir les coûts récurrents
Phase 4 — Déploiement
Le déploiement est un projet dans le projet. Il faut penser autant aux utilisateurs qu'à la technique.
Avant
Former les utilisateurs pilotes en ambassadeurs
Préparer la documentation et les guides
Communiquer auprès de l'organisation
Pendant
Déployer progressivement (par équipes ou par sites)
Prévoir un support renforcé les premières semaines
Collecter les retours au fil de l'eau
Après
Mesurer l'adoption réelle (pas seulement le nombre d'accès)
Ajuster selon les retours
Célébrer les premiers succès
Un déploiement réussi est un déploiement où les utilisateurs défendent l'outil, pas seulement où l'outil est disponible.
Phase 5 — Évolution
Un système IA en production n'est jamais terminé. Trois éléments évoluent en permanence : les modèles, les données, les usages.
Les modèles
De nouveaux modèles apparaissent tous les 3 à 6 mois. Il faut prévoir l'architecture pour pouvoir en changer sans tout réécrire.
Les données
Le corpus documentaire évolue. Les modèles se dégradent si les données sources vieillissent. Prévoir un processus de mise à jour.
Les usages
Les utilisateurs découvrent de nouveaux cas d'usage. D'autres tombent en désuétude. Écouter et adapter.
Ce qu'il faut mesurer en continu
Taux d'utilisation réel
Satisfaction utilisateur
Qualité des résultats
Coûts d'inférence
Incidents et erreurs
Un système IA sans mesure est un système qui se dégrade en silence.
Checklist de mise en production
Avant de déclarer un projet IA « en production », vérifiez ces points.
☐ Performance mesurée sur des cas réels
☐ Gestion des erreurs testée
☐ Sécurité validée (authentification, journalisation)
☐ Intégration avec les systèmes existants fonctionnelle
☐ Documentation à jour (utilisateur + technique)
☐ Formation dispensée
☐ Support en place
☐ Surveillance active (logs, métriques, alertes)
☐ Plan de continuité si le service tombe
☐ Coûts récurrents validés
☐ Processus de mise à jour défini
Si un point n'est pas coché, la mise en production est prématurée.