Mes convictions pour réussir à valoriser un cas d’usage Data & IA avec Julio Rueda

Peux-tu te présenter en quelques mots ?

Je démarre ma nouvelle activité en tant que consultant indépendant, avec pour objectif d’accompagner les entreprises dans leur transformation digitale. Je m’appuie pour cela sur 20 ans d’expérience, notamment chez Somfy et dans d’autres groupes, ainsi que sur une prise de recul récente, grâce à des études au MIT (Massachusetts Institute of Technology).

Parlons valorisation des cas d’usage data. Qu’est-ce qu’on entend exactement par là ?

Il faut repartir des fondamentaux :

• le coût de l’évolution des modèles (développement, infrastructure, maintenance…),
• le coût des tâches actuelles que l’on va remplacer

L’objectif, c’est de construire une équation qui permette de savoir s’il est plus rentable de garder l’existant, ou d’investir dans un nouveau dispositif Data ou IA. En fait, on est à un moment charnière, un peu comme à l’époque des grandes transformations industrielles : il y a quelques décennies, on comparait les coûts d’un ouvrier à ceux d’une machine.

Selon toi, à quel moment une entreprise doit-elle se poser la question de “valoriser un cas d’usage” ?

C’est une question que toute entreprise devrait se poser dès lors qu’elle commence à investir sérieusement dans l’IA ou la Data. Il devient essentiel de se demander : Quels sont les nouveaux cas d’usage que l’on peut mettre en place ? Comment les mettre en échelle ?

Quel profil doit être impliqué dans cette réflexion sur la valorisation des cas d’usage ? Et quels sont ceux qu’on oublie parfois à tort ?

Souvent, les erreurs qui sont commises dans des cas d’usage d’IA sont le fait de placer de côté, les équipes IT et techniques à valoriser ces cas d’usage. Il ne faut pas oublier les personnes du business, celles qui sont liées au process, car on parle ici d’un changement dans le fonctionnement même du process. Il ne faut pas non plus oublier les financiers, qui jouent un rôle clé dans l’évaluation du cas d’usage : est-ce qu’il est rentable ? En combien de temps doit-il être amorti ? Toutes ces questions, parfois on les oublie. Également, il faut les bonnes personnes. C’est-à-dire des personnes formées à ces nouveaux cas d’usage. Par exemple, des financiers formés, ou même des auditeurs. On peut tout à fait inviter des auditeurs qui ont été formés à l’IA : à la manière dont les modèles fonctionnent, aux risques associés, à tous ces aspects. Il faut qu’ils soient capables de poser les bonnes questions, en fait.

Quelle est la méthodologie la plus efficace pour mesurer la valeur d’un cas d’usage ?

On part d’abord de la valorisation actuelle des tâches. Dans bien des cas, l’objectif est d’automatiser certaines tâches, ce qui suppose, en amont, de connaître précisément leur coût. Pour cela, on s’appuie sur des méthodes comme l’AVC costing. Ce coût de référence sera ensuite mis en regard de celui de la mise en place de la solution. Il peut s’agir de déploiements relativement simples, lorsqu’on utilise des modèles « sur étagère », ou de projets plus lourds, nécessitant l’adaptation fine des modèles. Sans oublier de tenir compte de l’acquisition de la data. C’est un point essentiel, car cette acquisition n’est pas une mince affaire.  Il ne faut pas négliger non plus les coûts opérationnels liés à la mise à jour et à l’actualisation des modèles, mais aussi ceux engendrés par le traitement des faux négatifs et des faux positifs. Dans bien des cas, il est nécessaire de mobiliser des personnes pour interagir avec les résultats de ces modèles.  Tout cela doit être intégré dans l’équation globale. Et c’est seulement ensuite que l’on peut comparer les deux dimensions.  Il y a aussi toute la question des mises à jour. Et, bien souvent, dans les systèmes de calcul classiques, cette dimension est un peu mise de côté, voire oubliée. Exactement. Ce qu’on observe fréquemment, c’est une tendance notamment chez certains cabinets de conseil à extrapoler la partie « gains » ou « valeur créée ». En revanche, la partie « coûts » est souvent traitée de façon plus incomplète. Elle est parfois sous-estimée.  Par exemple ! Dans un cas classique d’attrition client, on met souvent en avant des chiffres d’extrapolation sur les ventes. Mais, d’une autre manière : Quel est le coût de nos commerciaux pour ne pas perdre ses clients ? Qu’est-ce qu’on déclenche lorsqu’on est au point de perdre un client ? Toute la force commerciale.  Et, en parallèle, il faut associer à cette réflexion l’ensemble des coûts liés à la mise en place de l’IA : la conception du cas d’usage, sa mise en production, sa maintenance tout au long de la vie du modèle, ainsi que son déploiement opérationnel sur le terrain. Parce qu’on modifie en profondeur les processus, et, avec eux, la manière même dont les équipes commerciales travaillent au quotidien. À noter, qu’il faut prêter attention à tous les impacts tout le long de la chaîne. Souvent, nous donnons une nouvelle machine aux équipes commerciales. Ils doivent s’approprier ces outils et savoir les utiliser en toute autonomie. L’erreur serait de rester dépendants en permanence des data factories ou des data engineers, qui, souvent, ne connaissent pas suffisamment les enjeux métier des équipes. Cela conduit alors à instaurer une bureaucratie inversée.  L’objectif, c’est de leur donner de l’autonomie. Ainsi, on accroît la capacité d’action des commerciaux. En somme, il s’agit de rendre les équipes autonomes en leur donnant pleinement la main sur ces nouveaux outils.

Selon toi, quel est le meilleur point d’entrée pour décider si on doit expérimenter ou non un cas d’usage data ?

Souvent, les points d’entrée sont “l’approche classique”. Ce sont les consultants qui arrivent avec leur savoir-faire, et qui disent : « Nous, on sait faire ça, on vous promet tel résultat, tel gain. ». L’approche pragmatique consiste à dire : « Je commence par évaluer la maturité de ma data. Je regarde où j’ai de l’historique, où la donnée est structurée, où la gouvernance est propre et maîtrisée. » Et, à partir de ce jeu de données mature, je définis quel cas d’usage est réellement adapté à ce niveau de maturité. Concrètement, comment je fais ? Souvent, ce qui séduit les codir ou les comex, ce qui leur « met de la paille dans les yeux », c’est le discours business. C’est l’approche classique : ils aiment entendre qu’il y aura du chiffre d’affaires à la clé, qu’il faut rattraper les concurrents, que le marché bouge vite… Alors, comment composer avec ça ? Il faut trouver un équilibre. On parle parfois, dans les études, d’entreprises « fashionistas » : très attirées par les outils, les nouvelles technologies, convaincues que ces solutions suffiront à résoudre, à elles seules, des problématiques de fond. Mais ce n’est jamais aussi simple. À l’opposé, on trouve les « conservateurs » : ceux qui hésitent à bouger tant que les processus ne sont pas parfaitement cadrés, la donnée propre, la gouvernance bien installée. L’enjeu, c’est de ne pas tomber dans l’un ou l’autre extrême. De trouver une voie médiane. Celle des digital masters, des organisations capables d’aligner ambition technologique et rigueur opérationnelle, innovation et pragmatisme.

Comment cette réflexion s’intègre-t-elle dans une stratégie data plus large ? Quels sont les liens avec la transformation digitale de l’entreprise ?

Souvent, on se retrouve face à des contradictions entre le développement digital, technologique, et les objectifs business. C’est justement là qu’intervient l’idée d’une stratégie duale : une stratégie qui conserve l’ambition business, bien sûr, mais qui l’aligne de manière plus cohérente avec une trajectoire digitale et data. C’est vraiment une question d’équilibre entre les deux. Ensuite, effectivement, cela passe par un assessment des parties prenantes de l’entreprise, pour comprendre où elle se situe : est-elle plutôt conservatrice ou, au contraire, « fashionista » dans son rapport au digital et à la data ? Et à partir de là, on peut mieux piloter les enjeux, ajuster les priorités et orienter les projets de manière plus fine et plus stratégique.

Quels conseils donnerais-tu à ceux qui veulent expérimenter cette approche ?

Je dirais qu’il faut toujours repartir des bases. Commencer par évaluer la maturité de la data, mais aussi celle de l’entreprise face à la transformation digitale. Ensuite, il faut poser les bonnes questions : qu’est-ce qu’on cherche vraiment à résoudre ? Qu’est-ce qu’on veut automatiser ? Qu’est-ce qu’on espère améliorer grâce à l’intelligence artificielle ? Il est aussi important de se demander quels types de modèles on envisage : des modèles simples ou plus complexes ? Quel niveau de précision est attendu ? Est-ce qu’on est dans un cas où une erreur peut avoir des conséquences lourdes — et donc où la précision doit être maximale — ou dans un contexte où une prédiction moins fiable reste acceptable ? Toutes ces réflexions sont au cœur de la définition de la stratégie, du choix des cas d’usage et de l’estimation du ROI.