Six mois de stratégie d'IA, zéro ligne de code
- IA en production en 4 semaines
- Arriéré d'exceptions résorbé
- La démo au conseil a remplacé le diaporama
- 4 semaines Délai entre l'engagement et l'IA en production
- 78 % Précision de l'acheminement des exceptions au lancement
- 260 à 80 Heures-personne hebdomadaires (avant/après)
Ce qui a changé
- Délai entre l'engagement et l'IA en production
- 4 semaines
- Précision de l'acheminement des exceptions au lancement
- 78 %
- Heures-personne hebdomadaires (avant/après)
- 260 à 80
- Temps moyen de traitement d'une exception
- 8 min à 2 min
- Effectif supplémentaire requis
- 0 $
- Démo en direct ayant remplacé la présentation de 40 pages
- 1
La situation
Une entreprise logistique britannique de 400 salariés, dotée d'un budget IA de 500 000 $ approuvé par le conseil, avait passé six mois à tenter de mettre en place de l'IA. Elle avait recruté un consultant en stratégie d'IA, évalué 12 prestataires, présélectionné 3, lancé deux développements de preuve de concept, abandonné les deux et produit une présentation de stratégie de 40 pages. Rien ne tournait en production. C'est la règle, pas l'exception : une enquête de S&P Global menée en 2025 auprès de plus de 1 000 entreprises a révélé que 42 % avaient abandonné la plupart de leurs initiatives d'IA, contre 17 % un an plus tôt, et que l'organisation moyenne mettait au rebut 46 % de ses preuves de concept avant qu'elles n'atteignent la production. Le conseil perdait patience. L'équipe d'exploitation, censée bénéficier de l'investissement en IA, avait cessé d'assister aux réunions du comité de pilotage de l'IA parce qu'elle ne croyait pas que quoi que ce soit serait un jour livré.
Ce qui était vraiment cassé
Le problème fondamental était le périmètre. La présentation de stratégie d'IA couvrait sept cas d'usage dans quatre départements. Chaque cas d'usage avait une justification métier, une recommandation de prestataire et un calendrier. Mais personne n'avait posé la question la plus importante : lequel construit-on en premier, et qu'est-ce que "terminé" signifie pour cette seule chose ? La stratégie traitait les sept cas d'usage comme un portefeuille à livrer en parallèle. En pratique, cela signifiait que chaque réunion devenait un débat sur la priorité relative, le choix du prestataire et l'allocation des ressources entre sept initiatives. Aucune initiative ne disposait d'assez de concentration ni de ressources pour atteindre la production. L'enquête sur l'IA de McKinsey de 2025 a révélé que les organisations affichant des retours financiers significatifs avaient deux fois plus de chances d'avoir repensé un flux de travail de bout en bout avant de choisir une technique de modélisation. Cette présentation avait inversé cet ordre : elle avait choisi des prestataires et des architectures pour sept flux de travail qu'elle n'avait jamais réellement repensés.
Les deux preuves de concept abandonnées illustraient clairement le problème. La première était un modèle de prévision de la demande qui nécessitait de nettoyer et de normaliser 18 mois de données historiques avant de pouvoir commencer l'entraînement. L'équipe data estimait à elle seule la préparation des données à trois mois. Le projet a été mis de côté au deuxième mois, lorsque le nettoyage des données s'est révélé plus complexe que prévu. La seconde était un chatbot pour le service client qui nécessitait une intégration avec sept systèmes internes. Le travail d'intégration était estimé à quatre mois. Le projet a été mis de côté au premier mois, lorsque la première intégration a pris trois semaines au lieu des trois jours estimés. Les deux suivaient le schéma d'échec classique : une démo construite sur des données d'échantillon propres qui se brise dès qu'elle rencontre des systèmes en temps réel et des enregistrements de production désordonnés. La recherche sectorielle est sans détour sur cet écart. Parmi les preuves de concept d'IA qui atteignent effectivement la production, le parcours moyen du prototype au système en service prend environ huit mois, et la plupart ne font jamais ce trajet jusqu'au bout.
L'équipe d'exploitation souffrait le plus. Elle traitait environ 2 000 exceptions de livraison par semaine : des colis retardés, mal acheminés ou endommagés. Chaque exception exigeait qu'un opérateur humain examine les détails, détermine le flux de résolution approprié et l'achemine manuellement vers la bonne équipe. Le processus prenait en moyenne 8 minutes par exception, consommant environ 260 heures-personne par semaine. Le directeur des opérations réclamait l'automatisation depuis deux ans. Ce travail était exactement le type de classification structurée et répétitive que l'apprentissage automatique gère bien : lire une poignée d'attributs d'exception et les associer au bon flux de résolution, le même tri que les plateformes logistiques de 2026 automatisent désormais pour passer d'une lutte réactive contre les incendies à un acheminement proactif. La présentation de stratégie d'IA le classait comme cas d'usage numéro cinq sur sept, prévu pour le quatrième trimestre. L'équipe d'exploitation avait cessé d'attendre.
Étape par étape
Atelier sur un cas d'usage unique
Nous avons mené un atelier de deux heures avec le directeur des opérations, le responsable de l'équipe data et le CTO. L'objectif était d'identifier un cas d'usage répondant à trois critères : fort impact métier, données d'entraînement disponibles et réalisable en quatre semaines. L'acheminement des exceptions de livraison a obtenu la meilleure note sur les trois. Les données étaient déjà structurées dans la base de données d'exploitation, l'impact métier était quantifiable (260 heures-personne par semaine) et la logique d'appariement était fondée sur des motifs plutôt que générative, ce qui signifiait qu'une architecture de modèle plus simple suffisait. Le plafond de quatre semaines était délibéré. Un cas d'usage que l'on ne peut pas livrer en un mois est généralement un cas d'usage qui n'a pas été assez resserré, et un pilote au point mort n'apprend rien à l'organisation, sinon que l'IA ne fonctionne pas ici.
Validation des données et architecture du modèle
Nous avons passé trois jours à valider les données d'exception : 18 mois d'exceptions résolues avec les notes des opérateurs, les codes de résolution et les décisions d'acheminement. Les données étaient suffisamment propres pour l'entraînement sans prétraitement approfondi. Nous avons choisi un modèle de classification qui associait les attributs d'exception (type, transporteur, origine, destination, valeur) aux flux de résolution. Aucun LLM requis, aucune ingénierie de prompts, aucun coût de jetons qui augmente avec le volume. C'est un schéma que le secteur réapprend sans cesse : les meilleurs résultats en logistique viennent de la combinaison de méthodes d'exploitation classiques avec des données historiques et un modèle ciblé, et non du recours au plus gros système disponible. Le modèle devait être précis, pas créatif.
Construction de l'intégration fonctionnelle
L'intégration a été construite pour fonctionner aux côtés du processus manuel existant plutôt que de le remplacer. Quand une nouvelle exception arrivait, le modèle prédisait le flux de résolution et préremplissait les champs d'acheminement. L'opérateur pouvait accepter la suggestion d'un clic ou la remplacer. C'est la conception human-in-the-loop que les équipes d'IA en production considèrent désormais comme la norme : le modèle propose, une personne décide, et chaque remplacement est capturé comme un signal d'entraînement étiqueté plutôt que perdu dans le flux de travail. Cela signifiait que le modèle pouvait être déployé sans aucun risque pour l'exploitation existante. Les prédictions erronées étaient simplement corrigées, et les corrections revenaient directement alimenter le modèle au fil du temps.
Déploiement en production et mesure
L'intégration a été déployée en production en semaine trois. Dès la semaine quatre, le modèle acheminait correctement 78 % des exceptions sans intervention de l'opérateur. Les 22 % restants nécessitaient un examen manuel, mais les champs préremplis faisaient quand même gagner du temps, même lorsque l'opérateur modifiait l'acheminement. L'équipe d'exploitation est passée de 8 minutes par exception à moins de 2 minutes en moyenne. Les heures-personne hebdomadaires ont chuté de 260 à environ 80, libérant à peu près 180 heures par semaine pour les exceptions qui nécessitaient vraiment un jugement humain. Le directeur des opérations a présenté au conseil une démo en direct au lieu du diaporama habituel.
Avec leurs mots
Nous avons passé huit mois à parler d'IA. Vous avez livré quelque chose en trois semaines. L'équipe d'exploitation s'est levée et a applaudi en voyant les prédictions d'acheminement fonctionner. Je n'avais jamais vu cela se produire lors d'une réunion de pilotage.
Tout ce que vous demanderiez au premier rendez-vous
Recommandez-vous toujours de commencer par un seul cas d'usage ?
Oui. Chaque initiative d'IA que nous avons vue réussir a commencé par un seul cas d'usage bien défini qui a atteint la production rapidement. Les stratégies larges qui tentent de couvrir plusieurs cas d'usage en même temps s'enlisent systématiquement, ce qui est l'une des raisons pour lesquelles les taux d'échec publiés en entreprise sont si élevés. Livrez une seule chose, prouvez sa valeur en exploitation réelle, puis développez à partir d'une base qui fonctionne plutôt que d'une diapositive.
La précision s'est-elle améliorée au fil du temps ?
Oui. La précision du modèle est passée de 78 % au lancement à 89 % après 8 semaines, à mesure que les corrections des opérateurs fournissaient des données d'entraînement supplémentaires. La boucle de rétroaction était intégrée au flux de travail dès le premier jour, de sorte que chaque acceptation et chaque remplacement amélioraient la prédiction suivante. Les modèles dépourvus de cette boucle tendent à dériver dans l'autre sens à mesure que les données du monde réel évoluent ; celui-ci s'est amélioré précisément parce que les corrections avaient un chemin de retour vers l'entraînement.
Et si nous n'avons pas de données historiques propres ?
La qualité des données est le blocage le plus fréquent des projets d'IA. Si les données ne sont pas propres, nous cadrons d'abord un sprint de préparation des données. Nous sommes honnêtes sur les délais : si la préparation des données prend 8 semaines, nous disons 8 semaines, pas 2. Le manque de préparation des données est la raison la plus souvent citée de l'abandon des initiatives d'IA, donc nous préférons l'estimer avec précision plutôt que de la découvrir en semaine trois. L'entreprise logistique disposait de 18 mois de données d'exception propres et structurées, ce qui a rendu possible le délai de 4 semaines.
Construisez-vous des modèles sur mesure ou utilisez-vous de l'IA prête à l'emploi ?
Cela dépend du cas d'usage. Pour ce projet, un modèle de classification sur mesure était le bon choix parce que le problème était bien défini et les données structurées. Pour d'autres projets, nous utilisons OpenAI, Anthropic ou des modèles open source là où ils conviennent mieux. Un modèle génératif aurait été plus lent, plus coûteux et moins précis pour une tâche d'acheminement à catégories fixes comme celle-ci. Le choix de la technologie découle de la définition du problème, et non l'inverse.
4 semaines Délai entre l'engagement et l'IA en production
Contactez-nous
Dites-nous ce que vous voulez construire. Nous vous disons par où commencer et ce qu’il faut.
ParKostadin StambolievFondateur et Imaginator
Publié