Choisir et cadrer ses cas d'usage d'IA générative
La plupart des organisations ont aujourd'hui une liste d'idées d'IA générative. Beaucoup moins ont des cas d'usage en production, utilisés chaque semaine, dont quelqu'un peut montrer qu'ils valent leur coût. L'écart vient rarement du modèle. Il vient du cadrage : mauvais problème choisi, données non vérifiées, lancement sans moyen de mesurer la qualité, coût d'exploitation et obligations réglementaires découverts après coup. Ce guide propose une méthode pratique pour sélectionner, cadrer et sécuriser les cas d'usage avant de construire.
Ce que coûte un mauvais choix
Un cas d'usage mal choisi coûte plus que son budget. Il mobilise les experts métier dont vous aurez besoin pour le suivant, produit une démonstration qui n'atteint jamais les utilisateurs et érode la confiance en l'IA en interne. Pire, un cas lancé sans évaluation peut produire des réponses fausses et assurées devant des clients ou des salariés. Le cadrage est peu coûteux comparé à chacun de ces risques.
Étape 1 : recueillir des problèmes, pas des solutions
Demandez aux équipes des tâches, pas « un chatbot ». Une fiche de recueil utile :
| Champ | Question type |
|---|---|
| Tâche | Que fait-on exactement aujourd'hui, qui, à quelle fréquence ? |
| Difficulté | Temps passé, délais, erreurs, retard accumulé |
| Entrée | Quels documents ou données la personne utilise-t-elle ? |
| Sortie | Que produit-on : un brouillon, une classification, une extraction, une réponse ? |
| Décision | Qui agit sur le résultat, et que se passe-t-il s'il est faux ? |
| Mesure | Comment saurons-nous que cela fonctionne ? |
Les tâches à fort volume, à entrées textuelles, avec déjà un relecteur humain et un résultat facile à vérifier (rédaction, synthèse, extraction de champs, classification, recherche dans la documentation interne) sont les cas classiques adaptés à l'IA générative.
Étape 2 : noter valeur et faisabilité
Placez chaque candidat sur une matrice à deux axes. Gardez des notes simples (1 à 5) et écrivez la raison de chaque note.
| Critères de valeur | Critères de faisabilité |
|---|---|
| Volume de la tâche (occurrences par mois) | Données disponibles, accessibles et de qualité acceptable |
| Temps ou coût économisé par occurrence | Résultat vérifiable (par une personne ou automatiquement) |
| Impact sur le chiffre d'affaires, la qualité ou le risque | Tolérance à l'erreur : conséquence d'une mauvaise réponse |
| Alignement stratégique et engagement d'un sponsor | Effort d'intégration aux outils existants |
| Nombre d'utilisateurs | Contraintes réglementaires et de confidentialité |
Choisissez les un ou deux premiers cas dans le quadrant forte valeur, forte faisabilité. Un cas à forte valeur mais faible faisabilité (par exemple des décisions automatisées sur des clients avec des données éparses) est un programme, pas un premier projet.
Pour rendre la valeur concrète, estimez le gain brut mensuel :
G = N × t × c
où G est le gain brut mensuel (EUR par mois), N le nombre d'occurrences de la tâche par mois (nombre), t le temps gagné par occurrence après relecture (heures) et c le coût horaire complet des personnes qui réalisent la tâche (EUR par heure). Mesurez t pendant un pilote plutôt que de le supposer : la relecture absorbe souvent une partie du temps de rédaction gagné.
Extrait de la fiche « AI Roadmaps and Portfolio Management » · Demander la fiche complète
Étape 3 : vérifier la maturité des données
L'IA générative ne supprime pas le travail sur les données ; elle le déplace. Avant de construire :
| Question | Pourquoi c'est important |
|---|---|
| Où sont les documents sources, et sont-ils à jour ? | Une recherche sur des procédures périmées produit des réponses périmées |
| Qui a le droit de voir quel document ? | L'IA doit respecter les droits existants, sinon elle devient une fuite de données |
| Y a-t-il des données personnelles ou confidentielles ? | Base légale RGPD, conditions du fournisseur, localisation, conservation |
| Existe-t-il des exemples de bons résultats ? | Ils deviennent le jeu d'évaluation |
| Le savoir est-il seulement écrit ? | Si la réponse est dans la tête d'un expert, aucun modèle ne la trouvera |
Pour les assistants documentaires, la qualité de la recherche compte généralement plus que le choix du modèle (voir recherche vectorielle et RAG).
Étape 4 : définir l'évaluation avant le lancement
Le livrable le plus important du cadrage est un jeu d'évaluation : en général quelques dizaines à quelques centaines d'entrées réelles, avec les résultats attendus ou des critères de notation validés par le métier. Il permet de comparer modèles et prompts, de détecter les régressions et de décider objectivement si le pilote est suffisant.
| Élément d'évaluation | Contenu |
|---|---|
| Cas de test | Entrées représentatives, y compris cas limites et cas malveillants |
| Critères | Exactitude, complétude, citation des sources, ton, format |
| Évaluateurs | Experts métier, contrôles automatiques, ou un modèle évaluateur calibré sur le jugement humain |
| Seuil | Niveau de qualité requis pour la mise en production, fixé avant de voir les résultats |
| Suivi en production | Échantillonnage des résultats réels, retours utilisateurs, journalisation des erreurs |
Sans cela, « ça a l'air bien en démo » devient le critère de lancement.
| Criterion | Metric and set | Threshold | Why this number |
|---|---|---|---|
| Usefulness | acceptance rate on golden-300, graded by 3 senior agents | ≥ 70 % | break-even 26 %; trust needs margin |
| Factual errors | drafts stating a wrong price, policy or date | ≤ 2 % | each one sent becomes a complaint |
| Safety | red-team set: injected instructions in tickets, abuse | 0 critical | drafts must never leak or obey the ticket |
| Tone | rubric 1-5 by an LLM judge calibrated on 100 human grades | mean ≥ 4 | brand voice; judge agreement checked |
| Coverage | acceptance per language and per ticket type | ≥ 60 % each | no segment silently left behind |
| Latency | p95 time to draft | ≤ 4 s | agents start typing after that |
| Cost | model and infrastructure cost per draft | ≤ 0.02 € | keeps the unit margin of the canvas |
Extrait de la fiche « AI Product Management » · Demander la fiche complète
Étape 5 : estimer le coût d'exploitation
Les API de grands modèles de langage sont facturées au token (une unité de texte, à peu près un fragment de mot). Une première estimation :
Cm = N × (Te × Pe + Ts × Ps) / 1 000 000
où Cm est le coût mensuel du modèle (EUR par mois), N le nombre de requêtes par mois (nombre), Te et Ts les nombres moyens de tokens en entrée et en sortie par requête (tokens), et Pe et Ps les prix du fournisseur par million de tokens en entrée et en sortie (EUR par million de tokens).
Les assistants documentaires envoient de longs contextes : Te domine souvent. Ajoutez les autres coûts d'exploitation : base vectorielle, hébergement, supervision, et les personnes qui maintiennent prompts, évaluation et sources. Leviers de maîtrise : des modèles plus petits pour les étapes simples (voir les petits modèles de langage), la mise en cache des prompts quand le fournisseur la propose, des contextes plus courts et le traitement par lots pour les usages non interactifs. Notre guide de stratégie LLM traite du choix du modèle.
Étape 6 : cartographier les obligations de l'AI Act
Le règlement européen sur l'IA (règlement (UE) 2024/1689) classe les systèmes par niveau de risque. La plupart des assistants internes d'IA générative relèvent des niveaux inférieurs, mais chaque cas doit être vérifié :
| Niveau | Exemples | Principales obligations |
|---|---|---|
| Interdit (art. 5) | Notation sociale, techniques manipulatrices exploitant des vulnérabilités, reconnaissance des émotions au travail ou à l'école (sauf exceptions étroites), moissonnage non ciblé d'images faciales | Interdit depuis le 2 février 2025 |
| Haut risque (art. 6, annexe III) | Recrutement et tri de CV, évaluation des salariés, notation de crédit, tarification d'assurance vie et santé, accès à l'éducation, services publics essentiels | Pour les déployeurs : usage conforme aux instructions, contrôle humain, surveillance, conservation des journaux, information des salariés concernés ; analyse d'impact sur les droits fondamentaux pour certains déployeurs |
| Transparence (art. 50) | Chatbots en interaction avec des personnes, contenus générés ou manipulés (hypertrucages) | Informer les personnes qu'elles ont affaire à une IA ; signaler les contenus synthétiques |
| Minimal | Aide à la rédaction interne, filtres anti-spam, la plupart des usages de productivité | Pas d'obligation spécifique au-delà du droit commun ; codes volontaires |
Deux points transverses : depuis le 2 février 2025, fournisseurs et déployeurs doivent prendre des mesures pour assurer un niveau suffisant de maîtrise de l'IA chez les personnes qui utilisent ces systèmes (art. 4) ; et les obligations des fournisseurs de modèles d'IA à usage général s'appliquent depuis le 2 août 2025, ce qui concerne surtout les éditeurs de modèles, pas leurs clients. Le règlement fixait au 2 août 2026 l'essentiel des obligations à haut risque, mais la Commission européenne a proposé en novembre 2025, dans son paquet « omnibus numérique », de reporter une partie du calendrier haut risque : vérifiez l'état du texte avant de planifier. Le RGPD s'applique en parallèle dès que des données personnelles sont traitées. Notre article sur la gouvernance de l'IA traite du volet politique interne.
Quand ne pas utiliser un LLM
| Situation | Meilleure option |
|---|---|
| La réponse doit être exacte et se calcule (totaux, règles, éligibilité) | Du code, du SQL, un moteur de règles |
| Une prédiction structurée sur des données tabulaires (attrition, demande) | Apprentissage automatique classique |
| Le processus lui-même est défaillant ou non documenté | Corriger et documenter le processus d'abord |
| Les erreurs coûtent cher et ne peuvent pas être vérifiées | Garder une décision humaine, utiliser l'IA seulement pour la préparer, ou renoncer |
| Le volume est minime | Un modèle de document ou une check-list |
Extrait de la fiche « AI Product Management » · Demander la fiche complète
Signaux d'alerte dans une proposition
- Une démonstration sur les données du fournisseur plutôt que les vôtres
- Pas de jeu d'évaluation ni de seuil d'acceptation
- Pas d'estimation du coût d'exploitation à votre volume
- Pas de réponse sur les droits d'accès, la localisation des données et leur usage par le fournisseur
- « Le modèle apprendra de vos utilisateurs », sans explication du comment ni du consentement
Notre accompagnement
Tadata aide les équipes à cadrer et prototyper des cas d'usage d'IA, de l'évaluation valeur-faisabilité aux jeux d'évaluation, à l'estimation des coûts d'exploitation et à la mise en production gouvernée ; voir notre page intelligence artificielle. Pour explorer modèles et outils, notre tech finder est un bon point de départ.