Par où commencer un projet IA dans une entreprise à Monaco ?

Le premier sujet n’est pas l’outil, mais le travail à améliorer

Une entreprise qui veut avancer avec l’intelligence artificielle commence souvent par comparer ChatGPT, Claude, Copilot ou un logiciel spécialisé. Cette comparaison arrive trop tôt. Le bon point de départ est une situation de travail identifiable : une équipe ressaisit des informations, cherche longtemps dans des documents, traite les mêmes demandes ou consolide manuellement plusieurs sources.

À Monaco comme ailleurs, le premier projet doit être assez important pour produire une amélioration visible, mais assez limité pour être testé rapidement. « Améliorer toute l’administration » est trop large. « Contrôler les pièces d’un dossier avant sa validation » constitue déjà un périmètre observable et mesurable.

Choisir un cas d’usage avec quatre critères

Un cas d’usage séduisant n’est pas forcément un bon premier projet. Quanta recommande de comparer les opportunités avec la même grille afin de rendre l’arbitrage compréhensible par la direction et les équipes.

• Valeur : temps mobilisé, qualité attendue, délai, expérience client ou capacité de traitement.
• Faisabilité : disponibilité des données, stabilité des règles, accès aux logiciels et volume d’exemples.
• Risque : conséquences d’une erreur, données sensibles, action financière ou décision qui doit rester humaine.
• Adoption : personnes concernées, fréquence d’utilisation et compatibilité avec les outils déjà en place.

Observer les données avant de promettre une automatisation

Un agent ou une automatisation ne peut pas compenser durablement une information introuvable, contradictoire ou sans propriétaire. Il faut identifier les documents de référence, les logiciels concernés, les droits d’accès, les formats et la manière dont une personne résout aujourd’hui les exceptions.

Cette étape ne suppose pas de disposer d’une base parfaite. Elle permet au contraire de savoir ce qui peut être testé immédiatement et ce qui demande d’abord un nettoyage, une intégration ou une règle plus explicite.

Définir ce que le système peut faire seul

Il est utile de séparer trois niveaux : informer, préparer et agir. Un système peut d’abord retrouver et résumer des éléments. Il peut ensuite préparer une réponse, un contrôle ou une mise à jour. Enfin, certaines actions peuvent être exécutées automatiquement lorsqu’elles sont suffisamment prévisibles et autorisées.

Cette progression évite de confier trop tôt une action sensible à un système qui n’a pas encore été évalué. Elle clarifie aussi le rôle humain : vérifier une source, traiter une exception, approuver un envoi ou surveiller un indicateur.

Construire un prototype qui répond à une vraie question

Le prototype ne sert pas seulement à montrer que la technologie fonctionne. Il doit répondre à une question de décision : la réponse est-elle assez fiable ? Le temps gagné est-il réel ? Les exceptions sont-elles correctement détectées ? Les utilisateurs comprennent-ils ce qui a été fait ?

Les tests doivent reprendre des situations représentatives, y compris les cas incomplets ou ambigus. À l’issue de cette phase, l’entreprise doit pouvoir décider de déployer, d’ajuster le périmètre ou d’abandonner l’idée sans avoir reconstruit tout son système d’information.

Mesurer un résultat avant de généraliser

Un indicateur simple vaut mieux qu’une promesse globale de productivité : durée moyenne d’un traitement, nombre de ressaisies, taux de dossiers complets, délai de réponse ou part des cas nécessitant une reprise. La mesure de départ doit être établie avant le test.

Lorsque le résultat est confirmé, le projet peut s’étendre à davantage de données, d’utilisateurs ou d’actions. Cette logique progressive constitue généralement une meilleure base qu’un programme IA très large sans premier usage concret.