La plupart des projets d'IA ne sont pas mis en échec par le modèle lui-même. Ils échouent à cause de trois facteurs périphériques : l'état des données, la stabilité des processus à automatiser et la volonté des équipes métier d'agir en fonction des prédictions. Une fois ces points maîtrisés, le reste n'est qu'une question d'ingénierie.
En résumé : la transformation des secteurs par l'IA repose sur trois leviers reproductibles : la prévision de la demande et des pannes, l'automatisation des inspections et de la gestion administrative, et la personnalisation de l'expérience client. Seize secteurs sont analysés ci-dessous, détaillant les applications opérationnelles, les acteurs du marché, nos propres réalisations, ainsi qu'un score de maturité basé sur la qualité des données, la répétabilité des processus, les contraintes réglementaires et les coûts d'intégration. Dans la majorité des secteurs, le retour sur investissement est atteint en six à dix-huit mois.
Avant d'évaluer comment l'IA transforme le monde des affaires, accordons-nous sur les termes. L'intelligence artificielle désigne tout logiciel capable d'effectuer des tâches humaines : apprendre, planifier, résoudre des problèmes. C'est une définition large, alors concentrons-nous sur les trois familles qui assurent l'essentiel du travail commercial.
L'apprentissage automatique identifie des modèles dans les données historiques pour prédire ce que vous ignorez encore : la demande du mois prochain, la prochaine panne d'une machine, ou la probabilité de défaut d'un prêt.
La vision par ordinateur interprète les images et les vidéos, permettant d'évaluer une soudure, de détecter une maladie sur une culture ou de suivre un panier dans un magasin.
Le traitement du langage naturel (NLP) lit et génère du texte et de la parole. Il est au cœur des chatbots, du traitement de documents et de la recherche.
Deux autres termes reviennent ci-dessous. La maintenance prédictive consiste à entretenir une machine lorsque les données indiquent qu'une panne est imminente, plutôt que selon un calendrier fixe. Le Lidar est un capteur laser qui crée une carte 3D de l'environnement d'un véhicule. Nos guides technologiques traitent chacun de ces sujets en profondeur.
De nombreuses entreprises restent méfiantes vis-à-vis de l'IA et de ses conséquences sur l'avenir du travail. Plutôt que de débattre sur des abstractions, ce guide détaille ce que l'IA accomplit, secteur par secteur, et les projets que nous avons réalisés.
Les chiffres de l'adoption ont radicalement changé. L'étude State of AI 2025 de McKinsey révèle que 88 % des organisations utilisent désormais l'IA dans au moins une fonction métier, contre 78 % l'année précédente. Mais le chiffre révélateur se cache ailleurs : seul un tiers environ a réellement déployé l'IA à l'échelle de l'entreprise. Les autres sont bloqués dans le purgatoire des projets pilotes, menant des expérimentations qui n'atteignent jamais la phase de production.
Cet écart résume toute la situation et correspond à ce que nous observons. Dans les projets logiciels et de données que nous avons menés chez Imaginary Cloud, les modèles sont rarement la partie la plus complexe. Prenons l'exemple d'Environmental Intellect : nous avons conçu la plateforme d'apprentissage automatique au cœur de leur produit énergétique, et le schéma était classique. Le modèle était gérable ; l'effort, tout comme la valeur ajoutée, résidait dans le pipeline de données et dans l'intégration des prédictions au flux de travail du client. Les clients d'Ei économisent désormais plus de 200 000 $ en frais de sous-traitance. La leçon se répète dans chaque mission ci-dessous : acheter ou construire le modèle ne représente qu'un tiers du chemin.
Trois observations traversent chaque section.
Le projet pilote qui réussit a un responsable identifié au sein des opérations. Les projets portés uniquement par l'informatique échouent au moment du transfert, car personne dans les métiers n'a accepté de modifier ses méthodes de travail.
La préparation des données détermine le calendrier, pas le choix du modèle. Des enregistrements complets et étiquetés de manière cohérente permettent d'obtenir un premier modèle utile en quelques semaines. Des données éparpillées dans des feuilles de calcul et des systèmes obsolètes signifient que la majeure partie du budget sera consacrée au pipeline, ce qui constitue l'essentiel de ce qu'implique réellement un programme de transformation numérique .
Le ciblage étroit l'emporte sur l'ambition démesurée. Une décision, un jeu de données, un résultat mesurable : c'est ainsi qu'on atteint la production. Une « stratégie IA » à l'échelle de toute la plateforme n'y parvient généralement pas.
Plutôt que de lister les secteurs par ordre alphabétique et d'appeler cela une analyse, nous évaluons chacun d'eux selon les quatre facteurs qui déterminent si un projet peut passer en phase de production. C'est la grille que nous utilisons lorsqu'un client nous demande si son secteur est prêt.
La provenance de ces évaluations est importante, car elles ont un poids significatif ci-dessous. Il s'agit de notre propre jugement, tiré de projets que nous avons menés dans ces secteurs, et non d'une référence publiée. La répartition budgétaire des deux tiers/un tiers et le délai de retour sur investissement de six à dix-huit mois reposent sur la même base. Considérez cette grille comme un outil de séquençage, et non comme une mesure absolue, et attendez-vous à ce que deux entreprises d'un même secteur diffèrent davantage que les secteurs eux-mêmes.
.webp)
| Secteur | Maturité des données | Répétabilité des processus | Charge réglementaire | Coût d'intégration |
|---|---|---|---|---|
| Agriculture | Moyen | Élevé | Faible | Moyen |
| Construction | Faible | Moyen | Moyen | Élevé |
| Éducation | Moyen | Élevé | Moyen | Moyen |
| Énergie | Élevé | Élevé | Élevé | Élevé |
| Finance | Élevé | Élevé | Élevé | Moyen |
| Secteur public | Moyen | Moyen | Élevé | Élevé |
| Santé | Moyen | Moyen | Élevé | Élevé |
| Logistique | Élevé | Élevé | Faible | Moyen |
| Industrie | Élevé | Élevé | Moyen | Élevé |
| Immobilier | Moyen | Élevé | Faible | Faible |
| Commerce de détail | Élevé | Élevé | Faible | Faible |
| Sécurité | Élevé | Élevé | Moyen | Moyen |
| Sport | Moyen | Élevé | Faible | Faible |
| Technologie | Élevé | Élevé | Faible | Faible |
| Transport | Moyen | Moyen | Élevé | Élevé |
| Voyage | Élevé | Élevé | Faible | Faible |
Utilisez-la comme un outil de séquençage. Une maturité des données et une reproductibilité élevées avec de faibles contraintes réglementaires (commerce de détail, voyage, logistique, technologie) offrent le retour sur investissement le plus rapide. Une forte charge réglementaire associée à un coût d'intégration élevé (santé, énergie, secteur public, transport) caractérisent les domaines où l'ingénierie est solide, mais où le processus d'approbation dicte le calendrier.
Chaque section identifie les applications opérationnelles, signale les acteurs du marché, indique nos réalisations et souligne le facteur déterminant la vitesse de mise en production d'un projet. Lorsque c'est pertinent, nous précisons également quand il vaut mieux éviter l'IA.
En prévoyant la production, les agriculteurs améliorent leurs rendements et planifient leurs activités ; l'IA suit également la consommation d'eau et d'électricité pour réduire le gaspillage. La vision par ordinateur détecte les maladies des cultures dès leur apparition pour stopper leur propagation.
Facteur déterminant : la maturité des données. Les modèles de rendement nécessitent plusieurs saisons de données au niveau de la parcelle pour être exploitables. Les producteurs ne disposant que de totaux à l'échelle de l'exploitation doivent d'abord équiper leurs champs avant d'entraîner un modèle.
Qui propose des solutions (signaux d'achat) : Cropin, Blue River Technology, FarmWise sont suffisamment matures pour être achetés ; ne développez en interne que le modèle de rendement basé sur vos propres données. Nous avons travaillé dans le secteur de l' agritech nous-mêmes, en refondant l'expérience produit de GrainFox, un rappel que l'adoption, et non les algorithmes, est souvent le véritable frein sur le terrain.
Lorsqu'il existe un historique de projet suffisant, l'IA estime les périodes de construction et les coûts, et prédit le budget et le calendrier d'un nouveau projet avec une marge d'erreur acceptable. L'analyse de cet historique révèle également la performance réelle d'une équipe et signale les problèmes avant qu'ils ne surviennent.
Facteur déterminant : la maturité des données. La plupart des entrepreneurs conservent leur historique dans des documents plutôt que dans des bases de données structurées ; la première phase consiste donc à récupérer les données, pas à modéliser. Si vos dix derniers projets sont stockés dans des PDF et des fils d'e-mails, ne commencez pas par un modèle.
Qui propose des solutions : Caidio, Kwant.ai, AirWorks. Pour les projets de très grande envergure, nous fournissons de l'IA et des logiciels pour NEOM, là où les fondations de données sont construites en même temps que les bâtiments.
L'application à plus forte valeur ajoutée est celle que personne ne prend en photo : décharger les enseignants des tâches administratives répétitives, de la notation et du classement aux rapports de progression. Les données sont déjà présentes dans le système de gestion de l'apprentissage. La planification des inscriptions arrive en deuxième position : les établissements planifient les admissions en fonction de l'historique des admissions et des résultats dont ils disposent déjà.
Facteur contraignant : la charge réglementaire, comme la protection des données des étudiants. Tout ce qui touche aux dossiers individuels nécessite une base légale et une piste d'audit avant qu'un modèle ne puisse accéder aux données.
Qui le propose : Carnegie Learning, Cognii, Century Tech. Nous avons conçu l'expérience produit pour ELSA, une application d'apprentissage des langues par IA qui se classe désormais parmi les meilleurs outils d'IA de sa catégorie, un rappel que dans l'edtech, le modèle n'est utile que grâce à l'interface qui l'entoure.
Dans le secteur de l' énergie, l'IA estime les émissions produites par un système sur une période donnée, prévoit avec précision la demande à court terme et, grâce à la vision par ordinateur et à l'analyse, détecte les défauts des composants avant qu'une défaillance en service ne coûte réellement de l'argent.
Facteur contraignant : le coût d'intégration. Les systèmes de réseau et d'usine sont des technologies opérationnelles avec de longs cycles de changement, donc intégrer une prédiction dans la salle de contrôle est généralement plus difficile que de la produire.
Qui le propose, et où nous l'avons construit : nous avons construit la plateforme d'apprentissage automatique pour Environmental Intellect, dont les clients économisent plus de 200 000 $ en frais de sous-traitance. Aux côtés de fournisseurs comme Google DeepMind, Anova et Siemens, c'est une illustration concrète du compromis central du secteur : des modèles performants, mais une intégration complexe.
Finance est le secteur qui a progressé le plus rapidement ; de nombreux processus sont désormais largement automatisés. L'IA soutient le jugement humain en matière de crédit, en évaluant les caractéristiques des emprunteurs et des contrats, ainsi qu'en gestion de portefeuille, en sélectionnant des positions décorrélées et en signalant les mouvements nécessitant une intervention.
Facteur limitant : la charge réglementaire. Un modèle de crédit incapable d'expliquer sa décision n'est pas déployable. L' IA Act européen classe toujours l'évaluation de la solvabilité des particuliers comme étant à haut risque (Annexe III, 5(b)), mais le calendrier a été modifié : le Digital Omnibus, en vigueur depuis le 27 juillet 2026, a repoussé les obligations liées aux systèmes à haut risque de l'Annexe III d'août 2026 au 2 décembre 2027. Il s'agit d'un sursis, pas d'une abrogation, et les entreprises britanniques sont soumises à un régime différent (pas de loi équivalente ; une approche pro-innovation menée par l'ICO). Quoi qu'il en soit, intégrez l'explicabilité dès votre premier sprint ; c'est une bonne pratique bien avant qu'elle ne devienne une obligation légale.
Qui le déploie, et où nous l'avons construit : nous avons fourni des produits financiers à des clients tels que BNP Paribas, EY et Sage, et développé des plateformes comme FundSpace et Confinze. Les fournisseurs à suivre : Socure, Scienaptic AI, AlphaSense.
L'application la plus évidente dans le secteur public est la modélisation socio-économique : emploi, productivité, commerce, logement, accès à la santé et à l'éducation, répartition des revenus, autant d'éléments interconnectés nécessitant une assistance informatique. La décision qui change est celle du financement des initiatives et de leur échelle. La seconde application concerne l'exploitation des infrastructures : transports, implantation d'hôpitaux et d'écoles, services publics, équilibrage de la charge réseau, chaque cas étant une décision de planification ou d'allocation s'appuyant sur des années d'historique.
Facteur limitant : le coût d'intégration, aggravé par les processus de passation de marchés. Les systèmes publics ont une longue durée de vie et sont rarement conçus pour intégrer des prédictions externes ; la méthode d'accès détermine donc davantage le calendrier que le modèle lui-même.
Qui le déploie, et où nous l'avons construit : c'est notre domaine de prédilection. Nous avons construit Plateforme d'analyse socio-économique (MPI) d'Eurofound, le problème précis de « modélisation des distributions interconnectées pour orienter le financement » décrit ci-dessus, et avons livré une interface couvrant plus de 280 initiatives politiques en six semaines. Plateformes utilisées ailleurs : IBM Watson, Amazon Machine Learning, Google Vertex AI.
Dans le secteur de la technologie de santé, l'IA intervient du diagnostic au développement de médicaments. La difficulté du diagnostic réside dans le fait que de nombreux signes pointent vers plusieurs pathologies simultanément ; l'élimination des hypothèses est donc lente, et seuls les cliniciens les plus expérimentés traitent les cas les plus complexes avec fiabilité.
Facteur limitant : la charge réglementaire, la plus lourde du secteur. Les logiciels de diagnostic sont des dispositifs médicaux réglementés sur la plupart des marchés : la FDA tient une liste publique des dispositifs basés sur l'IA qu'elle a approuvés. Le modèle retarde rarement le projet ; ce sont la validation et la gouvernance clinique qui le font. Quand éviter l'IA : si vous ne pouvez pas financer le processus de validation, ne lancez pas le modèle.
Qui l'utilise, et où nous sommes intervenus : nous avons conçu le moteur de décision pour essais cliniques basé sur l'IA d'Aurora Analytica, et avons développé des solutions de technologie de santé pour Thermo Fisher, VestaConnect et Jinga Life. Fournisseurs à suivre : Komodo Health, Corti, Ezra.
L'IA aide à décider quels fournisseurs et véhicules utiliser, quels itinéraires emprunter, quand expédier, comment emballer, où implanter les centres de distribution et comment effectuer le tri. Une opération d'une telle envergure est décomposée en sous-problèmes résolus étape par étape.
Facteur limitant : coût d'intégration, modéré plutôt que sévère. Les données sont de qualité et les décisions se répètent quotidiennement ; il s'agit donc d'intégrer un optimiseur au système de gestion du transport, et non de le créer. C'est pourquoi la logistique est plus rapidement rentable que sa complexité ne le laisse supposer.
Qui le propose, et où nous l'avons déployé : nous avons fourni des logiciels à l'échelle nationale pour des services postaux et logistiques, notamment pour CTT. Fournisseurs à suivre : Uptake, Symbotic, HAVI.
Fabrication associe des processus complexes à de faibles marges, si bien que de petits gains se traduisent par des économies significatives, principalement dans le contrôle qualité et l'automatisation. La vision par ordinateur détecte les imperfections de manière fiable et oriente les produits concernés vers un examen manuel. De plus, la maintenance prédictive surveille les données des machines en temps réel, permettant d'intervenir avant la panne plutôt que selon un calendrier fixe. Les directives du département de l'Énergie des États-Unis exposent la rentabilité de la maintenance conditionnelle.
Facteur limitant : coût d'intégration. Les systèmes d'atelier et les automates programmables n'ont jamais été conçus pour accepter les résultats d'un modèle ; c'est donc au niveau du lien entre la prédiction et l'ordre de travail que les projets stagnent. Pour les équipes qui modernisent l'ensemble de la ligne, il s'agit du domaine de l'Industrie 4.0 .
Qui le propose, et où nous l'avons déployé : nous avons conçu TrustPortal, une plateforme d'automatisation des opérations, et Nextbitt, pour la maintenance des actifs. Les fournisseurs à suivre : Rockwell Automation, Nvidia et Environmental Intellect, cités plus haut.
Dans la proptech, l'automatisation des évaluations encourage les vendeurs à publier leurs annonces ; la création de jumeaux numériques permet aux acheteurs d'affiner leurs critères avant de se déplacer, ce qui réduit le nombre de visites et multiplie les transactions simultanées. Le traitement documentaire et les modèles immersifs complètent cet écosystème.
Le facteur déterminant : la maturité des données. La qualité des évaluations automatisées dépend de l'exhaustivité des registres de transactions locaux, ce qui explique pourquoi un même modèle peut être fiable sur un marché et inexploitable sur un autre.
Qui propose ces solutions et où nous sommes intervenus : nous avons développé des solutions proptech pour RE/MAX et Invisible Homes. Les fournisseurs à suivre : Compass, Zillow, Redfin.
Le commerce de détail ne se limite pas à l'optimisation des points de vente : si l'e-commerce et les recommandations personnalisées restent des incontournables, ils sont désormais complétés par l'essayage virtuel, la réalité augmentée ainsi que la recherche vocale ou visuelle. Le commerce physique évolue également, bien que différemment des prédictions initiales : les formats sans caisse se sont révélés coûteux à exploiter. En 2024, Amazon a retiré la technologie Just Walk Out de ses magasins Fresh aux États-Unis pour la remplacer par des chariots Dash Carts permettant de scanner les articles au fur et à mesure, préférant désormais vendre cette technologie à des tiers plutôt que de l'utiliser dans ses propres grandes surfaces. La leçon à retenir : le retour sur investissement du « sans caisse » dépend du format, s'avérant plus efficace dans les petits magasins à fort flux.
Facteur limitant : à peine une contrainte. Données de transaction propres, répétition quotidienne, réglementation légère en dehors des données personnelles. C'est pourquoi le commerce de détail est le secteur qui permet d'obtenir des résultats le plus rapidement.
Qui le propose, et où nous l'avons développé : nous avons numérisé les opérations de vente au détail, notamment UNUA dans le secteur de la mode. Les fournisseurs à suivre : Intel, Bloomreach, Pinterest.
Toute entreprise protège ses informations confidentielles, et l'IA aide à prévenir les accès non autorisés. Le filtrage standard intercepte la plupart des e-mails malveillants ; les tentatives qui passent au travers sont celles qui nécessitent une couche supplémentaire. Les bots représentent une part importante du trafic internet, donc la détection de modèles suspects permet de maintenir le bon fonctionnement des systèmes. Le National Cyber Security Centre britannique publie des conseils sur les utilisations défensives et offensives de l'IA.
Facteur limitant : la répétabilité des processus, dans un sens inhabituel, car votre attaquant modifie le processus volontairement. Les modèles de sécurité se dégradent plus rapidement que tous les autres ici et nécessitent un réentraînement en tant que coût permanent, et non comme une ligne de projet.
Qui le propose : Cynet, Trellix, Qualys.
L'analyse vidéo des matchs est devenue la norme. La détection d'objets localise les joueurs et le ballon image par image ; l'estimation de pose suit les mouvements du corps. Ensemble, ils font ressortir des modèles au fil des matchs, alimentant les prévisions, le scouting et le recrutement.
Facteur limitant : la maturité des données, généralement achetées plutôt que créées en interne. La plupart des clubs achètent des licences de données de suivi, la question concurrentielle est donc de savoir ce que vous faites d'un flux que vos rivaux possèdent également.
Qui le propose, et où nous l'avons développé : nous avons livré des plateformes de sport et de fitness, notamment obé et le programme national Desporto Escolar . Fournisseurs à suivre : Run Motion, Wingfield, Hawk-Eye.
L'IA étant issue de l'informatique, c'est là, ainsi que dans les télécoms, qu'elle trouve la plupart de ses applications. Elle attire les utilisateurs grâce aux chatbots et aux produits personnalisés, tandis que l'analyse des usages permet d'identifier les points à améliorer dans une application.
Facteur de cohésion : aucun des quatre, ce qui constitue précisément le risque. Données propres, processus reproductibles, réglementation légère, faible coût d'intégration : les entreprises technologiques déploient des fonctionnalités d'IA plus rapidement qu'elles ne déterminent si ces fonctionnalités valent la peine d'être lancées. Ici, la discipline doit venir du produit, et non de l'ingénierie, et c'est là que nos équipes passent le plus clair de leur temps, de Sedna dans les communications maritimes à Advania (reconditionnement informatique assisté par IA) et Elephants Don't Forget. Une grande partie de ce travail passe par nos activités de développement sur mesure intégrant l'IA .
Fournisseurs à suivre : DeepL, UiPath, NIQ.
La conduite autonome se divise en trois volets : perception, contrôle et navigation. Un algorithme de contrôle active les pédales et la direction à partir d'une représentation 3D construite par vision par ordinateur, lidar et cartographie, avec un guidage GPS. Certaines implémentations font l'impasse sur l'étape de conception humaine pour prédire les actions de contrôle directement à partir de la vidéo. L'autonomie promet une meilleure disponibilité des flottes, une réduction des coûts et, à mesure que les comportements deviennent plus prévisibles, une diminution des accidents. Les régulateurs publient déjà des données de sécurité, notamment le Ordre général permanent de la NHTSA américaine sur le signalement des accidents impliquant des systèmes de conduite automatisée.
Facteur limitant : charge réglementaire. La perception et le contrôle sont des problèmes d'ingénierie aux approches connues. L'autorisation de circuler sur la voie publique ne l'est pas, et c'est elle qui détermine le calendrier.
Qui le propose, et où nous sommes intervenus : nous avons fourni des logiciels et des solutions de conception pour la compagnie aérienne TAP. Acteurs à suivre : Tesla, Zensors, Uber.
L'application la plus précieuse est le moteur de recommandation, car la décision qu'il influence est commerciale : quel itinéraire, quel hôtel ou quel tarif un client voit en premier. Une agence de voyage en ligne possède déjà l'historique nécessaire à un moteur de recommandation, ce qui en fait le projet du secteur le plus rapide à produire des résultats mesurables. L'optimisation des itinéraires, le contrôle de sécurité et les réponses automatisées de premier niveau suivent la même logique.
Facteur limitant : quasiment aucune contrainte ici non plus. Des données de réservation propres et une réglementation légère placent le secteur du voyage, aux côtés de la vente au détail, parmi les plus rapides du marché.
Qui le propose, et où nous sommes intervenus : nous avons aidé Travel Wifi à devenir un leader du marché grâce à l'UX. Acteurs à suivre : Skyscanner, Hopper, BagsID.
Les sections par secteur décrivent ce qui est possible. Celle-ci décrit ce que cela implique, la question que se posent réellement les PDG, CTO ou COO. Comme pour la grille, il s'agit de nos observations issues de nos déploiements, et non d'une étude de référence publiée.
Les prérequis avant de commencer. Trois à cinq ans de données historiques exploitables pour tout ce que vous souhaitez prédire. Un processus unique, clairement identifié, avec un responsable attitré. Une décision définie qui change dès que la prédiction est disponible. Si rien ne change, le modèle n'est qu'un tableau de bord, pas un système.
Où va le budget. Considérez vos données comme de l'eau : sans valeur dans une flaque, l'essentiel du travail consiste donc à créer la tuyauterie, c'est-à-dire les conduits pour l'acheminer, les filtres pour éliminer les impuretés et un robinet que l'entreprise peut ouvrir. Dans la plupart des projets, la répartition est d'environ deux tiers pour l'ingénierie et l'intégration des données, et un tiers pour la modélisation. Pour le projet Environmental Intellect, ce ratio est précisément la raison pour laquelle la valeur a été au rendez-vous : le modèle était le tiers facile. Les équipes qui budgétisent le modèle en traitant la tuyauterie comme une réflexion après coup sont celles qui dépassent leurs prévisions.
Délai de création de valeur. Un projet ciblé et bien délimité, basé sur des données propres, produit un premier résultat en six à douze semaines et une valeur mesurable en six à dix-huit mois. Les décisions réglementées dans les secteurs de la santé, de la finance, de l'énergie et du secteur public ajoutent un processus d'approbation qui se compte en trimestres, et non en sprints.
Les modes de défaillance, par ordre de fréquence. Des données qui s'avèrent incomplètes ou étiquetées de manière incohérente. Un processus trop instable pour permettre l'apprentissage. Aucun responsable opérationnel, donc rien ne change lors du transfert. Un modèle performant en phase de test mais sans accès au système où le travail est réellement effectué.
Développer ou acheter. Pour un problème courant disposant d'un marché de fournisseurs matures, comme le traitement de documents, la détection de fraudes ou la prévision de la demande, achetez et consacrez l'effort économisé à l'intégration. Développez en interne là où le modèle touche à votre cœur de métier : votre tarification, votre routage, vos équipements, vos données clients. Notre équipe d'IA appliquée et d'apprentissage automatique fait les deux.
Le commerce de détail, la finance, la logistique et la technologie sont les plus avancés : données matures, processus répétables et faible contrainte d'approbation. La santé, l'énergie et le secteur public présentent des cas d'usage tout aussi solides, mais sont soumis à des réglementations plus strictes ; le déploiement y suit donc le rythme de la validation plutôt que celui de l'ingénierie.
Trois leviers récurrents : la prévision de la demande, des pannes, des risques et des rendements ; l'automatisation de la perception et de la gestion administrative ; et la personnalisation des résultats. Presque toutes les applications actuelles reposent sur l'une de ces trois approches appliquées aux données d'un secteur.
Un projet ciblé sur des données propres permet d'obtenir un premier résultat exploitable en six à douze semaines, et une valeur mesurable en six à dix-huit mois. Les décisions réglementées se comptent en trimestres. Pour les projets nécessitant un nettoyage préalable des données, il faut prévoir les délais les plus longs.
Moins en modélisation que ce que prévoient la plupart des budgets, mais davantage en ingénierie des données : environ deux tiers pour les pipelines, l'intégration et le suivi, et un tiers pour le modèle. Les coûts se poursuivent après le lancement, car les modèles dérivent et nécessitent un réentraînement.
Des historiques couvrant ce que vous souhaitez prédire, idéalement sur trois à cinq ans, complets, étiquetés de manière cohérente et accessibles sans exportation manuelle. Si vos données sont dispersées dans des feuilles de calcul et des systèmes obsolètes, cette consolidation constitue la première phase du projet et doit être budgétisée en tant que telle.
Achetez pour les problèmes courants disposant d'un marché de fournisseurs mature (traitement de documents, détection de fraude, prévisions standard) et consacrez les efforts économisés à l'intégration. Développez en interne lorsque le modèle touche à un domaine propriétaire et concurrentiel.
Le modèle s'applique aux tâches, pas aux rôles. Le marquage, l'inspection, le classement, le tri de premier niveau et le filtrage de routine sont absorbés. Le jugement, la gestion des exceptions et les relations humaines, eux, ne le sont pas. Les rôles qui évoluent le plus sont ceux où la majeure partie de la journée de travail consiste en des tâches répétitives et documentées.
La préparation des données, suivie de la question de la propriété. C'est un constat que l'enquête 2025 de McKinsey confirme à grande échelle, la plupart des organisations restant bloquées au stade des projets pilotes plutôt que de passer à la production. Le choix du modèle est rarement en cause.
Les secteurs et la grille convergent vers le même constat : la technologie n'est pas le facteur limitant. La maturité des données, la répétabilité des processus, les contraintes réglementaires et les coûts d'intégration déterminent si un projet atteindra la phase de production. Ces facteurs varient bien plus d'une entreprise à l'autre au sein d'un même secteur qu'entre les secteurs eux-mêmes.
L'étape suivante n'est donc pas de définir une stratégie IA. Il s'agit de choisir une décision que votre entreprise prend de manière répétée, de vérifier si vous disposez d'un historique de données propre à ce sujet, et d'identifier la personne qui agirait différemment si elle recevait une prédiction. Commencez par là.
Si vous souhaitez un avis extérieur sur le positionnement de votre organisation dans cette grille, notre équipe d'ingénierie se fera un plaisir d'en discuter avec vous. Il s'agit de la même équipe qui a réalisé les projets présentés ci-dessus, distinguée dans le FT 1000 et le Deloitte Technology Fast 50.
Alexandra Mendes est spécialiste senior de la croissance chez Imaginary Cloud et possède plus de 3 ans d'expérience dans la rédaction de textes sur le développement de logiciels, l'IA et la transformation numérique. Après avoir suivi un cours de développement frontend, Alexandra a acquis des compétences pratiques en matière de codage et travaille désormais en étroite collaboration avec les équipes techniques. Passionnée par la façon dont les nouvelles technologies façonnent les entreprises et la société, Alexandra aime transformer des sujets complexes en contenus clairs et utiles pour les décideurs.
CEO @ Imaginary Cloud et co-auteur du livre Product Design Process. J'aime la nourriture, le vin et le Krav Maga (pas nécessairement dans cet ordre).
People who read this post, also found these interesting:
-%2520Survey%2520Insights.webp)
