Où l’IA crée de la valeur dans un produit, et où elle n’en crée pas

Toutes les équipes produit subissent la pression d’ajouter de l’intelligence artificielle, et la plupart ne savent pas vraiment quoi ajouter. La bonne question n’est pas de savoir s’il faut l’utiliser, mais où l’IA crée de la valeur dans un produit : quelles tâches elle rend plus rapides, moins coûteuses ou tout simplement possibles, et lesquelles elle se contente de décorer. Se tromper, c’est produire des fonctionnalités qui coûtent de l’argent à chaque requête et que personne n’utilise. Cet article propose une méthode pratique pour distinguer les deux avant d’engager un budget de développement.

Où l’IA crée-t-elle de la valeur dans un produit ?

Les modèles d’IA actuels sont performants sur une famille de tâches précise : le travail sur le langage, les images et d’autres contenus non structurés, là où les règles sont difficiles à formuler. Les meilleurs cas d’usage ont le même profil. Le volume de travail est élevé, les données d’entrée sont désordonnées, une bonne réponse se reconnaît au premier coup d’œil, et un résultat imparfait de temps en temps reste acceptable ou facile à corriger.

Concrètement, cela donne :

• Extraction et classification. Lire des factures, des e-mails, des contrats ou des tickets de support, puis les transformer en données structurées ou les acheminer au bon endroit.
• Recherche documentaire. Permettre aux utilisateurs de poser leurs questions avec leurs propres mots dans une documentation, des catalogues ou une base de connaissances interne, avec des réponses qui citent leurs sources.
• Premiers jets. Produire la première version d’une réponse, d’une description, d’une synthèse ou d’un rapport, qu’une personne relit ensuite.
• Synthèse. Condenser de longs échanges, des réunions ou des dossiers pour n’en garder que ce que la personne suivante doit savoir.
• Traduction et adaptation. Faire passer un contenu d’une langue, d’un format ou d’un niveau de lecture à un autre.
• Assistance au fil du travail. Suggérer l’étape suivante ou préremplir un formulaire à partir du contexte, l’utilisateur n’ayant plus qu’à confirmer.

Dans chaque cas, la valeur se mesure : du temps gagné par tâche, davantage de demandes traitées, ou une capacité jusque-là hors de portée.

Où l’IA ne crée-t-elle pas de valeur ?

Les cas faibles se reconnaissent tout aussi bien.

• Les problèmes aux règles exactes. Calculer une taxe, vérifier un stock ou valider un formulaire relève du logiciel classique. Il est moins cher, plus rapide et donne toujours la même réponse.
• Les tâches où chaque erreur coûte cher. Un modèle de langage peut produire une réponse pleine d’assurance, plausible et fausse. Lorsqu’une erreur a des conséquences juridiques, financières ou de sécurité et que personne ne relit le résultat, ce n’est pas le bon outil s’il est utilisé seul.
• Le chat à la place de l’interface. Si un utilisateur peut atteindre quelque chose en deux clics, lui demander de taper une phrase est plus lent. Un chatbot placé devant un produit difficile à utiliser ne le rend pas plus simple.
• Les fonctionnalités sans données. La personnalisation et la prédiction exigent un historique pertinent et propre. Sans lui, le résultat reste générique.
• Les fonctionnalités ajoutées pour l’annonce. Si vous ne pouvez pas dire qui s’en servira et ce que ces personnes cesseront de faire à la main, c’est de la décoration.

Comment savoir si une fonctionnalité a vraiment besoin d’IA ?

Soumettez chaque idée à une courte série de questions avant tout travail de conception :

• Quelle tâche l’utilisateur accomplit-il aujourd’hui, et combien de temps lui prend-elle ?
• Une règle, un filtre, un gabarit ou un meilleur formulaire suffiraient-ils ? Si oui, c’est cela qu’il faut construire.
• Que se passe-t-il quand la réponse est fausse, et qui s’en aperçoit ?
• Une personne est-elle là pour contrôler, ou existe-t-il un moyen de vérifier le résultat automatiquement ?
• Disposons-nous des contenus ou des données sur lesquels la fonctionnalité s’appuierait, et avons-nous le droit de les utiliser ?
• Comment saurons-nous que cela fonctionne ?

Testez ensuite à peu de frais. Rassemblez quelques dizaines d’exemples réels de données d’entrée, soumettez-les à un modèle existant avec une consigne rédigée avec soin, et faites juger les résultats par les personnes qui accomplissent la tâche aujourd’hui. Vous saurez vite si l’idée est viable.

De quoi une fonctionnalité d’IA a-t-elle besoin pour fonctionner en production ?

Une démonstration convaincante est la plus petite partie du travail. Pour être fiable dans un vrai produit, une fonctionnalité a besoin des éléments suivants :

• Ancrage dans vos contenus. Des réponses tirées de vos propres contenus vérifiés, et non des connaissances générales du modèle, avec les sources affichées lorsque c’est possible.
• Évaluation. Un ensemble fixe de cas de test avec les résultats attendus, rejoué à chaque changement des consignes ou du modèle. Sans lui, impossible de dire si une mise à jour a amélioré ou dégradé la qualité.
• Garde-fous et solutions de repli. Des limites à ce que la fonctionnalité peut faire, un comportement raisonnable lorsqu’elle doute, et un accès à une personne.
• Interface de relecture. Une interface qui rend le contrôle et la correction du résultat rapides, puisque c’est là que passe désormais le temps de l’utilisateur.
• Confidentialité et conformité. Savoir clairement quelles données sont envoyées à quel fournisseur, où elles sont traitées, si elles sont conservées et ce qui a été annoncé à vos utilisateurs.
• Supervision. L’enregistrement de la qualité, du temps de réponse et du coût d’exploitation.

Qu’est-ce qui détermine le coût et le calendrier d’une fonctionnalité d’IA ?

Contrairement à la plupart des logiciels, les fonctionnalités d’IA ont un coût à l’usage : chaque requête envoyée à un modèle est facturée selon la quantité de texte ou de médias en entrée et en sortie. Le volume, la taille du modèle et la longueur du contexte pèsent tous sur la facture d’exploitation, qu’il faut donc estimer par action utilisateur avant le lancement.

L’effort de développement dépend surtout de l’état de vos données, du nombre de systèmes à intégrer, du niveau de précision attendu et de l’ampleur des outils de relecture nécessaires. La préparation et le nettoyage des contenus sont souvent le plus gros poste. La plupart des produits n’ont pas besoin d’un modèle entraîné sur mesure. Un modèle existant bien choisi, relié à vos contenus et correctement évalué, couvre la majorité des cas.

Comment mesurer si cela fonctionne ?

Définissez l’indicateur avant de construire. Les bons indicateurs sont concrets : temps nécessaire pour accomplir la tâche, part des résultats acceptés sans retouche, nombre de cas traités sans escalade, coût par tâche accomplie comparé au traitement manuel. Suivez aussi l’adoption. Une fonctionnalité exacte mais inutilisée n’a pas créé de valeur.

Fixez un point d’étape après le lancement. Si les chiffres ne justifient pas le coût d’exploitation, simplifiez la fonctionnalité ou retirez-la.

Questions fréquentes

Si vous avez une idée et voulez savoir si elle mérite d’être développée, notre équipe développement IA peut la tester sur vos données réelles et vous donner une réponse franche.