Comment choisir un projet d'IA rentable : trier et prioriser ses idées

Une usine a rarement un seul projet d'IA possible. Elle en a dix : reprendre l'historique d'inspection, prédire les pannes, lire les rapports fournisseurs, surveiller l'énergie, préparer les audits. La vraie question n'est pas « peut-on faire de l'IA », mais « lequel de ces projets faut-il financer en premier ».

Se tromper de projet coûte plus cher que de ne rien lancer : le mauvais projet consomme un budget, mobilise des équipes et se referme sans rien prouver, en laissant la conviction que « l'IA, chez nous, ça ne marche pas ».

Choisir un projet IA rentable n'est donc pas un pari d'intuition. C'est un tri : poser une liste de candidats côte à côte, les noter sur les mêmes critères, et financer celui qui paie le plus tôt et le plus sûrement.

Cet article porte sur cette étape amont, celle du choix. Une fois le projet retenu, il reste à chiffrer son retour dans le business case d'un projet d'IA, puis à l'exécuter sans se disperser comme le décrit un premier projet en 90 jours. Ici, on décide seulement lequel mérite ce budget.

Qu'est-ce qui rend un projet d'IA rentable plutôt qu'un gouffre ?

La rentabilité d'un projet d'IA se ramène à une idée simple : la taille de l'irritant multipliée par la part qu'on saura réellement capter.

La taille de l'irritant, c'est sa fréquence multipliée par ce qu'il coûte à chaque fois. Une tâche pénible mais rare pèse peu ; une petite tâche répétée chaque jour pèse lourd. C'est le produit des deux qui compte, jamais l'un sans l'autre.

La part qu'on saura capter, c'est ce qui sépare la théorie de l'argent réel. Elle dépend de trois choses : la faisabilité technique sur vos documents, la disponibilité des données qui nourrissent l'outil, et la capacité de l'organisation à transformer le temps gagné en temps réaffecté. Un gain qui reste sur le papier n'est pas un gain.

Un projet rentable, c'est donc un gros irritant que la technique sait traiter, sur des données présentes, et dont le gain sera effectivement récolté. Retirez un seul de ces éléments et le projet glisse vers le gouffre, même s'il impressionne en réunion.

Quels sont les six critères qui font le tri ?

Six critères suffisent à départager une liste de candidats. Ils ne portent pas sur la solution, mais sur le couple problème-données, c'est-à-dire sur vous.

1. La disponibilité des données

Une IA ne se nourrit que de ce qui existe déjà. Si les rapports sont dispersés en PDF, mal repérés ou introuvables, le premier chantier n'est pas l'IA, c'est la donnée. Un projet qui suppose de constituer les données avant même de commencer n'est pas un projet d'IA rentable, c'est un projet de données déguisé. Cette question tranche souvent à elle seule, et elle est développée dans le choix d'une solution d'IA industrielle.

2. La fréquence de l'irritant

À quelle cadence la tâche revient-elle : chaque jour, chaque semaine, une fois par an ? Plus la fréquence est haute, plus un petit gain unitaire se cumule en un gain annuel qui se voit. Une tâche annuelle, même lourde, met des années à rembourser un projet.

3. La valeur par occurrence

Combien coûte la tâche à chaque fois : temps passé, personnes mobilisées, conséquence d'une erreur ou d'un retard ? Fréquence et valeur se multiplient. Un irritant fréquent mais insignifiant ne vaut pas mieux qu'un irritant lourd mais rare.

4. La faisabilité technique

L'outil sait-il faire, sur vos documents réels et pas sur une démonstration propre ? Lire un rapport bien mis en page est facile ; retrouver une mesure sur un scan de travers signé à la main l'est beaucoup moins. La faisabilité se vérifie sur votre matière, jamais sur la brochure.

5. La réversibilité

Que se passe-t-il si l'IA se trompe ? Une erreur rattrapée avant toute conséquence est un incident ; une erreur qui engage une décision de sécurité est un accident. Un premier projet rentable porte sur des tâches où l'on a le droit de se tromper pendant qu'on apprend. Ce qui engage une responsabilité se garde pour plus tard.

6. Le délai avant le premier résultat

Dans combien de temps verra-t-on quelque chose de vérifiable ? Un projet qui prouve en un trimestre entretient la confiance et débloque le suivant. Un projet qui promet un grand résultat dans dix-huit mois s'essouffle avant d'aboutir, et son gain, même réel, arrive trop tard pour compter.

Comment noter et classer une liste de candidats ?

Ces six critères ne servent que si on les applique à tous les candidats de la même façon. La méthode tient en trois gestes : lister les projets envisagés tels que les formulent ceux qui les portent, noter chaque candidat de 1 à 3 sur chacun des six critères (1 pour faible, 2 pour moyen, 3 pour favorable), puis additionner et regarder ce qui remonte.

La note n'est pas une mesure, c'est un jugement partagé. Sa vertu n'est pas la précision du chiffre, mais le fait de forcer une conversation explicite : pourquoi ce projet a-t-il « 1 » en données ? La discussion vaut souvent plus que le total. Les valeurs ci-dessous illustrent la méthode ; les vôtres dépendront de l'état réel de votre site.

Tableau faisant défiler horizontalement sur petit écran.

Le classement se lit d'un coup d'œil : les tâches documentaires, où la donnée existe déjà, remontent en tête, tandis que le sujet le plus spectaculaire, la prédiction de pannes, tombe en dernier faute de données et de faisabilité.

Récapitulatif : que vérifier, quel signal d'alerte ?

Tableau faisant défiler horizontalement sur petit écran.

Quels pièges transforment un projet en gouffre ?

Quatre projets reviennent à chaque atelier de cadrage, séduisants et systématiquement décevants. Les reconnaître évite d'y engloutir un budget.

Le pilote-vitrine. On choisit le sujet qui impressionnera la direction, pas celui qui paie. La démonstration brille, tout le monde applaudit, puis plus personne n'ouvre l'outil parce qu'il ne résout aucun irritant réel. Un pilote se juge à ce qu'il rembourse, pas à l'effet qu'il produit en réunion.

Le projet sans données. L'irritant est réel, la valeur est là, mais la donnée qui nourrirait l'IA n'existe pas encore. On finance alors un chantier de collecte déguisé en projet d'IA, dont le coût et le délai n'ont plus rien à voir avec l'estimation de départ. Sans données présentes, le meilleur cas d'usage attend.

Le périmètre-océan. Vouloir traiter tout le parc, tous les documents, tous les sites d'un coup. Le projet ne se termine jamais, le gain se dilue, et la preuve n'arrive pas. Un périmètre réduit qui aboutit prouve davantage qu'un périmètre total qui s'enlise.

Les économies fantômes. Le gain était réel sur le papier, mais personne ne l'a récolté. Les heures libérées n'ont été ni réaffectées ni supprimées : elles se sont dissoutes dans le quotidien, et aucune économie n'apparaît nulle part. Un projet n'est rentable que si quelqu'un décide, à l'avance, ce que deviendra le temps gagné.

Une fois le projet choisi, que faire ?

Trier n'est que la première étape. Le candidat retenu doit encore être chiffré, pour vérifier que le gain estimé dépasse le coût d'entrée, puis exécuté sur un périmètre borné. Et pour situer chaque cas d'usage dans l'ensemble de ce que l'IA change en usine, l'IA industrielle pose le décor.

Pour poser la première moitié du calcul, le coût actuel d'une tâche, Assets 4.0 met à disposition un calculateur de retour sur investissement, utile pour comparer plusieurs candidats sur la même base avant d'en retenir un.