Article mis à jour le 06/10/2025
L’intelligence artificielle entraîne une révolution au sein des entreprises qui impacte aussi bien l’architecture du système d’information, les rôles, l’organisation que la productivité des métiers. En 2024, 13,5 % des entreprises de l’UE (≥ 10 salariés) déclaraient utiliser au moins une technologie d’IA au niveau de l’organisation en 2024 (+ de 41% pour les grandes entreprises), contre 8 % en 2023 (source : Eurostat).
Cependant, comment passer de l’expérimentation à la mise en production d’une solution IA qui apporte réellement de la valeur aux métiers ? En effet, en 2025, 46 % des projets IA seraient abandonnés entre POC et adoption large (source S&P Global). Mathieu Defianas, Responsable du Centre de Compétences Digital Hub, partage avec nous son retour d’expérience sur la mise en place des POC (Proof Of Concept) sur des projets IA, leurs spécificités et les clés de succès.
Pourrais-tu nous citer quelques exemples de POC et de projets IA au service des métiers ?
Nous accompagnons nos clients sur des projets IA très variés, mais toujours avec une approche pragmatique et orientée métier. Par exemple, nous avons récemment travaillé sur un POC pour un service RH visant à automatiser l’analyse des CV et lettres de motivation afin de faciliter la présélection des candidats. Dans un autre contexte, nous avons mis en place une IA générative pour améliorer la rédaction et la catégorisation automatique de comptes-rendus de réunions. Globalement, l‘assistance documentaire sur des corpus métier sensibles (contrats, procédures…) apporte souvent des résultats intéressants et mesurables.
Un autre cas fréquent concerne les services clients, où l’IA permet d’analyser les demandes entrantes et de proposer des réponses adaptées, réduisant ainsi le temps de traitement et améliorant la satisfaction des utilisateurs. Ce qui est intéressant, c’est que ces Proofs of concept ne se limitent pas à l’expérimentation technologique : ils sont pensés pour être directement exploitables par les métiers, avec un impact mesurable en termes de productivité et d’efficacité.
Quelles sont les spécificités à prendre en compte dans le cadre du POC d’un produit IA ?
La première spécificité, c’est de bien cadrer le périmètre du POC. Le POC d’un produit ou application IA ne doit pas être une expérimentation vague, mais une validation rapide d’un cas d’usage précis. Il faut donc choisir un périmètre limité, avec un objectif business et/ou opérationnel clairement défini et des indicateurs de succès mesurables.
Ensuite, contrairement à d’autres types de Proof of Concept, un POC IA ne se limite pas à une simple démonstration technique. Il doit intégrer la qualité des données, la pertinence des modèles et l’acceptabilité des résultats par les utilisateurs finaux. Il faut aussi anticiper les contraintes de mise en production : un modèle IA peut très bien fonctionner en laboratoire mais être inutilisable en conditions réelles s’il ne prend pas en compte les exigences de performance, de sécurité ou d’éthique.
L‘évaluation d’un produit IA répond également à des critères spécifiques: constituer un jeu d’épreuve représentatif (prompts, documents, cas limites) avec des métriques adaptées : hallucination, aide au premier jet, taux d’override humain, latence, coût par interaction…
De plus, je conseille de cartographier sources, droits, base légale, qualité des données, rétention et traçabilité… Les recommandations de la CNIL sur le développement et l’usage des systèmes d’IA donnent un cadre opérationnel pour vos POC (minimisation, transparence, sécurité, tests de robustesse). Dans le même ordre d’idée, même au stade concept, anticipez la classification AI Act et les obligations : l’AI Act est entré en vigueur le 1ᵉʳ août 2024 ; des interdictions s’appliquent depuis février 2025 et des obligations pour les GPAI commencent août 2025. Les exigences “haut risque” arrivent en 2026–2027. Maintenant donc !
Enfin, la rapidité est clé. Aujourd’hui, les outils d’IA Générative – notamment au travers des plateformes no-code ou low-code – permettent de tester très vite une idée sans mobiliser de gros moyens. Nous utilisons cette approche pour maximiser la valeur en un minimum de temps, avec des cycles courts et itératifs.
Quelles sont selon vous les clés de succès pour réussir le cadrage et la mise en place d’un POC IA ?
D’abord, il est essentiel de bien différencier le développement d’un POC d’un simple test exploratoire (POV ou Proof Of Value). Chez Inside, nous suivons une démarche claire : un POC vient après un POV et avant un MVP (Minimum Viable Product), qui lui-même précède une mise à l’échelle. Cette structuration évite de s’éparpiller et assure une montée en maturité progressive des projets IA. Toujours sur cet aspect de structuration et de normalisation, s’intéresser aux normes ISO/IEC 42001:2023 (AI Management System) et ISO/IEC 23894:2023 (AI Risk Management) apporte un cadre pour faciliter l’industrialisation et les audits ultérieurs.
Ensuite, l’implication des métiers dès le début du Proof of Concept est un facteur déterminant. Un projet IA réussi est un projet où les équipes opérationnelles comprennent la valeur apportée et peuvent s’approprier l’outil. Nous favorisons donc des ateliers collaboratifs pour coconstruire les cas d’usage avec les utilisateurs finaux.
Autre point clé : s’assurer que les données sont exploitables. L’IA repose sur la qualité des données, et un POC peut rapidement échouer si ces données sont incomplètes, mal structurées ou insuffisamment représentatives des cas réels. Nous accompagnons nos clients sur ces aspects dès la phase de cadrage pour éviter les écueils.
Enfin, il faut penser au-delà de la preuve de concept. Trop souvent, les entreprises réussissent leur POC mais peinent à passer à l’industrialisation. Nous intégrons dès le départ une réflexion sur la scalabilité, l’intégration aux systèmes existants et les aspects réglementaires. La mise à l’échelle doit être anticipée le plus tôt possible pour prendre en compte les contraintes potentielles en production et assurer la faisabilité du futur déploiement dans l’organisation.
L’avènement de l’intelligence artificielle n’est pas juste une question de technologie, c’est un changement de paradigme. L’acculturation des équipes est une condition essentielle de réussite : plus elles comprennent le fonctionnement et les enjeux de l’IA, plus elles seront enclines à s’approprier les solutions mises en place. C’est en impliquant les utilisateurs dès le début et en les formant que nous facilitons l’adoption et maximisons l’impact des projets IA.
Et ensuite, si le POC est concluant, quels sont les prochaines étapes et enjeux ?
Si le POC est validé, l’étape suivante est souvent le passage à un MVP (Minimum Viable Product). Il s’agit alors d’élargir le périmètre testé, d’optimiser l’IA et de valider son usage en conditions réelles avec un plus grand nombre d’utilisateurs.
L’un des enjeux clés est aussi l’intégration avec le Système d’Information existant. Un POC IA peut fonctionner en mode isolé, mais dès qu’on passe à une mise en production, il faut gérer l’accès aux bases de données, les connexions API, la gouvernance des modèles et la supervision des performances.
Un autre point important est l’acceptabilité et l’accompagnement au changement. L’IA transforme les processus et peut parfois susciter des inquiétudes. Nous accompagnons nos clients pour favoriser l’adoption, en formant les équipes et en travaillant sur la transparence des résultats.
Enfin, une démarche que nous explorons avec plusieurs clients est la mise en place d’un portail centralisé pour consolider toutes les preuves de concept IA. En effet, au-delà des expérimentations isolées, un portail IA permet de centraliser et d’organiser les différents POC pour en tirer rapidement des enseignements et maximiser leur valeur. L’idée est d’avoir un espace sur lequel on peut poser les éléments de chaque POC (via une interface comme Streamlit), tout en intégrant des automatisations basées sur des appels à l’IA générative. Cela permet de normaliser les workflows, d’accélérer les validations et d’industrialiser progressivement les projets IA.
Pour conclure, lancer un projet de POC IA, c’est avant tout une question de méthodologie et d’alignement avec les besoins métier. En suivant une démarche structurée, en cadrant précisément les objectifs et en anticipant l’industrialisation dès le départ, vous maximisez vos chances de succès et facilitez le passage à l’échelle.
Chez Inside, cette approche est renforcée par l’IAxLab, notre laboratoire dédié à l’IA générative. Véritable espace d’exploration et d’expérimentation, l’IAxLab accompagne les entreprises dans la structuration de leurs projets IA, du POV jusqu’à l’industrialisation, en intégrant une expertise technique, métier et éthique. Il est pleinement intégré à notre organisation : il bénéficie des liens avec nos centres de compétences Digital Hub et Digital Foundation, ainsi que de notre offre DIVA autour de l’accompagnement du changement et de la communication.
Si vous souhaitez explorer comment développer et déployer des POC IA pourrait accélérer vos projets métiers, parlons-en !
Echangeons autour de vos initiatives pour mettre l’IA au service de vos métiers !