La scène est classique. Le prototype fonctionne en réunion, la démo est applaudie, tout le monde est convaincu. Six mois plus tard, l’outil n’est utilisé par personne et le projet est « en pause ».
Ce n’est pas un cas isolé. Gartner prévoyait qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept d’ici fin 2025, en citant la qualité des données, des contrôles de risques insuffisants, des coûts qui dérapent ou une valeur métier floue.
Remarquez ce qui ne figure pas dans la liste : les modèles. Les modèles sont prêts. Ce qui échoue, c’est presque toujours ce qui a été décidé, ou pas, avant la première ligne de code.
Un POC n’est pas un petit produit
Le malentendu de départ est là. On traite le POC comme une version réduite du produit final, alors qu’il est construit pour une seule chose : convaincre en démo. Il tourne sur un échantillon de données propre, sans contrainte de sécurité, sans intégration aux outils réels, sans personne pour le surveiller.
Le jour où il faut passer en production, on découvre tout ce qui manquait : l’accès aux vraies données, les droits, le coût de chaque appel au modèle, la supervision, la reprise sur erreur. Et souvent, il faut tout reconstruire. C’est à ce moment que le budget et la patience s’épuisent.
Les cinq décisions qui se prennent le premier jour
Dans ma pratique d’architecte, je considère qu’un prototype doit être construit comme le premier jour du produit, pas comme une maquette jetable. Concrètement, cinq points se décident avant de coder.
1. Un critère de succès chiffré
« Voir si l’IA peut nous aider » n’est pas un objectif. « Réduire le délai de première réponse du service client », mesuré avant et après, en est un. Sans critère fixé à l’avance, la démo plaît, mais personne ne peut dire si elle vaut l’investissement. Et un projet dont on ne sait pas mesurer la valeur finit par être arrêté.
2. Les vraies données, tout de suite
Un prototype qui fonctionne sur dix exemples choisis ne prouve rien. On travaille dès le départ sur un extrait représentatif de vos données réelles, avec leurs défauts. Si la qualité des données pose problème, autant le savoir le premier jour plutôt que le dernier.
3. L’architecture cible
Où tourne le modèle ? Où restent les données ? Comment l’agent accède-t-il à vos outils, et avec quels droits ? Ces questions ne sont pas des détails de mise en production : elles déterminent ce qui est possible. Quand elles sont tranchées dès le prototype, le même code passe en production. Rien n’est à jeter, rien n’est à refaire.
4. Le coût de fonctionnement
Un modèle de langage coûte à chaque utilisation. Sur dix tests, c’est invisible. Sur des milliers de demandes par mois, c’est une ligne budgétaire. On estime ce coût dès le prototype, en conditions proches du réel, pour que le business case tienne encore une fois en production.
5. Un responsable et des utilisateurs
Un outil sans propriétaire côté métier ne survit pas. Il faut un sponsor qui porte le sujet, et des utilisateurs qui testent dès les premiers jours. S’ils ne gagnent pas de temps, on le voit immédiatement, et c’est une information précieuse.
L’humain dans la boucle, par conception
Beaucoup de projets échouent aussi parce qu’on veut tout automatiser d’emblée. Le premier incident, une réponse fausse envoyée à un client, suffit à faire perdre la confiance.
Mon approche est l’inverse : l’agent prépare, l’humain valide. On automatise ensuite, motif par motif, uniquement là où la mesure montre que c’est fiable. C’est plus lent sur le papier, et beaucoup plus rapide dans les faits, parce que l’outil est adopté au lieu d’être contourné.
Le droit de s’arrêter
Dernier point, souvent oublié : un bon prototype peut conclure qu’il ne faut pas continuer. Si la valeur n’est pas là, le dire au bout de cinq jours coûte infiniment moins cher que de le découvrir au bout de six mois. C’est le principe même d’une preuve : elle peut être négative.
Ce que ça change concrètement
C’est exactement ainsi qu’est construit notre Sprint preuve de 5 jours :
- lundi, on fixe ensemble le critère de succès et on accède aux vraies données ;
- mercredi, vos équipes testent un prototype qui fonctionne, construit sur l’architecture cible ;
- vendredi, vous décidez sur des résultats mesurés : déployer, ajuster ou arrêter.
D’abord la preuve, ensuite le projet. Et quand la preuve est faite, le passage en production n’est plus un nouveau projet : c’est la suite logique du même code.