Passer l'IA à l'échelle : le frein n'est plus la technologie

Le prototype fonctionne. La démonstration a convaincu le comité de direction, les métiers attendent la suite, le budget suit. Puis le projet s’enlise, quelque part entre la phase de test et la mise en production. Personne ne l’a abandonné : il n’avance plus. Pour beaucoup de DSI, la scène est familière. Elle signale un déplacement du problème : le passage à l’échelle de l’IA ne bute plus sur la technologie, mais sur l’organisation des compétences IA.

Une IA déployée, des équipes qui ne suivent pas

Les enquêtes confirment ce que les DSI observent. D’après Kyndryl, 77 % des organisations ont déployé l’IA générative à l’échelle, sur plusieurs fonctions. Seules 23 % jugent pourtant leurs équipes pleinement prêtes, et cette confiance recule d’une année sur l’autre.

Tout le sujet tient dans cet écart : d’un côté, ce que les organisations déclarent avoir fait ; de l’autre, ce qu’elles savent réellement exécuter.

Anthony Bergès, Directeur Général d’Inop’s et DGA de Freelance.com, situe le moment où les projets décrochent :

« Les entreprises sont très vite passées de l’intention à l’expérimentation. Mais 1 projet sur 2 ne passe pas la phase de test. L’enjeu se situe aujourd’hui sur l’étape du passage à l’échelle avec l’objectif de structurer, prioriser et ancrer l’IA dans le quotidien. »

Le décrochage n’a rien d’exceptionnel. D’après Cloudera, 95 % des organisations ont retardé ou annulé au moins une initiative IA dans l’année, pour des raisons de gouvernance des données, de conformité ou de réglementation. Presque toutes, donc. Lancer une expérimentation ne pose plus de difficulté majeure ; la faire tenir en production, si.

Pourquoi changer d’outil ne règle rien

Si la technologie était seule en cause, il suffirait d’en changer. Le blocage se loge ailleurs, à la jonction de deux forces que les organigrammes absorbent mal.

Une chaîne suspendue à la donnée

Un système d’IA ne se résume plus à un modèle. Il assemble agents, flux de données, interfaces et supervision, et chacune de ces briques repose sur une donnée structurée, accessible et gouvernée. Un projet peut convaincre en démonstration et rester impossible à industrialiser, faute d’une donnée prête et des profils capables de la faire circuler d’un bout à l’autre de la chaîne. La difficulté grandit à mesure que les métiers lancent leurs propres usages, souvent hors des cadres de la DSI.

Des savoir-faire à durée de validité réduite

Modèles, frameworks et outils se renouvellent souvent avant d’avoir mûri. Inop’s, la néo-ESN du groupe Freelance.com, a posé la question directement aux DSI de grands groupes français dans son baromètre de l’obsolescence des compétences IT : 74 % d’entre eux voient dans la rapidité des innovations un facteur majeur d’obsolescence. Ce chiffre n’est pas une projection de marché. C’est le diagnostic que les DSI portent eux-mêmes sur les compétences qu’ils pilotent [LIEN INTERNE : satellite « Obsolescence et upskilling »].

Les choix technologiques restent structurants, mais leur horizon de validité se réduit. La responsabilité du DSI glisse vers la gestion du risque et du tempo, avec des décisions qui doivent en partie rester réversibles. Et ce qui vaut pour les technologies vaut pour les équipes chargées de les faire tourner.

Former, recruter : deux réponses qui se resserrent

Face à cette usure, le réflexe consiste à former ou à recruter. Les dirigeants affichent une préférence nette : d’après Kyndryl, 94 % estiment que l’IA rend la montée en compétences des collaborateurs existants préférable au recrutement externe. Mais 52 % constatent qu’il est devenu plus difficile, en un an, de trouver des profils dotés des bonnes compétences IA.

Les organisations veulent former, et la solution de repli se complique. Dans le même temps, les rôles se recomposent : chefs de projet IA, experts en gouvernance, développeurs qui intègrent une dimension produit ou métier [LIEN INTERNE : satellite « Nouveaux métiers de l’IA »]. Les fiches de poste décrivent de moins en moins ce que les projets demandent réellement.

Surtout, former prend du temps, et la pression sur les résultats n’attend pas. Jonathan Bodin, Directeur stratégie et développement de Seenovate, résume l’autre versant de l’équation :

« La réflexion IA doit être élevée à un niveau stratégique, mais très vite, il faut un livrable et un ROI. »

Le DSI se retrouve pris en tenaille : des équipes à faire évoluer dans la durée, des résultats attendus à court terme [LIEN INTERNE : Comment rentabiliser les projets d’IA ?], un marché de l’emploi qui ne comble plus l’écart. Recruter et former restent nécessaires. Ils ne suffisent plus.

Du stock au flux : le déplacement à opérer

Le livre blanc Freelance.com × Inop’s part d’un renversement : accéder aux compétences compte désormais davantage que les posséder. Les compétences IA ne forment plus un stock à constituer poste par poste, mais un flux à organiser, à mobiliser et à renouveler au rythme des projets. Il remet en cause trois habitudes installées : la structuration par postes, la planification linéaire des projets et la séparation stricte entre interne et externe.

Ce renversement change aussi le statut de l’expertise externe. Les organisations l’ont longtemps traitée comme une variable d’ajustement, à solliciter quand la charge déborde. Elle relève désormais d’une logique de partenariat. Les compétences cœur restent le socle, mais elles ne suffisent plus à elles seules.

Énoncé ainsi, le principe paraît simple. La difficulté commence au moment de l’appliquer. Qui porte le sujet, et avec quelle responsabilité ? À quel rythme revoir les besoins, et dans quelle instance ? Comment savoir, à un instant donné, quelles compétences sont disponibles et lesquelles manquent ? Que consolider en interne, et que chercher à l’extérieur ? Chacune appelle une réponse précise, adaptée au fonctionnement réel d’une DSI.

Un écart qui se joue sur le délai

Le prototype du début ne manquait ni de technologie ni de budget. Il lui manquait des compétences réunies au bon moment. Ces expertises existent, en interne comme sur le marché ; la difficulté tient au délai pour les identifier et les connecter aux projets qui en ont besoin. C’est dans ce délai que se creuse l’écart entre ce que les organisations ont déployé et ce qu’elles savent exécuter.

Le livre blanc « IA : structurer les compétences pour passer à l’échelle » apporte des réponses à ces questions de mise en œuvre. Au-delà de l’analyse, il propose une fiche de pilotage opérationnelle : les points de gouvernance à clarifier, les rituels à installer dans le fonctionnement de la DSI, les dispositifs qui rendent le portefeuille de compétences visible et mobilisable.

[Télécharger le livre blanc — IA : structurer les compétences pour passer à l’échelle]([URL LANDING LIVRE BLANC])