Réponse courte : le meilleur premier cas d'usage IA n'est pas celui qui promet le gain maximal. C'est celui qui permet d'apprendre vite dans un périmètre utile, mesurable et réversible. Il part d'une tâche précise, dispose de données utilisables, produit un résultat qu'un humain peut vérifier et possède un responsable capable d'arrêter le pilote.
Cette règle évite deux impasses : choisir une démonstration spectaculaire sans effet opérationnel, ou confier trop tôt à l'IA une décision difficile à contrôler. Le premier pilote doit créer une boucle d'apprentissage fiable, pas prouver que l'entreprise « fait de l'IA ».
Partir d'un cas d'usage, pas d'un outil
« Déployer un assistant IA » n'est pas un cas d'usage. « Préparer une réponse aux demandes de niveau 1, soumise à validation avant envoi » en est un. La seconde formulation indique l'utilisateur, l'entrée, l'action, la sortie et la place du contrôle humain.
Formulez chaque candidat sur une ligne :
Pour [utilisateur], à partir de [entrée], le système aide à [tâche] afin d'améliorer [mesure], sous le contrôle de [responsable].
Ajoutez ce que le système ne fera pas. Une frontière négative — « aucun message envoyé automatiquement », « aucune écriture comptable sans validation », « aucun rejet de candidature » — réduit l'ambiguïté et rend le pilote testable.
Le NIST structure la gestion des risques IA autour de quatre fonctions : govern, map, measure, manage. Sa fonction map demande notamment de documenter le contexte, la valeur métier, les coûts, les limites, la supervision humaine et l'opportunité même d'utiliser l'IA. La sélection d'un premier cas d'usage commence donc avant le choix d'un modèle.
Six portes à franchir avant de calculer un score
La matrice qui suit sert à départager des candidats acceptables. Elle ne doit pas compenser un blocage juridique, humain ou opérationnel. Si une réponse reste « non », le cas d'usage retourne au cadrage.
- Finalité et données défendables : l'objectif est précis, les données nécessaires sont identifiées et leur utilisation peut être justifiée. Lorsque des données personnelles sont traitées, la CNIL rappelle qu'une finalité déterminée, explicite et légitime doit cadrer le projet.
- Responsable nommé : une personne répond du résultat métier, des règles d'usage, des incidents et de la décision de poursuivre ou d'arrêter.
- Sortie vérifiable : un professionnel sait distinguer une réponse acceptable d'une réponse erronée à partir de critères explicites.
- Pilote réversible : le périmètre peut être désactivé sans bloquer l'activité, léser une personne ni contaminer silencieusement un système de référence.
- Point de départ mesuré : le délai, le coût, le taux d'erreur ou la qualité actuelle sont connus sur un échantillon représentatif.
- Procédure d'arrêt : les erreurs critiques, la personne autorisée à suspendre et le retour au processus manuel sont définis avant le test.
« Nous vérifierons les réponses » n'est pas encore une procédure. Il faut préciser qui vérifie, sur quel échantillon, avec quelle grille, dans quel délai et ce qui déclenche l'arrêt.
La matrice pondérée pour comparer les candidats
Notez chaque critère de 1 à 5, puis calculez sa contribution :
contribution = note × poids / 5
Le total maximal est de 100. Conservez à côté de chaque note la preuve utilisée : mesure, échantillon, cartographie de données, test ou décision signée. Une note sans preuve est une hypothèse à vérifier.
| Critère | Question à trancher | Preuve attendue | Poids |
|---|---|---|---|
| Référence mesurable | Peut-on comparer avant et après ? | Délai, coût, volume, erreurs ou score qualité actuel | 15 |
| Fréquence et valeur | Le problème se répète-t-il assez pour justifier le test ? | Volume mensuel et valeur d'une amélioration unitaire | 15 |
| Données prêtes | Les entrées sont-elles accessibles, pertinentes et utilisables licitement ? | Échantillon, propriétaire, qualité et règle de conservation | 15 |
| Résultat vérifiable | Un humain peut-il détecter une mauvaise sortie avant son effet ? | Grille d'acceptation et jeu de cas annotés | 15 |
| Réversibilité | Une erreur reste-t-elle contenue et récupérable ? | Mode brouillon, journal, retour arrière et bouton d'arrêt | 15 |
| Coût du contrôle humain | La supervision conserve-t-elle un gain net ? | Temps de revue par sortie et taux de correction | 10 |
| Effort d'intégration | Le test peut-il fonctionner sans refondre le système ? | Applications touchées, accès, sécurité et délai de mise en place | 10 |
| Responsable opérationnel | Une personne possède-t-elle l'objectif et la décision finale ? | Nom, disponibilité, budget et pouvoir d'arrêt | 5 |
Lecture proposée : de 85 à 100, candidat fort ; de 70 à 84, pilote possible avec les faiblesses explicitement traitées ; de 50 à 69, cadrage à reprendre ; sous 50, mauvais premier cas. Ces seuils organisent une discussion, ils ne constituent ni une certification ni une analyse de conformité.
Trois scénarios pédagogiques, notés avec la même grille
Les exemples suivants sont fictifs. Ils rendent la méthode visible ; ils ne présentent pas des résultats clients ni des gains garantis.
Scénario pédagogique 1 — Trier les demandes support et préparer un brouillon
Une équipe reçoit 1 200 demandes mensuelles. Elle veut proposer une catégorie, retrouver deux passages de documentation et préparer une réponse que l'agent accepte, corrige ou rejette. Aucun message ne part sans validation.
| Critère | Note | Contribution | Justification pédagogique |
|---|---|---|---|
| Référence mesurable | 5/5 | 15 | Délais et réouvertures déjà mesurés |
| Fréquence et valeur | 4/5 | 12 | Volume fréquent, gain unitaire modéré |
| Données prêtes | 4/5 | 12 | Historique disponible après filtrage et règles d'accès |
| Résultat vérifiable | 5/5 | 15 | L'agent contrôle sources, ton et exactitude |
| Réversibilité | 5/5 | 15 | Sortie limitée à un brouillon |
| Coût du contrôle humain | 4/5 | 8 | Revue plus courte qu'une rédaction complète |
| Effort d'intégration | 4/5 | 8 | Test possible sur export avant connexion |
| Responsable opérationnel | 5/5 | 5 | La responsable support possède les critères |
| Total | 90/100 | Candidat fort |
Le pilote mesure le temps de traitement, le taux de brouillons acceptés sans correction majeure, les erreurs critiques et les réouvertures. Le gain de vitesse n'est accepté que si la qualité ne baisse pas.
Scénario pédagogique 2 — Extraire les champs de factures avant validation
Une équipe financière veut extraire fournisseur, date, montants, TVA et référence de commande. La sortie alimente une file de contrôle ; elle ne crée pas seule une écriture comptable.
| Critère | Note | Contribution | Justification pédagogique |
|---|---|---|---|
| Référence mesurable | 5/5 | 15 | Temps et corrections observables par facture |
| Fréquence et valeur | 4/5 | 12 | Volume stable avec pics mensuels |
| Données prêtes | 3/5 | 9 | Formats et qualité hétérogènes |
| Résultat vérifiable | 4/5 | 12 | Comparaison possible avec le document source |
| Réversibilité | 4/5 | 12 | File d'attente séparée, aucune écriture automatique |
| Coût du contrôle humain | 3/5 | 6 | Chaque facture reste relue au départ |
| Effort d'intégration | 3/5 | 6 | Plusieurs formats et règles comptables |
| Responsable opérationnel | 4/5 | 4 | Responsable comptable disponible |
| Total | 76/100 | Pilote possible avec conditions |
Avant de construire, l'équipe constitue un échantillon représentatif : fournisseurs fréquents, scans médiocres, avoirs, devises et cas incomplets. Si le processus repose encore sur des fichiers concurrents, le diagnostic des sept signes que l'entreprise a dépassé Excel permet de traiter le problème de système avant d'ajouter une couche d'IA.
Scénario pédagogique 3 — Rejeter automatiquement des candidatures
Une entreprise envisage de classer les CV et d'écarter sans revue ceux qui passent sous un seuil. Le résultat influence directement l'accès à l'emploi, les critères peuvent reproduire des biais historiques et une personne écartée ne peut pas corriger l'erreur avant son effet.
| Critère | Note | Contribution | Justification pédagogique |
|---|---|---|---|
| Référence mesurable | 3/5 | 9 | Le délai existe, mais pas la qualité décisionnelle de référence |
| Fréquence et valeur | 3/5 | 9 | Volume réel, valeur difficile à isoler |
| Données prêtes | 2/5 | 6 | Données personnelles et historique potentiellement biaisé |
| Résultat vérifiable | 1/5 | 3 | Une « bonne » décision reste contestable |
| Réversibilité | 1/5 | 3 | Rejet subi avant contrôle |
| Coût du contrôle humain | 1/5 | 2 | Une revue sérieuse annule le principe du rejet automatique |
| Effort d'intégration | 3/5 | 6 | Connexion techniquement faisable, gouvernance lourde |
| Responsable opérationnel | 2/5 | 2 | Responsabilités juridique, RH et métier non alignées |
| Total | 40/100 | À écarter comme premier cas |
Le cas échoue surtout aux portes « sortie vérifiable » et « réversibilité » : le score ne peut pas le sauver. La Commission européenne classe les outils d'IA utilisés pour l'emploi, dont le tri de CV, parmi les cas à haut risque. Sa page de mise en œuvre, vérifiée le 29 juillet 2026, indique que les règles correspondant aux domaines de l'annexe III s'appliqueront à partir du 2 décembre 2027 après l'AI Omnibus. Ce calendrier différé ne suspend ni le RGPD ni les autres obligations déjà applicables et ne transforme pas ce cas en bon pilote.
Transformer le candidat retenu en contrat de pilote
Un score élevé autorise une expérience limitée, pas un déploiement général. Écrivez une fiche d'une page avec :
- le périmètre : utilisateurs, volumes, langues, canaux et cas exclus ;
- la référence : mesure actuelle et échantillon de comparaison ;
- les critères : qualité minimale, erreurs critiques et délai cible ;
- la supervision : qui relit, quel pourcentage, avant ou après l'action ;
- les données : origine, accès, minimisation, conservation et suppression ;
- la traçabilité : version du système, entrée, sortie, correction et décision humaine ;
- l'arrêt : seuils, responsable, retour manuel et traitement des sorties déjà produites ;
- la décision finale : date, preuves attendues et choix entre arrêter, corriger, prolonger ou déployer.
Le NIST recommande de tester les systèmes avant déploiement puis de les suivre en fonctionnement, avec des mesures documentées. Pour une IA générative, son profil spécifique complète le cadre avec des actions de test et de gestion adaptées aux risques de ces systèmes. Le contrôle doit donc mesurer les erreurs importantes, pas seulement la satisfaction ou le temps gagné.
Mesurer le gain net, pas la démonstration
Choisissez une mesure métier principale et deux garde-fous. Pour le support, la mesure principale peut être le temps médian jusqu'à une réponse résolutive ; les garde-fous, le taux de réouverture et le nombre d'affirmations non étayées. Pour l'extraction documentaire, mesurez le temps de traitement, puis protégez le taux d'erreur sur les montants et la proportion de cas nécessitant une reprise complète.
Calculez aussi le coût de revue :
gain net = temps évité en production − temps de contrôle − temps de correction − coût d'exploitation
Un pilote qui produit plus vite des sorties qu'il faut relire intégralement peut déplacer le travail sans le réduire. Le résultat utile n'est pas « 80 % de réponses générées », mais « une qualité au moins stable pour un coût total inférieur, dans un périmètre maîtrisé ».
La bonne première décision est parfois de ne pas utiliser l'IA
Si les entrées sont incohérentes, si les règles changent chaque semaine ou si personne ne possède le processus, commencez par corriger ces fondations. Une règle déterministe, une recherche mieux structurée, un formulaire ou une automatisation classique peuvent résoudre le problème avec moins de variabilité.
Le premier cas d'usage IA doit apprendre à l'entreprise à cadrer, tester, surveiller et arrêter. Choisissez une tâche assez importante pour produire une valeur visible, mais assez contenue pour que l'erreur soit détectée avant son effet. C'est cette combinaison — utilité, preuve, contrôle et réversibilité — qui prépare les cas plus ambitieux.
Sources consultées
- NIST — AI Risk Management Framework, page consultée le 29 juillet 2026 ; le NIST indique que la version 1.0 est en cours de révision.
- NIST AI Resource Center — AI RMF Core : Govern, Map, Measure, Manage, consulté le 29 juillet 2026.
- NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1, juillet 2024.
- CNIL — Développement des systèmes d'IA : les recommandations pour respecter le RGPD, 22 juillet 2025.
- Commission européenne — AI Act : cadre réglementaire et calendrier d'application, calendrier vérifié le 29 juillet 2026.