Besoin, données, gains, risques, maturité, décision
Modèle de qualification d'un cas d'usage IA
Une grille commune pour qualifier tout projet ou idée d'usage de l'IA, avant de s'engager. L'objectif : décrire un cas d'usage de la même façon partout dans l'organisation, pour pouvoir le comparer, l'arbitrer et le suivre dans le temps.
| Nom du cas d'usage | ________________________________ |
| Porteur / sponsor | ________________________________ |
| Direction / équipe | ________________________________ |
| Date de qualification | ________________________________ |
🎯 Besoin
Cadrer le problème avant de parler de solution.
- Quel problème métier cherche-t-on à résoudre ? Décrire la situation actuelle et sa limite.
- Pour qui ? Utilisateurs finaux, bénéficiaires, équipes impactées.
- Pourquoi l'IA ? Une solution non-IA (règle métier, automatisation classique) répondrait-elle déjà au besoin ?
- Quelle est la fréquence / le volume du besoin ? Ponctuel, récurrent, à grande échelle.
- Qui est le sponsor métier ? La personne qui porte le besoin et validera le résultat.
📊 Données
Vérifier que les données nécessaires existent, sont accessibles et utilisables.
- Quelles données sont nécessaires ? Nature, format, source, volume.
- Ces données respectent-elles la doctrine IA ? Voir Doctrine des usages des outils IA →
- Contiennent-elles des données personnelles ou de santé ? Si oui, sont-elles anonymisées ou pseudonymisées ?
- Où sont-elles stockées et traitées ? Hébergement, environnement, durée de conservation.
- Quelle est leur qualité ? Fraîcheur, complétude, biais connus.
- Qui est responsable de ces données ? Propriétaire métier, référent technique.
📈 Gains attendus
Objectiver la valeur avant de lancer, pour pouvoir la mesurer après.
- Gains quantitatifs : temps gagné, coûts évités, volumes traités, délais réduits.
- Gains qualitatifs : qualité de service, satisfaction usager/agent, réduction d'erreurs.
- Indicateurs de succès : quels KPI mesureront l'atteinte des gains, et avec quelle cible ?
- Horizon de retour : à quel terme les gains sont-ils attendus (court, moyen, long terme) ?
⚠️ Risques
Identifier les risques par nature, pour pouvoir les traiter plutôt que les découvrir en production.
- Risques métier : erreur d'usage, décision biaisée, dépendance excessive à l'outil.
- Risques techniques : fiabilité, disponibilité, dérive du modèle dans le temps.
- Risques sécurité et conformité : hébergement des données, RGPD, secret professionnel — cf. doctrine IA.
- Risques humains et organisationnels : acceptabilité, montée en compétence, perte de savoir-faire.
- Mesures de mitigation : pour chaque risque majeur, quelle parade est prévue ?
🧭 Maturité
Situer le cas d'usage sur une échelle commune, pour savoir ce qu'il reste à valider avant la suite.
- Niveau actuel : à quel stade de l'échelle se situe le cas d'usage ?
- Prérequis pour passer au niveau suivant : quels livrables ou validations manquent ?
- Retours d'expérience : un cas similaire existe-t-il déjà ailleurs (autre équipe, autre organisation) ?
✅ Décision
Formaliser l'arbitrage, avec ses conditions et sa prochaine échéance.
Go
Le cas d'usage passe au niveau de maturité suivant sans réserve.
Go conditionnel
Passage autorisé sous réserve de lever des conditions précises (données, sécurité, budget...).
Stand-by
Le cas d'usage est mis en attente : priorité, ressources ou prérequis non réunis pour le moment.
No-go
Le cas d'usage est abandonné : risque trop élevé, gain insuffisant, ou alternative plus simple existante.
- Instance de décision : qui valide (comité, sponsor, direction) ?
- Décision retenue : Go / Go conditionnel / Stand-by / No-go.
- Conditions associées : le cas échéant, ce qui doit être levé avant de poursuivre.
- Prochaine étape et échéance : quoi, par qui, pour quand.
- Date de revue : quand le cas d'usage sera-t-il réexaminé ?