L’intelligence artificielle (IA) s’est glissée partout dans notre quotidien. Elle nous aide à préparer notre liste de courses, à trouver la réponse à des questions simples et complexes ou encore à rédiger un message en quelques secondes. Pour beaucoup d’entre nous, son usage est devenu un réflexe.
Et les grandes entreprises l’ont bien compris : cette technologie est un formidable levier de productivité et d’innovation. Mais entre les annonces spectaculaires et la réalité opérationnelle, une question se pose : comment transformer l’effervescence autour de l’IA en usages robustes, pertinents et pérennes ?
C’est précisément le défi auquel font face les grands groupes. Pour l’éclairer, nous avons échangé avec Benjamin L’hyver, Chief Data Science Officer, et Guillaume Jaeger, Directeur Conseil & Transformation chez Eulidia, cabinet de conseil et d’expertise technique spécialisé en Data et IA depuis 2008. Ils partagent leurs observations de terrain sur les besoins réels des organisations et les bonnes pratiques à adopter.
Un marché en pleine effervescence, mais en quête de rationalisation
L’IA est partout aujourd’hui, avec des métiers qui multiplient les expérimentations, ce qui est une excellente chose. Mais la vraie valeur naît quand on réussit à transformer ces initiatives en solutions robustes et pérennes.
Derrière cet engouement se cachent toutefois de nouveaux défis : comment garantir la pertinence des projets, assurer leur conformité et éviter que chaque département n’avance en ordre dispersé ? Pour les grands groupes, l’enjeu est désormais de structurer cette énergie, de l’aligner sur les priorités business et de l’inscrire dans une démarche d’accompagnement globale.
Les directions attendent aujourd’hui moins de “créativité” à tout prix que de robustesse : des solutions fiables, rapides, conformes et capables de s’intégrer dans les process existants. L’année 2025 devrait donc marquer un tournant, avec trois priorités majeures :
Acculturer les équipes pour rendre les projets plus pérennes et maximiser leur adoption.
Harmoniser les pratiques afin de mieux contrôler la conformité.
Rationaliser les usages pour réduire les coûts et unifier les méthodes
Quelques exemples de cas d’usage d'IA dans les grands groupes
Si la médiatisation des IA génératives a élargi le champ des possibles, les cas d’usage qui se déploient aujourd’hui dans les grands groupes sont avant tout pragmatiques et orientés vers la valeur opérationnelle. Parmi eux :
Des moteurs de recherche capables de répondre en langage naturel.
Des assistants métiers pour les fonctions techniques et de back-office.
L’automatisation des réponses aux appels d’offres (AO).
Le narrative reporting.
Côté technologies, certains standards se confirment : on peut citer Snowflake, Dataiku, Databricks, mais aussi les LLMs classiques (de fournisseurs comme OpenAI, Mistral AI, Google…), et des solutions no-code comme N8N.
Un nouveau terrain de jeu, des fondamentaux qui restent les mêmes
Pour Guillaume Jaeger, un dispositif IA, comme tout projet data, repose sur trois strates complémentaires. La première est la strate métier, avec d’un côté les utilisateurs finaux qui expriment leurs besoins et, de l’autre, les directions qui définissent les priorités et la roadmap. La deuxième est la strate technique, composée des data scientists, data engineers, data architects ou encore analysts, qui développent les solutions et construisent les fondations technologiques. Entre les deux se trouve une strate essentielle : celle des Product Owners et Product Managers, véritables chefs d’orchestre qui font le lien entre métiers et technique, traduisent les besoins en cas d’usage concrets et veillent à ce que chaque projet génère une réelle valeur business.
Sans une articulation claire entre métiers, PO/PM et équipes techniques, les projets risquent de rester éclatés, expérimentaux ou déconnectés de la valeur business. Mais lorsque le dispositif fonctionne dans son ensemble, l’IA devient un produit robuste, pertinent et adopté par les utilisateurs.
Et contrairement à certaines idées reçues, l’IA n’a pas bouleversé les compétences attendues. « Ce qui fait un bon Product Owner ne change pas avec l’IA », explique Guillaume Jaeger. Ce qui fait la différence reste :
Une communication claire, à l’oral comme à l’écrit.
La capacité à vulgariser et pédagogiser la technique.
La compréhension des enjeux business.
L’anticipation de l’usage de l'application au long cours.
Une gestion de projet efficace.
L’IA met toutefois en avant une dimension nouvelle : l’importance de l’UX/UI. Les outils IA s’adressent à des publics qui ne sont pas forcément habituées à utiliser des solutions techniques ce qui fait leur force. Cependant, l’interface devient un critère critique pour l’adoption.
Choisir le bon cas d’usage pour un projet IA solide
Au-delà de la technologie, la réussite d’un projet IA dépend surtout d’une méthode solide. Chez Eulidia, cela passe d’abord par la définition, puis la priorisation des cas d’usage, grâce à une grille d’évaluation de 54 critères, répartis en 5 piliers, ensuite synthétisés en 2 axes : intérêt et faisabilité, afin de concentrer les efforts sur les projets les plus pertinents.
L’adoption est un autre pilier qui s’appuie sur un sponsor côté utilisateurs finaux, owner du produit, impliqué dès le départ. Il joue un rôle clé dans la récolte des feedbacks et l’évolution continue de la solution.
Côté ROI, Eulidia défend une approche « humble et pragmatique » explique Guillaume Jaeger. Les gains mesurables comme le nombre d’utilisateurs ou le temps gagné sont suivis, mais il reste difficile de tout chiffrer, surtout quand l’outil s’adresse à des fonctions transverses. Voici tout de même certains succès déjà observés :
Gain de plusieurs semaines sur le remplissage d’AO.
Autonomie des directions et des Business Analysts
Accès à des bases de connaissances complexes pour les utilisateurs finaux
Rapidité et efficacité accrue d’interventions industrielles complexes
Diminution de la sollicitation inutile des assistances en promeuvant le "self care"
Accélération de l'onboarding de nouveaux arrivants via des assistants dédiés
Diminution de l'impact du départ de personnes clés
Enfin, des points de vigilance sont présents. Si les coûts de maintenance sont prévus dès la conception, ce sont les coûts d’utilisation, liés au volume de requêtes, qui restent les plus difficiles à maîtriser. À cela s’ajoutent les enjeux de cybersécurité et de confidentialité d’une importance capitale, et qui doivent être intégrés dès la phase amont pour sécuriser le projet.
Vers un nouvel équilibre entre DSI et métiers
L’IA ne bouleverse pas seulement les process, elle redessine aussi la gouvernance des projets. Comme le souligne Benjamin L’hyver : « Avec la GenAI, ce n’est plus seulement l’IT qui porte les projets, mais aussi les métiers qui viennent chercher des expertises ».
Pour les grands groupes, cela marque un tournant. L’époque où les initiatives data restaient cantonnées à la DSI est révolue : désormais, les directions métiers s’impliquent directement dans la définition et la conduite des projets. Cette évolution exige de nouvelles façons de collaborer, où chaque partie prenante, IT, métiers et fonctions transverses, joue pleinement son rôle.
Et pour accompagner ce mouvement, LittleBig Connection permet aux grands groupes d’accéder rapidement aux expertises dont ils ont besoin, en créant un lien direct et transparent avec des freelances et des sociétés de conseil spécialisées comme Eulidia. Un levier supplémentaire pour transformer l’IA en projets concrets et créateurs de valeur.
