L'intelligence artificielle offre un potentiel immense, mais de nombreux projets échouent avant même de décoller. Sur nos projets industriels menés avec des graphes de connaissance, trois obstacles reviennent systématiquement et bloquent le passage à l'échelle.
La malédiction des données incomplètes
Le problème le plus fréquent dans l'industrialisation de l'IA est l'absence de données complètes et fiables. Sur le développement d'un algorithme prédisant le coût et le délai des modifications d'avions, la faisabilité a été démontrée sur un jeu de données limité, mais le manque de données exhaustives a empêché le passage à l'échelle. Le temps que les data scientists passent à courir après la donnée bloque l'industrialisation et ralentit la validation interne.
Structurer les données dès le départ
Construire une ontologie métier, c'est-à-dire une carte des dépendances et des relations entre les données, avant même de lancer la preuve de concept, permet trois choses.
- +Standardiser la collecte de données.
- +Accélérer la vélocité de la preuve de concept avec des jeux de données de test.
- +Faciliter l'accès aux données réelles au moment de l'industrialisation.
L'anarchie dans l'exploration des données
Sans centralisation, la recherche de données devient chaotique. Après l'incendie d'une usine fournissant des vis en titane pour l'A320, six équipes différentes ont exploré des jeux de données séparés et produit des résultats incohérents, chacune avec ses propres sources, sans coordination.
Un socle de connaissance partagé
Un système guidé par la connaissance, sous forme de place de marché de graphes ou d'agents, permet de diriger les équipes vers les sources fiables, de capitaliser sur le travail déjà réalisé dans d'autres départements, et de réduire les erreurs tout en accélérant l'industrialisation.
Le mythe des attentes irréalistes
Enfin, beaucoup de projets échouent sur un manque de réalisme. L'enthousiasme pour l'IA mène à des attentes démesurées : il nous est arrivé qu'un client demande qu'une IA génère automatiquement une maquette Figma à partir d'une étude UX. Théoriquement possible, mais à un coût rarement justifiable.
L'enjeu est d'expliquer ce que l'IA réalise de manière efficace et économiquement viable, en délimitant clairement le périmètre du possible.
Maîtriser les fondations avant l'envol
Le succès d'une initiative d'IA ne dépend pas uniquement de l'algorithme ou du talent du data scientist, mais de la maturité des fondations du projet. Les échecs rencontrés ne sont pas techniques : ils sont organisationnels et méthodologiques, entre manque de données fiables, absence de gouvernance claire et décalage entre les ambitions et la réalité économique.
Pour que l'IA tienne ses promesses, il faut d'abord résoudre le problème de la donnée et de la gouvernance, et passer du stade artisanal à une approche industrielle et réaliste.