Use case discovery : identifier les bons projets IA

Méthodologie de découverte de cas d'usage IA

Toutes les tâches ne bénéficient pas de l'IA. Cette méthodologie permet d'identifier systématiquement les cas d'usage à fort impact et haute faisabilité.

La matrice Impact × Faisabilité

Classer chaque cas d'usage potentiel sur deux axes :

• Impact : Valeur business si le cas est résolu (temps gagné × volume × valeur)
• Faisabilité : Probabilité de succès technique avec les LLMs actuels

         Impact élevé
              |
   Quick      |    Priorité
   Wins       |    #1
              |
--------------+-------------- Faisabilité
              |
   Éviter     |    Explorer
   (pour      |    (R&D)
   l'instant) |
              |
         Impact faible

Signaux qu'une tâche est bonne pour l'IA

Signaux positifs

• Tâche répétitive avec des variations
• Un humain peut l'expliquer en quelques phrases
• Données d'entraînement/exemples disponibles
• Tolérance à l'erreur (l'humain peut vérifier)
• Volume élevé (ROI via l'échelle)
• Goulot d'étranglement actuel (temps, expertise rare)

Signaux négatifs

• Nécessite un jugement éthique complexe
• Conséquences graves d'une erreur (médical, juridique sans review)
• Pas de données ou de gold standard
• Tâche unique et non répétitive
• Besoin de précision à 100% sans vérification humaine

Processus de discovery en 5 étapes

1. Audit des processus (1-2 semaines)

Interviewer les équipes :

- Quelles tâches prenent le plus de temps ?
- Lesquelles sont les plus ennuyeuses/répétitives ?
- Où faites-vous le plus d'erreurs ?
- Quelles tâches requièrent de lire/résumer/classifier du texte ?
- Quels processus sont bloqués par manque de ressources humaines ?

2. Scoring des candidats

3. Proof of Concept rapide (1-2 semaines)

Pour les top 3 candidats :

• Tester avec un prompt simple + 10 exemples réels
• Évaluer la qualité sans ingénierie poussée
• Si >60% de qualité acceptable : feu vert pour le développement

4. Estimation du ROI

Pour chaque PoC validé, calculer le ROI avec le framework dédié.

5. Priorisation finale

Classer par : (Impact × Probabilité de succès) / Effort estimé

Cas d'usage à haut taux de succès

• Résumé et extraction d'informations de documents
• Classification et routing de messages/tickets
• Génération de brouillons (emails, rapports, descriptions)
• Q&A sur documentation interne (RAG)
• Traduction et localisation de contenu
• Analyse de sentiment sur les avis clients

Cas d'usage à éviter pour commencer

• Décisions autonomes sans humain dans la boucle
• Domaines hautement réglementés sans expert validateur
• Tâches nécessitant des données temps-réel non disponibles
• Remplacer complètement un expert humain