SCALE AI a cofinancé plus de 200 projets d’IA et, au fil de cette expérience, a acquis de nombreux enseignements sur les conditions à réunir pour assurer le succès d’un projet d’IA.
Notre expérience démontre que plusieurs causes fréquentes d’échec sont liées à des hypothèses formulées par les équipes lors de la planification des projets.
Hypothèse 1 : Le succès technique mènera naturellement à des retombées d’affaires
Lorsqu’une approche scientifique rigoureuse est choisie — sur la base des résultats d’une preuve de concept ou d’une revue de la littérature — et que les bonnes expertises en développement de l’IA sont mobilisées pour réaliser le travail, le succès technique est généralement au rendez-vous.
Le problème survient lorsqu’il n’existe pas d’alignement clair entre les résultats produits par le modèle, leurs retombées opérationnelles et, ultimement, leur incidence sur les résultats financiers de l’entreprise.
Sans ce cadre de mesure en trois étapes — présenté en détail dans notre livre blanc Measure What Matters: A Three-Layer Measurement Framework for AI Projects — et sans une gestion appropriée, les équipes techniques peuvent considérer le projet comme une réussite alors que les équipes d’affaires peinent encore à en constater la valeur.
Hypothèse 2 : Les données sont prêtes parce que quelqu’un a dit qu’elles le seraient
Il est maintenant largement reconnu que les données constituent un intrant essentiel pour produire une solution d’IA et un modèle de qualité.
Ce qui demeure tout aussi fréquent, toutefois, ce sont les incompréhensions et les hypothèses erronées quant à la préparation réelle des données avant leur utilisation par le modèle.
La qualité, la quantité et la disponibilité des données doivent être validées avant que celles-ci puissent être considérées comme prêtes à être utilisées.
Présumer que le consentement d’un tiers à fournir des données a déjà été obtenu. Présumer que la définition de « données de bonne qualité » est la même pour tous. Présumer que deux années de données suffisent pour entraîner le modèle. Voilà le type d’hypothèses que nous avons vu compromettre discrètement des projets d’IA.
Hypothèse 3 : Si la solution d’IA fonctionne, les gens l’utiliseront
Même si l’importance de la gestion du changement dans tout projet technologique est répétée depuis longtemps, elle demeure l’une des causes d’échec les plus fréquentes dans les projets d’IA.
Il arrive notamment que les opérateurs ne soient pas suffisamment consultés sur le fonctionnement réel des processus au quotidien, sur les endroits où l’IA pourrait véritablement leur apporter de la valeur ou encore sur la façon dont le modèle produira ses résultats.
Le succès est un travail d’équipe. Lorsque les équipes techniques et d’affaires ne collaborent pas étroitement sur les détails de ce que la solution accomplira, de la manière dont elle fonctionnera et, finalement, de la façon dont les opérateurs l’intégreront à leurs méthodes de travail, le risque d’échec du projet augmente considérablement.
À ALL IN 2026, Sean Duckett, directeur principal des investissements chez SCALE AI, présentera la conférence « Planifier pour réussir : le cadre d’évaluation des projets d’IA de Scale AI ».
Cette session vise à partager l’expérience et les principaux apprentissages de SCALE AI afin d’aider les dirigeants d’entreprise à éviter certains des pièges les plus courants que nous avons observés et à augmenter les chances de réussite de leurs projets d’IA.
Inscrivez-vous à ALL IN 2026 pour assister à la conférence!