Partie 1 — La taxonomie des risques
Les sept catégories qui font réellement dérailler les projets d'IA
La plupart des échecs de transformation par l’IA ne sont pas des échecs de modèle. Les organismes de suivi du secteur citent souvent des taux d’échec ou de blocage de projet de l’ordre de 70 à 90 %, à prendre comme une direction plutôt que comme un chiffre précis — et les causes principales qu’ils pointent sont une gouvernance floue, des fondations de données fragiles et une gestion du changement défaillante, bien avant tout ce qui touche au modèle lui-même.
Ce playbook donne aux fondateurs et aux COO qui mènent une transformation par l’IA un moyen reproductible de trouver, évaluer et maîtriser les risques qui font dérailler ces projets. Il s’applique à tout ce qui intègre de l’IA dans des produits, des opérations ou des décisions — d’un simple pilote d’automatisation à un modèle opérationnel d’IA à l’échelle de l’entreprise — et il vient en complément de la gouvernance de projet habituelle, c’est-à-dire le comité de pilotage et les jalons que vous faites déjà tourner, pas à leur place.
Les sept catégories
Le risque se répartit en sept catégories, adaptées du NIST AI Risk Management Framework (govern, map, measure, manage) et de l’ISO/IEC 23894.
| Catégorie | Déclencheur typique | Signe d’alerte précoce |
|---|---|---|
| Stratégique et business case | L’IA choisie avant que le problème ne soit défini | Aucune métrique de succès validée après le lancement |
| Données | Sources fragmentées, non étiquetées ou de mauvaise qualité | La préparation des données engloutit plus de la moitié du calendrier du projet |
| Technique et modèle | Dérive, hallucination, intégration faible | La précision se dégrade après le déploiement, sans supervision en place |
| Gouvernance et conformité | Aucun responsable désigné, réglementation non cartographiée | Personne ne peut répondre à « qui a approuvé ce modèle » |
| Organisationnel et changement | Aucun plan de changement, nouveaux rôles flous | Faible adoption de l’outil, des semaines après le déploiement |
| Fournisseurs et tiers | Fournisseur unique, SLA ou conditions de données vagues | Les changements de feuille de route du fournisseur affectent vos engagements |
| Éthique et réputation | Cas limites non testés, données d’entraînement biaisées | Plaintes ou résultats incohérents selon les groupes d’utilisateurs |
Chaque catégorie ici a un signe d’alerte précoce avant de devenir un échec. Le travail du reste de ce playbook consiste à repérer ces signes tant qu’il est encore peu coûteux d’agir.