Présenter les résultats d'un projet IA à son conseil

En bref. Présentez les résultats IA comme une prise de recul sur un processus décisionnel déjà en place, avec des faits observés et des coûts évités. Évitez les démonstrations techniques, insistez sur la cohérence avec vos priorités métiers (réduction des délais, fiabilité des données). Si le projet ne tient pas ses promesses, proposez un arrêt net plutôt qu’une escalade coûteuse.

Le moment où le conseil attend une réponse

Vous étiez en réunion budgétaire quand la directrice financière a interrompu la présentation en disant : « Tout cela est intéressant, mais où sont les preuves que ça change quelque chose pour nous ? ». Ce n’est pas une remise en cause de votre travail, c’est l’expression d’une attente légitime : le conseil veut savoir si l’investissement IA a modifié une situation concrète, et si cette modification justifie de poursuivre.

Ce que le conseil retient, ce qu’il oublie

Les membres du conseil retiennent trois types d’informations :

• Un chiffre précis qui concerne leur budget (ex. : « le temps passé sur X a baissé de 15 % »).
• Une décision qui a été prise ou évitée grâce à l’analyse IA (ex. : « nous avons stoppé le partenariat avec Y après l’audit des risques »).
• Un risque identifié et traité (ex. : « l’anomalie détectée dans Z aurait coûté 200 k€ si elle n’avait pas été corrigée »).

Ce qu’ils oublient systématiquement : le détail des algorithmes, les pourcentages de précision des modèles, ou le nom des outils utilisés. À l’inverse, ils se souviendront d’un cas où l’IA a conduit à une erreur de prévision ou à une surcharge de travail.

Comment présenter un projet qui n’a pas tenu ses promesses

Dans un cas récent, nous avons accompagné une ETI industrielle qui avait lancé un projet de maintenance prédictive. Après trois mois de développement, les résultats étaient les suivants :

• Le modèle détectait 60 % des pannes à temps, mais avec 40 % de faux positifs.
• L’équipe de maintenance passait plus de temps à vérifier les alertes qu’à réparer les machines.
• Le coût mensuel de l’outil (abonnements SaaS + temps d’intégration) dépassait le budget alloué.

Plutôt que de minimiser ces échecs, la présentation au conseil a mis en avant :

• L’arrêt du projet après validation conjointe, évitant une dépense de 60 k€ sur 12 mois.
• L’identification d’un besoin réel : un outil de suivi des temps d’arrêt, moins coûteux et plus transparent.
• La décision d’investir 15 k€ dans une solution existante (Make + Excel) pour automatiser le reporting des pannes.

Le message clé : « Nous avons évité un coût de 75 k€ en six semaines, et nous avons un plan B immédiatement opérationnel. »

Un exemple où l’IA a fait la différence : la réduction des délais de facturation

Dans une PME de 150 salariés, le délai moyen de facturation était de 12 jours après livraison. L’objectif était de le ramener à 5 jours. Voici comment le projet a été présenté au conseil :

• Situation initiale. Chaque facture était vérifiée manuellement par deux services (commercial et comptabilité), avec un taux d’erreur de 8 %.
• Solution mise en place. Un workflow automatisé avec n8n et un modèle d’analyse de texte (basé sur Mistral) pour extraire les données des bons de commande et générer une ébauche de facture.
• Résultat. Le délai moyen est passé à 6 jours, avec un taux d’erreur de 1 %. Les deux salariés concernés ont été redéployés sur des tâches à plus forte valeur ajoutée.
• Coût. 8 k€ en développement (un prestataire interne + abonnements SaaS), amorti en moins de 6 mois.

La présentation au conseil a insisté sur :

• Le gain de temps pour les équipes (15 heures/semaine libérées).
• La réduction des litiges clients (moins de 1 % de contestations, contre 5 % auparavant).
• La simplicité du retour en arrière : en cas de panne, le workflow peut être désactivé en 30 minutes.

Ce qui ne marche pas (et comment le dire sans détour)

Dans certains cas, l’IA ne répond pas à un besoin réel, mais à une mode ou à une pression concurrentielle. Voici trois situations où la réponse est « n’y allez pas » :

• L’IA pour « faire comme les autres ». Une ETI du secteur agroalimentaire a investi dans un chatbot pour son service client, alors que 80 % des demandes concernaient des questions simples (horaires, prix). Résultat : le chatbot a généré 300 messages par jour, dont 90 % hors sujet. Le service client a dû embaucher un stagiaire pour trier les demandes. Décision : retour à un système de FAQ et d’email automatisé avec GPT-4o pour les questions complexes.
• L’IA sur des données pauvres ou biaisées. Une PME industrielle a tenté de prédire les pannes de machines avec des données de maintenance incomplètes (seulement 30 % des interventions étaient enregistrées). Le modèle a prédit des pannes qui n’ont jamais eu lieu, et en a manqué 70 %. Décision : arrêt du projet et mise en place d’un suivi manuel des interventions pendant 3 mois avant de relancer une analyse.
• L’IA qui complexifie un processus simple. Un éditeur de logiciels a automatisé la génération de rapports mensuels avec un modèle de langage. Résultat : les rapports étaient plus longs et moins lisibles qu’avant, car le modèle ajoutait des commentaires inutiles. Décision : retour à un template Excel avec des macros, combiné à une vérification humaine.

La règle à retenir : si vos données ne sont pas fiables à 90 %, ne lancez pas de projet IA. Commencez par un audit manuel avant d’automatiser.

La structure de présentation qui obtient la suite du budget

Pour que votre présentation soit efficace, adoptez cette structure en trois parties :

1. Le contexte en une phrase. « En analysant [situation concrète], nous avons identifié [problème ou opportunité]. » Exemple : « En analysant les retards de livraison sur le site Y, nous avons identifié un goulot d’étranglement au niveau du service logistique. »
2. Le fait marquant. Un chiffre ou une décision qui a changé la donne. Exemple : « Grâce à l’outil [X], nous avons réduit les retards de 30 % en deux mois. » ou « Nous avons évité une dépense de [montant] en stoppant [projet]. »
3. La suite logique. Une proposition claire, avec un coût et un délai. Exemple : « Nous proposons d’étendre l’outil à deux autres sites, avec un budget de [montant] et un déploiement sous [délai]. » ou « Nous suggérons de tester une solution alternative avec un budget de [montant] pour [résultat attendu]. »

Un exemple concret de présentation au conseil :

« Depuis trois mois, nous analysons les temps d’arrêt de la ligne de production X. Résultat : 40 % des pannes sont liées à un même composant, mais les équipes n’avaient pas identifié ce pattern. Nous avons développé un tableau de bord avec Tableau et un modèle de détection des anomalies (basé sur Mistral), ce qui nous a permis de réduire les pannes de 25 % en six semaines.

Le coût de ce projet (5 k€) sera amorti en moins de 4 mois. Nous proposons de généraliser cette analyse à l’ensemble des lignes de production, avec un budget de 12 k€ pour les six prochains mois. »

Ce que le conseil ne vous demandera pas (mais que vous devez anticiper)

Les membres du conseil ne vous poseront pas de questions techniques, mais ils pensent à des sujets comme :

• La dépendance à un prestataire ou à un outil SaaS (ex. : « Si le fournisseur de l’IA augmente ses tarifs de 30 %, que fait-on ? »).
• La propriété des données (ex. : « Qui possède les données que nous analysons ? Les clients pourraient-ils les revendiquer ? »).
• L’impact sur l’emploi (ex. : « Quels postes seront impactés, et comment les accompagner ? »).

Anticipez ces questions en préparant des réponses courtes et factuelles :

• Dépendance à un prestataire. « Le code est documenté et peut être repris par un autre prestataire en moins de 2 semaines. »
• Propriété des données. « Les données appartiennent à l’entreprise. Nous avons signé un contrat avec le prestataire qui interdit la revente ou l’utilisation à des fins externes. »
• Impact sur l’emploi. « Aucun poste n’est menacé. Deux salariés ont été redéployés sur des tâches à plus forte valeur ajoutée, avec une formation de 2 jours. »

Questions fréquentes

Comment justifier le budget IA au conseil sans promettre de ROI précis ?

Présentez le budget comme un coût de R&D ou d’optimisation d’un processus existant. Exemple : « Nous investissons 10 k€ pour réduire les délais de livraison, avec un objectif de 15 % de gain de temps. Si le projet échoue, nous aurons perdu 10 k€, mais nous aurons identifié une solution alternative en 3 mois. » Le conseil préfère une dépense maîtrisée à une promesse non tenue.

Faut-il former les équipes avant de lancer un projet IA ?

Non, sauf si l’outil remplace une partie de leur travail. Dans ce cas, formez-les uniquement sur la nouvelle tâche, pas sur la technologie sous-jacente. Exemple : pour un outil de détection d’anomalies, formez les équipes à interpréter les alertes, pas à coder le modèle.

Un projet IA peut-il être arrêté en cours de route sans perte financière ?

Oui, si vous avez négocié des clauses de sortie dans le contrat (ex. : abonnement mensuel sans engagement long terme). Pour les projets internes, limitez la durée à 3 mois et prévoyez un budget « joker » pour l’arrêt. Exemple : « Si le projet ne donne rien après 3 mois, nous le stoppons et réaffectons le budget à [autre priorité]. »

Comment éviter que l’IA ne devienne un « jouet » pour les équipes ?

Fixez des objectifs métiers clairs et mesurables dès le départ. Exemple : « L’outil doit réduire les temps de traitement de X de 20 % en 3 mois, sinon il sera désactivé. » Liez l’utilisation de l’outil à une performance individuelle ou collective pour éviter l’effet « gadget ».

Une PME peut-elle se passer de data scientist pour lancer un projet IA ?

Oui, si le projet est simple et utilise des outils no-code ou low-code (n8n, Make, Tableau). Pour les projets plus complexes, un data scientist externe ou un prestataire spécialisé peut suffire, sans embauche. L’important est de bien définir le besoin métier avant de choisir l’outil.