Dans beaucoup d'organisations, l'IA a d'abord pris la forme d'un pilote : un cas d'usage isolé, une équipe restreinte, un périmètre volontairement réduit pour aller vite. La logique se comprend — limiter le risque, prouver la valeur avant d'investir davantage. Le problème, ce n'est pas cette prudence initiale. C'est ce qui se passe ensuite : le pilote fonctionne, tout le monde est convaincu, et pourtant rien ne passe en production à l'échelle de l'organisation.
J'ai vu ce schéma se répéter suffisamment de fois pour ne plus le lire comme un accident. Un pilote pensé comme un projet isolé — avec son périmètre, ses données préparées à la main, son équipe dédiée — prouve surtout qu'un cas d'usage fonctionne dans des conditions qu'on ne retrouvera jamais en production. Le passage à l'échelle bute alors sur tout ce que le pilote avait mis de côté pour aller vite : la qualité réelle des données, l'intégration dans les systèmes existants, la gouvernance sur qui décide quoi, l'appropriation par les équipes qui n'étaient pas dans la pièce au moment du pilote.
La conséquence la plus coûteuse n'est pas le temps perdu sur le pilote lui-même. C'est l'accumulation de pilotes qui ne se parlent pas entre eux, chacun ayant résolu son problème local sans construire les fondations communes — données, gouvernance, compétences — qui auraient permis au suivant d'aller plus vite. Au bout d'un moment, l'organisation a une collection de preuves de concept et aucune plateforme.
Ce que je recommande à mes clients n'est pas de faire moins de pilotes, mais de les penser différemment dès le départ : quelle chaîne de valeur ce cas d'usage traverse-t-il réellement, du besoin métier jusqu'à l'utilisateur final ? Quelles fondations ce pilote doit-il poser, même modestement, pour que le suivant en profite ? Un pilote qui répond à ces deux questions coûte parfois un peu plus cher à concevoir. Il a en revanche une vraie chance d'arriver en production — et c'est la seule chose qui compte au bout du compte.