Il n'existe pas un seul type de projet IA
Derrière l'expression "projet IA" se cachent des réalités très différentes. Les distinguer permet de mieux choisir ses outils, ses compétences et ses investissements.
Pour beaucoup d’entreprises, un projet IA commence par une idée assez simple : déployer ChatGPT, Claude, Copilot, etc. auprès des collaborateurs. C’est compréhensible mais c’est aussi réducteur.
Le monde de l'intelligence artificielle est bien plus large que l'IA conversationnelle. On peut utiliser des outils existants, automatiser des processus, développer ses propres applications, exploiter ses données pour faire des prédictions, ou même faire de la recherche. Toutes ces réalités s'appellent aujourd'hui "projets IA". Elles n'ont presque rien en commun en termes d'objectifs, de compétences, de budgets ou de complexité.
Avant de piloter un projet IA, il faut donc commencer par une question simple : de quel type de projet parle-t-on ?
Type 1 : être utilisateur d'une solution existante
C'est le point d'entrée le plus fréquent. L'entreprise choisit un logiciel existant et l'utilise pour bénéficier de fonctionnalités d'intelligence artificielle. Cela peut être le déploiement de ChatGPT, Mistral, Claude, etc. auprès des collaborateurs, mais aussi les nouvelles fonctionnalités IA intégrées dans Salesforce, SAP ou HubSpot que l'éditeur vient d'ajouter et qu'il faut évaluer avant d'activer.
Dans ce type de projet, l'entreprise ne construit rien. Elle choisit, configure, déploie et encadre. C'est souvent le projet le plus accessible techniquement. Ce n'est pas pour autant le plus simple à piloter : le déploiement soulève des questions de gouvernance, de confidentialité des données et d'accompagnement des équipes qui sont souvent sous-estimées.
Type 2 : automatiser des processus existants
On entre ici dans une posture d'architecte. L'objectif n'est plus d'utiliser un outil, mais de faire communiquer plusieurs outils entre eux pour automatiser des tâches manuelles et répétitives. C'est le territoire de Zapier, Make, n8n ou Google Apps Script. L'IA peut devenir une brique du processus : lire un document, classifier une demande, extraire des informations, déclencher l'étape suivante.
Exemple concret : une responsable RH qui automatise la gestion des entretiens annuels. Des formulaires envoyés automatiquement, des réponses consolidées dans un tableau de bord, le tout orchestré sans intervention manuelle. Ici, on ne se contente plus d'utiliser un outil : on construit un système dans lequel plusieurs outils travaillent ensemble.
Type 3 : développer ses propres outils sur mesure
Cette fois, on crée un nouvel outil pour répondre à un besoin spécifique qu'aucune solution existante ne couvre. Et contrairement à ce qu'on pourrait imaginer, développer un outil sur mesure ne signifie plus forcément lancer un projet de six mois avec une équipe de développeurs.
Avec la programmation assistée par l'IA, il est aujourd'hui possible de créer certaines petites applications en quelques heures, parfois sans être développeur. Un exemple : une responsable achats qui utilise deux systèmes qui ne communiquent pas entre eux. En une après-midi, elle développe une petite application qui compare les exports des deux systèmes et fait ressortir les écarts de prix. Simple, rapide, construit autour de son problème réel.
Type 4 : apprendre à partir des données
C'est le Machine Learning au sens strict. L'objectif est d'utiliser des données historiques pour construire des modèles capables de faire des prédictions, des classifications ou de détecter des tendances. Prédire les ventes, anticiper une panne, estimer un risque, identifier les facteurs qui influencent un phénomène.
Contrairement à une idée répandue, ce type de projet n'est pas réservé aux grandes entreprises. Une boucherie qui enregistre ses ventes depuis plusieurs années dispose déjà de la matière première pour construire un modèle de prévision des stocks, enrichi par le jour de la semaine, la saison, la météo, les jours fériés. Ici, on ne programme pas des règles : on fournit des données au système pour qu'il apprenne à produire des prédictions.
Type 5 : faire de la recherche
C'est le type de projet le plus avancé, et le moins accessible. L'objectif n'est plus d'appliquer des modèles existants à un problème métier, mais d'inventer de nouvelles méthodes, de nouvelles architectures, de faire progresser les capacités de l'IA elle-même. C'est le travail de Yann LeCun chez AMI Labs, qui développe des modèles capables de comprendre le monde physique et de prévoir les conséquences d'une action, là où les modèles de langage actuels restent limités.
Ce type de projet mobilise des chercheurs, des ingénieurs de recherche, des doctorants, et des infrastructures de calcul dont les coûts peuvent devenir considérables.
Ce que cette distinction change concrètement
Déployer un outil d'IA générative n'a rien à voir avec l'intégration d'une API d'analyse d'images dans une application. Développer un modèle de Machine Learning sur ses propres données n'a rien à voir avec une automatisation qui envoie des emails à 9h chaque matin. Et aucune de ces approches ne ressemble à faire de la recherche en IA.
Ces cinq types de projets ne mobilisent pas les mêmes compétences, ne demandent pas les mêmes budgets, ne posent pas les mêmes questions. Un dirigeant qui les confond prend des décisions sur de mauvaises bases : il sous-estime ce qu’il engage, recrute les mauvais profils ou investit dans la mauvaise direction.
Comprendre ces différences, savoir poser les bonnes questions à chaque étape, être capable de discuter avec les différents acteurs d'un projet sans en être l'expert technique : c'est la compétence de pilotage qui manque dans la plupart des organisations. Et c'est précisément elle qui fait la différence entre subir sa transformation IA et la conduire.