Questionnaire
Ambition IA et automatisation
Où laissez-vous les agents IA décider, où seulement conseiller, et quelles portes humaines restent ? Pas "IA partout", mais un choix ciblé par cas d'usage, avec la responsabilité humaine au bon endroit.
Mis à jour le 18 mai 2026
Questionnaire · 4.12
Pourquoi maintenant, pas plus tard
La tentation est de mettre l’IA en “phase 2” (“d’abord stabiliser, puis IA”). Mais les choix de configuration faits maintenant, classifications, structure de la base de connaissances, champs de ticket, déterminent directement la qualité que l’IA pourra atteindre. Décidez maintenant du niveau visé par cas d’usage, cela pilote la qualité des données que vous mettez en place aujourd’hui.
Que livrez-vous ?
Matrice d'ambition IA
Par cas d'usage : niveau (conseiller / assister / agir), avec critères de succès et responsable.
Portes humaines
Où un humain intervient-il : à chaque action, en cas d'impact élevé, en cas d'incertitude ?
Exigences de qualité de données
Quelles classifications, articles de connaissance et historique sont nécessaires pour réaliser la matrice ?
Gouvernance et transparence
Quels logs, audits et explications donnez-vous aux utilisateurs finaux et aux régulateurs ?
Les trois niveaux
Niveau 1, Conseiller
L'IA propose (catégorie, résolution, réponse). L'agent décide et agit. Point de départ le plus sûr.
Niveau 2, Assister
L'IA effectue des actions partielles (classifier, router, rédiger la première réponse). L'humain révise et confirme.
Niveau 3, Agir
L'IA agit seule dans des limites prédéfinies. L'humain vérifie via dashboards ou audit a posteriori.
Questions clés
- 1Quels cas d'usage voulez-vous outiller par IA, classification de tickets, première réponse, recherche dans la base de connaissances, détection no-show, anomalie d'occupation, routage automatique ?
- 2Par cas d'usage, quel niveau (1/2/3) visez-vous en phase 1, et quelle feuille de route vers phase 2/3 ?
- 3Limites, quelles décisions l'IA ne peut jamais prendre en autonomie (médical, juridique, financier au-delà de X €) ?
- 4Transparence utilisateur, comment dites-vous aux utilisateurs que l'IA répond ? Labels, disclaimers, opt-out ?
- 5Exigence de qualité de données, quelle profondeur de classification et quelle maturité de base de connaissances pour atteindre fiablement chaque niveau ?
- 6Boucle de feedback, comment collectez-vous les corrections (l'agent rejette une mauvaise classification) ? Cela alimente-t-il le modèle ?
- 7Conformité et AI Act, quels cas d'usage relèvent de quelle catégorie de risque ? Documentation, journalisation, supervision humaine ?
- 8Vie privée et usage des données, quelles données l'IA voit-elle (contenu complet du ticket, métadonnées seulement) ? Anonymisation ? Accord de traitement ?
- 9KPI de succès IA, taux d'adoption, précision, corrections agent, temps gagné, satisfaction utilisateur.
- 10Procédure de rollback, si l'IA se trompe, comment ramenez-vous rapidement un cas d'usage au niveau 1 ?
Modèle, matrice d’ambition par cas d’usage
| Cas d'usage | Phase 1 | Phase 2 | Limite (jamais) | Exigence qualité données | Responsable |
|---|---|---|---|---|---|
| Classification de tickets | Conseiller | Assister | Incidents majeurs | Classification 3 niveaux + 500+ tickets historiques | Service Manager |
| Réponse base de connaissances | Assister | Agir | Questions RH/légales | 200+ articles avec tags FAQ | Mgr Servicedesk |
| Détection no-show | Conseiller | Agir | Salle conseil et VIP | Données check-in ≥ 3 mois | Mgr FM |
| Anomalie d'occupation | Conseiller | Conseiller | Planification du personnel | Capteurs IoT actifs | Workplace lead |
| Routage auto des tickets | — | Assister | Incidents P1 | Groupes de travail + tags de compétences définis | Service Manager |
| … | … | … | … | … | … |