Affiner & passer à l'échelle
Activer et mettre l'IA à l'échelle
De conseiller à assister à agir — par cas d'usage et avec des chiffres, pas au pifomètre. C'est ainsi que l'IA reste utile et digne de confiance.
Mis à jour le 18 mai 2026
Affiner · 6.3
Pourquoi cela compte maintenant
L’IA n’est pas un interrupteur. C’est une capacité qui grandit par cas d’usage avec la qualité des données, la confiance des utilisateurs et la maturité de la gouvernance. Un cas d’usage en niveau 1 qui marche = valeur. Le même cas d’usage prématurément en niveau 3 = une rupture de confiance qui prend des mois à réparer.
Que livrez-vous ?
Rapport d'état IA
Par cas d'usage : niveau actuel, précision, corrections, confiance des utilisateurs.
Critères de promotion/rétrogradation
Quels chiffres déclenchent une montée ou une descente.
Boucle de feedback
Comment les corrections des traitants reviennent au modèle, avec piste d'audit.
Mise à jour gouvernance
Preuves de conformité et communication de transparence aux utilisateurs finaux.
Cycle de promotion et rétrogradation
Promotion au niveau suivant
Quand
Précision > 85 % sur 4-6 semaines, confiance utilisateur > 70 %, aucun incident P1 lié à ce cas d'usage.
Stabiliser au niveau actuel
Quand
Précision 60-85 %, corrections en baisse mais pas assez vite. Restez au niveau actuel et travaillez la qualité des données.
Rétrogradation au niveau inférieur
Quand
Précision < 60 %, incident P1 causé, ou plaintes utilisateurs qui montent. Reculez immédiatement — restaurer la confiance prend du temps.
Questions clés
- 1Quels cas d'usage tournent aujourd'hui et à quel niveau ? Cela correspond-il à la matrice d'ambition du 4.12 ?
- 2Comment mesurez-vous la précision ? Le traitant confirme → compte « correct ». Le traitant override → compte « correction ».
- 3Confiance utilisateur — enquête ou implicite (fréquence à laquelle les utilisateurs overrident la suggestion IA) ? Les deux ont de la valeur.
- 4Décision de promotion — qui signe le passage d'un cas d'usage au niveau 2 ou 3 ? Comité de pilotage ou service owner ?
- 5Actions qualité de données — si la précision stagne, quel travail engagez-vous (affiner la classification, étendre la KB, nettoyer d'anciens tickets) ?
- 6Boucle de feedback — comment une correction revient-elle dans le modèle ? Quotidienne, hebdomadaire, revue manuelle ?
- 7Transparence — dites-vous aux utilisateurs finaux ce que fait l'IA, et quand ils peuvent « opt-out » ?
- 8Preuves de conformité — pour l'AI Act ou un audit interne : quels logs gardez-vous, qui les voit, quelle période de rétention ?
- 9Procédure de roll-back — en cas de rétrogradation : comment basculer en arrière, comment communiquer, comment regagner la confiance ?
- 10Nouveaux cas d'usage — quels candidats en salle d'attente ? Quels prérequis (données, formation, gouvernance) manquent encore ?
Modèle — Rapport d’état IA (trimestriel)
| Cas d'usage | Niveau actuel | Précision | Corrections | Confiance | Proposition | Propriétaire |
|---|---|---|---|---|---|---|
| Classification de tickets | 1 — Conseiller | 87 % | 12 % traitants | 81 % | ↑ Promouvoir au 2 (assister) | Service mgr |
| Réponse KB | 2 — Assister | 72 % | 22 % overridés | 65 % | → Stabiliser, étendre la KB | Service mgr |
| Détection no-show | 1 — Conseiller | 91 % | 3 % faux positifs | 88 % | ↑ Promouvoir au 3 (agir, hors boardroom) | FM lead |
| Auto-routing P3 | 2 — Assister | 54 % | 42 % overridés | 38 % | ↓ Rétrograder au 1, revoir les compétences du workgroup | Service mgr |
| … | … | … | … | … | … | … |