Raft a montré comment prioriser les initiatives d'AI et construire une feuille de route réaliste

Raft a proposé une façon pratique de transformer une liste fragmentée d'idées d'IA en un programme de transformation gérable : d'abord calculer la valeur potentielle de chaque initiative, puis la comparer avec la faisabilité, choisir une approche de mise en œuvre et seulement ensuite construire la feuille de route. Cette approche est nécessaire pour les entreprises qui voient déjà des dizaines de scénarios d'IA possibles mais ne veulent pas se noyer dans des pilotes sans résultats mesurables. Le matériel est basé sur la thèse suivante : on peut implémenter presque n'importe quoi, mais on ne peut pas tout faire simultanément.

C'est pourquoi l'auteur propose d'abandonner un ensemble chaotique d'expériences et de passer à la gestion de portefeuille des initiatives d'IA. La logique commence par la phase d'analyse des écarts : l'organisation obtient une liste de tâches où il devient clair pour quels cas d'usage elle est prête maintenant et pour lesquels il lui manque des données, une infrastructure, des compétences ou des cadres de sécurité. Mais évaluer uniquement la faisabilité n'est pas suffisant.

Pour décider où il est vraiment judicieux de dépenser les ressources et le temps de l'équipe, il faut évaluer séparément la valeur commerciale attendue. Pour cela, Raft propose une formule simple pour la valeur potentielle : l'échelle du problème, la fréquence d'occurrence et la complexité de la solution manuelle. Chaque paramètre est noté sur une échelle de 1 à 10, et le score final se situe dans une plage de 1 à 1000.

L'échelle indique combien de personnes ou de processus sont affectés par le problème ; la fréquence indique sa fréquence d'occurrence ; la complexité de la solution manuelle indique combien de temps, d'argent et d'efforts sont nécessaires sans automatisation d'IA. Les auteurs notent séparément un seuil pratique : si une initiative ne marque pas au moins 200 points, le développement en interne peut mettre trop longtemps à être rentabilisé. Dans de tels cas, il est plus judicieux de considérer des solutions clés en main et d'accepter consciemment leurs limites plutôt que de lancer un développement personnalisé coûteux pour des résultats faibles.

L'étape suivante est la matrice « valeur-faisabilité ». Elle aide à distinguer les initiatives qui offrent un rendement maximal avec une complexité acceptable de celles qui sont prématurées ou économiquement douteuses. L'approche proposée est de sélectionner des projets du quadrant supérieur gauche d'une matrice 2×2 : victoires rapides, grands enjeux, innovations progressives et autres scénarios où il y a un impact notable et un chemin clair vers la mise en œuvre.

Après cela, l'entreprise assemble ce qu'on appelle un AI Tech Gartner's Sandwich : pour chaque initiative, elle choisit un modèle de mise en œuvre — acheter, construire ou s'associer — puis ajoute une couche de risques et de sécurité. L'idée est de voir l'IA non comme un service autonome, mais comme un système multicouche de solutions appliquées, de composants de plateforme et de mécanismes de protection, incluant une approche TRiSM pour la gestion de la confiance, du risque et de la sécurité. Le résultat final de cette sélection n'est pas seulement une liste de priorités, mais une feuille de route de transformation par phases.

Dans la première phase, que les auteurs appellent la fondation, il est recommandé de prendre une ou deux initiatives à haute valeur et faible complexité, de lancer des pilotes avec des résultats rapides et, en parallèle, de combler les lacunes techniques : préparer les données, construire les intégrations, renforcer l'infrastructure, embaucher les rôles manquants et former les collaborateurs. Pour cette phase, la préférence est souvent donnée au cloud pour réduire le coût de validation des hypothèses et raccourcir le time-to-market. La durée recommandée de cette phase est de six à douze mois.

Vient ensuite la mise à l'échelle : les pilotes réussis sont étendus à de nouvelles équipes et processus, et les initiatives de complexité moyenne sont passées à l'exécution active si les lacunes critiques ont déjà été comblées. En parallèle, la couche de surveillance des menaces et de protection des systèmes d'IA est renforcée. La troisième phase est l'optimisation, lorsque les outils d'IA deviennent déjà partie intégrante des activités opérationnelles et le focus se déplace vers SLA, contrôle de la qualité, lutte contre la dégradation des modèles, support du pipeline MLOps et réduction du coût total de possession, y compris une possible transition du cloud à l'infrastructure on-premise.

La conclusion principale du matériel est que la transformation d'IA nécessite non pas de l'inspiration, mais de la discipline. Si une entreprise calcule d'abord la valeur, puis vérifie honnêtement la faisabilité et distribue ensuite les initiatives par phases, elle réduit le risque de rester bloquée dans des prototypes infinis et commence à gérer l'IA comme un portefeuille d'investissement mature. Pour le marché, c'est un signal important : les gagnants ne seront pas ceux qui ont lancé les démos les plus rapidement, mais ceux qui ont connecté les projets d'IA aux métriques commerciales, à la sécurité et à un plan de mise en œuvre réaliste.