Habr AI explique pourquoi ChatGPT ne devrait pas rédiger à la place de l'entreprise le cahier des charges d'un projet d'IA

La tentation de confier à l'IA non seulement le déploiement de l'IA, mais aussi la rédaction du cahier des charges semble logique : c'est rapide, peu coûteux et cela évite de longs entretiens. Mais c'est précisément à cette étape que l'entreprise obtient souvent un beau document, mal relié à la tâche réelle, aux processus et aux contraintes de l'équipe.

Pourquoi le modèle type ne fonctionne pas

Lorsqu'un dirigeant ou un client demande à ChatGPT de rédiger le cahier des charges d'un projet d'IA, le modèle assemble en général un gabarit universel vraisemblable. On y trouve les bons mots : analyse des données, choix du modèle, sécurité, intégration, métriques de qualité. Le problème, c'est que ce texte se construit sur la probabilité, et non sur la connaissance d'une entreprise précise. Il ignore comment fonctionnent les validations, où se trouvent les données, qui assure le support et quelles solutions n'ont déjà pas pris au sein de l'entreprise.

Le document peut donc paraître mature tout en restant vide au niveau de l'exécution. Il manque souvent des priorités, des limites de projet, des critères de recette et une description des exceptions. C'est pire encore si le cahier des charges est rédigé par quelqu'un qui ne maîtrise pas lui-même tout à fait le domaine, et que l'IA se contente d'emballer ces lacunes dans un style officiel. Ce qui en sort n'est pas un document d'ingénierie, mais une imitation convaincante. C'est dangereux dès le lancement du projet.

Quels problèmes surgissent

L'article soutient que la génération par IA est particulièrement risquée pour les projets de déploiement d'IA. Les dépendances y sont trop nombreuses : qualité des données sources, contraintes juridiques, coût de l'infrastructure, intégrations avec les systèmes internes, exigences d'explicabilité des résultats. Un texte générique gomme presque inévitablement ces aspérités et crée l'illusion que la tâche est déjà formalisée. Les vrais risques du projet apparaissent alors trop tard, quand une partie de l'argent est déjà dépensée.

• Les formulations restent trop générales et admettent des dizaines d'interprétations
• Les exigences sur les données et leur qualité sont décrites de façon superficielle
• Les indicateurs de réussite sont remplacés par des KPI abstraits sans lien avec le métier
• Les délais et le budget ne paraissent réalistes que sur le papier
• Comparer des prestataires sur la base d'un tel cahier des charges fausse l'image, car tous répondent à une demande floue

Cela ne touche pas seulement l'étape de sélection du prestataire. Si l'on envoie un cahier des charges faible à plusieurs équipes puis que l'on demande en plus à une IA d'évaluer leurs propositions, l'erreur se démultiplie. Le système comparera les réponses au même gabarit superficiel et favorisera ceux qui ont le mieux repris les mots formels, pas ceux qui ont compris le problème en profondeur. On peut finir par choisir un prestataire à la présentation séduisante et à l'architecture fragile.

Où l'IA est utile

Cela ne signifie pas qu'il faille écarter l'IA de la préparation du cahier des charges. Elle a un rôle utile, mais d'appoint. On peut utiliser le modèle pour structurer des informations déjà collectées : transformer l'entretien avec le client en brouillon de sections, proposer une liste de questions de clarification, aider à vérifier les failles logiques, harmoniser la terminologie. Autrement dit, l'IA est efficace comme accélérateur du travail éditorial et analytique, pas comme substitut à l'étude du projet.

Une approche qui fonctionne se présente ainsi : l'équipe consigne d'abord à la main l'objectif métier, le processus actuel, les contraintes, les données disponibles, les responsables de la décision et les critères de résultat. Ensuite, l'IA aide à mettre cela en forme, sans remplacer l'expertise des spécialistes métier, des analystes et du responsable technique. Plus une erreur de déploiement coûte cher, plus il est dangereux de confier au modèle la formulation des exigences initiales sans vérification humaine. Et ce n'est qu'après cela que le texte est remis au modèle pour amélioration et relecture.

Ce que cela signifie

La conclusion principale est simple : l'IA peut accélérer la préparation du cahier des charges, mais elle ne peut pas déterminer seule, de façon fiable, ce qu'il faut précisément déployer ni comment cela fonctionnera dans une organisation donnée. Si l'on utilise le modèle comme auteur des exigences, l'entreprise risque d'acheter non pas une solution, mais une incertitude joliment mise en forme. Surtout dans les projets où il faudra ensuite modifier les processus, le budget et les responsabilités des personnes. C'est justement ce qui rend ces documents particulièrement coûteux.