Canvas de cas d'utilisation de l'IA

La plupart des idées d'IA échouent parce que personne n'a écrit ce qui les rendrait réussies. Le rapport 2025 du MIT State of AI in Business (l'étude NANDA) a examiné 300 projets pilotes divulgués, 150 entrevues de leadership et 350 sondages d'employés, et a constaté que 95 % des organisations n'ont vu aucun retour mesurable de leurs initiatives d'IA générative malgré des dépenses estimées à 30–40 milliards de dollars. La cause récurrente était organisationnelle. Les équipes ont commencé à construire avant que le problème, les données et la mesure du succès ne soient définis.

Le canevas existe pour combler cet écart sur une page, avant que le budget ne soit dépensé. Chaque champ force une question qu'un pitch enthousiaste saute habituellement. Quel est le problème en unités réelles. Quel est déjà le coût du statu quo. Une simple règle ou un rapport ferait-il le travail. Les données existent-elles même. Où un humain reste-t-il en contrôle. Comment saurons-nous, et quand, que cela a fonctionné. La discipline est peu coûteuse. Remplir le canevas prend vingt minutes; découvrir les mêmes lacunes après un trimestre d'ingénierie prend un trimestre.

Il y a une deuxième raison, plus précise, de le remplir. La même étude du MIT a trouvé que les projets pilotes construits sur des outils achetés réussissaient environ deux tiers du temps, tandis que les constructions internes réussissaient seulement environ un tiers du temps. Le champ construire ou acheter est sur le canevas parce que la réponse par défaut est généralement d'acheter, et les équipes qui sautent la question ont tendance à construire une capacité générique qu'elles auraient pu louer. Les 5 % de projets pilotes qui ont fonctionné partageaient un modèle que le canevas est conçu pour reproduire : un seul point de douleur bien défini, un outil spécialisé plutôt qu'une construction à partir de zéro, et une cible mesurable fixée avant que tout code ne soit écrit.

Imaginez Priya examinant quatre idées d'IA proposées par son équipe. Sans canevas, l'idée la plus bruyante gagne, ou celle avec la diapositive de ROI la plus confiante. Avec un canevas, l'idée qui ne peut pas remplir "données et entrées" ou "signal de succès" se révèle en vingt minutes, et le budget va à celle qui le peut.

Le canevas ne fonctionne que si chaque entrée est suffisamment concrète pour être vérifiée plus tard. La différence entre un canevas solide et un faible réside presque toujours dans la spécificité. Parcourez les champs dans l'ordre; les premiers préparent les suivants.

Énoncé du problème. Écrivez la douleur, pas le produit. Une entrée faible dit « nous voulons utiliser l'IA pour améliorer le soutien ». Une entrée forte dit « 40 % de nos ~120 billets hebdomadaires sont les mêmes questions répétées, et elles restent sans réponse pendant des heures lors des périodes de pointe ». La version forte nomme un qui, une fréquence et un coût ressenti. Si votre première phrase contient le mot « IA », vous décrivez une solution et avez sauté le problème.

Coût actuel de ne rien faire. C'est la base contre laquelle chaque avantage ultérieur est mesuré, donc cela doit être un chiffre. Faible : « le soutien est lent ». Fort : « deux ingénieurs perdent ~6 heures chacun par semaine et le délai médian de première réponse est de 4 heures ». Sans cela, vous ne pouvez pas prouver un gain même si vous en obtenez un.

Pourquoi l'IA, et non un outil plus simple. C'est le champ qui élimine le plus de cas d'utilisation, intentionnellement. Beaucoup d'idées présentées comme de l'IA sont en réalité un rapport manquant, une FAQ obsolète ou une correction de processus. Une entrée forte mérite le modèle : « les questions sont formulées de cent manières différentes, donc le routage par mots-clés les manque, et faire correspondre l'intention à travers les formulations est ce qu'un modèle de langage fait bien ». Si une clause WHERE ou un rapport planifié résoudrait le problème, nommez-le et arrêtez. L'IA est la réponse coûteuse; ne l'utilisez que lorsque les solutions moins chères échouent réellement.

Données et entrées. Soyez honnête quant à l'accès et à la qualité, car la préparation des données est la raison la plus courante pour laquelle les projets d'IA stagnent. Faible : « nous avons beaucoup de données ». Fort : « 18 mois de billets résolus dans un système que nous possédons et pouvons exporter, désordonné mais étiqueté par catégorie, avec des noms que nous allons d'abord anonymiser ». Une réponse vide ou vague ici est une découverte, pas une formalité.

Humain dans la boucle. Nommez le point de révision, la personne, et l'autorité qu'elle détient. Fort : « l'assistant rédige une réponse et cite le document utilisé; un ingénieur de soutien approuve avant l'envoi; l'IA n'envoie jamais automatiquement ». Faible : « un humain le vérifiera parfois ». Si une étape permet à l'IA d'agir sans révision, écrivez-le explicitement et justifiez-le, car c'est là que réside le véritable risque.

Signal de succès et horizon. Choisissez un signal mesurable, une cible et une date. Fort : « le délai médian de première réponse sur les 5 types de questions principaux passe de 4 heures à moins de 30 minutes en 8 semaines, sans augmentation des billets rouverts ». Faible : « améliorer la satisfaction des clients ». Visez l'horizon sur le cas d'utilisation, pas sur un calendrier. Un piège courant est de juger tout sur un retour sur investissement de 12 mois, ce qui rejette discrètement un gain structurel plus lent; pour un projet pilote initial, un signal de 6 à 12 mois est sain, et vous divisez tout ce qui est plus long en points de contrôle de moins de 12 mois.

Construire ou acheter. Par défaut, achetez pour des capacités génériques et réservez la construction pour ce qui vous est spécifique. Une entrée forte donne la raison : « deux fournisseurs proposent déjà des fonctionnalités de réponse suggérée qui lisent nos documents; construire un pipeline personnalisé prendrait un trimestre pour égaler un projet pilote de deux semaines ». Construire une capacité générique que vous pourriez louer est l'une des erreurs les plus coûteuses sur cette page.

Risques, puis décision. Nommez ce qu'une réponse faussement confiante casse, qui elle blesse, et comment vous la détecteriez, y compris la vie privée et les biais. Ensuite, enregistrez une décision réelle avec un responsable : soutenez-la maintenant, reportez-la avec une condition nommée, ou abandonnez-la. Un canevas avec chaque champ rempli et aucune décision en bas est une note, pas une décision.

Le canevas peut sembler terminé alors que la réflexion est encore creuse. Quelques pièges reviennent souvent.

• La solution déguisée en problème. Le premier champ dit « utiliser l'IA pour résumer les billets ». C'est une fonctionnalité, pas une douleur. Redémarrez et décrivez ce qui fait mal et ce que cela coûte, sinon vous optimiserez une solution dont personne n'avait besoin.
• L'horizon du ROI qui rejette un bon gain lent. Un cas d'utilisation avec un fort rendement sur trois ans échoue à un écran rigide de 12 mois et est abandonné. Fixez l'horizon pour qu'il corresponde au cas d'utilisation et divisez les paris longs en points de contrôle, afin qu'une véritable amélioration structurelle ne soit pas tuée par une échéance arbitraire.
• Construire ce que vous pourriez acheter. La même étude du MIT de 2025 a trouvé que les constructions internes réussissaient environ aussi souvent que les outils achetés. Un canevas qui par défaut « construit » pour des capacités génériques pointe vers un échec probable. Faites de « l'achat » l'hypothèse de départ et forcez « construire » à se justifier.
• Un chiffre de succès confiant sans référence. Si le « coût actuel de ne rien faire » est vide, la diapositive du ROI est une fiction. Vous ne pouvez pas montrer une réduction de 70 % sans la valeur initiale.
• Aucune entrée humaine dans la boucle pour une action à enjeux élevés. Si l'IA peut envoyer un message, modifier un enregistrement ou déplacer de l'argent, et que le champ de révision est vide, c'est le plus dangereux écart sur la page, pas le moindre.

En équipe, le canevas transforme « quelle idée d'IA finançons-nous » d'un débat en une comparaison. Quand Priya passe quatre candidats à travers les mêmes neuf champs, ils s'alignent côte à côte, et celui qui ne peut pas remplir les données ou un signal de succès cesse d'être un prétendant. Une répartition de portefeuille pratique que de nombreuses équipes utilisent est de consacrer la majeure partie de l'effort à des gains rapides et réalisables qui renforcent la confiance, une part plus petite à un pari stratégique, et une tranche à l'apprentissage délibéré, sans rien allouer à l'idée qui échoue à son propre canevas.

Conservez les canevas remplis. Lors de la révision pilote, vous rouvrez l'artéfact, inscrivez les chiffres réels dans le champ de succès, et laissez la ligne de décision enregistrer si vous développez, maintenez ou arrêtez. Cet historique empêche la même idée rejetée d'être relancée chaque trimestre comme si elle était nouvelle.

Lorsque la décision est « soutenez-la maintenant », passez à l'artéfact suivant. Si vous construisez, le Brief de session de codage IA délimite la première session pour que l'assistant comprenne l'objectif, les fichiers et les contraintes. Si le cas d'utilisation permet à l'IA d'agir seule, exécutez la Liste de vérification de préparation de l'agent avant de la connecter, et la Liste de vérification de préparation MCP avant de la connecter à un outil réel. Pour le champ du signal de succès, la note Résultat plutôt que production dans Meilleures façons de travailler est la lecture complémentaire. Pour votre prochaine idée réelle, remplissez seulement les trois premiers champs, problème, coût actuel et pourquoi l'IA; si vous ne pouvez pas, vous avez votre réponse avant d'avoir dépensé un dollar.