• IA générative, machine learning, automatisation, assistants, agents : repères utiles.
• Différence entre usage individuel, expérimentation, prototype, pilote et projet industrialisé.
• Les types de projets IA : productivité, recherche d’information, analyse documentaire, aide à la décision, automatisation, relation usager, support interne, connaissance métier.
• Ce qui fait réussir ou échouer un projet IA.
• Le rôle des métiers, de la DSI, des données, de la conformité et de la conduite du changement.
• Distinguer innovation utile et effet de mode.

• Partir des problèmes métier, non des outils.
• Repérer les irritants, tâches chronophages, volumes d’information, processus répétitifs ou décisions complexes.
• Identifier les usages à faible risque et fort impact.
• Distinguer cas d’usage individuel, collectif, métier ou transverse.
• Prioriser les besoins : valeur, faisabilité, urgence, risques, disponibilité des données.
• Construire un portefeuille initial de cas d’usage.

Atelier pratique
Identifier et formaliser plusieurs cas d’usage IA à partir d’un contexte métier.

• Définir les bénéfices attendus : temps gagné, qualité, fiabilité, réactivité, accessibilité, satisfaction, réduction d’erreurs.
• Identifier les coûts : outils, données, intégration, formation, accompagnement, maintenance.
• Choisir les bons indicateurs.
• Distinguer ROI financier, ROI opérationnel, ROI qualité et ROI compétence.
• Évaluer la valeur d’un pilote avant passage à l’échelle.
• Construire une matrice valeur / faisabilité.

Atelier pratique
Prioriser les cas d’usage avec une matrice impact, faisabilité et risques.

• Quelles données ou documents sont nécessaires ?
• Disponibilité, qualité, droits, confidentialité, fraîcheur et formats.
• Données structurées, semi-structurées, documents, corpus, bases internes.
• Besoins en métadonnées, référentiels, préparation ou nettoyage.
• Risques liés à des données insuffisantes ou de mauvaise qualité.
• Rôle des professionnels de l’information, data stewards et responsables métiers.

• Utiliser un outil IA existant.
• Créer un assistant personnalisé.
• Mettre en place un assistant documentaire.
• Utiliser une approche RAG pour interroger un corpus.
• Automatiser une tâche avec un workflow ou un agent.
• Intégrer une solution métier existante.
• Développer une solution spécifique.
• Critères de choix : sécurité, coût, ergonomie, intégration, souveraineté, réversibilité, maintenance.

• Définir le problème à résoudre.
• Décrire les utilisateurs et scénarios d’usage.
• Définir le périmètre du pilote.
• Identifier les données, outils et parties prenantes.
• Définir les livrables attendus.
• Prévoir les critères de succès.
• Organiser les tests et retours utilisateurs.
• Formaliser une fiche projet IA.

Atelier pratique
Construire une fiche de cadrage de pilote IA.

• Confidentialité, RGPD, droits d’auteur, sécurité, biais, discrimination, hallucinations.
• Risques de dépendance fournisseur.
• Risques d’automatisation d’erreurs.
• Risques liés à la conduite du changement.
• Validation humaine et traçabilité.
• Règles d’usage, documentation et contrôle.
• Lien avec la charte IA et la gouvernance IA de l’organisation.

• Sponsor, chef de projet, métiers, DSI, juridique, DPO, RH, conformité, communication.
• Définir les rôles et responsabilités.
• Mettre en place une gouvernance projet légère.
• Associer les utilisateurs dès le cadrage.
• Prévoir la montée en compétences.
• Organiser l’expérimentation et les arbitrages.
• Préparer la communication interne.

• Construire un protocole de test.
• Tester la qualité des réponses ou résultats.
• Évaluer l’utilité réelle pour les utilisateurs.
• Mesurer les gains.
• Documenter les erreurs et les limites.
• Décider : abandonner, corriger, poursuivre, industrialiser.
• Construire une démarche d’amélioration continue.

Atelier pratique
Définir les indicateurs, tests et critères de décision d’un pilote IA.

• Prioriser les cas d’usage.
• Définir les étapes : acculturation, cadrage, pilote, évaluation, déploiement.
• Identifier les compétences nécessaires.
• Prévoir les ressources et moyens.
• Articuler projet IA, gouvernance, sécurité et conduite du changement.
• Construire une feuille de route à 30, 60 ou 90 jours.
• Préparer le passage à l’échelle.

Atelier final
Produire une feuille de route complète pour un projet IA : cas d’usage, valeur, données, risques, acteurs, pilote, indicateurs et prochaines étapes.

• Identifier et prioriser des cas d’usage IA.
• Évaluer la valeur, la faisabilité et les risques d’un projet IA.
• Cadrer un pilote IA.
• Identifier les données, compétences et outils nécessaires.
• Définir des indicateurs de succès et un protocole de test.
• Organiser les parties prenantes.
• Construire une feuille de route projet IA.

• Auto-évaluation dans le questionnaire de préparation
• Validation des concepts
• Exercices pratiques
• QCM
• Étude de cas (cas fil rouge pour chaque phase projet)
• Évaluation à chaud
• Évaluation à froid (6 mois)

Avant : FAD50 pour consolider les bases des IA génératives, FA143 pour mieux comprendre les logiques d’automatisation, FA142 pour les projets d’assistant documentaire.

Après : FA64 pour structurer la gouvernance IA, FA99 pour approfondir les LLM et données d’entreprise, ou un accompagnement intra pour cadrer un pilote réel.

Déclinaison intra possible

En intra, cette formation peut devenir un atelier de cadrage opérationnel à partir des cas d’usage de l’organisation. Elle peut déboucher sur une matrice de priorisation, une fiche pilote, un protocole de test, une première estimation de valeur et une feuille de route projet.