.png)
Ce que contient cet article :
1. Pourquoi l'ordre dans lequel vous déployez l'IA change tout ?
2. Quelles sont les stratégies concrètes pour faire adopter l'IA par vos collaborateurs ?
3. Comment gérer le fossé entre équipes métier et équipes data ?
4. Quels résultats obtenir quand les équipes sont impliquées dès le départ ?
5. FAQ
6. Conclusion
L'ordre de déploiement IA désigne la séquence dans laquelle une entreprise introduit les outils, forme ses équipes et définit ses cas d'usage. La majorité des entreprises déploient d'abord, forment ensuite. C'est précisément cet ordre qui explique la plupart des échecs.
Thierry Champerou, CDO et Directeur de la Data et de l'IA de la MAIF, pose le problème clairement : "Il y a beaucoup d'entreprises qui se sont servies de l'IA pour totalement supprimer le service client. On avait une promesse : l'IA va vous répondre en temps réel. En fait, on se retrouve avec juste plus de service client. C'est insupportable."
Ce constat n'est pas théorique. Il touche directement la relation client. Un chatbot déployé sans implication des équipes qui gèrent les vraies demandes clients produit des réponses correctes une fois sur deux.
La distinction que fait Thierry Champerou est fondamentale : automatisation ou assistance. Automatiser, c'est retirer l'humain du processus. Assister, c'est augmenter sa capacité à prendre la bonne décision. "Le risque zéro en matière d'IA générative n'existe pas aujourd'hui. C'est la raison pour laquelle je préfère le terme d'assistance, de loin."
Dans un secteur comme l'assurance, une réponse erronée à un sociétaire a des conséquences contractuelles directes. Mais ce principe vaut pour tout secteur où la qualité de la réponse engage l'entreprise. L'IA générative ne peut pas assumer seule cette responsabilité. Le collaborateur doit garder sa compétence métier intacte pour corriger, ajuster, et décider.
L'adoption IA en entreprise repose sur un principe contre-intuitif : plus vous impliquez les équipes tôt, moins vous rencontrez de résistance. Pas parce que c'est "sympa de le faire", mais parce que c'est techniquement la seule façon d'obtenir des cas d'usage qui fonctionnent dans la réalité des métiers.
Avant de choisir une solution, organisez une phase de compréhension collective. L'objectif : que chaque collaborateur comprenne ce que l'IA peut faire, ce qu'elle ne peut pas faire, et où elle produit des erreurs. Une équipe qui ignore le risque d'hallucination ne peut pas exercer le regard critique nécessaire pour utiliser ces outils correctement.
La MAIF a appliqué ce principe avec sa Convention Salariée en 2024. 30 salariés tirés au sort parmi l'ensemble du groupe, représentatifs de toutes les directions et classes d'âge, ont suivi 2 jours de formation animés par des spécialistes externes avant de travailler sur les recommandations. "On a d'abord consacré les deux premiers jours à former, à acculturé ces collaborateurs. Et j'ai été bluffé par la qualité du travail réalisé."
Thierry Champerou est direct là-dessus : "Construire des solutions d'intelligence artificielle, ça se fait avec les vrais gens. Les vrais gens sur le terrain." Le cahier des charges rédigé par une maîtrise d'ouvrage au siège ne capte pas la réalité d'un conseiller client qui traite 80 appels par jour.
Cette proximité n'est pas un détail méthodologique. C'est ce qui détermine si la solution sera utilisée ou contournée. Un outil qui ne résout pas un vrai problème terrain ne sera jamais adopté, quelle que soit sa sophistication technique.
Dans toute grande organisation, il y a des early adopters qui s'emparent immédiatement des outils IA, et une majorité plus prudente ou réticente. L'erreur est de concevoir le déploiement uniquement pour les premiers. "Faut déminer tout ça, faut accompagner. Le premier enjeu c'est d'abord de former, de s'acculturé, et d'encourager dans un usage si possible maîtrisé."
La MAIF a déployé Copilot Web à l'ensemble de ses collaborateurs, pas pour des enjeux de productivité immédiats, mais comme outil d'acculturation progressive. L'objectif premier : que chacun ait accès, expérimente, et développe sa propre relation à l'outil avant que des cas d'usage formels soient imposés.
Le fossé entre équipes métier et équipes data est l'obstacle le plus sous-estimé dans un déploiement IA. Ce n'est pas un problème technique. C'est un problème de langue et de culture.
"C'est un choc culturel. On ne parle pas la même langue. On ne se rend même pas compte à quel point on jargonne dans le monde de l'IA." Cette observation de Thierry Champerou touche un point que beaucoup de directions ignorent au moment de lancer leurs projets.
Les data scientists ont longtemps été propriétaires de leurs modèles : données d'entraînement maîtrisées, résultats explicables, logique transparente. L'IA générative a bouleversé cet équilibre. Les LLM sont entraînés par de grands acteurs américains sur des données dont personne ne contrôle la composition. "Rien que ça en soi, c'est une révolution copernicienne pour nos collaborateurs data scientists."
Trois actions concrètes pour réduire ce fossé :
Les résultats sont mesurables sur deux dimensions : la qualité de ce que les équipes produisent quand elles sont réellement consultées, et la durabilité des systèmes IA déployés.
La Convention Salariée de la MAIF a produit 40 recommandations en 4 jours. 38 ont été retenues par la direction générale, avec un engagement central : malgré l'émergence de l'IA, aucun poste ne sera supprimé. "La direction s'était engagée à écouter et répondre à ces recommandations. Et j'ai vraiment été bluffé. Des questions auxquelles bien souvent on ne pense pas forcément soi-même quand on est en position de direction."
Ce résultat illustre quelque chose qu'on sous-estime facilement : l'expertise métier d'un conseiller ou d'un gestionnaire n'est pas dans les algorithmes. Elle est dans la tête des collaborateurs qui exercent ce métier tous les jours. L'intelligence collective fait systématiquement remonter des cas d'usage que la planification descendante ne voit pas.
Thierry Champerou pilote plus de 50 services IA en production à la MAIF, construits sur une infrastructure data développée progressivement depuis près de 10 ans. Cette profondeur ne s'improvise pas. Elle est le résultat direct d'une construction incrémentale, avec des équipes qui comprennent les systèmes qu'elles ont contribué à façonner.
La leçon est pratique : les organisations qui déploient vite sans implication des équipes atteignent souvent la production rapidement, puis calent tout aussi vite. Les systèmes IA qui tiennent dans la durée sont ceux maintenus dans ce que Champerou appelle des "conditions intelligentes" : monitorés en continu, ajustés à mesure que les modèles externes évoluent, et alignés en permanence avec la réalité opérationnelle des personnes qui les utilisent.
Ce niveau de durabilité ne s'achète pas sur étagère. Il se construit à travers les habitudes, le vocabulaire commun et l'appropriation qui ne viennent que d'une implication réelle des équipes dès le départ.
Écouter le podcast complet
Voir l'épisode complet AI Corner sur YouTube
La résistance vient presque toujours d'un manque de compréhension, pas d'un refus de principe. Les collaborateurs qui ont participé à une session d'acculturation et été consultés sur les cas d'usage deviennent des promoteurs de l'adoption. Ceux qu'on met devant un outil sans explication développent méfiance et contournements.
Non. Commencer par un groupe représentatif de profils différents, pas uniquement des volontaires technophiles. L'objectif est de produire des cas d'usage ancrés dans la réalité de plusieurs métiers, puis de diffuser les résultats. Un déploiement global sans phase pilote produit des coûts élevés et des résultats diffus.
En allant sur le terrain avec les équipes qui exécutent les processus au quotidien. Les meilleurs cas d'usage émergent de l'observation directe, pas des réunions de direction. Le cas d'usage qui résout un vrai problème terrain sera adopté naturellement. Celui qui résout un problème théorique ne le sera pas.
L'automatisation retire l'humain du processus. L'assistance augmente sa capacité à prendre la bonne décision. Dans les contextes où une réponse erronée engage l'entreprise, l'assistance est le seul modèle viable. Le collaborateur garde sa compétence métier, l'IA lui permet d'aller plus vite et plus loin.
Les premiers résultats sont visibles en quelques semaines quand les cas d'usage sont bien définis avec les équipes terrain. La durée dépend de la maturité data existante, pas uniquement de l'outil choisi. L'expérience de la MAIF, près de 10 ans de construction incrémentale et 50+ services en production, montre que les résultats les plus profonds se construisent dans la durée.
Impliquer ses équipes dans la stratégie IA avant tout déploiement n'est pas une contrainte organisationnelle. C'est la condition qui détermine si les outils déployés produiront un impact réel ou resteront inutilisés. La séquence gagnante est toujours la même : acculturation collective en premier, identification des cas d'usage depuis le terrain, déploiement progressif avec un monitoring continu. Pour les organisations qui souhaitent construire cette démarche avec méthode, AI Partners aide les entreprises à transformer leurs initiatives IA dispersées en feuille de route structurée, du diagnostic de maturité au déploiement des premiers cas d'usage, via son programme AI First Organization.
