Nous sommes jeudi après-midi, au cours de la deuxième semaine d’une implémentation SaaS. Vous êtes chef de projet : le responsable de la livraison réclame une présentation claire de l’avancement pour la fin de la journée, tandis que le responsable de la réussite client (Customer Success Manager) a besoin d’une mise à jour sur les dépendances avant le comité de pilotage de demain. L’équipe est bloquée sur une décision. Faut-il continuer à solliciter manuellement des mises à jour pour préserver la relation client, ou faire une pause pour corriger le système opérationnel à l’origine de ces reprises de travail incessantes ? À chaque fois que vous optez pour la première solution, les coûts s’accumulent. Vos collaborateurs perdent 12 heures par semaine à extraire des données de divers outils, à concilier des notes contradictoires et à ressaisir les mêmes risques à plusieurs endroits. Les escalades surviennent tardivement, car personne ne repère le schéma problématique assez tôt. Cette formation vous donne les clés et les outils nécessaires pour mettre fin à cette hémorragie. Vous cartographierez les gaspillages opérationnels, sélectionnerez des modèles d’assistance par IA adaptés à votre gouvernance, concevrez un modèle opérationnel intégrant l’humain dans la boucle et gérerez un backlog d’optimisation des opérations axé sur le gain de temps et la qualité des décisions, plutôt que sur le simple taux d’adoption des outils.
Avant de consulter le calendrier du projet, essayez de prédire à quel stade le cycle s’enraye réellement et génère le plus de retouches.
Ce qui est pénible, ce n’est pas la réunion de suivi en soi, mais tout le travail invisible qui l’entoure. Un coordinateur exporte un tableau depuis l’outil de gestion des tickets. Un responsable copie des notes issues d’une messagerie instantanée. Une diapositive est mise à jour, puis une partie prenante conteste un chiffre, obligeant l’équipe à relancer l’extraction des données. Pendant que tout le monde peaufine le rapport d’avancement, une dépendance inter-équipes passe inaperçue. Comme cette dépendance n’est pas intégrée au récit du projet, l’alerte n’est donnée qu’au moment du comité de pilotage, alors que les marges de manœuvre sont déjà réduites. Les conséquences opérationnelles sont quantifiables : le temps consacré au rapprochement des données, la saisie en double et la détection tardive des problèmes se traduisent par des heures supplémentaires, des transferts de tâches ratés et des prévisions peu fiables.
Lorsqu’une équipe souhaite intégrer l’IA dans la gestion opérationnelle de ses projets, elle cherche généralement à réduire les interruptions. L’IA peut y contribuer, à condition d’associer la bonne fonctionnalité au problème rencontré.
L’apport de l’IA dans la gestion de projet se décline généralement en cinq types d’actions :
L’erreur instinctive consiste à automatiser le livrable le plus visible — le support de présentation du suivi — tout en laissant les données sources en désordre. Cette approche donne une impression d’efficacité car le livrable est produit plus rapidement, mais elle fige des données erronées et génère des informations trompeuses qui semblent pourtant crédibles. Une règle plus prudente consiste à laisser aux humains la responsabilité de tout ce qui modifie les engagements, le budget ou la communication externe. L’IA peut préparer la décision, mais elle ne doit pas la prendre à la place de l’humain.
Utilisez cette comparaison pour sélectionner vos cas d’usage en fonction de la valeur apportée et des types de défaillances rencontrés, plutôt que pour le simple attrait de la nouveauté.
Lorsqu’un cas d’usage présente une grande valeur mais comporte également des risques importants en cas d’erreur, il convient de le traiter comme un outil d’aide à la décision. Vous devez alors concevoir des étapes de vérification, exiger une traçabilité jusqu’aux systèmes sources et consigner les résultats produits par l’IA. Lorsque les conséquences d’une erreur sont limitées — comme pour la rédaction de notes internes —, vous pouvez opter pour un niveau d’automatisation plus élevé et concentrer la gouvernance sur le contrôle des accès et la gestion des données.
Un modèle opérationnel « humain dans la boucle » distingue la préparation de la décision de la prise de décision elle-même. La préparation consiste à recueillir des signaux, à les organiser et à présenter des options. La prise de décision implique d’orienter le projet, d’accepter un risque ou de prendre un engagement envers une partie prenante.
Prenons l’exemple d’une alerte de risque : l’IA peut analyser les tendances des problèmes et rédiger une nouvelle entrée dans le registre des risques, en suggérant une probabilité, un impact et un responsable du risque. Une personne vérifie ensuite les sources, ajuste les évaluations et détermine si le risque franchit un seuil d’escalade. Ce seuil correspond à un déclencheur convenu au préalable, tel qu’un impact financier dépassant un certain montant, un retard d’étape supérieur à un nombre de jours défini ou tout risque affectant un engagement contractuel. La piste d’audit est essentielle, car elle permet de savoir qui a approuvé quoi, à quel moment et sur la base de quels éléments probants.
Définissez le niveau d’automatisation de chaque activité en fonction des conséquences potentielles et de la nécessité d’obtenir des validations.