Des repères pratiques pour des programmes d’IA responsables.
Découverte de cas d’usage de l’IA
Une méthode de terrain pour observer le travail réel, vérifier les contraintes récurrentes et décider si l’IA mérite un essai plutôt qu’un correctif simple.
ModelFold Editorial Team9 min de lecture
Une plainte est un point de départ pour la recherche, pas encore un cas d’usage de l’IA. Une équipe des opérations peut affirmer que la préparation des fiches d’accueil client est trop lente et demander un outil de résumé. Pourtant, une carte du processus dessinée de mémoire peut masquer le vrai travail : les dossiers difficiles attendent parfois des décisions commerciales manquantes, puis doivent être réécrits quand des champs contradictoires sont résolus. Automatiser la rédaction visible ne corrigerait alors ni l’attente ni la reprise. Il faut d’abord observer des cas délimités, relier la contrainte à une conséquence et conserver ce qui contredit l’hypothèse.
À retenir
Avant l’observation, définissez une frontière révisable : le déclencheur, la condition de fin, le résultat produit, son utilisateur en aval, les rôles participants et les types de cas courants ou exceptionnels. Les guides de découverte de cas d’usage recommandent de partir d’un travail récurrent, de ses résultats réels, de son déclencheur, de sa fréquence et de ses utilisateurs en aval. La planification d’un entretien devrait aussi commencer par les questions de recherche et les processus ou technologies qu’il faut comprendre. Cette préparation empêche une capacité d’IA attrayante de dicter prématurément le problème.
Pour les fiches d’accueil, la frontière va de la réception d’un transfert des ventes déjà approuvé jusqu’à l’acceptation de la fiche par la personne responsable de la livraison. Elle inclut les dossiers courants, incomplets et touchés par un changement de portée. Notez les sorties, les variantes, les transferts et les questions à résoudre. Si l’observation révèle une dépendance décisive en amont ou en aval, déplacez la frontière et consignez la raison. La démarche proposée est une synthèse pratique de méthodes complémentaires, et non un protocole normalisé validé comme un tout.
Un entretien sur un cas récent révèle la séquence vécue lorsqu’il part d’un dossier précis et avance du déclencheur au résultat accepté. Les récits d’exemples réels et les relances ouvertes et neutres donnent un meilleur ancrage à l’entretien qu’une description générale de la procédure prévue. Demandez ce qui est arrivé, ce qui s’est produit ensuite, quelle information a guidé la décision, qui a reçu le transfert et où le cas s’est éloigné du parcours attendu. N’invitez pas encore la personne à concevoir une fonction d’IA.
Une description utile du travail comprend aussi les indices d’information, l’incertitude, les solutions envisagées et les jugements difficiles. Cette sonde compacte s’inspire de l’analyse cognitive des tâches sans prétendre appliquer le protocole ACTA formel. Des personnes qui exécutent ensemble un service peuvent être interrogées en petit groupe, et l’entretien peut être combiné à l’observation d’une tâche. Dans une étude originale, certaines activités n’ont pu être décrites avec assez de précision qu’au moment de leur démonstration. Pour l’accueil client, comparez donc un cas courant et un cas difficile avec les opérations, les ventes et la livraison; un seul dossier reste illustratif.
Regardez l’activité avec ses outils, documents, données, interruptions et dépendances habituels. L’observation en contexte peut faire ressortir les changements de source, l’attente, la vérification, les reprises, les transferts, les obstacles, les contournements et le soutien entre rôles. Dans l’exemple, observez la préparation d’une vraie fiche et notez où la personne cherche une donnée, interprète un champ incomplet ou suspend son travail pour obtenir une clarification. La personne observée n’est pas évaluée : la question porte sur le flux et sur les conditions qui le façonnent.
Déclarez le mode retenu. L’observation silencieuse, les questions occasionnelles et l’explication continue offrent des compromis différents entre fluidité naturelle, compréhension et influence de la recherche. Séparez toujours ce qui a été vu de ce que vous en déduisez. L’observation exige une participation informée, une collecte proportionnée, un nouveau consentement avant tout enregistrement additionnel et un traitement sécurisé des données personnelles. Limitez les accès et faites intervenir, selon le contexte, les responsables de la protection des renseignements, de la sécurité, des affaires juridiques, des relations de travail, de l’accessibilité ou du domaine. Demandez enfin à la personne de corriger la reconstruction; cette validation ne transforme pas un petit échantillon en preuve sur toute la main-d’œuvre.
Les artefacts, les courts journaux de tâches et les registres opérationnels prolongent la vue du terrain, chacun avec ses angles morts. Demandez aux participants d’expliquer leurs modèles, listes de vérification, messages, brouillons, notes et files d’attente. Dans une étude de terrain, les marques et les formats des artefacts ont suscité des explications détaillées sur les stratégies personnelles d’organisation et de suivi. Confirmez toutefois le sens et l’usage de chaque objet avec la personne concernée : une feuille annotée ne dit pas, à elle seule, pourquoi ni à quelle fréquence elle sert.
Un journal bref convient lorsque l’événement pertinent survient à des moments difficiles à observer. Un projet appliqué de GOV.UK a utilisé un journal pendant ou juste après l’usage réel, puis l’a combiné à des entretiens et à des tâches observées. Les entrées demeurent autodéclarées et doivent être clarifiées. Lorsque les registres sont utilisables, les séquences et horodatages peuvent soutenir l’analyse de l’attente, du traitement, des reprises, des écarts et des problèmes de qualité récurrents. Ils restent toutefois des traces incomplètes qui peuvent omettre du travail hors système, être dispersées ou ne pas partager une définition simple du cas.
| Méthode | Ce qu’elle révèle | Ce qu’elle peut manquer | Comment corroborer |
|---|---|---|---|
| Entretien sur un cas récent | Séquence vécue, décisions, incertitudes et transferts | Détails oubliés ou rationalisés après coup | Voir les artefacts et observer une tâche comparable |
| Observation en contexte | Outils, interruptions, contournements et travail implicite | Motifs invisibles et activité rare | Poser des questions ciblées et faire valider la reconstruction |
| Artefacts de travail | État, priorités, mémoire et coordination | Sens réel, fréquence et usage hors document | Demander une démonstration à l’utilisateur |
| Journal de tâches | Cas réels distribués dans le temps | Omissions et interprétation personnelle | Faire un suivi en entretien |
| Registres opérationnels | Récurrence, attente, reprises et variantes | Travail hors système et raison des délais | Comparer aux observations, artefacts et explications |
Une difficulté devient une hypothèse de goulot crédible lorsque plusieurs cas, rôles ou sources situent une contrainte récurrente au même endroit, la relient à une conséquence observable et laissent une possibilité d’action. Les données événementielles peuvent révéler des attentes, reprises et écarts récurrents, mais leurs lacunes exigent une confrontation avec les observations, les artefacts et l’interprétation des praticiens. Une enquête contextuelle produit elle aussi une compréhension granulaire et subjective qui doit être comparée à celle des personnes faisant le travail.
Dans l’exemple, les éléments déplacent l’hypothèse : le problème n’est pas nécessairement le résumé, mais les décisions commerciales manquantes et les champs contradictoires des dossiers difficiles. Les fiches courantes sont produites rapidement, les fiches longues ne sont pas systématiquement plus lentes et les horodatages ne captent pas les clarifications hors système. Le test en six questions est donc une règle de décision éditoriale qui soutient une hypothèse de goulot, sans établir la causalité ni constituer un test statistique. Si la récurrence, l’emplacement ou la conséquence demeure flou, gardez la plainte comme piste ouverte.
Ne cherchez pas où placer l’IA avant de pouvoir montrer la contrainte récurrente, sa conséquence et ce qui demeure incertain.
Une fiche d’opportunité doit relier une tâche clairement délimitée aux éléments observés, aux contre-preuves, aux contraintes et au prochain essai, sans présumer que l’IA est la solution. Le volet Map du NIST AI RMF demande de documenter la finalité, les utilisateurs, le contexte opérationnel, la valeur, les limites, les impacts, la portée et la supervision humaine. Ce guide volontaire invite aussi les équipes à examiner des solutions sans IA ou sans technologie, sans prescrire celle qui doit gagner. La fiche sert donc de dossier de décision, pas d’argumentaire de vente.
Formulez l’opportunité en nommant qui a besoin d’aide, pour quelle tâche bornée et vers quel meilleur résultat. Marquez comme hypothèse toute affirmation qui ne renvoie pas à un élément précis. Comparez ensuite l’assistance par IA à une règle déterministe, à une modification du flux ou des responsabilités, à de la formation, à une meilleure information et au statu quo. Un dossier de découverte devrait conserver une exigence de preuve, un responsable, une prochaine étape et un essai ultérieur plutôt que de traiter l’accord d’un atelier comme une validation.
Pour l’accueil client, le premier essai devrait porter sur des champs obligatoires, un responsable explicite du transfert des ventes et une file d’exceptions visible. Mesurez ensuite l’attente et les reprises sur des dossiers délimités. Une aide à la rédaction pourrait être étudiée plus tard, seulement pour les cas dont les faits sont complets. Proposez l’IA lorsque la tâche, la contrainte, la conséquence, l’information disponible, la supervision et l’avantage testable sur une solution plus simple sont défendables. Sinon, recueillez plus de preuves ou arrêtez. Pour du travail sensible, faites valider la démarche par les responsables organisationnels appropriés plutôt que d’en faire une conclusion de conformité.
Délimitez un travail récurrent, puis comparez des cas réels, leurs conséquences et leurs exceptions. Documentez ce qui demeure incertain et évaluez l’IA contre des règles, une meilleure information ou une réorganisation. Le bon prochain geste est un essai contrôlé, pas une promesse générale.
Un irritant est le récit valide d’une expérience difficile. Une possibilité est une tâche délimitée pour laquelle la récurrence, l’emplacement, la conséquence, les contraintes et un mécanisme plausible sont étayés. Elle ne devient pas automatiquement une solution d’IA.
Présentez la démarche comme une recherche sur le flux, avec participation informée, collecte proportionnée et accès limité. Déclarez le mode d’observation, évitez l’évaluation individuelle et faites confirmer la reconstruction. Faites intervenir les responsables organisationnels pertinents avant de traiter des renseignements sensibles.
Non. Cette démarche est une synthèse pratique, pas une liste obligatoire. Choisissez la plus petite combinaison capable de répondre à la question de recherche et ajoutez une méthode seulement lorsqu’elle compense un angle mort important.
Non. L’observation, les artefacts et les registres peuvent soutenir une hypothèse cohérente, mais ils ne suffisent pas nécessairement à établir la causalité. Conservez les cas négatifs et les autres explications, puis concevez le plus petit essai capable de les départager.
Cet article a été préparé à partir des sources suivantes :
Nous racontons comment l’IA s’installe réellement dans une entreprise. Nous partons de sources nommées, distinguons nos constats de nos opinions et utilisons l’IA pour la recherche et la rédaction selon des contrôles éditoriaux documentés. Nous ne remplaçons pas l’examen d’un expert.
Une méthode pratique pour cartographier le travail réel, éprouver les contrôles et clarifier exceptions, approbations et transferts avant d’automatiser.
Une méthode concrète pour tester l’IA tâche par tâche, mesurer tout le travail déplacé et recomposer les rôles sans confondre rapidité et capacité.
Une méthode concrète pour attribuer les décisions d’IA, consigner les responsabilités et transformer les résultats des projets pilotes en apprentissages.
