Comment une feuille de route en cinq étapes permet d’accompagner les gouvernements dans la mise en œuvre de l’IA

La nécessité d’une mise en œuvre systématique

Les méthodologies traditionnelles de déploiement technologique ne suffisent pas pour mettre en œuvre l’IA. Contrairement aux systèmes informatiques classiques, les systèmes d’IA nécessitent un développement itératif, un apprentissage permanent et une gouvernance capable de s’adapter. Ils englobent la gestion du changement organisationnel, la conformité réglementaire et une surveillance éthique qui va bien au‑delà du déploiement technique. Il est donc impératif d’adopter des approches de mise en œuvre structurées. Les organisations ont besoin de méthodologies qui tiennent compte des caractéristiques uniques de l’IA tout en garantissant une création de valeur durable.

La feuille de route en cinq étapes que nous avons élaborée répond à ce besoin en fournissant un cadre fondé sur l’expérience des systèmes d’IA novateurs mis en place dans des organisations gouvernementales à travers le monde. Le cadre aborde en particulier les principales causes d’échec dans la mise à l’échelle de l’IA : imprécision de l’estimation des coûts et de la définition de la proposition de valeur, préparation opérationnelle insuffisante, conception inadéquate des projets pilotes, résistance organisationnelle et enseignements limités tirés des projets pilotes. Le traitement systématique de chaque étape permet de progresser vers une transformation durable de l’IA.

Une transformation réussie grâce à l’IA commence par une approche axée sur les résultats plutôt que sur la technologie. Les organisations efficaces se concentrent sur l’identification des défis opérationnels et des améliorations susceptibles d’être apportées aux services aux citoyens avant d’évaluer des applications spécifiques de l’IA.

Cela modifie fondamentalement la manière dont les gouvernements abordent les investissements dans l’IA. Au lieu de se demander « Où pouvons‑nous appliquer l’IA? », les dirigeants visionnaires devraient se demander « Quels résultats stratégiques visons‑nous et comment l’IA peut‑elle nous aider à atteindre ces objectifs? » Cette approche permet de s’assurer que les initiatives en matière d’IA répondent à un besoin opérationnel précis et disposent d’indicateurs de réussite quantifiables.

Les stratégies les plus efficaces allient un alignement stratégique provenant de la direction à des informations opérationnelles concrètes issues du terrain. Les organisations qui harmonisent les cas d’utilisation de l’IA avec leurs principales priorités politiques tout en tenant compte des points de vue des utilisateurs finaux se dotent d’un vaste éventail de possibilités intéressantes. L’État du Maryland illustre parfaitement cette approche descendante en évaluant tous les cas d’utilisation de l’IA par rapport aux dix priorités du gouverneur, afin de s’assurer qu’ils soutiennent les objectifs politiques généraux. Comme l’a déclaré un haut fonctionnaire : « Le plus important dans la mise en œuvre de tout projet d’intelligence artificielle, c’est qu’il soit axé sur un objectif précis. ... L’IA n’est qu’un outil qui doit être orienté vers cet objectif. »

L’Agence numérique du Japon illustre l’approche ascendante grâce à son initiative de numérisation des consultations pédiatriques, qui a permis aux conseillers d’enregistrer vocalement les consultations lors de leurs déplacements, contribuant ainsi à réduire l’épuisement professionnel et à améliorer les soins prodigués en équipe. Cette démarche répond aux besoins opérationnels immédiats tout en créant des données structurées où il est facile de faire des recherches, jetant ainsi les bases d’analyses plus avancées. Comme l’a expliqué le directeur général Keisuke Murakami : « Si nous imposons uniquement une approche descendante sans connaître la situation réelle sur le terrain, les résultats que nous obtiendrons ne seront pas applicables sur le terrain. »

Les grandes organisations gouvernementales établissent des critères de priorisation rigoureux, évaluant la faisabilité, les coûts, les risques et l’impact, afin de faire des choix d’investissement éclairés. Ils établissent des attentes réalistes concernant les démonstrations de faisabilité, lesquelles ont généralement un faible taux de conversion de la production, mais offrent des informations précieuses.

Principales recommandations aux gouvernements pour la mise en œuvre de l’IA :                      

• Priorité aux résultats – Définir la valeur ajoutée souhaitée pour la société avant d’envisager des solutions d’IA.
• Combiner les approches descendantes et ascendantes, en équilibrant les priorités stratégiques avec les informations opérationnelles des travailleurs de première ligne et des citoyens pour assurer la pertinence et les retombées positives.
• Remplacer les efforts ponctuels par des processus structurés et transparents, en utilisant la collecte d’idées, les cadres de priorisation et la surveillance de la gouvernance pour évaluer les cas d’utilisation possibles.

Principales recommandations aux gouvernements pour la mise en œuvre de l’IA :

• Évaluer l’état de préparation de l’infrastructure et des données : avant d’effectuer un projet pilote, vérifier si votre architecture technologique permet de traiter les charges de travail liées à l’IA de façon sécuritaire, et valider la qualité des données.
• Intégrer la protection des renseignements personnels et la gouvernance éthique depuis le début : adopter les principes liés à la protection des renseignements personnels dès la conception et établir des lignes directrices éthiques claires.
• Faire participer les organismes de réglementation à un stade précoce et de manière continue : associer les organismes de réglementation dès la phase de conception afin d’éviter des révisions coûteuses par la suite.

La prochaine étape consiste à mettre ces idées en pratique. Les projets pilotes sont essentiels pour tester des solutions dans des conditions réelles ou simulées afin de déterminer leur efficacité et de confirmer leur valeur. Seuls les projets pilotes les plus prometteurs sont mis en œuvre à plus grande échelle.

Il est essentiel de créer les conditions propices à la mise en place de projets pilotes efficaces. Les gouvernements avant‑gardistes mettent en place des environnements contrôlés qui reproduisent des conditions opérationnelles, notamment des bacs à sable réglementaires offrant une flexibilité temporaire pour tester des solutions d’IA dans le cadre réel des contraintes politiques, ainsi que des bancs d’essai utilisant des données réelles où des ensembles de données anonymisées simulent la prestation effective de services. Certains organismes développent des jumeaux numériques de leurs opérations de première ligne afin d’évaluer la performance des outils d’IA dans des conditions réalistes, sans perturber les systèmes en service. Ces dispositifs permettent une expérimentation sécurisée tout en assurant la supervision et la conformité, ainsi que le maintien de la confiance du public.

Les projets pilotes les plus réussis mettent l’accent sur la collaboration entre l’humain et l’IA plutôt que sur l’automatisation, créant des flux de travail qui amplifient l’expertise humaine plutôt que de la remplacer. La participation des gens au processus de conception permet également de garantir l’intégration des projets pilotes d’IA dans les flux de travail existants et favorise le développement itératif.

Une évaluation réaliste des économies d’échelle est essentielle à la réussite du projet pilote. Les organisations pionnières anticipent les coûts à long terme et les besoins d’évolutivité, et les intègrent dans des analyses de rentabilité qui tiennent compte des coûts sur l’ensemble du cycle de vie afin d’obtenir le financement nécessaire. Cependant, certaines estimations suggèrent que les organisations sous‑estiment systématiquement les coûts des projets d’IA de cinq à dix fois lorsqu’elles passent de la phase pilote à la phase de réalisation. Les estimations de coûts doivent tenir compte de plusieurs catégories de dépenses :

• La technologie et les données, y compris l’infrastructure réseau, la préparation et le stockage des données, les besoins informatiques, les logiciels et les licences, ainsi que la consommation d’énergie
• Les talents et le capital humain, y compris le recrutement ou le perfectionnement du personnel et la gestion du changement
• La gouvernance, la sécurité et la conformité, notamment la cybersécurité, la confidentialité, la surveillance éthique et juridique
• L’intégration opérationnelle et la maintenance, qui englobent la refonte des flux de travail, l’assistance aux utilisateurs, la remise à niveau des modèles et la maintenance à long terme

Il est essentiel de bien comprendre tous ces éléments pour répartir correctement les ressources et éviter les mauvaises surprises coûteuses.

Enfin, les agences très performantes établissent des critères d’évaluation clairs pour les projets pilotes, qui mettent l’accent sur les résultats mesurables plutôt que sur la nouveauté technologique. La méthodologie de l’Estonie illustre parfaitement cette discipline en évaluant chaque projet pilote selon quatre critères : l’efficacité en termes de temps, la rentabilité, le potentiel d’innovation et des résultats mesurables. Comme l’a souligné Ott Velsberg, directeur des données du gouvernement estonien, « les idées intéressantes en matière d’IA ne suffisent pas. Nous voulons des chiffres. »

Principales recommandations aux gouvernements pour la mise en œuvre de l’IA :

• Prévoir la mise à l’échelle dès le premier jour : intégrer des modèles de coûts complets dans les analyses de rentabilité pilotes et estimer à l’avance l’ensemble des coûts de production.
• Concevoir en plaçant l’humain au centre : associer les utilisateurs finaux dès le début et appliquer les principes de conception centrée sur l’humain grâce à un processus de développement itératif.
• Fixer des objectifs clairs et réalisables et les évaluer rigoureusement : définir des objectifs précis et mesurables et utiliser des critères quantitatifs pour évaluer les résultats du projet pilote.

Une mise à l’échelle réussie nécessite une gestion intégrée de l’infrastructure technique et du changement organisationnel. Les organisations doivent mettre en place des modèles opérationnels qui favorisent le déploiement de l’IA tout en gérant l’adaptation culturelle nécessaire à son adoption durable. Les approches efficaces trouvent un équilibre entre l’expertise technique centralisée et les connaissances spécialisées intégrées, garantissant ainsi que les solutions sont à la fois techniquement solides et pertinentes sur le plan opérationnel.

La mobilisation des employés est essentielle, 31 % des organisations invoquant des préoccupations liées à la sécurité de l’emploi comme obstacles à la mise en œuvre. Les stratégies les plus efficaces répondent à ces inquiétudes en expliquant clairement le rôle de soutien de l’IA et en faisant participer activement les employés à la conception du système. Cette approche centrée sur les gens reconnaît que l’adoption durable de l’IA nécessite un partenariat avec la main‑d’œuvre plutôt qu’une simple formation.

Alors que 38 % des organisations considèrent la pénurie de talents comme un obstacle majeur, les dirigeants tournés vers l’avenir mettent en place des plans de perfectionnement des compétences à long terme. L’Agence australienne pour la transformation numérique illustre cette approche grâce à des programmes d’évaluation des aptitudes et de perfectionnement ciblé. Comme l’explique Lucy Poole, directrice générale de la division Stratégie, planification et performance : « Du point de vue des compétences et de la planification de la main‑d’œuvre, nous travaillons actuellement à la mise en œuvre des initiatives décrites dans le plan 2025‑2030 de la fonction publique australienne (APS) concernant le personnel des services numériques, informatiques et de la cybersécurité. L’objectif est de cerner les principaux défis dans ces trois disciplines et de commencer à renforcer les connaissances, les compétences pratiques et techniques. Cette démarche est essentielle pour que les talents de l’APS soient prêts à répondre aux besoins actuels et futurs. »

La transformation des processus d’approvisionnement favorise une croissance durable en s’adaptant à la nature évolutive de l’IA plutôt qu’en l’imposant dans des modèles contractuels traditionnels. Cette évolution permet d’accéder à un écosystème plus vaste qui combine des entreprises technologiques établies et de jeunes pousses innovantes, réunissant ainsi une expérience approfondie du domaine et des capacités de pointe. Comme l’a fait remarquer le capitaine à la retraite, Manuel Xavier Lugo, conseiller militaire principal, chef du bureau du numérique et de l’intelligence artificielle, bureau du secrétaire à la Défense, ancien commandant de la Task Force Lima des États‑Unis : « La barrière à l’entrée n’existe plus. Vous pouvez être une petite entreprise confrontée à un défi particulier, et vous vous qualifiez. » Pour réussir, il est nécessaire de développer une compétence interne en matière d’approvisionnement afin d’évaluer efficacement les solutions d’IA et de favoriser des partenariats collaboratifs qui vont au-delà des relations traditionnelles avec les fournisseurs.

Principales recommandations aux gouvernements pour la mise en œuvre de l’IA :

• Choisir des modèles opérationnels appropriés : trouver le juste équilibre entre expertise technique centralisée et connaissances spécialisées intégrées.
• Donner la priorité à la mobilisation du personnel : expliquer clairement le rôle de soutien de l’IA et faire participer les employés à la conception du système.
• Moderniser les approches en matière d’approvisionnement : adopter des approches agiles et inclusives qui font appel à des fournisseurs diversifiés et renforcent les capacités d’évaluation internes.

L’évaluation systématique et le partage des connaissances transforment les mises en œuvre isolées en capacités organisationnelles. Ces pratiques contribuent à renforcer les capacités d’apprentissage et d’adaptation des institutions au sein du gouvernement.

Les gouvernements avant‑gardistes établissent des indicateurs de performance exhaustifs et des mécanismes de rétroaction des parties prenantes qui reflètent la valeur opérationnelle globale de l’IA plutôt que de se concentrer exclusivement sur les mesures de coût.

Les approches les plus avancées intègrent l’évaluation dans la gestion continue du programme au lieu de la considérer comme une étape distincte postérieure à la mise en œuvre. Le ministère australien de l’Intérieur illustre bien cette approche. Les équipes définissent à l’avance les résultats, les indicateurs et les mesures d’évaluation du programme, puis surveillent les incidences prévues et imprévues des initiatives d’IA grâce à l’analyse de toutes les données en temps réel. Selon Pia Andrews, ce type de capacité permet au Ministère d’ajuster son tir en fonction des données en temps réel plutôt que d’attendre les points de contrôle d’évaluation. 

Rendre régulièrement compte à la direction, aux employés et au public des progrès et de la portée de la mise en œuvre de l’IA favorise la transparence et la responsabilisation, tout en renforçant la confiance des parties prenantes. 

Le partage des connaissances accélère l’adoption organisationnelle grâce à des espaces de partage de bonnes pratiques qui évitent les doublons tout en renforçant les capacités institutionnelles. Cette approche collaborative crée une valeur exponentielle, comme l’explique un responsable de l’État du Maryland : « Nous avons mis en place cet espace de partage de bonnes pratiques, qui rassemble essentiellement toutes les personnes qui exploitent l’IA, formant ainsi un groupe de travail conjoint. Nous discutons tous pour comprendre : "Quels sont les problèmes auxquels nous sommes confrontés? Pouvons‑nous faire en sorte de ne pas avoir à réinventer la roue?" »

En partageant le processus d’apprentissage, en célébrant les réussites, en analysant les échecs et en rendant le processus transparent, les responsables publics transforment les projets pilotes d’IA en tremplins pour la transformation.

Principales recommandations aux gouvernements pour la mise en œuvre de l’IA :

• Définir les indicateurs clés de performance (ICP) et les références avant la mise en œuvre : établir des cadres d’évaluation qui prennent en compte l’ensemble des avantages.
• Créer des boucles de rétroaction continues : surveiller les progrès et recueillir les commentaires des parties prenantes afin de permettre des ajustements en temps réel.
• Partager les connaissances au sein du gouvernement : organiser des événements interministériels et maintenir des systèmes de gestion des connaissances afin d’accélérer l’adoption.

Enjeux pour les responsables publics

Les enjeux sont importants. Ceux qui agissent de manière décisive pour surmonter ces obstacles peuvent réaliser un potentiel de transformation à plusieurs niveaux, allant des gains d’efficacité et de l’amélioration de l’expérience des employés à l’amélioration de l’engagement des citoyens, en passant par la planification stratégique des services, l’optimisation financière et la résilience organisationnelle. Ceux qui tardent à agir s’exposent à une augmentation des coûts, à des occasions manquées de gains de productivité et à des attentes non satisfaites du public. 

Pour les responsables publics, la marge de manœuvre se rétrécit, rendant plus urgente que jamais la maîtrise de la complexité liée à la mise à l’échelle de l’IA afin d’obtenir une valeur ajoutée durable pour la société. Le processus en cinq étapes fournit une feuille de route structurée qui permet de passer de la stratégie en matière d’IA à des essais pilotes, puis à un déploiement complet et à l’obtention de résultats tangibles.