Pourquoi c'est important

Les organisations adoptent rarement l'IA de façon planifiée. Une équipe achète un outil, une autre construit un prototype, un éditeur active une fonction. Chaque décision a du sens localement. Ensemble, elles forment un parc que personne n'a conçu : outils en double, contrôles incohérents, responsabilités floues et coûts qui surgissent sur les factures. Quand quelque chose tourne mal, personne ne sait qui est responsable. Quand quelque chose réussit, personne ne peut le reproduire.

Un modèle opérationnel répond à « comment travaillons-nous avec l'IA en tant qu'organisation ? ». Il décrit les rôles et responsabilités, la façon dont les décisions sont prises, la façon dont le travail est financé, dont les systèmes sont construits ou achetés et maintenus en fonctionnement, et dont les gens apprennent. Il n'a pas besoin d'être grand. Le modèle d'une petite organisation peut tenir sur une page. Ce qui compte, c'est que les questions aient des réponses.

Le besoin est plus aigu pour l'IA que pour beaucoup d'autres technologies parce que les systèmes d'IA changent : les modèles sont mis à jour par les éditeurs, les données se déplacent et le comportement dérive. Ils ont besoin de soins continus, ce que fournit une équipe produit, non un projet qui s'achève au lancement. Ce sujet décrit les principaux éléments d'un modèle opérationnel de l'IA et les compétences qui l'accompagnent. Il s'appuie sur la propriété des produits (Sujet 2.8 — Propriété des produits et des services), la gouvernance de l'IA (Sujet 5.6 — Gouvernance, risques et conformité de l'IA) et la gestion financière (Sujet 4.5 — Gestion financière et FinOps), et se relie au changement organisationnel (Sujet 8.3 — Changement organisationnel et adoption).

Concepts clés

Modèle opérationnel. Une description de la façon dont une organisation livre de la valeur : sa structure, ses processus, ses personnes, sa technologie et sa gouvernance. Wikipedia décrit les modèles opérationnels. Un modèle opérationnel de l'IA est la partie qui couvre la façon dont l'IA est choisie, financée, construite ou achetée, exploitée, gouvernée et améliorée.

L'IA comme produit. Un système d'IA a des utilisateurs, une finalité, un backlog, un coût et un cycle de vie. Traitez-le comme un produit avec un responsable, comme décrit au Sujet 2.8 — Propriété des produits et des services. Le responsable répond des résultats, des données, de la qualité et du risque, et décide du moment d'améliorer ou de retirer le système.

Cycle de vie. Les étapes comprennent identifier une opportunité, évaluer la valeur et le risque, construire ou acheter, tester, déployer, exploiter et surveiller, améliorer et retirer. Les opérations d'apprentissage automatique (MLOps), décrites sur Wikipedia, appliquent une discipline d'ingénierie au cycle de vie des modèles : versionnage, déploiement, surveillance et réentraînement. Pour les modèles d'éditeurs, les mêmes étapes s'appliquent avec moins de parties techniques et davantage de contrat et de surveillance.

Rôles. Les rôles typiques comprennent un parrain exécutif, un responsable de produit d'IA pour chaque système, des ingénieurs qui le construisent et l'exploitent, des responsables des données qu'il utilise, un partenaire de sécurité et de vie privée, un conseiller juridique, ainsi que les personnes qui l'utilisent et celles qui sont touchées par lui. Les petites équipes combinent des rôles. Nommez-les et précisez qui décide.

Équipe facilitatrice ou centre d'excellence. Un petit groupe qui aide les autres équipes à bien utiliser l'IA : il offre des conseils, des modèles, des outils approuvés, de la formation et une revue des usages à plus haut risque. Wikipedia décrit les centres d'excellence. Le risque est qu'il devienne un goulot d'étranglement ou une barrière. Un bon centre rend facile la voie sûre et travaille avec les équipes plutôt que pour elles.

Modèles centralisé, fédéré et intégré. Dans un modèle centralisé, une équipe construit et exploite l'IA pour tous. Dans un modèle intégré, chaque équipe produit fait la sienne. Un modèle fédéré combine plateformes et normes partagées avec une responsabilité locale. La plupart des organisations finissent avec un mélange fédéré. Choisissez d'après l'échelle d'usage, les compétences disponibles et le risque.

Construire, acheter ou configurer. Chaque usage de l'IA peut être construit en interne, acheté comme produit ou assemblé à partir d'un modèle et de vos propres données. Wikipedia décrit les décisions « faire ou acheter » comme une forme d'analyse coûts-bénéfices. Considérez le coût total, le risque de dépendance envers un éditeur, la maîtrise des données, la rapidité et les compétences dont vous auriez besoin. Voir le Sujet 3.14 — Gestion des fournisseurs.

Financement. Financez les systèmes d'IA comme des produits avec des équipes pérennes là où ils sont importants, non comme des projets ponctuels. Incluez les coûts d'exploitation, comme les frais d'usage, l'hébergement, la surveillance et le support. Suivez le coût par cas d'usage et par résultat. Voir le Sujet 4.5 — Gestion financière et FinOps.

Plateformes et services partagés. Des composants partagés, comme une passerelle de modèles approuvée, une bibliothèque d'invites et de compétences, un banc d'évaluation, un catalogue de données et la journalisation, réduisent les efforts en double et facilitent le contrôle. Voir le Sujet 5.7 — Compétences et invites d'IA.

Fondations de données. L'IA dépend de données exactes, accessibles et gouvernées. De nombreuses initiatives d'IA calent sur les données, non sur les modèles. Voir le Sujet 7.2 — Fondements et gouvernance des données.

Compétences et capacité. Les gens ont besoin d'un éventail de compétences : comprendre ce que l'IA peut et ne peut pas faire (souvent appelée littératie en IA, une forme de littératie numérique que décrit Wikipedia), rédiger des invites claires et vérifier les résultats, évaluer les risques, construire et tester des systèmes, et gérer les données. Des rôles différents exigent une profondeur différente. Wikipedia décrit l'upskilling et la reconversion comme des approches pour développer des compétences.

Apprendre en faisant. Les compétences croissent le plus par la pratique sur du travail réel avec rétroaction, soutenue par de courtes formations et des exemples. Les communautés de pratique, décrites sur Wikipedia, aident à partager ce qui marche. Associez utilisateurs expérimentés et nouveaux. Voir le Sujet 8.5 — Parcours de formation et certification.

Effet sur les personnes et les rôles. L'IA change les tâches et, dans certains rôles, le nombre de personnes nécessaires. Wikipedia décrit le chômage technologique comme une préoccupation débattue de longue date. Soyez honnête avec le personnel sur vos intentions, associez-le à la conception et planifiez le redéploiement et la requalification. Voir le Sujet 8.3 — Changement organisationnel et adoption.

Valeur et résultats. Définissez le résultat que chaque système d'IA doit améliorer, comme le délai de résolution, la qualité ou la satisfaction des utilisateurs, avec une référence de départ et un moyen de mesure. Wikipedia décrit le retour sur investissement et ses limites. Méfiez-vous des estimations d'économies qui comptent du temps « gagné » jamais réaffecté.

Normes et assurance. Des référentiels comme ISO/IEC 42001 et le NIST AI Risk Management Framework décrivent des éléments de système de management qu'un modèle opérationnel devrait couvrir. Voir le Sujet 5.6 — Gouvernance, risques et conformité de l'IA.

Essais et passage à l'échelle. Les preuves de concept sont bon marché et souvent impressionnantes. C'est au passage à l'échelle que les problèmes apparaissent : qualité des données, intégration, sécurité, coût et support. Wikipedia décrit les preuves de concept. Planifiez dès le départ le passage de l'essai à la production, y compris qui l'exploitera.

Comment les angles s'articulent. Le modèle opérationnel organise l'angle IA. La pratique agile suggère des équipes produit pérennes et de courts essais. L'automatisation et l'analytique sont des voisines : l'automatisation agit sur les sorties de l'IA, et l'analytique fournit les données et les mesures.

Bonnes pratiques

  1. Traiter chaque système d'IA important comme un produit. Nommez un responsable, une équipe, un backlog, un budget et un cycle de vie, y compris le retrait. Examinez régulièrement la valeur et le risque de chaque système.
  2. Écrire les rôles et les droits de décision. Dites qui parraine, qui est responsable de chaque système, qui approuve les usages à plus haut risque et qui peut en arrêter un. Tenez-le sur une page.
  3. Mettre en place une petite équipe facilitatrice. Donnez-lui pour mandat de fournir conseils, outils, formation et revue, et mesurez-la sur l'aide qu'elle apporte aux équipes, non sur le nombre de barrières qu'elle tient.
  4. Choisir construire, acheter ou configurer sur la base de preuves. Comparez coût total, risque, maîtrise des données, rapidité et compétences pour chaque cas. Consignez la décision et revoyez-la quand les circonstances changent.
  5. Financer les coûts d'exploitation dès le départ. Budgétez les frais d'usage, la surveillance, le support et l'amélioration, pas seulement la construction. Suivez le coût par cas d'usage et par résultat.
  6. Fournir des plateformes partagées. Offrez des outils approuvés et des services communs pour l'accès, la journalisation, l'évaluation et les invites et compétences. Rendez la voie approuvée plus rapide que le contournement.
  7. Investir dans les données. Nommez des responsables des données, corrigez les problèmes de qualité qui bloquent des cas d'usage et documentez les sources. Commencez par les données dont les premiers cas d'usage ont besoin.
  8. Développer les compétences par rôle. Offrez une formation brève et pratique à tous, une formation plus poussée aux constructeurs et aux responsables, et du temps pour pratiquer sur des tâches réelles. Créez des lieux où partager ce qui marche.
  9. Être honnête sur les personnes. Dites ce que vous prévoyez pour les rôles et les effectifs, associez le personnel à la conception de nouvelles façons de travailler et soutenez ceux dont le travail change.
  10. Planifier le chemin de l'essai à la production. Avant un essai, décidez de ce qu'est le succès, de qui l'exploiterait, de quels contrôles il exige et de ce qu'il coûterait à l'échelle. Arrêtez les essais qui ne peuvent satisfaire ces critères.

Questions à discuter avec votre équipe

Qui est responsable de chaque système d'IA que nous utilisons, et qui décide de le changer ou de l'arrêter ? Utilisez l'inventaire. Attendez-vous à des lacunes. Demandez ensuite d'attribuer des responsables et de consigner les droits de décision pour les trois systèmes les plus importants.

Que voulons-nous qu'un groupe central d'IA fasse pour nous, et que doit garder chaque équipe ? Discutez aide contre contrôle. Attendez-vous à des vues différentes entre ceux qui veulent des normes et ceux qui veulent de la vitesse. Demandez ensuite de lister trois services que le groupe devrait fournir.

Pour notre dernier achat ou notre dernière construction d'IA, avons-nous comparé les options, et que déciderions-nous aujourd'hui ? Regardez la fiche de décision. Attendez-vous à peu de chose. Demandez ensuite de convenir d'un court modèle pour les décisions de construire, acheter ou configurer.

Quels sont les coûts continus de nos usages de l'IA, et qui les paie ? Demandez des chiffres. Attendez-vous à des inconnues, surtout pour les frais d'usage. Demandez ensuite de choisir un cas d'usage et de construire une estimation de coût.

De quelles compétences les gens ont-ils besoin pour bien utiliser l'IA dans leur métier, et comment les obtiendront-ils ? Interrogez par rôle. Attendez-vous à des lacunes sur la vérification et la compréhension des limites. Demandez ensuite de planifier une séance de pratique sur des tâches réelles.

Qu'avons-nous dit au personnel sur la manière dont l'IA changera son travail, et le croit-il ? Interrogez directement le personnel. Attendez-vous à de l'anxiété. Demandez ensuite de convenir de ce que les dirigeants peuvent dire honnêtement et de ce qu'ils feront pour soutenir les gens.

En pratique : un exemple de gestion des services

Une agence nationale de protection de l'environnement compte 30 usages de l'IA répartis entre ses services : des assistants conversationnels, un modèle qui signale des relevés de capteurs inhabituels, un outil qui résume les réponses à des consultations et plusieurs essais menés par des groupes de recherche. Un nouveau directeur du numérique constate que trois services paient des services de transcription semblables, que deux essais durent depuis plus d'un an sans décision et que personne ne peut dire ce que l'agence dépense en IA.

Elle forme une petite équipe facilitatrice de quatre personnes, tirées de l'informatique, des données, de la sécurité et du juridique. Sa première tâche est l'inventaire, achevé en un mois. Sa deuxième est un modèle opérationnel d'une page : chaque usage de l'IA a un responsable nommé dans l'activité ; l'équipe facilitatrice fournit une passerelle de modèles approuvée avec journalisation, une bibliothèque d'invites et de compétences revues, et une revue des risques pour les usages de risque moyen et élevé sous dix jours ouvrés ; et une réunion trimestrielle du portefeuille décide quels essais étendre, modifier ou arrêter.

La réunion du portefeuille arrête cinq essais qui n'ont ni responsable ni mesure et regroupe les trois contrats de transcription en un seul. Pour le modèle d'anomalies de capteurs, qui soutient des décisions sur les alertes de pollution, le responsable commande une revue de la qualité des données et met en place une surveillance de la dérive. Le financement des deux systèmes les plus précieux passe de budgets de projet à un budget annuel d'équipe, frais d'usage compris.

Côté compétences, l'équipe offre à tout le personnel une séance pratique de deux heures sur l'usage sûr de l'IA, et un cours plus long pour les 40 personnes qui construisent ou possèdent des systèmes. Une communauté de pratique se réunit chaque mois. Le syndicat qui représente le personnel demande ce que l'IA signifie pour les emplois ; la directrice du numérique s'engage par écrit à ce que le programme ne serve pas à supprimer des postes pendant deux ans et à ce que les gains de temps aillent à un arriéré de travail d'inspection.

Ce qui change : l'agence a un inventaire, des responsables clairs et un seul endroit où demander de l'aide. Ce qui reste difficile : certains groupes de recherche voient la voie de revue comme un frein et font encore tourner des outils informels ; les coûts d'usage sont plus élevés que prévu pour deux systèmes et le budget n'a pas été ajusté ; et l'engagement sur les emplois limite des options que la finance veut garder ouvertes. La directrice du numérique réexamine chaque trimestre la rapidité de la voie et le budget.

Quatre perspectives

Équipes produit et de livraison

Prenez en charge vos systèmes d'IA comme des produits : backlog, surveillance, coûts et retrait. Utilisez les plateformes partagées et la bibliothèque approuvée. Demandez tôt de l'aide à l'équipe facilitatrice.

Équipes de service et d'exploitation

Participez à l'exploitation des systèmes d'IA et signalez ce que vous voyez. Apprenez à vérifier les sorties et signalez aux responsables la dérive et les erreurs. Utilisez les outils partagés.

Direction et gouvernance

Parrainez le modèle, attribuez des responsables et financez les équipes pérennes et les coûts d'exploitation. Demandez la vue du portefeuille, avec valeur et risque. Soyez honnête avec le personnel sur l'effet sur les rôles.

Clients et utilisateurs

Vous devriez savoir qui est responsable d'un système d'IA qui vous touche et comment soulever une préoccupation. Demandez comment vos retours atteignent le responsable.

Agilité, IA, automatisation et analytique

Agilité

Gérez les produits d'IA avec des équipes pérennes, des cycles courts et une revue régulière avec les utilisateurs et les parties prenantes. Traitez le modèle opérationnel lui-même comme quelque chose à améliorer par petites étapes. Attention : évitez de lancer un grand programme d'IA avec un plan fixe ; commencez par quelques cas d'usage et apprenez.

IA

Ce sujet porte sur la gestion de l'IA elle-même : responsables, cycle de vie, financement et compétences. L'IA peut aider à l'analyse de portefeuille et à la documentation, sous relecture. Attention : une équipe facilitatrice qui approuve tout ou rien perd sa crédibilité ; adaptez la revue au risque. Voir le Sujet 5.6 — Gouvernance, risques et conformité de l'IA.

Automatisation

Automatisez les flux d'inventaire, les rapports de coûts, la journalisation et les contrôles de politique dans la plateforme partagée, afin que la voie sûre soit aussi la voie facile. Attention : une automatisation qui bloque l'usage sans alternative approuvée pousse les gens vers des outils parallèles. Voir le Sujet 6.1 — Stratégie d'automatisation.

Analytique

Suivez le portefeuille : nombre d'usages, responsables, coût par cas d'usage, mesures de valeur, incidents, délais de revue et couverture des compétences. Attention : compter les projets d'IA ou le personnel formé récompense l'activité et non les résultats ; associez-les à des mesures de valeur et de qualité. Voir le Sujet 7.3 — Mesure et reporting et le livre Service Management Metrics.

Modes d'échec courants

  • Une prolifération d'outils. Chaque équipe achète le sien. Tenez un inventaire et consolidez.
  • Des systèmes sans responsable. Personne ne les entretient ni ne les arrête. Nommez des responsables et examinez le portefeuille.
  • Des projets, non des produits. Les équipes se dissolvent après le lancement. Financez des équipes pérennes pour les systèmes importants.
  • Un centre gardien. L'équipe facilitatrice bloque le travail. Faites-en un service avec des objectifs de réponse.
  • Des coûts d'exploitation ignorés. Les frais d'usage surprennent le budget. Incluez-les dès le départ.
  • Une formation sans pratique. Les cours sont suivis et les habitudes inchangées. Pratiquez sur des tâches réelles.
  • Le silence sur les emplois. La peur se répand. Dites ce que vous prévoyez et associez le personnel.

Modèle de maturité

Dimension Initier Développer Standardiser Piloter Orchestrer
Responsabilité et rôles Floues Promoteurs Responsables nommés et droits de décision pour chaque système Rôles examinés avec les résultats Rôles coordonnés dans l'entreprise et chez les partenaires
Financement et cycle de vie Argent de projet Un peu de financement d'exploitation Financement pérenne pour les systèmes clés, cycle de vie défini Coût et valeur examinés régulièrement Portefeuille financé et rééquilibré selon la valeur et le risque
Plateforme et facilitation Outils individuels Conseils partagés Plateforme approuvée, bibliothèque et service de revue Usage et satisfaction mesurés Plateforme intégrée à la gouvernance et à l'automatisation
Compétences Au cas par cas Formation de sensibilisation Apprentissage par rôle avec pratique Compétences suivies par rapport aux besoins Compétences planifiées dans toute la main-d'œuvre avec soutien au changement

Liste de contrôle

  • Chaque système d'IA important a un responsable de produit nommé.
  • Les rôles et les droits de décision sont écrits sur une page.
  • Une petite équipe facilitatrice fournit outils, conseils et revue.
  • Les décisions de construire, acheter ou configurer sont consignées.
  • Les coûts d'exploitation sont budgétés et suivis par cas d'usage.
  • Les services de plateforme partagés rendent la voie approuvée facile.
  • La formation est fondée sur les rôles et inclut la pratique sur des tâches réelles.
  • Nous avons dit honnêtement au personnel comment l'IA affectera son travail.

Invites d'IA

Comparer construire, acheter et configurer.

Our use case: [describe]. Our constraints: [data sensitivity, skills, budget, timeline]. Options: [list].
Draft a comparison table with criteria (total cost over three years, data control, speed, risk of dependency, skills needed, ability to change) and for each option what we know and what we do not know from my description. Do not choose an option or invent costs.
List what you are unsure of.

Rédiger un modèle opérationnel d'une page à discuter.

Our organization: [type, size]. Our AI uses today: [list]. Our governance bodies: [list].
Draft a one-page operating model with roles, decision rights, funding approach, how AI is built or bought, how risk review works, and how skills are built. Mark every assumption and leave [blank] where my description gives no basis.
List what you are unsure of.

Planifier les compétences par rôle.

Roles in our team: [list with what each does]. AI uses planned: [list].
For each role, list the skills needed (use of AI, checking outputs, risk, building, data), one practice activity on real work, and one way to see that the skill has grown. Do not name courses or vendors.
List what you are unsure of.

Compétences d'IA

  • portfolio-management : à utiliser pour examiner le portefeuille d'IA en valeur et en risque.
  • mlops : à utiliser pour gérer les modèles tout au long de leur cycle de vie.
  • training-needs-analysis : à utiliser pour définir les compétences dont chaque rôle a besoin.
  • raci-matrix : à utiliser pour clarifier les rôles et les droits de décision.
  • roi-analysis : à utiliser pour peser les coûts et bénéfices des usages de l'IA.

Sources principales

  • NIST, AI Risk Management Framework : une structure qui inclut la gouvernance et les rôles organisationnels.
  • ISO/IEC 42001 (la norme elle-même) : exigences de système de management pour l'IA ; lisez l'édition actuelle auprès de l'éditeur.
  • Marty Cagan, Empowered (2020) : sur les équipes produit et la manière dont les organisations les soutiennent.
  • Wikipedia, « MLOps » et « Operating model » : des aperçus du cycle de vie et du concept.

Références

  1. Operating model — Wikipedia — https://en.wikipedia.org/wiki/Operating_model
  2. MLOps — Wikipedia — https://en.wikipedia.org/wiki/MLOps
  3. Center of excellence — Wikipedia — https://en.wikipedia.org/wiki/Center_of_excellence
  4. Product management — Wikipedia — https://en.wikipedia.org/wiki/Product_management
  5. Cost–benefit analysis — Wikipedia — https://en.wikipedia.org/wiki/Cost%E2%80%93benefit_analysis
  6. Digital literacy — Wikipedia — https://en.wikipedia.org/wiki/Digital_literacy
  7. Community of practice — Wikipedia — https://en.wikipedia.org/wiki/Community_of_practice
  8. Technological unemployment — Wikipedia — https://en.wikipedia.org/wiki/Technological_unemployment
  9. Return on investment — Wikipedia — https://en.wikipedia.org/wiki/Return_on_investment
  10. Proof of concept — Wikipedia — https://en.wikipedia.org/wiki/Proof_of_concept
  11. AI Risk Management Framework — NIST — https://www.nist.gov/itl/ai-risk-management-framework