En somme
- La plupart des roadmaps échouent parce qu’elles empilent des preuves de concept sans critère de passage en production ni responsable désigné.
- La bonne boussole est la valeur livrée, pas la vitesse d’exécution technique. Un gain chiffré sur un flux métier précis déclenche l’achat ; une promesse abstraite ne déclenche rien.
- Douze mois suffisent pour déployer des agents sur l’ensemble du parc, générer les premiers revenus et consolider le modèle à l’échelle, à condition de séquencer en quatre trimestres étanches.
- Le framework ICE permet de trancher entre dix cas d’usage en une semaine, sur trois critères lisibles pour un comité de direction.
- L’IA se monétise en crédits, pas en tokens. Un crédit représente une action réussie, facturée à environ 10 % de la valeur économisée chez le client final.
- La conformité AI Act se pense dès le mois 1, pas en rattrapage une fois le système déployé.
- Externaliser puis internaliser est le séquencement le plus courant : premiers résultats en trois mois, montée en autonomie progressive.
Pourquoi la plupart des roadmaps IA échouent avant la production
Les idées ne manquent pas sur ce marché. Ce qui fait défaut, c’est le séquencement. Gartner a anticipé qu’au moins 30 % des projets d’IA générative seraient abandonnés après la preuve de concept à fin 20251. La cause n’est pas technique : elle tient à des feuilles de route qui empilent des expérimentations sans critère de passage en production, sans jalon daté, sans responsable désigné.
Le scénario est presque toujours le même. On valide une faisabilité, le prototype reste sur l’étagère, l’équipe passe au sujet suivant. Le plan avance sur le papier, jamais dans le produit, et encore moins jusqu’au client final.
Une roadmap qui fonctionne procède à l’inverse. Chaque étape produit un livrable utilisable, désigne un propriétaire, fixe la date de l’étape suivante et définit ce que « terminé » veut dire concrètement. Pour un éditeur, « terminé » signifie qu’un client utilise le système et qu’on est en mesure de quantifier ce qu’il y gagne.
Le vrai point de départ : la vitesse de livraison de valeur
La question à se poser n’est pas « quelle technologie choisir » mais « à quelle vitesse cette étape apporte-t-elle un gain mesurable à un utilisateur final ». C’est ce qui distingue une feuille de route défendable devant un comité de direction d’un catalogue de bonnes intentions.
Un gain chiffré sur un flux métier précis, du type « le temps de traitement d’une facture passe de six minutes à quarante secondes », déclenche une décision d’achat. Une promesse abstraite, du type « nous intégrons l’IA dans le produit », ne déclenche rien, parce qu’elle ne se compare à rien.
La roadmap IA sur 12 mois, phase par phase
Chaque phase produit un résultat qui conditionne la suivante. La première met les agents en production, la deuxième génère les premiers revenus, la troisième consolide à l’échelle, la quatrième transfère l’autonomie.
Mois 1-3 : cadrer, puis mettre en production
Le premier trimestre sert à comprendre le travail réel, pas à choisir des outils. On cartographie les cas d’usage à partir des irritants observés chez les utilisateurs, on les note, on en retient un ou deux, et on les livre. À la fin du troisième mois, un système tourne chez des clients pilotes, avec son journal de décision et son seuil d’escalade.
C’est aussi le moment où la classification réglementaire se fait, et où la mesure par client s’installe. Ces deux éléments coûtent cher à greffer plus tard.
Mois 4-6 : vendre, et construire ce qui différencie
Les premiers crédits sont vendus. Le modèle économique produit ses premiers euros de revenu récurrent, et l’usage réel permet d’ajuster le prix sur des données concrètes plutôt que sur des hypothèses de salle de réunion.
En parallèle, l’équipe construit les deux premières fonctionnalités métier propriétaires, celles à très haute valeur, spécifiques au métier du logiciel. Ce sont elles qui créent une différenciation durable : un concurrent ne les reproduit pas en branchant un modèle de langage générique sur son interface.
Mois 7-9 : industrialiser et surveiller
Le périmètre s’élargit, des clients pilotes à l’ensemble du parc installé. Le suivi devient central et porte sur trois dimensions : la fiabilité des agents, la consommation de crédits, et les résultats livrés aux clients finaux. L’éditeur dispose alors d’un kit de vente complet : argumentaire, cas d’usage documentés, métriques d’impact réel.
Mois 10-12 : consolider le modèle et monter en autonomie
Le pricing est ajusté sur les données réelles de consommation : paliers, quotas par utilisateur, offres par segment. Les équipes internes se forment à la maintenance des agents et à la lecture des métriques. À la fin du douzième mois, l’éditeur a une ligne de revenu IA active, des agents déployés sur tout son parc, et la capacité de faire évoluer le système sans dépendance externe totale. Le code reste sa propriété.
Prioriser ses cas d’usage avec le framework ICE
Cartographier dix cas d’usage est un bon début, mais ne suffit pas : il faut une méthode pour trancher.
| Dimension | Question posée | Notation |
|---|---|---|
| Impact | Quelle valeur métier si le cas d’usage réussit ? | 1 à 10 |
| Confiance | Quelle probabilité de réussite technique et d’adoption ? | 1 à 10 |
| Facilité | Quel effort de mise en œuvre ? | 1 à 10 |
Le score final est la moyenne des trois notes. Un cas d’usage à fort impact mais difficile à livrer perd des points au classement. Cette simplicité est un atout : la priorisation devient lisible pour un comité de direction, sans compétence technique pour interpréter le résultat.
En une semaine, l’ensemble des cas d’usage identifiés est noté. Un ou deux gagnants se dégagent et deviennent les déclencheurs commerciaux de la feuille de route. Pour les projets les plus lourds, la note « Facilité » s’appuie sur cinq dimensions : disponibilité des données, capacité d’intégration, faisabilité technique, tractabilité du problème, passage à l’échelle.
Le modèle économique : transformer l’IA en ligne de revenu
C’est le sujet que la plupart des roadmaps omettent, et pourtant un plan de déploiement sans modèle économique reste un plan de dépense. Le raisonnement complet est développé dans quel modèle économique pour l’IA dans un logiciel.
De centre de coût à centre de revenu
Mal facturée, l’IA est un poste de dépense qui gonfle avec l’usage. Bien modélisée, elle devient une source de chiffre d’affaires : on achète de la capacité en gros, on la conditionne en unités de valeur compréhensibles par le client, on la revend avec une marge.
Pourquoi facturer en crédits plutôt qu’en tokens
Le token est l’unité technique de consommation des modèles. C’est un bon indicateur de coût en interne, et un très mauvais indicateur de prix pour le client final, pour trois raisons.
L’instabilité. Les prix des modèles changent régulièrement. Un pricing adossé au token fluctue sans logique compréhensible, ce qui crée de la méfiance.
L’illisibilité. Aucun directeur de production ne raisonne en tokens. C’est une unité dénuée de sens pour celui qui signe le bon de commande.
L’incitation perverse. Plus l’IA s’améliore, moins elle consomme de tokens pour un même résultat. Facturer au token revient à se pénaliser à chaque gain d’efficacité.
Le crédit corrige les trois défauts. Un crédit représente une action réussie : une question traitée, un dossier qualifié, un import réalisé. L’efficacité technique devient un levier de marge au lieu de réduire le revenu.
Le pricing par la valeur
Le prix du crédit ne se calcule pas sur le coût de production, mais sur la valeur économisée chez le client final. La règle de base : capturer environ 10 % de la valeur créée. Le client garde 90 % du gain. Ces valeurs sont des hypothèses de départ ; le prix final se co-construit avec les équipes commerciales au premier trimestre, puis se valide sur l’usage réel au deuxième.
Démarrer par un pilote chiffré
Le moyen le plus efficace de convaincre un client final reste le pilote : quelques semaines sur un flux métier précis, une enveloppe de crédits offerte, un objectif chiffré. À la fin, on mesure le gain réel et on convertit en offre payante.
Le bon client pilote réunit quatre critères : un processus répétitif et mesurable, un volume suffisant pour constater l’effet vite, un interlocuteur motivé en interne, et une valeur facile à exprimer en temps ou en argent économisés.
AI Act : intégrer la conformité dès la conception
La conformité n’est pas un sujet de fin de projet. Pour un éditeur, c’est un paramètre de conception à intégrer dès les premières semaines.
Le règlement européen sur l’intelligence artificielle distingue quatre niveaux de risque2. Les systèmes appliqués aux ressources humaines, à l’éducation ou à la santé sont classés à haut risque, avec des obligations de documentation, de transparence et de supervision humaine. L’échéance d’application pour ces systèmes est prévue courant 2026 ; la date exacte fait encore l’objet d’ajustements au niveau européen, mais le principe ne change pas.
Concrètement, intégrer la conformité en amont signifie prévoir dès le cahier des charges l’anonymisation des données sensibles, la traçabilité des décisions de l’agent et les mécanismes de supervision humaine. Ces éléments sont coûteux à greffer sur un système déjà en production. Le détail de ce qui s’applique à un logiciel métier est sur IA Act.
Faire, recruter ou externaliser sur 12 mois
Une roadmap n’est crédible que si le modèle d’exécution tient sur toute sa durée. Trois options existent, et elles se complètent plus qu’elles ne s’opposent.
Le recrutement d’un profil expérimenté prend du temps et représente un investissement élevé bien avant que la première ligne de code n’atteigne la production. L’externalisation vers un partenaire spécialisé permet de démarrer immédiatement, avec une mise en production sur le premier trimestre, puis de monter progressivement en autonomie.
Dans les faits, la majorité des éditeurs qui démarrent avec un partenaire poursuivent en collaboration récurrente une fois les premiers systèmes déployés, le temps de constituer leur propre équipe. Les deux modèles se succèdent sur la feuille de route.
Le workbook, pour cadrer en interne
Impliquer vos équipes et transformer les idées en actions rentables est la partie la plus difficile d’un projet IA. Nous avons écrit pour ça un workbook interne : quatorze pages de grilles à remplir, de questions à trancher et d’espaces pour formaliser vos décisions, à faire en une demi-journée avec la direction, le produit, le commerce, la technique et le support.
Il guide vos équipes pour structurer des actions concrètes, désigner des responsables, quantifier la valeur de chaque cas d’usage et poser un modèle économique tenable. Téléchargez-le gratuitement.
Sources
- Gartner, « Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025 », juillet 2024.
- Commission européenne, « Regulatory framework on artificial intelligence », digital-strategy.ec.europa.eu.