Aller au contenu
Edgius — accueil

Le projet qui a fonctionné et n’a rien changé

22 août 2026

Le modèle a dépassé la cible d’exactitude qu’on lui avait fixée. Le tableau de bord a été livré à temps et dans le budget. Six mois plus tard, le lundi de personne n’a changé. C’est le type d’échec le plus coûteux, parce que vu de l’intérieur il ressemble exactement à une réussite.

Tout s’est bien passé

Le mandat était de prédire quels clients étaient sur le point de partir. L’équipe l’a fait. Elle a rassemblé l’historique, traité honnêtement le déséquilibre des classes, résisté à la tentation de laisser fuir la réponse dans les variables, et livré quelque chose qui dépassait la cible fixée. Il y a eu une démo. Elle s’est bien passée. Quelqu’un a employé le mot « transformateur ».

Puis la liste des clients à risque a commencé à arriver chaque lundi dans la boîte d’une équipe de rétention qui a la capacité d’appeler une quarantaine de personnes par semaine, qui n’a aucune latitude sur les prix, et qui ne peut rien offrir qui ferait changer d’avis un client. La liste est exacte. Elle est aussi inerte. Au bout d’un moment, on cesse de l’ouvrir, et personne ne le soulève, parce que le soulever reviendrait à dire que le projet transformateur n’a rien produit.

C’est l’éléphant que nous appelons Mirage : résoudre parfaitement le mauvais problème d’affaires. Notez l’adverbe. Mirage n’est pas l’histoire d’un projet qui s’est effondré. Ceux-là ont droit à un post-mortem. C’est l’histoire d’un projet qui a rempli chacune des exigences reçues, alors que les exigences étaient l’erreur.

Les preuves

Pas un échec technologique. Un échec de compréhension.

Nº 1

cause d’échec des projets d’IA : mal comprendre — ou mal communiquer — le problème à résoudre

RAND Corporation, The Root Causes of Failure for AI Projects, 2024 — à partir d’entretiens avec 65 praticiens expérimentés de l’IA. Un classement, pas un taux de prévalence.

Comment un projet peut-il échouer alors que tout a fonctionné ?

RAND a posé la question à 65 personnes qui avaient réellement mené ces projets, et ce qui est ressorti en tête n’était ni la puissance de calcul, ni le volume de données, ni le choix du modèle, ni le talent. C’était mal comprendre ou mal communiquer le problème à résoudre. Avant tout modèle. Avant toute donnée.

Il vaut la peine d’être précis sur ce qu’est ce genre de constat, et sur ce qu’il n’est pas. C’est un classement tiré d’entretiens de praticiens, pas un pourcentage de projets. Personne n’avance ici un taux d’échec mesuré, et quiconque le cite ainsi va trop loin. Ce que ça dit, en revanche, c’est où des gens d’expérience, en regardant leurs propres décombres, situent l’erreur décisive. Ils la situent au début, dans une conversation, avant que quiconque ouvre un carnet.

Ça compte, parce que c’est la seule cause qu’aucune excellence en aval ne peut compenser. Un modèle faible qui s’attaque au bon problème s’améliore au trimestre suivant. Un modèle solide qui s’attaque au mauvais est terminé le jour de sa livraison.

Pourquoi est-il si facile de choisir le mauvais problème ?

Parce que le mauvais problème est généralement le plus lisible. Il a déjà des données propres, une mesure convenue, et une forme que l’outillage reconnaît. La prédiction d’attrition est un sentier battu avec des tutoriels au bout. « Notre équipe de rétention n’a rien à offrir aux clients qu’elle appelle » est une question organisationnelle brouillonne, sans propriétaire évident et sans jeu de données.

Les données disponibles sélectionnent donc discrètement le problème. C’est le mécanisme qu’il faut nommer, parce qu’il opère sans que personne ne décide quoi que ce soit : l’équipe cadre vers ce qui peut être bâti, le commanditaire approuve ce qui peut être cadré, et il en sort un projet techniquement ambitieux et stratégiquement à côté. Tout le monde s’est comporté raisonnablement à chaque étape.

L’IA générative a élargi ce piège, pas rétréci. Quand presque tout peut être prototypé en quinze jours, la contrainte cesse d’être la capacité et devient le jugement. Le jugement est la part qu’aucun outil ne fournit. Plus il devient facile de bâtir vite la mauvaise chose, plus le choix de la chose est tout le travail.

Comment savoir si le Mirage est dans votre salle ?

Il est invisible tant que le projet va bien, c’est-à-dire pendant presque toute sa vie. Voici les indices qui apparaissent avant la fin.

  • Personne ne peut nommer la personne dont le lundi change si ça fonctionne.
  • Les critères de succès sont tous des propriétés du modèle : exactitude, latence, couverture. Aucun n’est une propriété de l’organisation.
  • Le problème a été choisi après la découverte du jeu de données, plutôt qu’avant.
  • Quand on demande ce qui arrive si le résultat dit quelque chose de dérangeant, la salle n’a pas de réponse, parce que personne n’a l’autorité d’agir dessus.
  • Le projet est décrit par ce qu’il est (« un modèle d’attrition ») plutôt que par la décision qu’il change.

Quelle question l’aurait attrapé ?

Une seule, posée à voix haute au départ, et elle n’est pas technique : qui fait quelque chose de différent le matin où ça fonctionne, et quoi ? Si la salle ne peut pas répondre par une personne et une action, il n’y a pas de problème résolu. Il y a un artefact produit.

La question suivante est plus difficile et plus utile : que faudrait-il pour que cette personne fasse réellement la chose différente ? Dans le cas de l’attrition, la réponse honnête était que l’équipe de rétention aurait besoin de quelque chose à offrir, ce qui relevait d’une décision de prix que personne n’avait prise. Voilà le vrai projet. Il n’a jamais été cadré, parce qu’il n’avait pas l’air d’un projet d’IA, et que celui qui en avait l’air était moins cher à approuver.

C’est pourquoi Mirage est un éléphant de stratégie et non de technologie. L’échec se situe en amont de tout choix technique. Ce qui est aussi la bonne nouvelle : l’attraper coûte une conversation, pas une plateforme.

Comment faire sortir le Mirage de la salle ?

Les trois mêmes gestes que nous appliquons à chaque éléphant, pointés sur celui-ci.

Cartographier

Partez des décisions, pas des données. Dressez la courte liste des décisions récurrentes qui font vraiment bouger le résultat, et pour chacune demandez ce qui la tranche aujourd’hui et ce qui lui manque. Un carnet bâti ainsi est plus court que l’habituel, et chaque élément a un bénéficiaire nommé. C’est précisément ce qui manque à l’habituel.

Démontrer

Choisissez-en une, et définissez « terminé » comme la décision qui change, pas comme le modèle qui performe. Écrivez le critère de succès dans la langue de l’organisation avant d’extraire la moindre donnée, et entendez-vous sur qui sera dans la salle pour agir. Si personne ne changera ce qu’il fait, vous l’aurez appris en une semaine plutôt qu’en deux trimestres.

Passer à l’échelle

N’étendez que ce qui a modifié une décision, et gardez la question attachée au résultat. L’habitude qui prévient le prochain Mirage n’est pas une méthodologie. C’est que « le lundi de qui change ? » devienne une question normale à poser tôt, à voix haute, par des gens dont on attend qu’ils la posent.

Découvrez lequel de vos projets est un Mirage

The Elephant Safari nomme votre troupeau en dix questions et le classe selon ce qu’il vous coûte. Ou partez plutôt du problème d’affaires : personne ne s’entend sur ce que l’IA peut vraiment faire pour vous. Sortez le Mirage de la salle. Demandez le lundi de qui change.

Chaque chiffre de cet article remonte à une source primaire. La voir dans Savoir