Le canevas « AI ou Pas AI » est un canevas de décision d’une page qui aide les équipes à évaluer rapidement s’il est réellement judicieux d’appliquer l’IA pour résoudre un problème spécifique. Il vous guide depuis la clarification du problème, en passant par la quantification de la valeur et des risques, jusqu’à la définition des efforts de data et de formation, afin que vous puissiez décider si une solution IA est justifiée ou si une approche plus simple est préférable.
Le canevas est structuré en huit sections :
Problème que nous essayons de résoudre avec l’IA – Décrivez clairement le problème réel avant de mentionner l’IA.
Action – Indiquez ce que l’IA est censée faire (la décision ou l’action qu’elle doit prendre) et si cela peut être traité sans IA.
Valeur de la réussite – Décrivez à quoi ressemble le succès, comment les résultats s’améliorent, et combien de valeur cela crée (économies, revenus, réduction des risques).
Coût de l’échec – Cartographiez ce qui se passe si l’IA se trompe ou sous-performe, et comment cela impacte les personnes, les opérations et les coûts.
Bénéfices pour l’organisation – Identifiez les avantages plus larges pour l’organisation, tels que la différenciation, l’apprentissage ou les capacités stratégiques.
Entrées – Listez les données et signaux dont l’IA aurait besoin, leur qualité et disponibilité, ainsi que le coût attendu pour les obtenir et les intégrer.
Entraînement – Décrivez ce qu’il faudrait pour entraîner le modèle (volume de données, étiquetage, expertise, infrastructure) et estimez cet effort et coût.
Feedback & Résultat – Définissez comment le feedback de l’utilisation réelle sera collecté, comment le modèle sera amélioré au fil du temps, quelles mesures de succès vous suivrez, et le coût continu de maintien et d’affinement du système.
Les équipes peuvent utiliser ce canevas lors d’ateliers ou de sessions de découverte pour aligner les parties prenantes, comparer plusieurs idées d’IA et prendre des décisions transparentes et fondées sur des preuves concernant où investir dans l’IA et où ne pas le faire.
