Publié : 16/07/2026
"Passer à l'échelle et généraliser l'IA, c’est un sujet humain, pas technologique"
Olivier Serfaty, directeur Data, IA et Innovation chez Inetum France, pilote la factory Data & IA du groupe, lancée début 2026 après plus de 120 expérimentations dont 30 industrialisées en un peu plus de deux ans. Il livre son diagnostic sur les vraies clés du passage à l'échelle.
Pourquoi certains projets d'IA, pourtant convaincants, ne franchissent jamais le stade du test ?
Olivier Serfaty : Chez Inetum, nous avons formalisé notre approche dans ce que nous appelons Coborg ™, pour « Cognitive Brain of your Organization ». C'est un cadre stratégique en cinq piliers qui structure le passage à l'échelle. Le premier, c'est la gouvernance. Ce n'est pas juste un sujet technologique, c'est d'abord un problème d'organisation. Pour qu'un projet passe à l'échelle, il faut mettre les bons acteurs autour de la table dès le départ : la DSI, qui fournit la donnée et garantit la sécurité ; un Chief AI Officer, qui pilote les choix technologiques ; les RH, parce que désormais les agents déployés réalisent des actions en plus de celles faites par l'humain ; et enfin le métier, parce que c'est lui qui a le besoin et qui doit l'expliquer. Quand le métier travaille seul dans son coin, ou quand la DSI fait de même, le cas d’usage n’est pas déployé à grande échelle.
Une fois les bons acteurs réunis, par quoi commence-t-on ?
Olivier Serfaty : Par le choix des cas d'usage pertinents. Chez Inetum, nous avons développé un outil que l'on appelle l'outil d'Entropie. C'est une IA qui décompose un processus nœud par nœud et évalue à chaque étape si l'IA peut automatiser une action, si la donnée est disponible et fiable, ou si cette étape ne peut être réalisée que par un humain. On obtient alors un « scoring » qui dit clairement s'il y a un gain réel à développer une solution d'IA ou pas. Cela évite de déployer un outil qui n'apporterait pas de gains de productivité.
Concrètement, qu'est-ce qu'une donnée "prête" pour un projet d'IA ?
Olivier Serfaty : Il y a trois dimensions. D'abord la traçabilité : on doit savoir d'où vient la donnée, qui l'a modifiée, si elle est fiable et à jour. Ensuite la sécurité : les modèles utilisés doivent être privés, les données ne peuvent pas être en libre circulation sur le net. Et la souveraineté : beaucoup de clients ont des contraintes sur l'hébergement, pour des raisons réglementaires ou parce qu'ils refusent que leurs données transitent aux États-Unis. En Europe, nous avons en plus l'IA Act, qui impose dans certains secteurs régulés (santé, finance, recrutement notamment) une traçabilité très stricte. Il faut ainsi pouvoir expliquer pourquoi un résultat a été obtenu, sur quelles données, avec quel modèle.
Comment évaluez-vous l'état de la donnée d'un client avant de vous lancer ?
Olivier Serfaty : Avant l’IA Générative, cette évaluation prenait plusieurs semaines. Nous avons créé un outil qui lance des IA génératives pour ausculter la traçabilité de la donnée dans les systèmes de l'entreprise : SAP, Salesforce... Le modèle crée les liaisons entre toutes les données, identifie leur provenance et produit une cartographie complète. On obtient un état des lieux en quelques heures au lieu de plusieurs semaines de travail. Certains clients nous contactent uniquement pour ce Data assessment, avant même de savoir quel cas d’usage il vont mettre en place ensuite.
L'objectif, à terme, c'est qu'un métier puisse interroger ses données en langage naturel, sans écrire une ligne de SQL. Par exemple en demandant « Quel est mon chiffre d'affaires de l'année dernière sur telle région, avec tel produit, et quelle est l'évolution sur cinq ans ? » Et obtenir un résultat directement. Nous n'y sommes pas encore complètement, mais c'est vers cela que nous nous dirigeons.
Comment garantir la fiabilité des résultats une fois que l'on déploie la solution ?
Olivier Serfaty : C'est un point critique. Un cabinet juridique qui analyse des contrats par IA ne peut pas se permettre qu'un mot soit mal interprété par LLM : un seul mot peut changer toute une clause. On utilise une approche appelée "LLM as a Judge" : on soumet la même question à trois ou quatre modèles simultanément, puis un modèle supplémentaire analyse leurs réponses, fusionne ce qui converge, signale les contradictions à l'humain et détecte les éventuelles hallucinations par recoupement. L'objectif, c'est de dépasser les 99 % de réponses pertinentes.
Une fois l'outil déployé, comment les métiers s'adaptent-ils concrètement ?
Olivier Serfaty : C'est le dernier pilier de Coborg, et peut-être le plus important : la conduite du changement. Prenez un conseiller commercial. Quand un client l'appelle, l'agent IA fait remonter automatiquement toute l'information sur son écran. Il suggère des réponses. Une fois l'appel terminé, des mails sont envoyés, une commande est passée sur SAP, le CRM se met à jour automatiquement... Ce commercial ne fait plus le même métier. Cela représente au moins 30 % de gain de productivité. La question devient : que faire de ce temps libéré ? Nous ne sommes plus dans l'acculturation d'il y a deux ans, où il fallait expliquer ce qu'était l'IA. Les gens ont bien compris ses bénéfices. Maintenant, il faut les accompagner dans la transformation concrète de leur poste, de leurs processus, de leur quotidien.
Explorez les analyses et les points de vue de nos experts
- Titre
- Description
- Date
- 1
- 2
- 3