IA et ITSM : réussir le passage de la phase pilote à la production

Le constat est simple : la plupart des phases pilotes de l’IA dans l’ITSM sont considérées comme des succès, puis elles ne mènent nulle part. Les conditions qui permettent à une expérimentation de réussir sont précisément celles qui disparaissent lors d’un déploiement en production. Un projet pilote fonctionne avec un périmètre restreint, une équipe motivée et une supervision étroite, et rien de tout cela n’est conservé en passant à un environnement réel à grande échelle. Les chiffres du secteur le confirment : l’étude de 2025 du MIT « The GenAI Divide » a révélé que 95 % des phases pilotes d’IA en entreprise n’ont généré aucun retour financier significatif, et Gartner fait état d’une crise de la valeur de l’IA.

Cet article examine l’écart entre une démonstration de faisabilité réussie et une solution sur laquelle l’ensemble de l’organisation peut compter, ainsi que ce qu’il faut pour combler cet écart, notamment :

• Pourquoi les phases pilotes réussissent, pourquoi les déploiements échouent et quelle est généralement la différence entre les deux
• Ce qui doit être en place au niveau de vos processus, de vos données et de votre gouvernance avant le déploiement
• Comment construire l’argumentaire interne en faveur du passage de la phase pilote à la production
• À quoi ressemble un déploiement progressif et comment gérer les changements organisationnels qu’il nécessite

Pourquoi les phases pilotes réussissent, pourquoi les déploiements échouent et quelle est généralement la différence entre les deux

Beaucoup de personnes se posent la question suivante : pourquoi notre projet pilote a-t-il réussi et pourquoi le déploiement qui a suivi s’est-il si mal passé ? En réalité, on ne peut pas comparer les deux, car les phases pilotes sont réalisées dans des environnements contrôlés, sûrs et isolés.

Le périmètre est restreint, les intégrations sont limitées et de nombreuses personnes participent généralement au projet pilote car, soyons honnêtes, il est dans l’intérêt de tous que celui-ci se déroule bien. Un autre facteur de réussite tient au fait que les données sont limitées dans la plupart des phases pilotes afin de garder le contrôle et de s’assurer que le système ne soit pas surchargé.

Le déploiement de l’IA dans votre environnement de production est une tout autre affaire. Un environnement de production n’a rien d’un environnement contrôlé : il est complexe, évolutif et la variabilité augmente considérablement dès que les utilisateurs finaux entrent en jeu. Et puisque l’IA agit comme un amplificateur, une situation jusque-là maîtrisée peut très rapidement devenir beaucoup plus difficile à gérer.

Ce qui doit être en place au niveau de vos processus, de vos données et de votre gouvernance avant le déploiement

Qualité des données

Le succès de toute mise en place d’AIOps dépend de la qualité des données. Puisque les données sont au cœur de l’AIOps, leur qualité doit être irréprochable. Définissez un plan clair pour établir un niveau de référence et mettre en place une gestion permettant d’en garantir durablement la qualité. Si vous ne savez pas par où commencer, revenez à la valeur et aux résultats. Réfléchissez au résultat métier que vous souhaitez obtenir grâce à votre projet d’AIOps. S’il s’agit de fidéliser les clients, les indicateurs de satisfaction client pourraient constituer le premier domaine de données à examiner. S’il s’agit d’améliorer la qualité de service, examinez vos données relatives aux incidents, aux problèmes, aux demandes et aux changements. En partant d’un point précis, vous pouvez élaborer un plan priorisé de qualité des données qui soutiendra vos résultats métier.

Une fois vos données examinées, assurez-vous qu’elles sont optimisées pour une utilisation par l’IA, par exemple en définissant des plages standard pour les données numériques et des conventions de nommage pour les données catégorielles, afin que l’IA puisse les reconnaître de manière cohérente. Un dernier point à retenir concernant la qualité des données : il ne s’agit pas d’un exercice ponctuel. À l’image de la pratique ITIL d’amélioration continue, les données ne sont pas statiques. Dans le cas de l’AIOps, vos données constituent une entrée essentielle ; elles évolueront à mesure que l’entreprise se développera et changera au fil du temps. C’est donc le moment de mettre en place des systèmes permettant de suivre les principaux indicateurs de qualité et de configurer des alertes par le biais de votre processus de gestion des événements, afin d’avertir les équipes de support lorsque les données approchent de ces seuils de qualité. En considérant la qualité et la gestion des données comme un cycle de vie continu, nous pouvons créer un fondement durable pour la mise en œuvre de l’AIOps.

Établissez une base de référence pour vos processus

Assurez-vous que vos processus répondent bien aux objectifs visés et qu’ils sont conçus pour évoluer à grande échelle. Veillez à ce que vos processus soient à jour et aient été examinés récemment. Tout commence par votre personnel, vos données et vos processus. Si les fondamentaux ne sont pas en place, votre projet d’AIOps rencontrera des difficultés, car il y aura des lacunes. Avant de sortir de la phase pilote, examinez vos processus, assurez-vous qu’ils répondent toujours aux résultats attendus et vérifiez s’il existe des lacunes. Si vous ne prenez pas le temps d’étudier vos processus, vous risquez de passer à côté de certaines lacunes et vous finirez par essayer d’intégrer des améliorations de processus rétroactives alors que vous serez en plein milieu de votre mise en œuvre d’AIOps ; croyez-moi, personne ne veut se retrouver dans cette situation.

Comprenez la complexité de votre environnement

Chaque écosystème IT est différent, mais de nombreuses organisations disposent d’une configuration IT qui s’apparente à un assemblage de services cloud, d’une infrastructure sur site, de plateformes SaaS, de conteneurs, d’API, de terminaux, de réseaux, d’applications d’entreprise, d’applications développées en interne ou d’autres outils personnalisés, d’imprimantes, d’équipements audiovisuels et d’une multitude de points de défaillance potentiels. C’est beaucoup et, compte tenu de la manière dont l’IA peut amplifier l’existant, nous devons nous assurer que notre environnement repose sur des bases solides : corriger les défauts du système tels que des données fragmentées, du code défaillant ou des workflows bancals, afin de laisser l’IA faire son travail et améliorer la prestation de services plutôt que d’ajouter des risques.

Gouvernance

Mettez en place les bons garde-fous et déterminez les responsabilités appropriées pour que tout reste sur la bonne voie. Lors du passage de la phase pilote à la production, vous devrez établir un cadre de gouvernance complet qui définit la propriété des données, les responsabilités en matière de qualité, les processus d’habilitation du changement et des procédures d’escalade claires. Un principe clé de la gouvernance est la qualité des données, car si l’IA doit prendre des décisions qui ont un impact sur notre environnement réel, nous voulons que ces décisions soient prises sur la base d’informations correctes. Une partie essentielle de votre stratégie de gouvernance devrait consister à mettre en œuvre des contrôles qualité réguliers avec des indicateurs bien définis, afin de garantir que vos données restent exactes, complètes et à jour. Créez des catalogues de données fiables qui cartographient les informations dont vous disposez, leur provenance et la manière dont elles alimentent votre outil ITSM, afin de comprendre précisément comment les données influencent les décisions et d’identifier les points susceptibles d’en compromettre la fiabilité.

Attribuez une responsabilité claire pour vos ensembles de données, avec des propriétaires de données chargés de rendre des comptes et des gestionnaires de données dédiés pour assurer la qualité des données. Nous avons déjà parlé des KPI de qualité et des seuils d’alerte, mais la gouvernance doit également s’étendre aux processus de remédiation et aux politiques de conservation des données. Une fois l’IA passée en production, les organisations doivent également réfléchir beaucoup plus sérieusement à l’auditabilité et à la responsabilité des décisions. Si un modèle d’IA supprime une alerte, déclenche un changement ou réduit la priorité d’un incident, les personnes concernées doivent comprendre pourquoi cette décision a été prise, qui a validé le niveau d’automatisation et qui reste responsable du résultat lorsque quelque chose tourne mal. Rejeter la responsabilité sur l’IA ne suffira pas lors de l’analyse d’un incident majeur ou d’un audit. C’est comme lorsque nous externalisons une partie de notre offre IT : nous pouvons externaliser les tâches quotidiennes, mais la responsabilité reste la nôtre.

Vous devrez également prendre en compte l’exposition réglementaire et les obligations liées au traitement des données, en particulier lorsque les données opérationnelles peuvent inclure des renseignements sur les clients, des informations financières ou des données sensibles. Les cadres de gouvernance doivent définir la manière dont les données sont consultées, utilisées, gérées et sécurisées, ainsi que les contrôles relatifs à la responsabilité des fournisseurs lorsque des plateformes tierces ou des prestataires de services d’infogérance interviennent dans l’écosystème d’AIOps. Comme pour la qualité des données et l’amélioration continue, la gouvernance ne peut pas être considérée comme une action ponctuelle effectuée uniquement lors de la mise en œuvre. Nous devons anticiper les changements, car les modèles d’IA et nos environnements de production évolueront au fil du temps. Nous devrons mettre en place des processus permettant d’examiner l’efficacité, de réévaluer les risques et de valider la valeur continue si nous voulons que l’AIOps reste digne de confiance une fois intégrée aux opérations quotidiennes.

Comment construire l’argumentaire interne en faveur du passage de la phase pilote à la production

Lorsque l’on tente de passer du projet pilote à la production, il est important de disposer d’un argumentaire solide afin d’avoir une base de référence convenue et de maintenir la phase de mise en œuvre sur la bonne voie. Un argumentaire solide comprend :

• Concentrez-vous sur la valeur et définissez clairement les critères de réussite à l’aide de KPI et d’indicateurs pertinents. Quantifiez le ROI et les bénéfices métier. Adaptez-les à votre organisation. Ce n’est pas le moment d’utiliser des mesures standard telles que l’« amélioration de l’efficacité opérationnelle » ou le « meilleur support IT » ; examinez ce qui est important pour votre organisation et votre personnel, et partez de là. Cela nous amène naturellement à des KPI et indicateurs clairs, fondés sur les données, tels que la réduction du bruit des alertes, un triage plus rapide, une meilleure précision du routage des incidents et des demandes, une réduction du MTTR, une meilleure réponse aux incidents majeurs et une amélioration de l’expérience des collaborateurs. Votre phase pilote constituait votre base de référence, alors utilisez les mesures que vous avez établies afin de préparer le passage à la production.
  
• Créez un plan technique. Il comprendra les outils de monitoring, les sources de données, les relations de services issues de la CMDB, les contrôles de sécurité, les limites de l’automatisation et les points d’intégration. Un plan solide exposera le paysage technique, les dépendances opérationnelles et les considérations d’évolutivité, permettant ainsi aux équipes de support de tirer le meilleur parti des mises en œuvre d’AIOps.
  
• Gérez les risques. La gestion des risques dans les mises en œuvre d’AIOps exige de trouver un équilibre entre innovation et rapidité, d’une part, et contrôle opérationnel et obligations organisationnelles en matière de GRC, d’autre part. Travaillez avec votre organisation pour créer un registre spécifique des risques de l’AIOps afin que les risques puissent être consignés, discutés, priorisés et traités.
  
• Construisez un modèle opérationnel durable. Cela comprend la définition de responsabilités claires, une gestion appropriée des modèles accompagnée d’un support opérationnel, la responsabilité de la qualité des données et l’intégration de l’amélioration continue dans les tâches quotidiennes. Cela signifie également surveiller, ajuster, remettre en question et affiner en permanence la manière dont les recommandations de l’IA sont formulées, car les environnements opérationnels changent, les priorités métier évoluent et ce qui fonctionne aujourd’hui peut progressivement devenir une source de risque si vous ne restez pas vigilant.
  
• Adoptez une approche centrée sur l’humain. Il est facile de se laisser séduire par les possibilités offertes par une nouvelle technologie, mais rendre votre approche plus centrée sur l’humain améliorera l’engagement des collaborateurs et renforcera le soutien à la mise en œuvre. Lors du passage de la phase pilote à la production, apportez ces changements en gardant votre personnel à l’esprit : réduisez les tâches répétitives, améliorez la visibilité et accélérez la prise de décision, car ce sont ces éléments qui aideront vos techniciens à réagir plus efficacement face aux problèmes quand ils seront sous pression. Une communication honnête et claire concernant les recommandations de l’IA, l’implication des équipes opérationnelles dans le déploiement et l’instauration de la confiance par le biais d’une valeur quotidienne et pratique sont autant d’actions essentielles pour garantir que l’IA soit considérée comme un outil au service des personnes plutôt que comme quelque chose qui leur est imposé.

À quoi ressemble un déploiement progressif et comment gérer les changements organisationnels qu’il nécessite

Un plan de déploiement progressif donne à l’entreprise le temps de se familiariser avec le concept d’AIOps et d’atténuer les risques. Un déploiement progressif pourrait ressembler à ce qui suit :

Phase 1 : mode shadow

C’est la phase où l’IA observe, apprend et fait ses preuves sans encore intervenir directement sur les opérations. La plateforme est connectée, surveille les événements, détecte des tendances, génère des recommandations et essaie globalement d’impressionner tout le monde, mais surtout, elle ne prend pas encore de décisions opérationnelles en situation réelle. Vos équipes de support conservent toujours le contrôle total.

Et franchement, cette étape est extrêmement importante, car c’est généralement à ce moment-là que vous découvrez que vos données de monitoring sont plus bruitées que prévu, que certaines relations entre les éléments de configuration (CI) dans la CMDB sont pour le moins discutables ou que votre couche d’intégration comporte plusieurs outils qui déclenchent des alertes pour la même chose. Vous voyez le tableau ? Le mode shadow vous donne la marge de manœuvre nécessaire pour tester des scénarios, ajuster et affiner les modèles, améliorer la qualité des données et instaurer la confiance sans stresser vos techniciens ni risquer une interruption de service. Il aide également les équipes de support à se familiariser avec les recommandations dans un environnement sûr. Considérez-le comme une étape où l’on « laisse l’IA créer un climat de confiance avant qu’elle ne touche à quoi que ce soit d’important ».

Phase 2 : périmètre restreint

Une fois que l’IA a démontré sa valeur et que les équipes ont gagné en confiance, l’étape suivante consiste à l’introduire progressivement dans des scénarios de production contrôlés. C’est généralement à cette étape que l’AIOps commence à apporter son aide pour des tâches telles que la déduplication des alertes, les résumés de tickets, les recommandations de routage et les suggestions de causes racines. L’expression clé ici est « adoption contrôlée » : vous continuez à impliquer fortement les humains dans la prise de décision, mais vous commencez à laisser l’AIOps supprimer une partie de la pénibilité opérationnelle répétitive à laquelle les équipes de support sont confrontées chaque jour. Cette phase vise avant tout à instaurer la confiance. Vos techniciens devront constater que les résultats générés par l’IA sont utiles ; les responsables IT devront constater que le projet apporte de la valeur, tandis que votre équipe GRC devra s’assurer que les contrôles fonctionnent. C’est également à cette étape que nous définissons ce qui se passe lorsque l’IA se trompe dans un environnement contrôlé.

Phase 3 : production

Autrement dit, il s’agit de l’étape où l’AIOps a dépassé le stade du projet pilote et fait désormais partie du fonctionnement opérationnel normal. Les modèles de gouvernance sont établis. Les responsabilités sont claires. Les processus de qualité des données sont en place. Les équipes de support comprennent le système et sont plus à l’aise pour l’utiliser. L’organisation est suffisamment confiante pour accentuer et étendre l’automatisation et les capacités prédictives si nécessaire.

C’est à cette étape que tout le travail que nous avons réalisé autour de la gouvernance devient important, car la remédiation autonome semble formidable dans une démonstration fournisseur, mais la réalité est très différente lorsque l’IA décide de redémarrer quelque chose d’important en production à 2 heures du matin. Ce qu’il faut retenir, c’est que la phase de production ne signifie pas que le travail est terminé. L’AIOps n’est pas une solution que l’on déploie une fois pour toutes en espérant que tout fonctionne ensuite sans intervention. Ce dont nous pouvons être absolument certains, c’est que les choses changeront et évolueront au fil du temps. Les organisations qui réussissent sont donc généralement celles qui continuent à ajuster, examiner, gouverner et remettre en question les résultats bien après que l’enthousiasme initial suscité par le déploiement s’est dissipé.