L’intelligence artificielle est aujourd’hui au cœur d’un engouement sans précédent. Chaque semaine voit apparaître de nouveaux cas d’usage, de nouvelles promesses, de nouveaux modèles et de nouvelles fonctionnalités. Dans l’univers de l’ITSM, cette dynamique est particulièrement forte, et c’est une excellente nouvelle.

Une nuance mérite toutefois d’être apportée. De nombreuses organisations accélèrent leurs investissements dans l’IA en concentrant leurs efforts sur l’acquisition de nouvelles fonctionnalités : agents IA, copilotes, assistants de suggestion, moteurs prédictifs ou encore interfaces conversationnelles intégrées aux processus de support.

Ces technologies offrent un potentiel considérable et s’inscrivent pleinement dans l’évolution du marché. Pourtant, leur valeur dépend avant tout de la qualité de l’environnement dans lequel elles sont déployées.

Lorsque ces fonctionnalités reposent sur des données incomplètes, des tickets hétérogènes, des processus insuffisamment documentés, des workflows incohérents, des systèmes de référence mal gouvernés ou encore des bases de connaissances obsolètes, les bénéfices attendus risquent de ne jamais se concrétiser.

C’est pourquoi l’investissement le plus stratégique que les responsables IT puissent réaliser aujourd’hui ne consiste pas nécessairement à acquérir toujours plus de fonctionnalités d’IA. Il réside avant tout dans la préparation de leur organisation : créer les conditions permettant à l’IA de produire une valeur tangible et durable.

C’est précisément l’objet de cet article : la préparation à l’IA dans l’ITSM. Car le meilleur investissement que l’on puisse réaliser pour tirer parti de l’IA en ITSM est, avant tout, un investissement dans la maturité même de son environnement ITSM.

Deux approches pour investir dans l’IA

Dans le domaine de l’IT Service Management, il existe deux façons très différentes d’investir dans l’intelligence artificielle.

La première, la plus visible et la plus répandue, consiste à acquérir de nouvelles fonctionnalités : modules d’IA, interfaces conversationnelles, assistants virtuels, moteurs de classification, outils de synthèse ou encore mécanismes d’automatisation intelligente. Ce sont ces investissements qui alimentent les feuilles de route, les démonstrations commerciales et les présentations aux comités de direction.

La seconde approche est beaucoup plus discrète, mais infiniment plus structurante : développer la préparation à l’IA (AI readiness). Cela consiste à fiabiliser les données, rendre les processus lisibles, harmoniser les workflows, consolider les intégrations et mettre en place une gouvernance claire. En d’autres termes, il s’agit de créer un environnement dans lequel l’IA s’intègre naturellement, plutôt que de la faire fonctionner au sein d’un système déjà complexe et désorganisé.

Le principe est simple : les fonctionnalités d’IA ne créent de la valeur que lorsqu’elles s’appuient sur un environnement réellement prêt à les accueillir. Dans le cas contraire, elles ne font qu’ajouter une nouvelle couche de complexité à une organisation déjà difficile à piloter.

Un copilote capable de suggérer automatiquement une catégorie de ticket a besoin d’un historique de classification cohérent. Un agent IA chargé de proposer une résolution ne peut être performant qu’en s’appuyant sur une base de connaissances fiable. Un moteur prédictif nécessite des données complètes, normalisées et correctement reliées aux actifs et aux services. Une automatisation intelligente suppose enfin des workflows clairs, documentés et reproductibles.

Sans ces fondations, l’IA peut sembler impressionnante lors d’une démonstration… mais décevoir rapidement une fois confrontée à la réalité opérationnelle.

La cohérence des tickets : le socle de données indispensable

Dans l’univers de l’ITSM, le ticket constitue souvent la première brique de la donnée opérationnelle. C’est lui qui rassemble les informations essentielles : description de l’incident ou de la demande, catégorie, niveau de priorité, utilisateur concerné, service impacté, groupe d’affectation, actions réalisées et résolution apportée. Du moins, c’est ainsi que le processus devrait fonctionner.

Dans la réalité, de nombreuses organisations gèrent encore des tickets dont les descriptions sont imprécises, les champs renseignés de manière inégale, les catégories redondantes, les priorités attribuées de façon subjective et les résolutions clôturées par des commentaires aussi vagues que « Résolu » ou « Terminé ». Pour un technicien expérimenté, ces informations restent souvent interprétables. Pour une intelligence artificielle, elles constituent avant tout du bruit.

Or, si l’objectif est d’utiliser l’IA pour classifier les tickets, automatiser leur routage, suggérer des solutions, générer des synthèses d’incidents ou encore identifier des tendances récurrentes, la qualité des données devient un prérequis incontournable.

Il ne s’agit pas de rechercher la perfection. En revanche, une démarche d’amélioration continue est indispensable : réduire les ambiguïtés, renforcer la structuration des données et garantir davantage de cohérence. Concrètement, cela implique de définir des champs obligatoires réellement pertinents, de simplifier les catégories, d’harmoniser les descriptions, d’améliorer les procédures de clôture et de rattacher systématiquement les tickets aux services et aux actifs concernés.

À première vue, ces actions peuvent sembler relever d’un simple travail de « mise en ordre ». En réalité, elles constituent un véritable investissement en faveur de l’IA.

Elles représentent même l’un des exemples les plus concrets et les plus immédiatement rentables de préparation à l’IA dans l’ITSM.

Des workflows documentés : le carburant de l’automatisation intelligente

Le deuxième pilier de cette préparation concerne les workflows.

Les agents IA, et plus largement l’IA agentique, occupent aujourd’hui une place centrale dans les discussions autour de l’ITSM. Mais pour agir efficacement, un agent IA doit avant tout comprendre le processus qu’il est censé exécuter. Il doit savoir quelles actions sont autorisées, dans quel ordre elles doivent être réalisées, quelles validations sont requises, quelles exceptions peuvent survenir et quelles limites doivent être respectées.

Autrement dit, lorsqu’un workflow n’est ni clairement documenté ni formalisé, l’IA ne peut pas l’exécuter de manière fiable.

Prenons l’exemple d’une demande d’accès à une application métier. En apparence, le processus semble simple : un collaborateur demande un accès, un responsable valide la demande, puis le système accorde les droits nécessaires.

Dans les faits, la réalité est bien plus complexe. Le traitement dépend du rôle de l’utilisateur, de son service, de son niveau d’autorisation, de l’application concernée, des politiques de sécurité en vigueur, de la validation du manager, de l’approbation éventuelle du responsable des données, de la disponibilité des licences, des opérations de provisioning et de la notification finale adressée au demandeur.

Si l’ensemble de ces étapes n’existe que dans l’esprit de quelques collaborateurs expérimentés, le processus n’est tout simplement pas prêt à être pris en charge par l’IA. La préparation à l’IA (AI readiness) commence lorsque les workflows deviennent explicites, mesurables et reproductibles.

Ce n’est qu’à cette condition qu’il devient possible de déterminer quelles étapes peuvent être automatisées à l’aide de règles métier, lesquelles justifient le recours à l’intelligence artificielle et lesquelles doivent continuer à relever de la supervision humaine.

Uniformiser les processus : moins d’exceptions, plus de valeur

La fragmentation des processus constitue un autre frein majeur à la préparation à l’IA.

Dans de nombreuses organisations, une même demande est encore traitée différemment selon les équipes concernées. Le service desk applique une méthode, les équipes Infrastructure une autre, les équipes Sécurité une troisième, tandis que certaines filiales ou implantations locales ajoutent leurs propres variantes. À court terme, cette flexibilité peut sembler apporter davantage d’agilité.

À long terme, elle génère toutefois une difficulté bien plus importante : l’organisation perd progressivement la maîtrise de ses propres modes de fonctionnement.

Standardiser les processus ne signifie pas tout uniformiser à l’excès. L’objectif consiste plutôt à distinguer ce qui doit impérativement être commun de ce qui peut légitimement varier.

Autrement dit, il s’agit de définir un cadre partagé pour les scénarios les plus fréquents, tout en conservant la flexibilité nécessaire pour gérer les cas particuliers, sans laisser ces exceptions devenir la norme.

La gestion des incidents en constitue un bon exemple. Le processus peut reposer sur une structure commune : identification, catégorisation, priorisation, escalade, résolution puis clôture. Les modalités de traitement varieront naturellement selon la nature de l’incident, mais ce cadre méthodologique doit rester stable et identifiable.

C’est précisément cette homogénéité qui rend l’automatisation à grande échelle possible.

Et c’est également elle qui permet à l’intelligence artificielle de détecter des schémas récurrents, de formuler des recommandations, d’identifier des anomalies et d’accompagner plus efficacement la prise de décision.

La base de connaissances : d’un simple référentiel à une véritable infrastructure pour l’IA

Ces dernières années, de nombreuses organisations ont enrichi leur base de connaissances interne en y intégrant des guides, des FAQ, des procédures et des articles de résolution. Mais, dans bien des cas, ces référentiels se sont développés de manière progressive, sans véritable gouvernance. Résultat : des contenus en double, des informations obsolètes, des articles rédigés dans plusieurs langues, des responsabilités mal définies et une absence de révision régulière.

L’arrivée de l’IA générative suscite alors une réaction presque immédiate : « Parfait, nous allons nous appuyer sur notre base de connaissances pour répondre automatiquement aux utilisateurs. » Pourtant, si cette base de connaissances manque de fiabilité, l’IA ne fait qu’en amplifier les faiblesses. Une réponse rédigée avec fluidité, mais fondée sur une information obsolète, est souvent plus dangereuse qu’une réponse manifestement incomplète. Parce qu’elle paraît crédible, adopte le bon ton et inspire confiance… tout en orientant potentiellement l’utilisateur dans la mauvaise direction.

C’est pourquoi la préparation à l’IA (AI readiness) passe également par une gouvernance rigoureuse des connaissances. Chaque article devrait être associé à un responsable clairement identifié, comporter une date de révision, préciser son périmètre d’application, être rattaché aux services ou catégories concernés et s’inscrire dans un cycle de mise à jour défini.

Les contenus les plus consultés doivent faire l’objet d’un suivi régulier. Quant aux articles devenus obsolètes ou peu utiles, ils doivent être actualisés ou supprimés afin de préserver la qualité globale de la base de connaissances.

Intégrations et système de référence : le cœur de la préparation à l’IA

En ITSM, l’intelligence artificielle ne s’appuie pas uniquement sur les processus. Elle exploite également les relations qui existent entre les différentes données de l’organisation.

Un incident est rattaché à un service. Ce service dépend lui-même d’actifs informatiques. Ces actifs possèdent des configurations, des propriétaires, des emplacements, des contrats, des vulnérabilités et un historique des changements.

De la même manière, une demande de service peut impliquer des identités numériques, des licences logicielles, des applications métiers, des circuits d’approbation ou encore des outils de gestion des terminaux.

Lorsque ces informations sont dispersées dans plusieurs systèmes incapables de communiquer entre eux, l’IA ne dispose que d’une vision partielle de la situation. Or, dans les processus IT, une vision incomplète peut conduire à des décisions erronées.

C’est pourquoi les intégrations constituent un élément fondamental de la préparation à l’IA.

Non pas comme un simple projet technique, mais comme une condition indispensable pour fournir à l’intelligence artificielle le contexte dont elle a besoin pour produire des recommandations pertinentes.

Une plateforme ITSM enrichie par l’IA, telle que celle proposée par EasyVista, devient ainsi un véritable point de convergence entre les workflows, les données opérationnelles, les demandes, les incidents, les actifs, les automatisations et les outils de supervision. Plus le système de référence est fiable, cohérent et gouverné, plus l’IA est en mesure de générer une valeur mesurable.

Dans cette perspective, l’ITSM ne se limite plus au support informatique. Il devient progressivement la colonne vertébrale numérique des processus métiers. Lorsque le travail transite par cette plateforme, y est tracé et gouverné, l’intelligence artificielle dispose enfin d’un environnement propice à l’expression de tout son potentiel.

Conclusion : l’IA récompense les organisations qui ont construit des bases solides

L’intelligence artificielle représente une formidable opportunité pour l’IT Service Management. Elle peut accélérer la résolution des incidents, améliorer le self-service, assister les équipes de support, réduire les tâches manuelles, détecter des tendances, renforcer les capacités prédictives et offrir des services toujours plus personnalisés.

Mais l’IA n’a rien de magique. Elle ne transforme pas automatiquement des processus fragiles en processus matures. Elle ne rend pas des données incohérentes plus fiables. Elle ne remplace pas une gouvernance inexistante. Et elle ne clarifie pas des responsabilités que l’organisation elle-même n’a jamais définies.

L’intelligence artificielle agit avant tout comme un amplificateur. Lorsqu’elle s’appuie sur des fondations solides, elle démultiplie la valeur créée. À l’inverse, lorsqu’elle s’intègre dans un environnement désorganisé, elle en amplifie les limites.

L’avenir de l’ITSM intelligent n’appartiendra donc pas aux organisations qui accumuleront le plus grand nombre de fonctionnalités d’IA, mais à celles qui auront construit le meilleur environnement pour les exploiter efficacement.

Un environnement fondé sur des processus clairement définis, des données fiables, des workflows numériques maîtrisés et un système de référence rigoureusement gouverné.

En une formule : investir dans la préparation à l’IA, c’est investir dans la réussite durable de son ITSM.

FAQ

Que signifie concrètement investir dans l’AI readiness ?

Investir dans la préparation à l’IA consiste à créer les conditions nécessaires pour que les technologies d’intelligence artificielle produisent une réelle valeur. Cela passe par l’amélioration des processus, de la qualité des données, des workflows, de la base de connaissances, des intégrations et du système de référence. Au-delà de la technologie, cette démarche repose avant tout sur une gouvernance solide et un niveau de maturité opérationnelle suffisant.

Pourquoi l’acquisition de nouvelles fonctionnalités d’IA ne suffit-elle pas ?

Les fonctionnalités d’IA ne peuvent être pleinement efficaces que si elles s’appuient sur un environnement fiable. Lorsque les tickets, les workflows ou les données sont incomplets ou incohérents, l’IA risque de produire des recommandations peu pertinentes, des automatisations fragiles et des résultats difficiles à exploiter. Pour créer une valeur durable, les capacités d’IA doivent s’intégrer à des processus déjà structurés et à des données de qualité.

Par où commencer pour préparer son ITSM à l’IA ?

La première étape consiste à renforcer les fondations de votre environnement ITSM : améliorer la qualité des tickets, harmoniser les catégories et les niveaux de priorité, documenter les principaux workflows, maintenir une base de connaissances à jour, consolider les intégrations entre les différents systèmes et définir des indicateurs de performance permettant de mesurer les bénéfices obtenus. Ces actions constituent les bases d’une stratégie de préparation à l’IA efficace.