Lorsqu’une fusée décolle, rares sont ceux qui s’intéressent à son pas de tir. Pourtant, sans cette infrastructure de départ, aucun lancement n’est possible. Ou, pire encore, le décollage tourne à l’échec. Cette image illustre parfaitement la manière dont les organisations abordent souvent l’innovation. Et c’est précisément ce qui se joue aujourd’hui avec l’intelligence artificielle appliquée à la gestion des services IT (ITSM).

Toute l’attention se porte sur les assistants virtuels, les capacités prédictives toujours plus performantes, les suggestions générées par l’IA, les systèmes d’IA agentique ou encore l’accélération spectaculaire de ces innovations. Ces avancées sont réelles, prometteuses et porteuses de valeur. Mais un point fondamental ne doit jamais être perdu de vue : l’IA ne remplace pas les fondations de votre ITSM. Elle les met à l’épreuve comme jamais auparavant.

Dans notre précédent article, nous avons montré comment une adoption trop rapide de l’IA peut fragiliser les bases organisationnelles. Ici, nous allons plus loin en déplaçant le débat : il ne s’agit plus seulement d’identifier les risques, mais de comprendre les principes qui rendent l’adoption de l’IA robuste, évolutive et véritablement créatrice de valeur.

Au fond, la question est simple : votre ITSM est-il prêt à tirer pleinement parti de l’intelligence artificielle ? Pour y répondre, il faut revenir à l’essentiel. Plus que jamais, les fondations ITSM pour l’IA constituent le socle indispensable d’une transformation réussie. Ce sont les principes ITSM, et leur intégration cohérente avec les systèmes d’IA, qui détermineront la capacité des organisations à relever les défis de demain.

Concrètement, un modèle d’IA peut suggérer une réponse, classifier automatiquement un ticket, proposer un routage, détecter une corrélation ou recommander une action. Mais pour que cette recommandation soit réellement pertinente, elle doit s’inscrire dans un processus cohérent. Elle doit parler le même langage que le service desk, s’appuyer sur une catégorisation homogène, respecter des SLA clairement définis et exploiter des données fiables et cohérentes.

En d’autres termes, l’IA ne rend pas les principes ITSM obsolètes. Elle les rend incontournables. Dans la suite de cet article, nous examinons les six piliers qui, selon nous, constituent les fondations indispensables d’un ITSM véritablement prêt pour l’IA.

Des workflows structurés

Le premier niveau des fondations ITSM pour l’IA repose sur la structuration des workflows.

Le principe est simple, même s’il est souvent sous-estimé dans les stratégies d’adoption : l’intelligence artificielle est beaucoup plus performante lorsqu’elle évolue dans un cadre clairement défini.

Lorsqu’un incident suit un processus standardisé, que les demandes de services sont normalisées et que les critères d’escalade sont partagés par l’ensemble des équipes, l’IA peut intervenir avec précision et produire une réelle valeur opérationnelle.

À l’inverse, si chaque équipe catégorise les tickets différemment, attribue les priorités selon son intuition ou applique des circuits de validation non formalisés, l’IA ne corrige pas ces dysfonctionnements. Elle les apprend, les reproduit et les amplifie à grande échelle.

Avant d’introduire des mécanismes d’automatisation avancés, il est donc indispensable de consolider les fondamentaux : un catalogue de services structuré, une taxonomie homogène des tickets, des workflows d’approbation clairement définis, des règles de priorisation explicites et des procédures documentées.

Dans cette perspective, une plateforme ITSM telle qu’EasyVista constitue un premier levier déterminant : elle centralise les processus, les standardise, améliore leur visibilité et crée un environnement propice au déploiement de l’intelligence artificielle.

La qualité des données : un prérequis incontournable

Le deuxième pilier des fondations ITSM pour l’IA est probablement le plus déterminant : la qualité des données.

L’IA appliquée à l’ITSM s’appuie sur un vaste ensemble d’informations : historiques de tickets, articles de la base de connaissances, journaux d’événements, données des actifs, informations issues de la CMDB, demandes de services, enquêtes de satisfaction ou encore données de supervision. Si ces sources sont incomplètes, obsolètes, dupliquées ou incohérentes, les résultats produits par l’IA ne pourront pas être fiables.

Il est essentiel de comprendre que l’intelligence artificielle ne possède pas une compréhension innée du contexte métier. Elle identifie des modèles statistiques à partir des données qui lui sont fournies. Si ces données sont biaisées ou de mauvaise qualité, ses recommandations le seront également.

Une base de connaissances non maintenue, une CMDB incomplète, des informations de configuration obsolètes ou des tickets renseignés de manière hétérogène conduisent inévitablement à des recommandations qui donnent seulement l’apparence de l’intelligence.

C’est pourquoi les fondations ITSM pour l’IA reposent largement sur une gouvernance rigoureuse des données : définition de champs obligatoires pertinents, conventions de nommage homogènes, déduplication, maintenance continue de la base de connaissances, mise à jour des éléments de configuration et gouvernance des différentes sources d’information.

Ce travail est exigeant et demande du temps. Mais son impact sur la qualité des résultats obtenus avec l’IA est considérable.

C’est un travail méthodique, initialement fastidieux, qui peut prendre une grande quantité de temps. Mais il fait ensuite une énorme différence.

La gouvernance : là où la valeur se construit

Lorsque l’on parle d’intelligence artificielle, il est facile de concentrer toute son attention sur la technologie. Pourtant, la véritable gouvernance reste avant tout une question d’organisation et de pilotage humain. C’est précisément l’une des raisons pour lesquelles les principes ITSM prennent aujourd’hui une importance stratégique : ils permettent d’éviter que l’adoption de l’IA ne génère davantage de fragmentation que de cohérence.

Que se passe-t-il lorsqu’aucune gouvernance claire n’est définie ? Chaque équipe adopte ses propres outils, conçoit ses propres prompts, établit ses propres méthodes de classification, de documentation ou d’automatisation.

À court terme, cette autonomie peut donner l’impression d’accélérer les projets. Mais, progressivement, les divergences s’accumulent, les doublons apparaissent, les pratiques se dispersent et de nouvelles formes de Shadow IT émergent, encore plus rapides et plus difficiles à maîtriser.

À l’inverse, une gouvernance solide établit les bases d’une adoption maîtrisée de l’IA. Elle définit les responsabilités, les politiques d’usage, les critères de qualité, les indicateurs de performance et les processus de revue. Elle précise les cas d’usage autorisés, les objectifs poursuivis, les données mobilisées ainsi que le niveau de supervision humaine requis. Loin de freiner l’innovation, elle lui permet de s’inscrire dans la durée.

Une approche centrée sur les services, et non sur les outils

Une autre erreur fréquente consiste à partir des technologies plutôt que des services. La question « Que pouvons-nous faire avec l’IA ? » est intéressante, mais rarement la plus pertinente. Il est souvent plus utile de se demander : quelle expérience de service souhaitons-nous améliorer ? Quels points de friction voulons-nous supprimer ? Quelles inefficacités cherchons-nous à éliminer ?

Cette logique est au cœur des principes ITSM. L’ITSM n’a jamais eu pour vocation d’accumuler des outils. Son objectif est de concevoir, fournir et améliorer des services qui créent de la valeur pour les utilisateurs comme pour l’entreprise.

Prenons l’exemple du self-service. Déployer un chatbot sur tous les canaux ne garantit pas, à lui seul, une meilleure expérience utilisateur. Si le catalogue de services est incomplet, si la base de connaissances manque de fiabilité ou si les workflows de traitement demeurent lents et opaques, le chatbot ne fera que reproduire les limites existantes sous une nouvelle interface.

En revanche, intégré à un écosystème ITSM mature, il devient un véritable levier d’amélioration de la qualité de service.

Le même raisonnement s’applique à l’automatisation des demandes, à la gestion automatisée des incidents ou aux scénarios d’orchestration les plus avancés. La valeur créée par l’IA dépend autant de la qualité de conception des services que des performances du modèle lui-même.

Trouver le juste équilibre entre standardisation et flexibilité

Il convient toutefois de lever un malentendu fréquent. Renforcer les fondations de l’ITSM ne signifie pas rigidifier l’organisation. Il ne s’agit ni de transformer les processus en contraintes excessives, ni de ralentir l’innovation.

Au contraire, une standardisation intelligente constitue précisément le socle qui rend possible une véritable flexibilité opérationnelle. C’est sur cette base que l’intelligence artificielle peut pleinement exprimer son potentiel, bien au-delà d’un simple rôle d’accélérateur.

Lorsque les processus fondamentaux sont cohérents, il devient beaucoup plus facile d’introduire des automatisations ciblées, d’intégrer des fonctionnalités d’IA, d’expérimenter de nouveaux cas d’usage, de connecter différents systèmes et d’améliorer durablement la productivité.

C’est dans cette logique que s’inscrivent les solutions d’orchestration et de supervision.

D’un côté, EV Orchestrate permet de connecter les systèmes et les workflows afin de rendre l’automatisation plus cohérente, plus gouvernable et plus évolutive. De l’autre, EV Observe offre une visibilité proactive sur les performances des services et fournit à l’IA des données plus pertinentes, plus fiables et disponibles en temps réel.

L’amélioration continue : la véritable finalité

Le sixième et dernier pilier des fondations ITSM pour l’IA conduit naturellement vers l’objectif ultime de toute démarche de transformation mature : l’amélioration continue.

Les organisations les plus avancées dans l’adoption de l’IA ne sont pas nécessairement celles qui disposent du plus grand nombre d’outils, des budgets les plus importants ou des expérimentations les plus ambitieuses. Ce sont souvent celles qui ont construit, au fil du temps, une véritable culture de l’amélioration continue.

Déployer une solution d’IA ne constitue jamais une fin en soi. Les modèles doivent être accompagnés, supervisés, régulièrement réévalués et ajustés en fonction de leurs résultats réels sur la qualité des services. Leur performance doit être mesurée dans la durée, tandis que l’expertise humaine continue de jouer un rôle central dans les décisions les plus critiques.

Conclusion

L’intelligence artificielle promet davantage de rapidité, de précision, d’automatisation, de productivité et de capacité de montée en charge. Mais plus cette promesse est ambitieuse, plus il devient indispensable de consolider les fondations qui la rendent possible.

Les fondations ITSM pour l’IA ne constituent pas une simple étape préparatoire à franchir rapidement. Elles sont la condition indispensable d’une adoption durable, maîtrisée et créatrice de valeur. Les organisations qui l’auront compris dès aujourd’hui disposeront d’un avantage concurrentiel décisif pour relever les défis de demain, bien au-delà des effets d’annonce ou des tendances du moment.

FAQ

Pourquoi les fondations ITSM sont-elles si importantes ?

Parce que l’intelligence artificielle amplifie les forces comme les faiblesses de l’environnement dans lequel elle est déployée. Lorsque les fondations sont solides, elle accélère la création de valeur. Lorsqu’elles sont fragiles, elle amplifie les dysfonctionnements et le bruit opérationnel.

Quels principes ITSM sont les plus importants pour réussir l’adoption de l’IA ?

Les principaux principes ITSM incluent la standardisation des workflows, la gouvernance, la qualité des données, la clarification des rôles et responsabilités, l’orientation services, la mesure des performances ainsi que l’amélioration continue.

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

La priorité consiste à consolider les fondamentaux : mettre en place un catalogue de services structuré, standardiser les workflows, harmoniser les taxonomies, maintenir une base de connaissances à jour, définir clairement les responsabilités, partager des KPI communs et instaurer une gouvernance précise de l’usage des solutions d’intelligence artificielle.