Pourquoi l’IA impose un retour aux fondamentaux de l’ITSM

L’enthousiasme suscité par l’intelligence artificielle dans l’IT a depuis longtemps dépassé le stade de la simple tendance. Directions générales, responsables métiers et équipes opérationnelles cherchent désormais à intégrer l’IA dans l’ensemble des processus de gestion des services, convaincus qu’elle apportera immédiatement davantage d’efficacité, d’automatisation et de maîtrise des coûts.

La réalité observée après le déploiement des solutions est pourtant souvent bien différente : projets pilotes impossibles à industrialiser, retour sur investissement difficile à démontrer, agents IA incapables de produire des résultats fiables lorsque les processus sous-jacents manquent de robustesse.

Dans la majorité des cas, l’origine du problème ne réside pas dans la technologie elle-même, mais dans l’environnement organisationnel dans lequel elle est déployée.

L’impact réel de l’IA sur l’ITSM est d’ailleurs à l’opposé du discours dominant actuel : loin de remplacer les bonnes pratiques de gestion des services, elle impose un retour aux fondamentaux. Processus documentés, responsabilités clairement attribuées, respect des recommandations ITIL et maturité opérationnelle constituent les fondations indispensables. Sans elles, toute initiative visant à renforcer la préparation à l’IA (AI Readiness) dans l’ITSM risque davantage de générer de la complexité et des coûts supplémentaires que de créer de la valeur.

Que signifie être “AI‑ready” en ITSM ?

L’ITSM constitue le système de référence d’une organisation. Il orchestre des workflows structurés et centralise le contexte opérationnel indispensable au fonctionnement des services. À ce titre, il devrait naturellement servir de socle aux initiatives d’intelligence artificielle dans les opérations informatiques.

Pour que ce potentiel se transforme en bénéfices concrets, certaines conditions doivent toutefois être réunies. Être « AI ready » (prêt pour l’IA) repose sur des processus numérisés et documentés, des responsabilités clairement définies, une application cohérente des bonnes pratiques ITIL ainsi que des indicateurs mesurables de maturité opérationnelle. Ces éléments représentent le minimum requis pour qu’un projet IA produise de la valeur plutôt que des coûts additionnels.

L’état actuel de l’ITSM : des fondations fragilisées sous la pression de l’IA

De plus en plus d’organisations étendent aujourd’hui leur plateforme ITSM à des domaines bien au-delà des services informatiques traditionnels : ressources humaines, services généraux ou encore la sécurité. Dans ce contexte, l’ITSM devient progressivement l’épine dorsale des opérations de l’entreprise.

Le problème est que, dans de nombreuses organisations, cette colonne vertébrale demeure fragile. Quatre difficultés récurrentes apparaissent régulièrement :

• Des processus insuffisamment documentés : les mêmes workflows varient selon les équipes, tandis que les procédures semblent parfois n’exister que dans l’expérience des collaborateurs les plus expérimentés.
• Des responsabilités mal définies : il est souvent difficile d’identifier clairement le responsable d’un service, d’un processus ou de la qualité d’un ensemble de données.
• Une application inégale des bonnes pratiques ITIL : la gestion des incidents, des problèmes, des changements ou des demandes de service manque de cohérence dans le temps.
• Des niveaux de maturité hétérogènes : certaines équipes s’appuient sur des processus formalisés et standardisés, tandis que d’autres fonctionnent principalement dans la réaction et l’urgence. L’organisation dans son ensemble se retrouve alors limitée par le niveau de maturité de ses équipes les moins structurées.

Ces difficultés existaient déjà avant l’arrivée de l’IA. Jusqu’à présent, elles restaient relativement gérables grâce à l’intervention humaine : l’expérience, le jugement et l’adaptation permettaient de compenser les zones d’ambiguïté.

L’intelligence artificielle change profondément cette équation. Un agent automatisé ne peut pas interpréter correctement un processus qui n’a jamais été formalisé. Il ne peut pas deviner qui est responsable d’une décision. Il ne peut pas non plus compenser un manque de maturité organisationnelle.

En l’absence de prérequis tels que des workflows documentés, une gouvernance claire, l’application des pratiques ITIL et une maturité opérationnelle suffisante, l’IA ne corrige pas les faiblesses existantes : elle les révèle et les amplifie. Ce qui constituait auparavant une faiblesse absorbable devient alors un véritable obstacle opérationnel.

La promesse de l’IA face à la réalité des chiffres

Les données du marché en 2025 illustrent parfaitement ce paradoxe. D’un côté, l’adoption de l’IA est devenue quasi généralisée. Selon une étude récente d’EasyVista, 95 % des grandes entreprises utilisent déjà l’intelligence artificielle dans leur environnement ITSM sous une forme ou une autre. Même parmi les PME, ce taux atteint encore 90 %. De l’autre côté, les résultats financiers restent largement décevants.

Une enquête menée par Gartner auprès de plus de 500 DSI révèle que 72 % des organisations peinent à rentabiliser leurs investissements dans l’IA, voire enregistrent des pertes. L’étude Build for the Future 2025 du Boston Consulting Group, réalisée auprès de 1 250 entreprises, présente un constat encore plus frappant : seules 5 % d’entre elles parviennent à créer une valeur significative grâce à un déploiement de l’IA à grande échelle, tandis que 60 % n’observent aucun bénéfice tangible.

Les travaux du MIT NANDA Initiative, relayés par Fortune, indiquent par ailleurs que 95 % des projets pilotes de GenAI en entreprise ne génèrent aucun impact mesurable sur les résultats financiers.

La véritable question n’est donc pas de savoir si l’IA fonctionne, mais pourquoi elle échoue si souvent à produire des résultats concrets une fois déployée. La réponse est inconfortable mais incontournable : les échecs de l’IA sont avant tout liés à des problématiques de processus et d’organisation, bien plus qu’à des limitations technologiques.

L’IA n’est pas un raccourci, c’est un amplificateur

L’une des idées reçues les plus répandues consiste à penser que l’IA peut compenser un manque de budget, de compétences ou de rigueur opérationnelle. Cette logique est erronée.

L’intelligence artificielle est particulièrement efficace lorsqu’elle accélère des activités déjà maîtrisées par les équipes. Elle ne peut pas remplacer des compétences inexistantes ou corriger des processus défaillants. Appliquée à des processus matures, elle amplifie la qualité. Appliquée à des processus fragiles, elle amplifie le désordre.

Keith Andes, Head of Product Marketing chez EasyVista, résume parfaitement cette réalité :

« Si le routage des incidents est incohérent aujourd’hui, l’IA se contentera d’orienter les tickets de manière incorrecte encore plus rapidement. Si la CMDB, le référentiel central qui suit les actifs IT et leurs relations, est désorganisée, les informations produites par l’IA ne feront que refléter ce bruit de fond. »

Le principe est simple : une IA ne peut pas produire des résultats plus fiables que la qualité des données et des processus qui l’alimentent. Une base instable génère des résultats instables, simplement à plus grande vitesse et avec une apparence d’autorité qui rend l’erreur plus difficile à détecter.

Le Boston Consulting Group a quantifié cette réalité à travers son principe « 10-20-70 » : 10 % du succès repose sur les algorithmes, 20 % sur les données et la technologie, 70 % sur les personnes, les processus et la culture d’entreprise.

Le rapport State of AI 2025 de McKinsey confirme cette tendance : les entreprises qui repensent leurs workflows de bout en bout avant de choisir leurs modèles ou leurs outils ont près de trois fois plus de chances d’obtenir des résultats financiers significatifs que celles qui se contentent d’ajouter une couche d’IA à des processus existants.

Les quatre piliers d’un ITSM prêt pour l’IA

Le grand tournant de l’ITSM constitue un retour volontaire et méthodique aux fondamentaux de la gestion des services. Cette démarche est indispensable pour permettre à l’IA de produire des résultats concrets. Elle implique un travail de consolidation portant simultanément sur les personnes, les processus et les données. Ce chantier exige du temps, de la discipline et une vision de long terme, mais il représente la seule voie permettant de transformer durablement les investissements IA en valeur mesurable. Les quatre piliers de cette démarche sont étroitement liés.

1. Des workflows numériquement documentés

Un agent IA ne peut exécuter que ce qu’il est capable de comprendre et d’interpréter. Pour chaque service critique, les étapes, règles de décision, déclencheurs et critères de clôture doivent être représentés de manière structurée au sein de la plateforme ITSM.

C’est le principe du jumeau numérique du travail (digital twin of work) : une représentation fidèle de la manière dont les activités sont réellement exécutées, et non de la manière dont elles devraient idéalement l’être.

2. Une responsabilité clairement attribuée des services, processus et données

Tout service dépourvu de propriétaire clairement identifié est voué à se dégrader progressivement. L’IA accentue encore ce risque. Sans responsabilité explicite, personne n’est chargé de valider les résultats produits, de corriger les erreurs récurrentes ou d’autoriser l’extension des usages de l’IA à de nouveaux processus. La définition des responsabilités, par service, par processus et par domaine de connaissance, constitue avant tout un enjeu de gouvernance.

3. L’application rigoureuse des bonnes pratiques ITIL

Les pratiques ITIL constituent un langage commun qui rend les processus prévisibles, mesurables et reproductibles. Lorsque la gestion des incidents, des problèmes, des changements et de la configuration suit des modèles cohérents, la plateforme ITSM produit des données structurées de qualité.

Or, ce sont précisément ces données qui servent de matière première aux systèmes d’intelligence artificielle. Le référentiel ITIL 4 souligne lui-même que la valeur ne provient pas simplement de l’adoption formelle des processus, mais de leur application cohérente dans la durée.

4. Une maturité opérationnelle mesurable

La maturité ne se décrète pas : elle se mesure. Temps de résolution maîtrisés, taux de réouverture limités, qualité de la CMDB, conformité vérifiée. Une enquête récente de Gartner met en évidence un écart significatif entre les organisations matures et celles qui le sont moins : dans les premières, 45 % des initiatives IA restent en production pendant au moins trois ans, contre seulement 20 % dans les organisations à faible maturité.

Comment amorcer ce tournant en pratique ?

L’objectif de cette démarche n’est pas de ralentir l’adoption de l’IA, mais de la rendre durable.

Il s’agit de créer les conditions opérationnelles nécessaires pour que l’intelligence artificielle génère une valeur réelle et mesurable, en commençant par les domaines où les bénéfices peuvent être démontrés rapidement avant d’étendre progressivement les usages.

Trois actions concrètes permettent d’amorcer cette transformation :

1. Identifier un ou deux workflows stables à fort volume. Ces processus constituent les meilleurs candidats pour les premiers cas d’usage de l’IA : routage automatique des tickets sur des catégories fiables, synthèse automatique de bases de connaissances déjà validées, résumés automatiques de tickets fondés sur des données structurées.
2. Assainir, puis automatiser, puis introduire l’IA. L’ordre des étapes est essentiel. La première étape consiste à numériser et structurer le workflow dans le système de référence. Ensuite, automatiser les tâches répétitives à l’aide de règles simples et prévisibles. Enfin, introduire l’IA uniquement lorsque la complexité du processus dépasse ce qu’une logique basée sur des règles peut gérer efficacement.
3. Définir des indicateurs de valeur. Sans référentiel de mesure initial, il est impossible d’évaluer l’impact réel de l’IA. Les indicateurs les plus courants incluent : le délai moyen de résolution, le taux de déviation vers le self-service, le niveau de précision des résultats, la satisfaction des utilisateurs.

Des solutions telles qu’EV Pulse AI d’EasyVista ont précisément été conçues pour accompagner cette approche, en intégrant l’intelligence artificielle dans des workflows ITSM structurés, avec des cas d’usage clairement définis, des indicateurs de performance lisibles et un contrôle humain permanent sur les décisions critiques.

L’IA ne rend pas la discipline opérationnelle obsolète. Au contraire, elle en fait une condition indispensable de réussite. Sous cet angle, la grande remise à niveau de l’ITSM constitue elle-même une forme d’innovation : le chemin qui permettra aux organisations IT de développer leur maturité IA et de construire les fondations de leur évolution future.

FAQs

Que signifie être AI-ready en ITSM ?

Être AI-ready en ITSM désigne la capacité d’une organisation à exploiter efficacement l’intelligence artificielle grâce à des processus documentés, des responsabilités clairement définies, une application cohérente des pratiques ITIL et des indicateurs de maturité opérationnelle mesurables. Ces éléments constituent les prérequis indispensables à la création de valeur.

Pourquoi autant d’initiatives IA échouent-elles dans l’ITSM ?

Parce que l’IA est souvent déployée sur des processus fragiles, des données incohérentes et des workflows insuffisamment documentés. Les études du BCG et de McKinsey montrent que la majorité des organisations ne parviennent pas à générer de valeur significative, principalement pour des raisons organisationnelles plutôt que technologiques.

Faut-il attendre que les processus soient parfaits avant de lancer des projets IA ?

Non. En revanche, il est essentiel de commencer par des domaines où les processus sont déjà relativement stables et maîtrisés. L’IA agit comme un accélérateur de performance sur des workflows robustes ; elle n’est pas conçue pour corriger des environnements désorganisés.

Quel est le lien entre ITIL et l’intelligence artificielle ?

Les pratiques ITIL fournissent la structure, la gouvernance et la qualité des données nécessaires au bon fonctionnement de l’IA. Plus le niveau de maturité ITIL est élevé, plus il devient possible de déployer des automatisations intelligentes et des agents IA fiables à grande échelle.