L’IA manque de bonnes questions

Et si le vrai problème avec l'IA était les questions qu'on ne pose pas ?

Votre fil LinkedIn déborde de contenu sur l'IA. Vos boîtes de courriel aussi. Et chaque fournisseur de logiciel a trouvé le moyen de glisser le mot «intelligence artificielle» dans sa prochaine mise à jour. Suivre l’actualité IA pourrait être un emploi à temps plein à lui seul, et comme nous tous, vous vous trouvez sans doute quelque part entre la fascination, la fatigue et la méfiance. Le bruit est réel et il a un coût car quand tout le monde parle d’IA, plus personne ne sait qui et quoi écouter.

Le vrai problème n'a jamais été l'offre technologique. Peu importe le type de techno, on fonce souvent sans méthode. À la fin de 2025, plus de la moitié des projets d’IA générative avaient été abandonnés après le prototype. Parmi ceux qui survivent, seulement 28 % atteignent un rendement réel (Gartner, 2026). Une revue systématique de 184 études publiée dans l’International Journal of Innovation Studies pointe dans la même direction : l’IA déployée sans démarche centrée sur l’humain finit par automatiser des tâches isolées, déconnectée des vrais irritants des équipes et des clients (Sreenivasan et Suresh, 2024). Autrement dit, on accélère des processus que personne n’a pris la peine de remettre en question alors que c'est là que réside le réel potentiel. On confond adopter un outil et améliorer une organisation. La nuance est coûteuse.

Le réflexe « outil d’abord » et ses angles morts

Lorsque l’IA entre dans une organisation par la porte de la technologie plutôt que par celle du besoin, un schéma prévisible se met en place : quelqu’un prend les devants, parfois les TI, parfois un gestionnaire enthousiaste, parfois la première personne qui a levé la main. Un budget est approuvé et un pilote naît quelque part dans l’organisation. Tout ça sans que personne ne se soit demandé si la bonne personne pilotait le bon problème, ni même si le problème avait été correctement formulé.

C’est une tendance que la recherche documente bien : quand l’IA entre dans une organisation sans cadre centré sur l’humain, elle s’arrime aux tâches visibles — celles qui sont faciles à automatiser — mais jamais aux phases critiques : comprendre les besoins réels, générer des solutions avec les équipes, tester avec de vrais utilisateurs (Sreenivasan et Suresh, 2024). On voit alors apparaître trois effets prévisibles :

-       une surcharge d’outils que personne ne maîtrise

-       des pilotes déconnectés des objectifs stratégiques

-       une fatigue organisationnelle qui rend chaque initiative subséquente plus difficile à faire accepter.

Le problème émane de l’ordre des opérations plutôt que de l’outil en soi. La bonne nouvelle est qu’il existe un cadre éprouvé pour renverser cette logique. Le design thinking (DT), une approche centrée sur l’humain née à Stanford et chez IDEO, force à formuler le bon problème avant de choisir le bon outil : exactement l’étape qu’on saute quand on part de la techno.

Ce que le design thinking change concrètement

Le DT repose sur quatre principes : partir de l’humain, travailler en équipes multidisciplinaires, itérer rapidement et créer un environnement propice à l’exploration (Brown, 2008 ; Schallmo et al., 2018). Conjugé à l’IA, chacun comble ce qui manque à l’autre.

La revue de Sreenivasan et Suresh identifie cinq zones de synergie concrètes. Voici celles qui ont le plus d’impact pour une PME :

L’empathie terrain, amplifiée par les données. Le DT utilise des entrevues, de l’observation et de la recherche ethnographique pour comprendre les besoins réels des utilisateurs finaux d’un produit ou d’un service. De son côté, l’IA peut analyser à grande échelle des données d’utilisation, des comportements, des tendances. Séparément, chaque approche a ses limites : le qualitatif est riche mais restreint, le quantitatif est vaste mais désincarné. Combinées, on obtient une compréhension à la fois profonde et large des besoins. Des témoignages disparates peuvent être supportés par de la donnée. C’est la différence entre savoir que vos clients rappellent trois fois votre département de service et comprendre pourquoi ils le font.

Le prototypage itératif, accéléré par l’automatisation. Le DT privilégie les prototypes rapides et imparfaits qu’on teste, qu’on améliore, qu’on reteste. L’IA accélère ce cycle en facilitant l’analyse de grands volumes de données et en générant des variantes automatiquement, si la nature de l’expérience le permet. Le résultat : des boucles d’apprentissage plus courtes, et des solutions qui collent de plus en plus près de la réalité du terrain (Roberts et al., 2016).

Explorer l’ambiguïté en reconnaissant des patterns. Le DT embrasse le flou : il encourage les équipes à diverger et explorer plusieurs pistes avant de converger. L’IA peut renforcer cette capacité en détectant des corrélations et des tendances que l’œil humain ne voit pas dans des jeux de données complexes. En contexte de PME où les ressources sont limitées, explorer plus intelligemment est souvent plus réaliste qu’explorer plus largement.

La prise de décision hybride : intuition informée par les données. Le DT valorise le jugement humain, l’intuition nourrie par la proximité avec les utilisateurs. L’IA apporte la capacité de traiter de grands volumes et de valider empiriquement. Ainsi combinés, les deux concepts permettent de prendre des décisions à la fois empathiques et étayées que les chercheurs appellent une approche qualitative-quantitative (Krishna et al., 2023).

La scalabilité : enfin possible. Le design thinking a toujours été critiqué pour son côté artisanal : des ateliers « coûteux » ou des démarches difficiles à reproduire à grande échelle. L’IA change cette équation en automatisant les tâches répétitives (analyse de données, identification de patterns dans les retours clients, génération de variantes) et en libérant les équipes pour le travail créatif et stratégique (Verganti et al., 2020).

PillPack : poser la bonne question avant de choisir le bon outil

PillPack est une pharmacie en ligne qui livre les médicaments de ses clients pré-triés en sachets individuels par date et heure de prise. Son avènement illustre parfaitement la logique d’augmentation du pouvoir du design thinking par l’IA. Née dans le programme d’incubation d’IDEO, cette pharmacie américaine n’a pas commencé par se demander comment automatiser la pharmacie. Elle a commencé par observer le quotidien des patients : des dizaines de flacons ambre, des horaires de prise confus, une charge mentale énorme pour les personnes qui gèrent plusieurs médicaments et encore.

La bonne question n’était donc pas « comment vendre des pilules en ligne », mais plutôt « comment simplifier radicalement la gestion quotidienne des médicaments »? La réponse : des sachets pré-triés par date et heure de prise, livrés à domicile. L’IA a ensuite permis de personnaliser le tri, d’optimiser la logistique et de gérer les interactions médicamenteuses. Toutefois le recadrage du problème à travers une démarche de design thinking a rendu l’IA pertinente et utile aux étapes clés.

Transposez ce raisonnement à votre PME. Avant d’investir dans un outil d’IA, posez-vous la question fondamentale : quel est le problème vécu par vos équipes ou vos clients que personne n’a encore bien nommé ? C’est là que commence une vraie transformation.

La clarté n’est pas un luxe

La course à l’IA est réelle. La pression de ne pas « manquer le bateau » aussi. Cependant la recherche pointe dans une direction claire : les organisations qui réussissent à fusionner l’IA avec une approche centrée sur l’humain produisent des solutions plus créatives, mieux adoptées et plus durables.

L’IA amplifie ce qu’on lui donne. Si on lui donne du flou, elle produit du bruit. Si on lui donne de la clarté (problèmes bien définis, processus bien compris, équipes bien impliquées) elle devient un véritable levier de transformation.

Alors avant le prochain investissement technologique, peut-être que la meilleure chose à faire n’est pas d’ouvrir un appel d’offres, mais plutôt de rassembler vos équipes et poser la question que tout le monde évite : qu’est-ce qui ne fonctionne pas aujourd’hui, et pour qui ?

Sources

• Brown, T. (2008). Design thinking. Harvard Business Review, 86(6), 84.

• Gartner (2026). AI Projects in I&O Stall Ahead of Meaningful ROI Returns. Gartner Newsroom, 7 avril 2026.

• Gartner (2025). Why Half of GenAI Projects Fail. Gartner Research.

• Krishna, S.R. et al. (2023). Artificial intelligence integrated with big data analytics for enhanced marketing. IEEE ICICT, pp. 1073–1077.

• Roberts, J.P. et al. (2016). A design thinking framework for healthcare management and innovation. Healthcare, 4, pp. 11–14.

• Schallmo, D. et al. (2018). An integrated design thinking approach — literature review, basic principles and roadmap. ISPIM Innovation Symposium, pp. 1–18.

• Sreenivasan, A. et Suresh, M. (2024). Design thinking and artificial intelligence: A systematic literature review exploring synergies. International Journal of Innovation Studies, 8, pp. 297–312.

• Verganti, R. et al. (2020). Innovation and design in the age of artificial intelligence. Journal of Product Innovation Management, 37(3), pp. 212–227.