Erreur n°1 : le cas d'usage trop vague
« On veut automatiser les processus RH avec l'IA. » Ce n'est pas un cas d'usage, c'est une direction. Un bon POC commence par : « On veut réduire de 50% le temps de traitement des candidatures pour les postes en CDI dans notre BU finance. »
La précision du périmètre détermine tout : les données nécessaires, le critère de succès, le délai réaliste.
Erreur n°2 : le critère de succès flou
Si vous ne savez pas avant de commencer comment vous saurez si le POC a réussi, il aura toujours l'air d'avoir « presque » réussi — et n'ira jamais en production.
Définissez un chiffre binaire : « le modèle doit atteindre 85% de précision sur le jeu de test, et le temps de traitement doit passer sous 2 minutes par dossier. »
Erreur n°3 : les données de production découvertes trop tard
Le POC fonctionne sur les données propres préparées pour la démo. En production, les données sont incomplètes, mal formatées, dans trois systèmes différents. La différence entre les deux détruit le POC.
La règle : faites le POC sur les vraies données de production dès la semaine 1, aussi sales soient-elles.
Les 3 règles d'or
- Périmètre précis = critère de succès mesurable = décision de go/no-go claire
- Données de production dès le premier jour, pas des données nettoyées pour la démo
- Un sponsor métier avec un agenda business réel, pas un projet IT sans sponsor