Avant le premier modèle : comment un challenge brief prépare les initiatives d’IA à aller de l’avant

Qu’est-ce qui permet à une initiative d’IA d’être prête à aller de l’avant ? Des chercheurs de la Haute école spécialisée bernoise, de l’Université du Liechtenstein et de l’Université de Saint-Gall ont étudié des AI Innovation Challenge Briefs issus d’initiatives d’innovation en entreprise. Nos résultats montrent comment cet artefact, en apparence simple, peut aligner les perspectives métier, design et technologique – sans qu’il soit nécessaire de résoudre d’emblée toutes les incertitudes.

Le problème avant le projet

Prenons une situation familière : une organisation souhaite utiliser l’IA pour améliorer son service à la clientèle. L’unité métier espère réduire les délais de réponse, le service informatique envisage déjà un chatbot et l’équipe chargée des données souligne que les conversations avec les clients nécessaires pourraient ne pas être accessibles. De leur côté, les employés du service clientèle peuvent percevoir un problème tout à fait différent dans leur travail quotidien. Avant même qu’un seul modèle ne soit développé, l’initiative évolue déjà dans plusieurs directions.

Il s’agit d’un défi central de l’innovation en IA : le problème, la valeur recherchée et la faisabilité technique ne peuvent pas être clarifiés indépendamment les uns des autres. Ce qui est possible dépend des données disponibles, de la tâche que l’IA est censée accomplir et du degré de fiabilité attendu de ses résultats – des conditions qui sont souvent incertaines au début et qui ne se précisent qu’au fil de l’exploration (Lin & Maruping, 2025 ; Berente et al., 2021).

Le Design Thinking est reconnu comme une méthode permettant de relever les défis courants des projets d’innovation en IA. Il aide les équipes à intégrer les besoins des utilisateurs, la valeur pour l’organisation et les possibilités techniques dans un même processus (Staub et al., 2023). Mais une question pratique demeure : comment formuler un point de départ qui donne une orientation à une équipe interdisciplinaire sans prescrire trop tôt la solution ?

Un point de départ commun pour l’innovation en IA

L’AI Innovation Challenge Brief est une description structurée mais adaptable du problème qu’une équipe d’innovation souhaite explorer. Contrairement à un mandat de projet conventionnel, il ne définit pas d’exigences pour une solution prédéterminée – il crée un cadre commun dans lequel les experts du métier, du design et de la technologie peuvent examiner si et comment l’IA pourrait générer de la valeur.

Notre recherche s’appuie sur le même jeu de données sous-jacent – des briefs issus de 42 initiatives d’innovation en IA menées en entreprise, dont 13 versions successives pour cinq d’entre elles – mais pose deux questions différentes à partir de ces données : quels éléments récurrents rendent un brief efficace, et comment les briefs évoluent-ils à mesure que les équipes se rapprochent d’un état de préparation à aller de l’avant ? Ces travaux s’inscrivent dans le cadre de Design Thinking for AI (DT4AI), une initiative soutenue par Erasmus+ et Movetia, qui développe des méthodes et des ressources pédagogiques pour une innovation en IA centrée sur l’humain.

Ce dont un brief a besoin

Notre analyse a identifié sept éléments récurrents (Röckel et al., 2026). Quatre d’entre eux constituent un cadre stable : un verbe qui définit la direction, l’objet de l’innovation, le groupe cible et le contexte organisationnel. Ensemble, ils répondent à quatre questions fondamentales : Qu’essayons-nous de changer ? Sur quoi travaillons-nous ? Pour qui ? Dans quel contexte ?

Trois autres éléments restent délibérément adaptables : les données ou ressources internes, la technologie envisagée ainsi que les opportunités et risques potentiels. Cette flexibilité est importante, car l’IA constitue un matériau de conception en constante évolution, dont les capacités et les résultats sont difficiles à anticiper entièrement à l’avance.

Combinés, ces sept éléments constituent un point de départ pratique :

Comment pourrions-nous [verbe] [objet de l’innovation], en utilisant [données ou ressources internes] et en tirant parti de [technologie], pour [groupe cible], en tenant compte du [contexte] et sous réserve des [opportunités et risques] ?

Il ne s’agit pas d’une phrase à compléter mécaniquement, mais d’un outil permettant de mettre en évidence les lacunes. Si le groupe cible reste vague, des recherches supplémentaires auprès des utilisateurs peuvent être nécessaires. Si « utiliser l’IA » constitue la seule indication concernant la technologie, la tâche concrète peut encore manquer de clarté. Si des données sont mentionnées mais que leur accessibilité reste inconnue, la faisabilité demeure une hypothèse plutôt qu’un fait établi.

Le fait de laisser certains éléments ouverts permet également d’éviter de s’engager trop tôt en faveur d’une solution. Commencer par une approche d’IA prédéterminée peut en effet déplacer l’attention vers la démonstration des capacités techniques plutôt que vers la compréhension du problème (Davenport & Ronanki, 2018).

La formulation même de l’objet de l’innovation oriente l’exploration : un objet modulaire tel que « parcours client » invite les équipes à examiner les différentes étapes individuellement, tandis qu’un espace d’innovation tel que « initiative Green IT » laisse le résultat ouvert – créant souvent davantage de possibilités pour des idées radicales.

Comment un brief devient-il prêt à aller de l’avant ?

Un brief bien structuré constitue un point de départ, et non la preuve qu’une initiative est prête à progresser. Le suivi de l’évolution des briefs au fil de leurs versions successives a permis d’identifier trois phases récurrentes (Hehn et al., 2026).

Figure 1 : Évolution de l’AI Innovation Challenge Brief, de l’exploration divergente à travers la négociation et la traduction jusqu’à un alignement « suffisamment bon ». Les hypothèses préalablement stabilisées peuvent être rouvertes de manière sélective lorsque de nouvelles contraintes apparaissent. Source : Hehn et al. (2026).

Lors de l’exploration divergente, le brief maintient visibles les alternatives et les incertitudes – les équipes peuvent encore comparer différentes propositions de valeur, différents groupes d’utilisateurs ou différentes applications possibles de l’IA. Dans la phase de négociation et de traduction, les hypothèses deviennent explicites : les ambitions métier se confrontent aux besoins des utilisateurs, à l’accès aux données, à la faisabilité technique et aux critères permettant d’évaluer les résultats de l’IA. Lors de l’alignement convergent, le langage exploratoire laisse place à une intention précise – dans un cas, une discussion générale sur les technologies prédictives s’est ainsi progressivement recentrée sur le soutien aux décisions quotidiennes des planificateurs en matière d’itinéraires.

La progression n’est pas strictement linéaire. Lorsqu’une nouvelle information remet en question une hypothèse précédemment stabilisée – dans un cas, les données clients que l’on supposait disponibles se sont révélées inaccessibles –, les équipes peuvent revenir de manière ciblée sur ce point sans rouvrir l’ensemble du brief. Nous appelons ce mécanisme réouverture sélective (selective reopening) : il ne s’agit pas d’une quatrième phase, mais d’un mécanisme de rétroaction qui permet au brief de rester adaptable tout en préservant les progrès déjà réalisés.

La readiness n’est pas la certitude

La readiness ne signifie pas éliminer toutes les incertitudes. Il s’agit d’un état provisoire mais suffisamment opérationnel : l’équipe a clarifié la tâche, documenté les risques qui subsistent et atteint un niveau d’alignement suffisant pour justifier l’investissement suivant. Le brief remplit ainsi deux fonctions simultanément : il coordonne les différentes perspectives en fournissant à l’équipe un point de référence commun, et il agit comme un point de décision (gate), en documentant pourquoi une initiative est – ou n’est pas encore – prête à passer à la conception et à la modélisation.

Pour les organisations, le message est simple : il ne faut pas considérer le challenge brief comme un formulaire rempli une seule fois au lancement du projet. Il s’agit d’un outil vivant de coordination et d’évaluation de la readiness, qui doit être réexaminé au fur et à mesure que l’initiative évolue. Avant de poursuivre, les décideurs devraient être en mesure de répondre aux questions suivantes :

• L’utilisateur visé et la tâche à soutenir sont-ils clairement définis ?
• La disponibilité et l’accès aux données sont-ils documentés comme des faits ou explicitement identifiés comme des hypothèses ?
• La valeur pour l’organisation, la valeur pour les utilisateurs et la faisabilité technique ont-elles été examinées conjointement ?
• Les incertitudes restantes sont-elles explicites, et l’équipe s’est-elle accordée sur celles qui peuvent être considérées comme acceptables à ce stade ?
• La formulation actuelle exprime-t-elle une direction commune plutôt qu’un ensemble de possibilités ?

L’objectif n’est ni d’atteindre un consensus parfait ni d’élaborer un plan exempt de risques. Il s’agit de parvenir à un cadrage du problème suffisamment stable pour guider l’action, tout en restant suffisamment flexible pour intégrer les enseignements issus de l’exploration. Bien avant l’entraînement du premier modèle, cet équilibre pourrait constituer l’un des indicateurs les plus solides qu’une initiative d’IA est prête à devenir un projet.

Références

Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing Artificial Intelligence. MIS Quarterly, 45(3), 1433-1450.

Davenport, T. H., & Ronanki, R. (2018). Artificial Intelligence for the Real World. Harvard Business Review, 96(1), 108-116.

Hehn, J., Röckel, F. A., & van Giffen, B. (2026). Structuring Readiness for AI Innovation: The Role of the Design Challenge Brief as a Coordination and Gatekeeping Artefact. ECIS 2026 Proceedings

Lin, Y.-K., & Maruping, L. M. (2025). Organizing for AI Innovation: Insights from an Empirical Exploration of U.S. Patents. MIS Quarterly, 49(3), 1095-1122.

Röckel, F. A., van Giffen, B., Janson, A., & Hehn, J. (2026). The Anatomy of a Design Challenge for Initiating AI Innovation. ECIS 2026 Proceedings

Staub, L., van Giffen, B., Hehn, J., & Sturm, S. (2023). Design Thinking for Artificial Intelligence: How Design Thinking Can Help Organizations to Address Common AI Project Challenges. In HCI International 2023 – Late Breaking Papers. Springer.

Pour aller plus loin : lectures et podcasts

• Design Thinking for AI (DT4AI) – official BFH project page.
• Design Thinking for AI: Developing the right AI innovations – BFH background article in German
• AIS Insights podcast: The Anatomy of a Design Challenge – audio summary of the research and its implications
• AIS Insights podcast: Readiness for AI Innovation – additional audio introduction to the research and its implications