Investigation métier

Vérifier que le problème à résoudre par un système IA / RAG existe bel et bien

Démarche générale

Comme tout produit numérique, un système IA n’est pertinent que s’il résout un irritant réel, répété et/ou coûteux. L’investigation est la première étape de tout projet IA. Elle consiste à clarifier le problème à résoudre, à vérifier la faisabilité (notamment la disponibilité des données nécessaires au bon fonctionnement d'un système IA) et à préparer les conditions d’un futur produit.

Démarche pas à pas

• Investigation métier : identifier et quantifier l'irritant concret à résoudre
• Hypothèses IA : interroger la pertinence de l'IA pour répondre à l'irritant
• Recensement des données : cartographier qualité, disponibilité, complexité.
• Validation de faisabilité : vérifier que le corpus documentaire et les cas d’usage sont adaptés à une approche RAG.

Les livrables attendus

À l’issue de cette étape, l’équipe doit être en mesure de produire trois éléments concrets :

• un parcours utilisateur décrivant les parcours et scénarii d’usage ;
• un répertoire de données, précisant leur disponibilité, leur qualité, leur complexité et leur priorité métier;
• une présentation d’investigation, destinée à un comité stratégique, qui synthétise l'irritant, les hypothèses de solution, la faisabilité et le budget.

Ces livrables posent les bases. Ils ne garantissent pas encore la réussite du produit, mais ils permettent de valider que le problème est réel, que des données existent et qu’une expérimentation IA est envisageable.

Si vous n'êtes familier du mode produit dans lequel s'inscrit la démarche d'investigation, ce document vous apportera une explication fine des enjeux.

Identifier et quantifier l'irritant auprès des équipes métiers

La question centrale est : « Quel est l'irritant concret que rencontrent les équipes, les usagers ? ». Trop de projets IA échouent parce qu’ils partent de la technologie avant de partir de l’usage. L’investigation permet de mettre l’accent sur l’analyse métier, l’écoute des utilisateurs.

Un produit démarre souvent par une intuition, des observations ou une expérience vécue, ou, pour l'IA, une volonté d'ajouter de l'IA dans les pratiques professionnelles.

Exemple d'irritants observables / intuitifs

• L'embarquement de nouvelles personnes dépend beaucoup du tutorat humain
• Les informations existent mais personne ne sait où les trouver
• La recherche d'information prend une part importante des missions
• Les collaborateurs, les usagers posent toujours les mêmes questions
• Les experts sont saturés et deviennent des « points de goulot »
• La documentation est trop longue, trop technique, trop juridique, trop dispersée

La phase d'investigation permet de vérifier / généraliser cette intuition, la situation vécue, le besoin réel de l'IA. Nous cherchons à répondre aux questions suivantes :

• Quel est l'irritant métier et comment se manifeste-t-il ?
• Qui en souffre ? Combien de personnes ?
• Quelle activité est ralentie, risquée, inefficace ?
• Combien de temps, d’argent, de qualité cela coûte-t-il ?
• Existe-t-il déjà une solution non utilisée ? Pourquoi ?
• Quelles données sont utilisées, pertinentes et disponibles ?
• Quel est l'intérêt de l'IA par rapport au coût ?
• Quel serait l’impact si on réglait ce problème demain ?

Recueillir les informations

Pour concevoir un produit ou un service qui réponde véritablement aux attentes des utilisateurs, il est essentiel de bien comprendre leurs besoins, leurs habitudes et leurs difficultés. Voici cinq méthodes couramment utilisées pour recueillir ces informations lors de la phase d'investigation :

Objectif	Méthode	Description	Avantages
Pour comprendre de manière approfondie et qualitative (1)	Mener des entretiens individuels avec les personnes cibles	Cette méthode consiste à organiser des échanges individuels (en face-à-face ou à distance) avec des usagers représentatifs de la cible. L’objectif est d’approfondir leur expérience, leurs attentes et leurs frustrations.	- Permet d’obtenir des réponses détaillées et personnalisées - Favorise une compréhension fine des motivations et des comportements.
Pour comprendre de manière approfondie et qualitative (2)	Réaliser des immersions sur le terrain	L’immersion consiste à observer les utilisateurs dans leur environnement naturel, en situation réelle d’utilisation. Cela permet de voir comment ils interagissent avec un produit ou un service, et d’identifier des besoins non exprimés.	- Révèle des comportements ou des problèmes invisibles en entretien - Offre une vision concrète et contextuelle
Pour valider des hypothèses à grande échelle.	Effectuer des enquêtes via des questionnaires	Les questionnaires sont des outils structurés (en ligne ou papier) permettant de recueillir des données quantitatives ou qualitatives auprès d’un grand nombre de personnes.	- Permet de toucher un large échantillon rapidement. - Facilite l’analyse statistique des réponses
Pour s’inspirer et se positionner par rapport à la concurrence.	S'appuyer sur des enquêtes, des benchmarks	Cette méthode consiste à analyser des études existantes (études sectorielles, rapports, données publiques) ou à comparer les pratiques de la concurrence (benchmark)	- Donne une vision globale du marché et des tendances. - Permet de s’inspirer des bonnes pratiques ou d’identifier des opportunités.
Pour explorer des idées ou des concepts de manière collaborative	Organiser des focus groupes	Un focus groupe réunit un petit groupe d’utilisateurs (6 à 10 personnes) pour discuter d’un sujet spécifique, animé par un modérateur. L’objectif est de recueillir des opinions, des idées et des réactions collectives.	- Stimule les échanges et les idées grâce à la dynamique de groupe. - Permet de tester des concepts ou des prototypes rapidement

Dans un premier temps, il est pertinent de cibler largement les profils à interroger pour avoir une vue générale des frictions rencontrées dans les équipes. À l'issue de la phase d'investigation, l'équipe pourra définir un irritant principal pour démarrer la construction.

La phase d'investigation continue jusqu'à que vous n'appreniez plus d'éléments supplémentaires lors des échanges avec les usagers.

La phase d'investigation donne lieu à un irritant clairement énoncé, validé et quantifié.

Illustration de présentation d'un comité de fin d'investigation.

Le comité d'investissement (dont le premier est le comité de fin d'investigation) est l'instance de pilotage principal d'un produit numérique dans le programme beta.gouv.fr. Il a lieu tous les 6 mois et permet de faire le point sur l'impact obtenu par le produit. En fonction des résultats, les sponsors qui financent le service doivent arbitrer la nouvelle demande d'investissement.

Investiguer la donnée nécessaire

Dans le domaine de l’intelligence artificielle, et plus particulièrement des systèmes de génération augmentée par récupération (RAG), une règle d’or s’impose :

« Garbage in, Garbage out ».

Autrement dit, la qualité des résultats dépend directement de la qualité des données en entrée. Une documentation pauvre, incomplète ou mal structurée se traduira inévitablement par des réponses médiocres, voire inefficaces.

Le RAG ne se substitue pas à la documentation — il en amplifie l’usage et en optimise l’accès. Ainsi, avant même de concevoir ou d’implémenter un système de RAG, une vérification rigoureuse s’impose pour garantir que les données utilisées sont pertinentes, fiables et exploitables.

Les échanges préalables avec les usagers ont permis d’identifier les irritants majeurs et de recenser les besoins en termes de données. Cette phase vise à approfondir la connaissance de ces données sous plusieurs angles :

• Localisation : où se trouve l’information ?
• Priorité : toutes les sources ont-elles la même importance pour les usagers ?
• Périmètre : les usagers ont-ils besoin de toute la donnée dans les sources ?
• Format : sous quel format la donnée est stockée
• Traitement antérieur : cette information a-t-elle déjà été analysée, transformée ou enrichie ?
• Mise à jour : à quelle fréquence la donnée est-elle mise à jour ?
• Conformité : existe-t-il des évolutions réglementaires à prendre en compte ?
• Restrictions : quel est le niveau de sensibilité ou de confidentialité de l’information ? les droits d'accès sont-ils ouverts ou restreints ?

Ces questions permettent de dresser un état des lieux précis et d’identifier les éventuels obstacles à lever avant toute implémentation.

Pour qu’une donnée soit adaptée à un système de RAG, elle doit répondre à plusieurs critères fondamentaux :

• accessible et conforme : la documentation doit être accessible aux équipes et aux outils, et son utilisation doit être autorisée sur le plan juridique (droits d’auteur, protection des données, etc.). Si un doute subsiste, échanger avec vos experts juridiques dès la phase d'investigation pour assurer un usage conforme.
• stable : les données doivent être suffisamment stables pour être indexées sans risque de désuétude immédiate. Une information trop volatile peut nuire à la pertinence des réponses générées.
• gouvernée :

  • Les propriétaires de chaque source doivent être clairement identifiés pour faciliter les mises à jour et les validations.
  • L’organisation doit accepter la transparence et la traçabilité des données, afin de garantir leur fiabilité et leur auditabilité.

🚧 Négliger cette étape revient à construire un système sur des fondations fragiles. Un RAG performant repose sur des données complètes, à jour et bien gouvernées. Sans cette rigueur, les risques sont multiples :

• Réponses inexactes ou obsolètes.
• Non-conformité réglementaire.
• Difficultés à maintenir et faire évoluer le système.

Illustration Dans le cadre d’un projet pilote Q4 2025, une équipe incubée a initié la conception d’un assistant conversationnel dédié aux rapporteurs des sections consultatives. Afin de préciser les exigences techniques, une analyse exhaustive des données mobilisées lors de la rédaction des avis a été réalisée. Cette étude a révélé que certaines données critiques étaient soumises à des restrictions d’accès, limitant leur exploitabilité directe. Pour évaluer la faisabilité et la pertinence de l’outil, une cartographie détaillée des sources de données a été établie. L’objectif était d’identifier les sources pertinentes, techniquement accessibles (c’est-à-dire ne nécessitant pas de contournement complexe des restrictions) et exploitables sans dépendance à des autorisations spécifiques pour mener à bien la première itération (toujours dans l'optique de valider la valeur de la solution pressentie). exemple de répertoire de données