Dans les organisations, il existe une catégorie de projets particulièrement stable : ceux que l’on remet à plus tard.

Exploiter les études accumulées depuis dix ans. Comprendre ce qui se passe dans les pays que l’on surveille mal. Relier des informations dispersées entre plusieurs services. Reprendre une base dont chacun connaît les défauts, mais que tout le monde continue d’utiliser. Observer un sujet assez longtemps pour savoir s’il évolue vraiment.

Ces projets ont généralement de bonnes raisons d’exister. Ils ont aussi un point commun : quelqu’un a fini par dire « nous n’avons pas les moyens ». Puis le dossier a rejoint ses semblables dans un répertoire partagé, cette forme discrète de sédimentation des ambitions.

L’arrivée des modèles de langage pourrait nous conduire à rouvrir quelques-uns de ces dossiers.

Faire plus vite, pour faire quoi ?

Depuis quinze ans, chez Data Observer, nous adaptons nos façons de collecter, de structurer et d’analyser l’information. Les sources changent, les accès se compliquent, les formats résistent. Nous avons appris à faire évoluer les outils avec le terrain. Avec les LLM, une question supplémentaire apparaît : quels travaux deviennent envisageables lorsque certaines opérations demandent beaucoup moins de développement ou de traitement manuel ?

La première réponse vient assez spontanément : faire plus vite ce que nous faisions déjà. Une synthèse, une classification, une extraction d’informations. Le gain est réel lorsqu’il résiste à l’épreuve des vérifications et des corrections. Mais il laisse entière la question de son usage.

Un tableau de bord produit plus rapidement ne crée pas, à lui seul, un nouveau projet d’entreprise.

Des projets jusque-là hors de portée

Prenons une entreprise qui commande des études depuis quinze ans. Chaque nouveau sujet déclenche une nouvelle recherche, alors qu’une partie des réponses dort peut-être dans les rapports précédents. Elle pourrait vouloir comparer les diagnostics, retrouver ce qui avait été anticipé, comprendre pourquoi une hypothèse a été abandonnée et identifier ce qui a changé depuis.

Cette mémoire existe dans les fichiers, mais son exploitation repose souvent sur les quelques personnes qui se souviennent de leur contenu. Construire avec elles un moyen de la rendre consultable, de confronter les analyses et de prolonger les travaux passés constituerait une prestation à part entière. Les outils actuels permettent d’en tester l’utilité sur un premier ensemble de documents.

Une autre organisation pourrait avoir besoin de suivre les acteurs d’un domaine dans plusieurs pays. Elle commande une étude, reçoit une photographie utile, puis regarde cette photographie vieillir. Rendre cette connaissance régulièrement actualisable change la prestation : on peut observer des déplacements, de nouvelles collaborations, des changements de fonction. Le travail porte alors sur une évolution, avec toute la difficulté que cela suppose pour distinguer un changement réel d’un simple défaut de collecte.

Dans les deux cas, une activité devient possible ou plus accessible. Il reste à établir qu’elle répond à un besoin suffisamment précis pour être utilisée et financée.

Construire un service qui sera utilisé

Car l’abondance des démonstrations réussies ne manque pas de produire son propre encombrement. On peut désormais fabriquer très vite un outil dont personne ne se servira. Ajouter une interface conversationnelle à un fonds documentaire ne dispense pas de comprendre qui le consulte, dans quelle situation et pour obtenir quoi. Nous risquons même de remplir plus rapidement le répertoire des projets abandonnés.

C’est ici que le travail des équipes doit évoluer.

Le chargé d’études participe à la conception du dispositif : quelles distinctions faut-il préserver ? Quelles erreurs rendent une analyse inutilisable ? Quelles informations méritent une vérification ? Le développeur organise les traitements, les relie aux données et rend leurs résultats inspectables. Tous deux doivent pouvoir reprendre la méthode lorsque le terrain contredit la démonstration.

Cette coopération demande du temps, de la formation et des essais. L’expérience acquise aide à reconnaître les difficultés ; elle ne dispense personne d’apprendre de nouvelles façons de travailler.

Choisir ce que devient le temps gagné

La destination du temps gagné relève, elle aussi, d’un choix. Nous pouvons le consacrer à approfondir une analyse, à accompagner davantage les utilisateurs, à explorer un domaine jusque-là hors de portée.

Ces possibilités doivent devenir des projets concrets, avec des clients, des moyens et une place dans l’organisation. Elles ne se réalisent pas automatiquement parce qu’un modèle a progressé.

Pour Data Observer, cette perspective ouvre un chantier assez précis : reprendre avec nos clients les besoins qu’ils avaient écartés, en choisir quelques-uns et vérifier ce qu’il devient possible de construire ensemble. Une connaissance que l’on pourrait enfin entretenir. Un fonds que l’on pourrait enfin exploiter. Une observation que l’on pourrait enfin prolonger.

La prochaine conversation pourrait commencer par une question très simple :

Qu’aviez-vous renoncé à faire faute de temps ou de moyens ?