IA, Data et création de valeur @ESSEC Business School

• Aucune compétence technique préalable n’est requise : la formation est conçue pour être accessible aux profils métiers, managers et décideurs souhaitant maîtriser l’IA sans bagage technique initial
• Avoir des notions de management, gestion de projet et appétence pour tester et déployer des solutions / services

• professionnels mid-to-senior (5-15 ans d’expérience) qui doivent orchestrer un projet IA avec le besoin de comprendre à la fois la stratégie, la tech, le change management et la gouvernance
• Créateurs de Start up, consultants  en cabinets conseil, freelances transformation, Product owners, heads of product, intrapreneurs, leaders de la transformation digitale: Chief data officers, PMO, directeurs de BU, tout cadre ou responsable fonctionnel métier s intéressant à l IA
• User au niveau “stratégique” – manager qui anime et pilote des activités IA dans l’Entreprise = celui qui exprimera demain un cahier des charges fonctionnel

• Comprendre les fondamentaux et les évolutions de l’intelligence artificielle, en particulier l’IA générative
• S’approprier des cas concrets et construire un nouveau produit ou service par l’IA
• Identifier les opportunités de création de valeur par l’IA dans son organisation
• Poser une stratégie IA adaptée à son secteur et à sa maturité digitale
• Maîtriser les enjeux organisationnels, culturels, éthiques et réglementaires

• Vidéos de cours (15 x 4 min)
• Projet fil rouge de développement d’un produit ou service par l’IA
• Quiz hebdomadaires
• Études de cas / lectures complémentaires
• Forum de discussion
• Évaluation finale

• 80% de taux de complétion des quiz hebdomadaires
• Projet fil rouge

Objectifs

Comprendre les enjeux globaux de l’intelligence artificielle pour les organisations et pour les individus, et évaluer la création de valeur apportée par l’IA au niveau stratégique.

Compétences

• La course mondiale à l’IA : comprendre les dynamiques en cours et les raisons pour lesquelles les grandes entreprises technologiques investissent des milliards de dollars dans l’intelligence artificielle.
• Modèles économiques de l’IA et sources de valeur : explorer les nouveaux modèles économiques rendus possibles par l’IA et analyser la manière dont elle génère des revenus ou des gains d’efficacité (données, services IA, automatisation).
• Optimisation des processus : adopter une approche orientée processus et workflows, condition indispensable à la mise en œuvre efficace de solutions d’IA.
• Plateformes et effets de réseau : comprendre le fonctionnement des plateformes natives IA (et les différences avant / après l’IA générative), ainsi que le rôle des effets de réseau dans l’accélération de l’adoption de l’IA, tout en mesurant l’écart avec la réalité de la majorité des organisations.
• Mesurer la valeur de l’IA : mobiliser des méthodes d’évaluation du retour sur investissement des projets IA (indicateurs clés, arbitrage ROI / risques).

Chapitres

• Pourquoi l’IA est-elle au cœur de l’actualité ?
• La course mondiale à l’IA : de quoi parle-t-on ? Qui sont les leaders ?
• IA souveraine : un enjeu stratégique et géopolitique
• Les modèles économiques de l’IA
• Création de valeur par l’IA via de nouveaux produits (ex. : Duolingo)
• L’IA au service de l’efficacité opérationnelle (ex. : Colas)
• Processus et workflows : un prérequis indispensable
• Exemple d’optimisation de processus grâce à l’IA (ex. : Celonis)
• Organisation « AI-first » : et si vous repartiez de zéro ?
• Entreprises « AI-first » : deux exemples concrets
• Passer à l’échelle avec l’IA pour maximiser la valeur
• Où se situe réellement la valeur de l’IA ?
• Comment identifier un cas d’usage IA pertinent et construire un business case solide ?
• Quels indicateurs permettent de mesurer la valeur créée par l’IA ?

Objectifs

Comprendre l’importance stratégique de la donnée au sein des organisations et le rôle clé des données externes dans l’amélioration de la prise de décision.

Compétences

• La donnée comme actif : comprendre l’intérêt de considérer la donnée comme un actif afin d’en appréhender pleinement la valeur.
• Typologie des données : savoir identifier les types de données nécessaires à la construction de cas d’usage pertinents.
• Cycle de vie de la donnée : comprendre l’origine des données, leur maintenance et les différentes architectures de stockage.
• Gouvernance des données : élaborer un plan d’action pour garantir la qualité des données et de bonnes pratiques de gestion.
• Partage et monétisation des données : évaluer le potentiel de valeur de certaines données internes.

Chapitres

• Qu’est-ce qu’une organisation « data-driven » ?
• Que s’est-il passé avec le big data et pourquoi la donnée reste-t-elle un problème majeur ?
• Culture data et data citizens
• Les différents types de données
• Exemple de combinaison de données pour créer de la valeur
• RAG (Retrieval-Augmented Generation)
• Vos données sont-elles propres et prêtes à l’usage ? Hygiène des données
• Où stocker les données ?
• Gouvernance des données
• La gouvernance des données en pratique
• Le rôle du Chief Data Officer
• Cas d’usage favorisant l’acculturation à la donnée
• Partager ses données… et pourquoi pas les monétiser ?

Objectifs

Maîtriser les principes fondamentaux du machine learning, du deep learning et des différents types d’intelligence artificielle.

Compétences

• L’IA dans une perspective historique : comprendre que l’IA n’est pas nouvelle et pourquoi l’essor de l’IA générative s’explique aujourd’hui.
• Types de machine learning : savoir identifier le type de modèle le plus adapté à un cas d’usage donné.
• Nouvelles fonctionnalités de l’IA : travailler avec l’IA générative et l’IA agentique.
• MLOps : comprendre ce qu’implique le déploiement et le maintien en production d’un produit IA.
• Code : coder en Python avec l’aide d’un assistant IA.

Chapitres

• Brève histoire de l’IA
• Le panthéon de l’IA (Bengio, Ng, LeCun, Hassabis, Altman, Wang)
• L’AGI : dépasser l’intelligence humaine ?
• L’essentiel de la valeur est créé par des modèles de ML traditionnels
• Entraîner un réseau de neurones en Python
• Exemples de création de valeur grâce au machine learning
• Coût du calcul et empreinte carbone
• Êtes-vous un transformer ?
• Grands modèles de langage et IA générative
• IA agentique
• Sortir du bac à sable
• Importance du monitoring des modèles en production
• Jusqu’où faut-il savoir coder ? AutoML
• Dialoguer avec Python

Objectifs

Comprendre l’interaction entre les biais cognitifs humains et la prise de décision algorithmique, et acquérir des outils concrets pour une adoption responsable et maîtrisée de l’IA.

Compétences

• Décision humaine vs décision algorithmique : distinguer les sources cognitives et algorithmiques d’erreurs et de biais dans les décisions.
• Détection et audit des biais : analyser des cas réels de biais IA (recrutement, scoring crédit, etc.) à partir de contentieux et actions réglementaires documentés.
• Évaluation critique des sorties IA : appliquer des méthodes structurées et des checklists pour analyser les recommandations de l’IA et des LLM, y compris les hallucinations.
• Cadre réglementaire : comprendre les responsabilités juridiques liées aux décisions assistées par l’IA (EU AI Act, NIST AI RMF, principes de l’OCDE).
• Human-in-the-loop : concevoir des dispositifs assurant une supervision humaine efficace.

Chapitres

• Biais cognitifs humains : erreurs classiques de jugement
• Biais algorithmiques : comment les systèmes IA apprennent et reproduisent les biais
• Le cas Workday : biais IA dans le recrutement
• Scoring crédit : cas réels de discrimination (Apple Card, SafeRent)
• Hallucinations des LLM en contexte entreprise
• Mythes et réalités : ce que l’IA peut et ne peut pas faire
• Audits de biais et métriques d’équité
• Human-in-the-loop : concevoir une IA sûre
• Checklist critique pour les dirigeants
• Transparence et explicabilité
• Attentes réglementaires : EU AI Act, NIST, OCDE
• Responsabilités juridiques et responsabilité
• Étude de cas : iTutorGroup et discriminations liées à l’âge
• Synthèse et perspectives

Objectifs

Apprendre à construire un pipeline et une feuille de route de projets IA à fort potentiel de valeur.

Compétences

• Cycle de vie de l’innovation technologique
• Product Market Fit : définition et importance stratégique
• Méthodologies issues des startups
• Vibe coding : accélérer la découverte du product-market fit grâce aux LLM

Chapitres

• Pourquoi les projets tech – et IA – échouent
• De l’idéation au passage à l’échelle
• Identifier les points de douleur utilisateurs
• Le PMF comme frontière décisive avant le scaling
• L’IA comme outil, pas comme finalité
• Méthodes agile vs waterfall
• MVP et PRD
• Vibe coding : du PRD à l’application
• Priorisation des projets
• Arrêter un projet : coûts IA et risques

Objectifs

Comprendre les enjeux techniques liés à l’infrastructure afin de pouvoir collaborer efficacement avec les équipes techniques lors de la conception et du déploiement de nouveaux produits IA.

Compétences

• Pipeline de données : comprendre comment des données brutes sont transformées en données exploitables et créatrices de valeur.
• Architecture et stack modernes : comprendre comment les entreprises technologiques structurent leur infrastructure technique.
• Maîtrise du cloud : connaître les principaux composants des services cloud et leur rôle (IaaS, PaaS, SaaS).
• Exigences spécifiques de l’IA : identifier les contraintes propres aux projets IA sur l’infrastructure technique.

Chapitres

• Anatomie d’un écosystème IA : données, moteur, interface
• La donnée comme une usine : le parallèle avec les processus industriels
• Sources de données et collecte de données brutes
• Stockage des données (data lake, data warehouse, bases vectorielles) et impacts business
• Comprendre les services cloud : les différentes couches (IaaS, PaaS, SaaS)
• Interconnexion des systèmes : le rôle des API
• Data operations : orchestrer les flux de données
• Principes des stacks data modernes : assembler les différents composants
• Principes des stacks ML/IA, mise en œuvre du RAG et de l’orchestration
• Dette technique : les « taux d’intérêt » cumulés du code rapide et mal structuré
• Arbitrage qualité / vitesse : pilotage des opérations data et IA
• DevOps et MLOps : gérer les mises à jour tout en préservant la qualité
• Acheter ou développer en interne : arbitrages stratégiques
• Modèles de facturation et gestion des coûts
• Sécurité : les angles morts classiques des organisations

Objectifs

Apprendre à structurer et piloter un produit IA en phase de production et de passage à l’échelle.

Compétences

• Le mur de la production : comprendre les différences critiques entre les environnements de laboratoire et les conditions réelles.
• Passage à l’échelle : anticiper les nouveaux défis qui apparaissent lorsque l’usage et les volumes augmentent.
• Management des équipes : identifier les rôles clés d’un projet IA et structurer l’organisation à mesure de sa croissance.
• Pilotage de la valeur : comprendre les mécanismes de création et de partage de valeur autour des produits IA.

Chapitres

• Le mur de la production : pourquoi ce qui fonctionne en laboratoire échoue parfois en conditions réelles
• « Garbage in, garbage out » : les données du monde réel ne sont pas maîtrisées
• Conséquences des hallucinations des LLM en production
• Fiabilité et niveaux de service (SLA) pour les systèmes IA en production
• Suivi de la qualité et dérive des modèles IA
• Anticiper les comportements malveillants : l’exemple des attaques par prompt injection
• Gestion de crise : que faire lorsque le produit ne fonctionne plus
• Rôles et métiers au sein d’une équipe produit IA
• Construction de l’organigramme
• Recruter et faire grandir les équipes
• La main-d’œuvre augmentée en pratique
• Où se situe réellement votre avantage concurrentiel (moat) ?
• Distribution : votre produit est-il une fonctionnalité ou un véritable business ?
• Alliances et partenariats stratégiques

Objectifs

Donner aux dirigeants les connaissances pratiques nécessaires pour garantir la conformité des projets IA aux réglementations internationales en évolution (EU AI Act, RGPD, NIST, OCDE) et mettre en place des dispositifs de gouvernance transparents et responsables.

Compétences

• Panorama réglementaire : comprendre les principales dispositions et le calendrier de mise en œuvre de l’EU AI Act, notamment la classification des risques et les obligations liées aux systèmes à haut risque.
• RGPD et IA : analyser l’application du RGPD aux systèmes IA traitant des données personnelles et son articulation avec l’EU AI Act.
• Cadres internationaux : comparer les approches de l’OCDE, du NIST AI RMF (et son profil IA générative), ainsi que les initiatives américaines et chinoises.
• Éthique by design : intégrer les principes éthiques et les exigences ESG tout au long du cycle de vie des projets IA.
• Structures de gouvernance IA : participer ou contribuer à un comité de gouvernance IA doté d’une réelle autorité sur la validation des projets, l’évaluation des risques et la conformité.

Chapitres

• Présentation de l’EU AI Act : structure, niveaux de risque et principales obligations
• Calendrier de mise en œuvre de l’EU AI Act : systèmes interdits (février 2025), GPAI (août 2025), systèmes à haut risque (août 2026)
• Systèmes IA à haut risque : périmètre et exigences
• RGPD et IA : articulation et exigences complémentaires
• NIST AI RMF : le cadre volontaire américain et le profil IA générative
• Principes de l’OCDE : standard international pour une IA digne de confiance
• Comparaison des approches internationales : États-Unis, Europe, Chine
• Éthique by design : démarches concrètes
• Explicabilité et transparence : l’XAI au service de la conformité
• Audits algorithmiques et métriques d’équité
• Comités de gouvernance IA : bonnes pratiques pour une autorité effective
• Jurisprudence et sanctions : retours récents en Europe et aux États-Unis
• Étude de cas : IA de scoring crédit – enseignements en matière de conformité
• Construire une charte IA : modèles et checklists

Objectifs

Préparer les participants à piloter des organisations augmentées par l’IA, en favorisant l’adoption, la confiance des utilisateurs et le bien-être au travail, à partir de recherches récentes et de cas de déploiement à grande échelle.

Compétences

• Nouveaux métiers : identifier les rôles émergents liés à l’IA (AI trainer, prompt engineer, responsable éthique IA) et comprendre la transformation structurelle du travail.
• Upskilling et reskilling : appliquer des cadres pratiques pour développer les compétences IA à l’échelle de l’organisation.
• Conduite du changement : concevoir et déployer des stratégies d’adoption de l’IA en traitant les résistances et en mobilisant des ambassadeurs.
• Analytique RH : mesurer l’adoption de l’IA, l’engagement des utilisateurs et les impacts de la transformation.
• Bien-être numérique : anticiper les risques de surcharge, d’épuisement et garantir une adoption inclusive.

Chapitres

• Transformation du travail : 170 millions de nouveaux emplois d’ici 2030, 92 millions déplacés (WEF)
• Nouveaux métiers liés à l’IA
• Transformation hybride : humains et IA travaillant ensemble
• Enjeux de montée en compétences : accélération du changement des compétences et impacts sur les salaires
• Adoption de l’IA au travail
• Plateformes de formation et bonnes pratiques
• Conduite du changement appliquée à l’IA
• Développer des ambassadeurs et champions IA
• Mesurer l’adoption : indicateurs de productivité, d’engagement et de bien-être
• Étude de cas : programme international de montée en compétences
• Gérer les résistances
• Bien-être numérique et prévention de l’épuisement
• Adoption inclusive : accessibilité et équité
• Playbook d’engagement post-déploiement

Objectifs

Après avoir acquis une compréhension conceptuelle et opérationnelle de l’IA, développer une capacité de veille et d’anticipation des grandes tendances à venir.

Compétences

• Évolutions de l’IA : suivre les avancées récentes de la recherche et des expérimentations.
• Limites et dérives de l’IA : identifier les situations dans lesquelles l’IA ne répond plus à son objectif initial.
• Robotique : comprendre que l’IA est encore peu présente dans le monde physique, mais appelée à s’y déployer rapidement.
• Informatique quantique : appréhender l’état de l’art et les premières applications commerciales.
• Énergie et climat : mesurer les enjeux environnementaux liés à l’IA et aux infrastructures numériques.

Chapitres

• Où va l’intelligence artificielle ?
• Entreprises à suivre : Google (articles fondateurs sur les transformers)
• Entreprises à suivre : Nvidia (CUDA, GPU)
• Entreprises à suivre : ASML
• Ce qui peut mal tourner : l’initiative « Law Zero »
• IA, data centers et demande énergétique
• Automatisation des processus robotiques (RPA)
• Les robots arrivent
• Accepter l’incertitude et le flou
• Exemples d’informatique quantique
• Q-Day
• Stockage de l’énergie renouvelable
• Capture du carbone

• 80% de taux de complétion des quiz hebdomadaires
• Projet fil rouge