IA, Data et création de valeur @ESSEC Business School

• 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

• Comprendre les fondamentaux et les évolutions de l’intelligence artificielle, en particulier l’IA générative
• Maîtriser les concepts inhérents aux data, à l’IA et aux agents pour piloter/travailler avec des équipes sur le sujet.
• 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

• 15/20 Vidéos de cours (3-4 min) par semaine
• 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
• Attestation de suivi ou certification (optionnelle)

Objectifs
Comprendre les enjeux globaux de l’IA pour l’organisation, et estimer la création de valeur apportée par l’IA au niveau stratégique.

Contenus

• Vidéo d’introduction
• Présentation du parcours pédagogique
• Contenu de cours :
  Contexte IA et Business models, sources de revenu ou d’efficience
  • Business models de l’IA et sources de revenus : exploration des nouveaux modèles économiques permis par l’IA et comment elle génère de la valeur (ex.: données, services IA)
  • Plateformes & effets de réseau : comprendre le rôle des plateformes AI-natives (et différencier AI Native pre & post gen AI), et des effets de réseau dans l’accélération de l’adoption de l’IA.
  • Comment mesurer l’opportunité de l’IA :introduction aux approches pour évaluer le retour sur investissement d’un projet IA (KPIs, ROI vs risques)
    Référence et exemples : Etude de cas Amazon sur la réinvention de la logistique grâce à des robots IA (illustrant l’impact stratégique de l’IA). Cas des développeurs et des nouveaux outils (Cursor, windsurf, etc…) post gen AI.
• Quiz de positionnement :
  savoir naviguer la valeur vs la hype médiatique (signaux faibles / forts)
• Etape projet fil rouge :
  Choix entre deux options de projet fil rouge : développer un produit ou un service à partir d’une problématique identifiée en autonomie.
  • Développer un produit ou un service à partir d’un cas proposé par l’équipe pédagogique.
  • Définir (ou comprendre si cas professeur) le problème client : Première étape du projet d’équipe, il s’agit d’identifier/comprendre un cas d’usage IA à fort impact et de formuler la proposition de valeur de l’IA pour ce cas. L’équipe choisit une problématique client précise à résoudre grâce à l’IA.

Objectifs pédagogiques

• Comprendre les pipelines de données et le MLOps,
• Maîtriser les principes de base du machine learning et du deep learning
• Découvrir l’architecture Transformer qui sous-tend les grands modèles de langage.

Contenus

• Vidéos :
  • Historique du domaine de l’IA et des data.
  • Collecte, nettoyage et gouvernance des données : processus de préparation des données pour l’IA (data pipeline) et introduction au Data Governance et MLOps dans le cycle de vie des modèles
  • Apprentissages supervisé, non-supervisé, par renforcement : tour d’horizon des différents types d’apprentissage automatique (ML/DL) et de leurs cas d’usage. ex.: entraînement d’un petit modèle via un notebook en vidéo.
  • Transformers & Large Language Models (LLM) : explication de l’architecture Transformer et de son rôle dans les modèles de langage modernes (ex: GPT).
    Exemples concrets illustrant la pipeline IA de bout en bout (du problème aux données puis au modèle), et cas d’usage d’IA générative en entreprise (ex.: utilisation de GPT-3/4 comme FAQ RH interne). Ex.: entraînement d’un petit modèle via un notebook en vidéo
• Lectures : (en fonction des réf cf plus haut)
• Quiz : [intitulé]
• Atelier “Problème → Modèle” : les participants partent d’un problème donné et réfléchissent à quel type de modèle IA y répondrait le mieux.
• Étape Projet fil rouge :
  Évaluer la faisabilité tech/data : Les équipes étudient la faisabilité technique et data de leur projet. Il s’agit de valider qu’elles disposent (ou peuvent obtenir) des données nécessaires et d’identifier les solutions technologiques envisageables (modèles, APIs, etc.). Tests avec les outils pour l’accès aux données et leur manipulation.

Objectifs pédagogiques :

• Savoir démystifier les promesses technologiques de l’IA (mythes vs réalités) et détecter les biais (humains et algorithmiques) dans les décisions assistées par IA
• Développer les bons réflexes pour la prise de décision par l’IA et notamment pour l’usage de l’IA générative (ou le travail avec les équipes utilisant l’IA gen).

Contenus :

• Vidéos :
  • Mythes & réalités de l’IA : panorama des idées reçues courantes sur l’IA et clarification de ce qui est réellement faisable aujourd’hui et de ce qui pourrait être faisable dans un futur proche (notamment quels modèles existent, raisonnements vs génération etc…)
  • Biais cognitifs vs biais algorithmiques : présentation des biais humains (ex.: biais de confirmation) comparés aux biais introduits par les algorithmes ou données (ex.: biais de sélection).
  • Checklist critique: outils et grilles de questions permettant d’évaluer de manière critique un projet IA ou des réponses IA. : Lectures : [liens, pdf, articles]
• Quiz : [intitulé]
• Case :
  Un article de Harvard Business Review (fourni) présentant de façon critique un cas d’usage IA sera utilisé pour l’analyse, ainsi qu’un exemple de crédit scoring biaisé (discrimination démographique) pour illustrer concrètement les risques de biais.
  Identifier les biais et limites : à ce stade, chaque équipe réalise un audit critique de son projet IA pour mettre en lumière les risques, biais ou limites possibles de la solution envisagée.
• Étape Projet fil rouge :
  Évaluer la faisabilité tech/data : les équipes étudient la faisabilité technique et data de leur projet. Il s’agit de valider qu’elles disposent (ou peuvent obtenir) des données nécessaires et d’identifier les solutions technologiques envisageables (modèles, APIs, etc.). Tests avec les outils pour l’accès aux données et leur manipulation.

Objectifs pédagogiques

• Cartographier la chaîne de valeur augmentée par l’IA, l’impact sur les différents métiers, et focus sur des cas d’usage par métier (intégration de l’IA dans chaque étape de création de valeur). Comprendre la notion d’équipe/métier augmentés.

Contenus

• Vidéos :
  • Panorama cross-fonctionnel de cas d’usage : tour d’horizon d’exemples d’IA (pas seulement générative) dans les opérations, les RH, le marketing, la finance, etc., montrant comment chaque fonction peut être transformée par l’IA.
  • Revu des travaux sur les impacts de l’IA générative dans les équipes et comment optimiser l’intégration de l’IA au sein des différentes organisations.
• Lectures : [liens, pdf, articles]
• Quiz : [intitulé]
• Activité pratique (si applicable)
• Étape Projet fil rouge :
  esquisser une première solution IA : les équipes passent à la formalisation du concept de leur produit/service IA. Il s’agit de donner une forme tangible à l’idée en esquissant ce que sera la solution. Une première ébauche visuelle, en se basant sur les outils existants (lovable ou replit), sera demandée.

Objectifs pédagogiques

Apprendre à piloter un projet IA avec les méthodologies adaptées (ex.: framework CRISP-DM 2.0 revisité pour l’IA d’entreprise), structurer les éléments de gestion de projet (budget, KPI, équipes pluridisciplinaires), et bâtir un business case solide pour justifier le projet. Comprendre comment les IAs génératives peuvent être diffusées  dans les équipes (et lien avec la gestion de projet IA)

Contenus

• Vidéos :
  • Gestion de projet IA adapté entreprise : Présentation d’une version actualisée du cycle de vie de projet data (CRISP-DM) incluant les phases spécifiques en contexte entreprise (stratégie, déploiement à l’échelle, maintenance MLOps).
  • Rôles projet IA : Product Owner, MLOps… : Description des rôles clés dans une équipe IA hybride (profil business vs profil data) et comment ils collaborent tout au long du projet.
  • Construction du business case IA : Comment articuler un business case convaincant : objectifs métier, hypothèses de ROI, coûts (données, infrastructure, formation), risques et KPI de succès.
  • L’équipe augmentée : Les cadres de diffusion de l’IA générative au sein des équipes et le changement de management induit, human in the loop etc…
• Lectures : [liens, pdf, articles]
• Quiz : [intitulé]
• Case :
  déploiement d’un agent SAV (service client) alimenté par IA, servant d’exemple pour construire un business case complet (impliquant coûts et bénéfices).
• Etape projet fil rouge :
  Structurer la mise en œuvre (et début de MEO du MVP) : Les équipes concentrent leurs efforts sur l’aspect planification et business case de leur projet. Elles doivent évaluer précisément l’effort de réalisation du produit depuis le MVP, le budget nécessaire et les résultats attendus en production.

Objectifs pédagogiques

Automatisation par l’IA : Concevoir des workflows IA avec peu ou pas de code en utilisant la plateforme n8n en low-code. Comprendre ce qui est faisable en utilisant des librairies dédiées.  Savoir automatiser un processus métier simple en orchestrant un LLM et des API via un outil low-code, et orchestrer des services d’IA et externes au sein d’un workflow cohérent. Appréhender les notions de RAG (Retrieval-Augmented Generation) et d’agents autonomes, ainsi que les bonnes pratiques de sécurisation et monitoring des workflows IA.

Contenus

• Vidéos : 
  • Introduction à n8n et ses nœuds IA : Présentation de l’interface n8n (workflow automation), des nœuds de base et des intégrations IA (ex: nœud OpenAI).
  • Patterns RAG & agents autonomes : Explication du pattern (combiner LLM + base de connaissances pour des réponses précises) et introduction aux agents autonomes pilotés par LLM (concept de délégation de tâches à l’IA).
  • Sécurisation et monitoring des workflows : Meilleures pratiques pour gérer les clés API, contrôler les entrées/sorties du LLM, éviter les boucles infinies ou actions non désirées, et monitorer les workflows IA en production.
• Lectures : [liens, pdf, articles]
• Quiz : [intitulé]
• Activité pratique : Démonstration d’un workflow n8n qui connecte un chatbot OpenAI avec Google Sheets (base de données client) et envoie un email, pour illustrer comment automatiser un processus de service client multicanal. Cet exemple concret sera reproduit (simplifié) en exercice.
• Etape projet fil rouge :
  Construire un MVP automatisé : C’est une semaine clé où les équipes développent un MVP (Minimum Viable Product) de leur solution IA, idéalement en exploitant des workflows automatisés et des LLM si pertinent.

• Objectifs pédagogiques : Conduite du changement et adoption de l’IA en interne. Savoir acculturer et former les équipes à l’IA (stratégies d’upskilling IA), et gérer le changement organisationnel lié à l’introduction de l’IA (principes de change management appliqués à l’IA).
  Contenus :
  – Vidéos :
  • Principes de Change Management : Rappel des fondamentaux de la conduite du changement et application spécifique au contexte d’introduction d’une nouvelle technologie IA.
  • Stratégies d’upskilling IA : Comment évaluer la maturité data/IA de ses équipes, puis déployer un plan de formation pour développer les compétences (formations, ateliers, ambassadeurs IA internes).
  • Modèle de Centre d’Excellence (CoE) IA : une équipe transversale support pour diffuser les bonnes pratiques IA, mutualiser les ressources et piloter l’IA de manière cohérente dans l’entreprise.
  • IA générative et changement, cadres, méthodes et bonnes pratiques.

  – Lectures : [liens, pdf, articles]

  – Quiz : [intitulé]

  – Activité pratique (si applicable)

  – Etape projet fil rouge : Continuer à travailler sur le MVP tout en préparant le déploiement interne ou la mise sur le marché : Les équipes réfléchissent à l’adoption par les utilisateurs finaux de leur solution IA au sein de l’organisation. Même le meilleur projet IA peut échouer sans adhésion : il faut donc planifier comment il sera introduit et adopté. Idéalement, des interviews avec des premiers utilisateurs du produit ou service.

• Objectifs pédagogiques : Stratégie de go-to-market et diffusion d’un produit/service IA, que ce soit en interne ou sur le marché. Savoir définir une stratégie de lancement adaptée au produit IA et ses spécificités (cibles, segments B2B/B2C ou interne), planifier les canaux de déploiement et la communication externe, et anticiper les freins à l’adoption côté marché (ou au sein d’autres départements).
  Contenus :
  – Vidéos :
  • Stratégies de distribution de l’IA : Tour d’horizon des approches pour diffuser un produit IA : déploiement interne global, lancement commercial B2B vs B2C, modèle freemium, partenariats, etc..
  • Go-to-market B2B / B2C / interne : Spécificités de chaque approche : vendre un service IA à des entreprises (cycle de vente long, besoin de cas pilotes, etc.) vs au grand public (marketing digital, éducation du client) vs diffusion interne (sponsoring direction, conduite du changement interne).
  • Freins à l’adoption & modèles de diffusion : Identifier les obstacles possibles (manque de confiance, incompréhension technologique, coût, conformité…) et présenter des modèles de diffusion virale ou progressive (champions, effet réseau, preuves de concept publiques).

  – Lectures : [liens, pdf, articles]

  – Quiz : [intitulé]

  – Etape projet fil rouge : Préparer la distribution (externe ou interne) : Avant-dernière étape du projet, les équipes se concentrent sur la stratégie de diffusion de leur solution IA. Que leur “produit” soit destiné à des clients externes ou aux employés en interne, il faut planifier comment le déployer efficacement.

• Objectifs pédagogiques : Savoir appliquer les principaux cadres réglementaires (ex.: AI Act européen, RGPD) aux projets IA, et mettre en place une gouvernance responsable de l’IA (intégration des principes éthiques, ESG, etc.) dans son organisation.
  Contenus :
  – Vidéos :
  • Frameworks de transparence et fairness (XAI) : Introduction aux approches d’IA explicable (eXplainable AI) et aux métriques d’équité (fairness) permettant d’évaluer et améliorer la transparence des modèles.
  • Gouvernance de l’IA & comités éthiques : Bonnes pratiques pour organiser la gouvernance interne : création de comités IA ou d’éthique, principes du ethics-by-design durant le développement des solutions.
  • Régulations UE et internationales : Panorama des lois et réglementations affectant l’IA (AI Act de l’UE, lignes directrices OCDE, initiatives aux USA/Chine, etc.) et implications concrètes pour les projets (conformité, obligations).

  – Lectures : [liens, pdf, articles]

  – Quiz : [intitulé]

  – Case study : étude d’un cas réel d’une IA de scoring de crédit ayant soulevé des questions de conformité (biais démographiques, risques juridiques). Ce cas sert de fil conducteur pour discuter des enjeux d’éthique et de régulation.

  Etape fil rouge du projet : Encadrer éthiquement le projet : Les équipes formalisent une charte IA responsable spécifique à leur projet. Cette charte vient cadrer l’usage et le développement en production  de la solution/service pour s’assurer qu’elle respecte les normes et valeurs voulues.

[…]

• Objectifs : Conclusion du programme Pitch du projet IA finalisé et évaluation des acquis. Démontrer par le projet les acquis (et évaluation par les quizz hebdomadaires).
  
  – Évaluer les compétences acquises : Introduction de grilles d’évaluation pour évaluer un projet IA (pertinence, innovation, faisabilité, impact, qualité de la présentation), et formation à donner un feedback utile et bienveillant à ses pairs suite à leur présentation.– Consolider les acquisÉléments d’évaluation :

  – QCM final ou projet

  – Questionnaire de satisfaction

  – Remise des certificats / badges

Etude de cas avec quiz (correction automatique) de 2h + QCM sur la plateforme Evaluo