Dans cet épisode d’AI Impact, Aliyya Adira, Cheffe de projet IA au sein d’une grande Maison du luxe français échange autour de la réalité des projets IA. Aliyya partage ses convictions, méthodes et expériences de terrain sur : Les coulisses réelles des projets IA : – comment capturer les besoins implicites du métier, – pourquoi la méthode “vis ma vie” change tout, – comment aligner business, data et IT pour maximiser la valeur. La place des femmes dans la tech : – pourquoi elles ne sont encore que 24 % dans les métiers numériques, – le rôle des biais culturels, scolaires et organisationnels, – comment encourager plus de diversité dans ces équipes stratégiques. Les meilleures pratiques pour réussir un projet IA en entreprise : – l’approche en 4 étapes testée et éprouvée par Aliyya, – les erreurs classiques à éviter, – les bonnes conditions pour favoriser l’adoption terrain.
Invité : Aliyya — Sr. AI Project Manager (Chanel)
Hôte : Khémon — Quickscale AI
Introduction
Khémon :
Bonjour Aliyya.
Aliyya :
Bonjour.
Khémon :
Aujourd’hui, j’ai le plaisir de te recevoir sur le podcast, c’est un grand plaisir.
Tu vas nous raconter un peu ce que tu fais aujourd’hui en tant que cheffe de projet IA pour une grande maison de luxe, et on va expliquer le type de problématiques que vous rencontrez, comment vous déployez un certain nombre de cas d’usage déjà en production avec l’IA.
Donc un grand merci déjà pour ta venue sur le podcast. Comment tu vas ?
Aliyya :
Ça va, merci. Merci à toi de m’avoir invitée.
Enfant, qu’est-ce que tu voulais faire ?
Khémon :
La question traditionnelle sur le podcast : qu’est-ce que tu imaginais faire plus grande, quand tu étais petite fille ?
J’imagine que ce n’était pas « AI project manager »…
Aliyya :
Pas du tout. Ça n’existait pas à l’époque !
Quand j’étais petite, je voulais être styliste. J’ai toujours voulu travailler dans le monde de la mode ou de l’art. J’étais fascinée par les femmes de ma famille qui aimaient s’habiller, soigner leur style… Donc rien à voir avec la tech, mais oui, clairement dans quelque chose de créatif.
Khémon :
Donc déjà un profil assez créatif, ce qui n’est pas si éloigné du monde dans lequel tu évolues aujourd’hui, même si le contenu de ton quotidien est un peu différent.
Aliyya :
Oui, exactement.
Parcours : de la médecine à la data, puis à l’IA
Khémon :
Avant qu’on rentre dans le détail de ton poste, est-ce que tu peux nous raconter ce qui t’a amenée aujourd’hui à être dans la gestion de projet IA ?
Ton parcours, parce qu’on se rend compte qu’il n’y a pas de chemin tout tracé. Il y a énormément de variabilité dans les backgrounds des personnes que je reçois.
Aliyya :
Après un bac S, j’ai d’abord fait une première année de médecine.
Je me suis vite rendu compte que ce n’était pas un monde qui m’intéressait vraiment. Donc j’ai fait une passerelle en école d’ingénieur.
J’ai choisi la filière informatique, avec une spécialisation en systèmes d’information, et j’ai fait un double master en école de commerce, parce que je voulais déjà allier tech et business.
Mon parcours professionnel a commencé à l’international, à Hong Kong, chez Adidas, où j’étais data analyst. Ma mission, c’était d’optimiser tout le sourcing de la division footwear en APAC.
Ensuite, j’ai voulu rentrer en France et j’ai intégré une maison de luxe où j’ai évolué :
– d’abord business analyst,
– puis data engineer,
– et enfin cheffe de projet IA.
Khémon :
Waouh, donc tu as vu un spectre assez large dans les métiers de la data et de la tech, et tu as aussi fait du business analysis. Hyper intéressant.
Rôle de cheffe de projet IA
Khémon :
Comment tu décrirais ton poste aujourd’hui en tant que cheffe de projet IA ?
Et qu’est-ce que tu vois de différent par rapport à un poste de project manager plus « classique », sans composante IA ?
Aliyya :
Mon rôle en tant que cheffe de projet IA, c’est d’industrialiser des cas d’usage IA demandés par les métiers, et d’apporter une solution technique qui fait sens pour eux.
Il y a plusieurs volets :
- L’orchestration des data scientists :
Je m’assure qu’ils travaillent sur les bonnes priorités, que les livrables avancent, parfois sur un ou plusieurs projets en parallèle. - Le volet fonctionnel :
Je suis l’interface avec les métiers. Il faut traduire le langage métier en langage technique, et inversement. - La gouvernance :
Je prépare et j’anime les comités de pilotage et comités projets, pour s’assurer qu’on reste alignés avec la stratégie de l’entreprise. - L’acculturation :
On doit démystifier l’IA dans les différents métiers, pour que l’entreprise reste en progression sur ces sujets. - La mise en place de process IA & la veille :
Vu que c’est quelque chose de nouveau, il y a encore des process à construire pour l’industrialisation.
On partage les bonnes pratiques entre différentes entités, différentes maisons, et on reste en veille sur ce qui se fait.
Acculturation et montée en maturité IA
Khémon :
Il me semble que tu as rejoint l’équipe assez tôt. Tu as parlé d’acculturation : c’est un vrai enjeu dans toutes les boîtes, grands groupes ou petites structures.
Ce sont des sujets nouveaux, donc il y a un enjeu de pédagogie, d’accompagnement, de projection.
Est-ce que tu as vu une évolution, depuis ta prise de poste, sur la maturité ? Et quelles initiatives vous avez mises en place pour upskiller les métiers et le management ?
Aliyya :
Oui, je trouve que ça a beaucoup changé. Au début, les gens étaient assez réticents.
Aujourd’hui, je dirais qu’ils sont hyper motivés à intégrer de l’IA dans leur métier.
Ils nous demandent beaucoup de projets, de solutions pour leurs besoins, leurs problématiques.
Ce qu’on fait, c’est qu’on organise pas mal de séminaires avec chaque métier :
- des séminaires d’une demi-journée ou d’une journée,
- on démystifie l’IA : on explique ce que c’est, ce qu’on fait déjà dans la maison, ce qui se passe ailleurs,
- et on termine toujours par une session de brainstorming : carte blanche, « si vous aviez une baguette magique, comment voudriez-vous optimiser vos process ? ».
À la fin, on leur dit : « OK, pour ce type de problématique, il existe tel type de solution. »
Et ça génère énormément d’idées de projets.
Khémon :
Donc toi et ton équipe, vous travaillez plutôt sur l’optimisation de process internes, un peu moins sur des sujets facing client ?
Aliyya :
Exactement.
Mon équipe développe des solutions pour l’interne, et tous les projets partent de besoins métier.
On ne push pas de techno pour la techno :
les métiers ont un besoin, ils viennent nous voir, on regarde s’il y a une solution.
Chaque projet est validé par des membres du comité exécutif, notamment pour être sûr du ROI, parce qu’aujourd’hui tout le monde veut faire de l’IA, mais il faut filtrer.
80 % des POC ne sont pas industrialisés : l’approche en 4 temps
Khémon :
Justement, comment vous filtrez, dérisquez et sélectionnez les bons sujets, sachant que vous avez déjà livré et déployé pas mal de projets ? Tu peux nous parler de votre méthode ?
Aliyya :
On connaît bien le chiffre : 80 % des POC IA ne sont pas industrialisés.
Ça peut faire peur, surtout pour les entreprises qui ne sont pas tech, de se dire qu’elles vont investir sur des projets qui ne verront peut-être jamais le jour en production.
Mon manager, Xavier Chapuis, a construit une approche en quatre temps que j’ai pu tester et que je trouve hyper efficace.
Elle permet de dérisquer le POC, d’éviter l’effet tunnel, et de rester proche des métiers tout au long du projet.
Les quatre étapes :
- Évaluation (cadrage)
- Exploration (travail data science « en chambre »)
- Prototypage avec les métiers
- Industrialisation
1. Évaluation / Cadrage
Aliyya :
La première étape, c’est l’évaluation — en gros, le cadrage. Là, c’est vraiment le rôle du chef de projet.
On va :
- recueillir le besoin avec les métiers,
- challenger ce besoin,
- vérifier la disponibilité et la qualité de la donnée.
Moi, ce que j’aime bien faire, ce sont les « vis ma vie » :
je ne reste pas juste en salle de réunion à demander ce qu’ils veulent. Je passe une à deux journées avec eux, j’observe ce qu’ils font vraiment, le processus tel qu’il se déroule, parce qu’il y a plein de choses qui ne sont jamais dites mais qui sont cruciales.
En général, les métiers sont contents qu’on vienne sur le terrain.
Et moi, j’adore ça parce que ça me permet de découvrir plein de métiers différents : supply, finance, etc.
Je challenge aussi le besoin : parfois, ils ont surtout besoin d’un Power BI ou d’un outil plus simple, pas forcément d’un projet IA complet, qui est plus cher et qui implique un run derrière.
Si la donnée n’existe pas, je regarde si on peut la générer.
Cette phase peut durer de 2 semaines à 1 mois, selon le cas d’usage.
Et oui, à ce stade, on a déjà arrêté des projets : toutes les cases n’étaient pas cochées, et c’est sain de s’arrêter là.
Avant de passer à chaque phase, on tient un comité de pilotage, et le ROI est vraiment le KPI le plus important.
On a tellement de demandes qu’on n’est pas en manque de projets.
Donc, si ça ne tient pas la route, on filtre.
2. Exploration (data science)
Aliyya :
Une fois le cas d’usage validé, on passe à la phase d’exploration.
Ce sont les data scientists qui travaillent « en chambre », sur des données à froid, pour chercher le meilleur modèle possible.
Ça peut durer 2 à 3 mois.
Ils produisent une évaluation statistique : résultats, métriques de succès, accuracy obtenue, etc.
À la fin, on refait un comité de pilotage, et on se pose la question :
« On est à 97–98 % de performance, est-ce que c’est OK pour passer à l’étape suivante ? »
3. Prototypage avec les métiers
Aliyya :
La troisième étape, c’est le prototypage.
Pour moi, c’est l’étape la plus importante, et ce qui différencie vraiment les projets IA des projets IT classiques.
On va développer une application simple, souvent avec Streamlit, pour mettre un outil dans les mains du métier.
Parce que si on a 98 % d’accuracy mais que les 2 % manquants sont les cas les plus importants pour eux, alors on rate complètement la cible.
On travaille de manière agile :
les métiers testent, nous donnent du feedback, et on corrige au fur et à mesure pour personnaliser au maximum la solution.
C’est ce qui permet d’éviter l’effet tunnel, où le projet dure un ou deux ans et, à la fin, ce n’est plus le besoin.
Le point difficile, c’est d’assumer le mot “prototype” :
– expliquer aux métiers que ce n’est pas l’outil final,
– qu’il va y avoir des imperfections,
– mais que ça fait partie du chemin.
Les métiers ont tendance à s’attarder sur l’UX / UI, sur le front.
Je leur dis : « Là, on est là pour les résultats. Est-ce que les résultats sont OK ? Est-ce que ça correspond à votre besoin ? »
Cette étape est critique. Pour moi, c’est le facteur de succès principal.
En termes de durée, le prototypage dure minimum 3 mois.
C’est important de laisser le temps :
– au métier de prendre l’outil en main,
– de faire des erreurs,
– de l’intégrer dans sa routine.
Si, au bout de 3 mois, ce n’est pas devenu un réflexe pour eux d’utiliser l’outil, c’est un signal fort : l’outil n’est probablement pas pour eux.
Et surtout, on ne met pas de pression du type « teste, teste, teste » ; on observe plutôt : est-ce qu’ils l’utilisent spontanément ?
4. Industrialisation
Aliyya :
À la fin du prototypage, on a :
- l’évaluation statistique (les métriques),
- l’évaluation métier (usage, feedback qualitatif).
C’est ce qui permet le Go / No Go pour l’industrialisation.
Quand on commence l’industrialisation, on a déjà :
- un quasi cahier des charges,
- des maquettes,
- une bonne vision des écrans et des comportements attendus.
On rentre alors dans la grosse machine projet IT :
- intégration dans les process métier et IT,
- cybersécurité,
- infra,
- validations, etc.
En théorie, le prototype s’arrête à ce moment-là.
Mais dans certains projets, le prototype a tellement de succès que les métiers ne veulent pas qu’on le coupe. Dans ce cas, soit :
- on le laisse vivre sous dérogation, avec une sorte de décharge de responsabilités,
- soit on le coupe et on déroule le rétroplanning de l’industrialisation.
Exemple concret : un outil de computer vision pour le contrôle qualité
Khémon :
Est-ce que tu peux nous parler d’un exemple de projet que vous avez amené jusqu’à la phase d’industrialisation ?
Aliyya :
Oui, je peux parler du premier projet de l’équipe, qui est maintenant un outil à part entière, basé sur de la computer vision.
C’est un outil pour contrôler la qualité de nos produits.
Le dispositif projet, c’était :
- deux data scientists,
- un développeur full-stack,
- un cloud architect spécialisé IA,
- et moi en cheffe de projet.
Le projet a duré un an et demi, de la première phase jusqu’à la fin de l’industrialisation.
Il s’adressait aux équipes contrôle qualité, qui interviennent à plusieurs moments du cycle de vie du produit.
La phase de prototypage, qui a duré 4 mois, a été hyper cruciale : c’est la première fois qu’on appliquait complètement notre approche en 4 temps, et ça a été un succès.
Le ROI était hyper tangible :
on est passés de 10 minutes de contrôle à moins de 30 secondes.
Les opérateurs ont vraiment vu la valeur. Ils n’ont pas eu peur, au contraire :
ils étaient contents de pouvoir se concentrer sur des tâches plus complexes, de monter en expertise.
Ça a été un levier d’augmentation de leur expertise, plus qu’un outil de substitution.
Et derrière, il y a eu un bouche-à-oreille interne, qui a été clé pour qu’on puisse lancer d’autres projets.
Aujourd’hui, l’outil est utilisé par une trentaine de personnes, dans les usines et dans les bureaux.
C’est un outil quotidien, assez critique.
Run et maintenance
Khémon :
Une fois le produit en production, vous continuez à gérer la maintenance, ou une autre équipe prend le relais ?
Aliyya :
Aujourd’hui, on gère aussi le run.
Et c’est un vrai sujet, parce que les projets s’accumulent, on industrialise pas mal, et le run devient à lui seul une équipe à part entière.
Et ce n’est pas que du bug fixing :
il y a de la maintenance évolutive, parce que :
- les produits évoluent,
- les critères de qualité changent.
On essaie d’anticiper en générant de la donnée factice pour couvrir des cas futurs, sinon c’est ingérable sur le long terme.
Conseils pour les chefs de projet IA
Khémon :
Est-ce que tu as des recommandations ou conseils pour des personnes qui ont un profil proche du tien — AI product ou programme manager — mais avec moins de recul ou de maturité ?
Aliyya :
Oui.
La première chose, c’est de toujours se former.
Rien n’est acquis, et ça va super vite.
Moi, j’adore discuter avec mes data scientists, parce qu’ils sont toujours à la pointe de la veille technologique.
Nous, on a un rôle technico-fonctionnel, mais beaucoup de fonctionnel finalement. Et pourtant, c’est hyper important d’avoir la big picture de ce qui se passe techniquement.
Ensuite, vraiment, les « vis ma vie » :
c’est quelque chose qui m’apporte énormément.
Ça me permet d’anticiper les besoins qui vont arriver. Sans ça, on recueille juste l’essentiel du besoin déclaré ; avec ça, on voit les besoins à venir.
Parfois, j’emmène aussi un data scientist avec moi, surtout quand il y a déjà un outil existant à remplacer.
Ça lui permet de voir directement comment l’outil est utilisé, d’éviter de passer par moi en mode pigeon voyageur, et de capter des signaux techniques importants.
La place des femmes dans la tech
Khémon :
Il y a un sujet qui est hyper important pour toi, qu’on voulait aborder : la place des femmes dans la tech, la data, l’IT en général.
Comment ça se passe d’être minoritaire en tant que femme dans ces écosystèmes ?
Comment tu as « défoncé les portes » pour y arriver ?
Et qu’est-ce que tu conseillerais à des femmes qui aimeraient se lancer dans la data, l’IA ?
Aliyya :
J’ai la chance de travailler dans une entreprise où il y a beaucoup de femmes dans des rôles de lead.
C’est hyper inspirant et motivant, parce que ça montre qu’il n’y a pas de plafond de verre, que je peux évoluer.
Ce n’est pas le cas partout, surtout dans les entreprises très tech.
J’ai aussi eu la chance d’avoir des managers extraordinaires, qui m’ont aidée à assumer ma légitimité.
Je n’ai pas toujours été très confiante : quand tu es la seule femme entourée d’hommes, tu ne te sens pas toujours à ta place.
Donc je dirais :
- bien choisir son environnement de travail,
- s’entourer des bonnes personnes.
Pour moi, c’est hyper important qu’il y ait plus de femmes dans la tech, parce qu’aujourd’hui, le numérique, c’est ce qui façonne le monde.
Travailler dans la tech, c’est avoir une place directe à la table où se décide l’innovation, donc l’avenir.
Si les femmes ne sont pas présentes, on crée un monde par des hommes, pour des hommes, et on n’a pas notre voix.
J’encourage vraiment les femmes à ne pas avoir peur de venir dans la tech.
Franchement, il n’y a rien de sorcier. Il faut oser.
Un mot pour les managers et recruteur
Khémon :
Je partage complètement ça.
En tant que chef d’entreprise, j’aimerais beaucoup recruter plus de femmes.
Je vois souvent des femmes me dire : « Je ne coche que deux cases sur l’annonce, donc je ne candidate pas », alors qu’elles sont tout aussi légitimes que d’autres candidats qui, eux, postulent.
Je ne vois jamais ce discours chez des hommes.
Et c’est dommage, parce que le premier filtre, c’est d’oser postuler.
Quel conseil tu donnerais aux managers hommes, pour mieux identifier le potentiel des femmes dans leurs équipes ou dans leurs recrutements ?
Aliyya :
Je pense que s’il est parfois difficile de recruter des femmes dans la tech, c’est qu’il y a un problème dans la façon de recruter.
Les critères d’évaluation sont peut-être trop génériques, ou construits par défaut pour des hommes.
Il y a sans doute un biais dans la manière dont on définit le « bon profil ».
Et côté femmes, je pense que la société a fait qu’on se dit :
« Si je ne coche pas toutes les cases, je ne postule pas. »
Alors que beaucoup d’hommes vont candidater même s’ils ne remplissent pas tout.
Personnellement, je pense que si je suis là où je suis, c’est parce que j’ai osé.
Je n’ai pas attendu de cocher toutes les cases.
Et de toute façon, on sait très bien qu’une annonce cherche souvent un mouton à cinq pattes qui n’existe pas.
Il faut oser, et parfois simplement : se mettre à la place d’un homme et candidater.
Organisation personnelle & productivité
Khémon :
Est-ce que tu as des habitudes ou bonnes pratiques que tu mets en place au quotidien pour être plus efficace ?
Aliyya :
Oui.
Déjà, je mets les dailys le matin : comme ça, c’est fait, et ça lance bien la journée.
Ensuite, je me bloque des créneaux de focus, pour être vraiment opérationnelle.
Sinon, les réunions prennent toute la place :
- réunions métiers,
- réunions avec les data scientists,
- urgences…
Si je ne me cale pas du temps pour ce que moi j’ai à faire, je me fais complètement manger.
Le plus dur, c’est le contexte switch :
commencer une tâche, devoir rentrer en meeting 5 minutes après, ne jamais avoir le temps de se plonger vraiment dedans.
C’est encore pire quand tu gères plusieurs projets en parallèle.
Recommandation de lecture
Khémon :
Est-ce que tu as un livre, un film, une série que tu recommanderais aux auditeurs ?
Aliyya :
Oui, un livre que je trouve hyper important à lire : Invisible Women de Caroline Criado Perez.
C’est un livre qui expose, avec plein d’exemples, le manque systématique de données sur les femmes.
Ça aboutit à un monde qui est, par défaut, conçu pour les hommes.
Le livre est très facile à lire, vraiment eye-opening.
Et ce n’est pas un livre « pour les femmes », c’est un sujet de société.
Par exemple : la taille des smartphones.
Apple s’est calé sur la taille des mains des hommes.
Résultat, beaucoup de femmes n’arrivent même pas à tenir un iPhone confortablement dans une main, ou à taper sans contorsion. Ils ont dû rajouter des artifices d’interface, mais la base n’était pas pensée pour elles.
