
Résumé
En gestion de portefeuille de projets, l’intelligence artificielle intervient principalement à trois niveaux : la consolidation des données d’avancement, la détection précoce des dérives et la simulation de scénarios d’arbitrage. Les enquêtes disponibles indiquent que la décision finale demeure humaine et que la valeur obtenue dépend largement de la qualité des données de charge, de coût et de bénéfices.
Trois constats structurent cet article :
- les usages observés en 2026 restent concentrés sur la production du reporting, tandis que l’anticipation des risques et la simulation demeurent minoritaires ;
- une typologie en quatre niveaux (consolidation, alerte, simulation, recommandation) permet de situer chaque usage au regard des données qu’il exige et de l’instance qui en valide le résultat ;
- au Maroc, la loi n° 09-08 et le décret n° 2-24-921 encadrent les données et l’hébergement des outils concernés, ce qui oriente le choix des solutions avant celui des cas d’usage.
Qu’entend-on par intelligence artificielle appliquée à la gestion de portefeuille de projets ?
La gestion de portefeuille de projets désigne l’ensemble des activités par lesquelles une organisation sélectionne, hiérarchise, finance et suit ses projets au regard de ses objectifs et de ses capacités. Elle se distingue de la gestion de projet, qui porte sur la conduite d’une initiative donnée, par son objet : l’allocation de ressources limitées entre des initiatives concurrentes.
L’intelligence artificielle appliquée à ce domaine recouvre trois familles de techniques. Les modèles de langage produisent des synthèses à partir de documents de projet. Les modèles prédictifs estiment des probabilités de dérive à partir d’historiques. Les méthodes d’optimisation calculent des scénarios d’affectation sous contraintes de budget et de capacité. La littérature professionnelle rattache ces techniques aux fonctions classiques du portefeuille : gestion de la demande, priorisation, affectation des ressources, suivi budgétaire, gestion des dépendances entre projets et capitalisation des connaissances (KPMG France, 2025).
Cette description fonctionnelle renseigne sur ce qui est techniquement possible. Elle ne renseigne ni sur les usages effectifs, ni sur les conditions dans lesquelles ces usages produisent un résultat fiable. Les deux sections suivantes traitent ces points.
État des usages : les enseignements des enquêtes de 2026
Trois sources récentes permettent de situer les pratiques. Elles sont de nature déclarative et deux d’entre elles émanent ou sont relayées par des éditeurs de logiciels, ce qui appelle une lecture prudente (voir la section « Limites de l’analyse »).
L’Observatoire des PMO 2026 de Virage group, tel que rapporté par Le Monde Informatique le 20 octobre 2026, indique que 73 % des responsables de bureaux de projets interrogés utilisent régulièrement l’IA. Pour 85 % d’entre eux, le principal bénéfice est le gain de temps sur le reporting. Moins d’un répondant sur dix y recourt pour anticiper les risques ou simuler des scénarios, et 5 % utilisent une IA intégrée à leur outil de gestion de portefeuille. Par ailleurs, 63 % estiment que les décisions prises en situation d’incertitude resteront avant tout humaines.

Gartner, dans une note du 19 mars 2026 citée par l’éditeur Smartsheet, estime que 24 % des bureaux de projets réussissent l’adoption de l’IA pour leurs activités de projet, de programme ou de portefeuille.
Le Project Management Institute, dans son étude Pulse of the Profession 2026 (2 023 professionnels et 511 dirigeants dans 35 pays), relève que 31 % des projets complexes n’atteignent pas l’ensemble des bénéfices visés, contre 12 % dans son étude de 2024, et qu’environ un praticien sur cinq recourt à la planification par scénarios.
Ces résultats convergent sur un point : la diffusion des outils est large, alors que leur emploi pour éclairer les arbitrages reste limité. L’écart tient moins à la disponibilité des techniques qu’aux conditions de leur emploi, examinées ci-après.
Une typologie des usages en quatre niveaux
Pour situer un usage, il est utile de le caractériser par trois éléments : les données qu’il requiert, la décision qu’il éclaire et l’instance qui en valide le résultat. La typologie proposée ici distingue quatre niveaux, ordonnés selon l’exigence croissante en matière de données et selon la portée de la décision concernée.

| Niveau | Fonction | Données requises | Décision éclairée | Instance de validation |
|---|---|---|---|---|
| 1. Consolidation | Agrégation des états d’avancement, synthèses pour les comités | Fiches projet, comptes rendus, tableaux de bord | Aucune ; information des instances | Bureau de projets |
| 2. Alerte | Détection des dérives de délai, de coût et de charge | Historiques datés de l’avancement et des consommations | Mise sous surveillance, revue anticipée | Bureau de projets et sponsor |
| 3. Simulation | Scénarios de capacité, de budget et de calendrier | Plan de charge, capacité par compétence, dépendances | Report, nouvel ordonnancement | Comité de portefeuille |
| 4. Recommandation | Proposition de hiérarchisation selon des critères explicites | Critères de valeur pondérés, bénéfices attendus, risques | Lancement, suspension, arrêt | Comité de direction |
Deux observations en découlent. D’une part, les usages majoritaires relevés par les enquêtes correspondent au premier niveau, dont l’exigence en données est la plus faible : un modèle de langage peut résumer des comptes rendus sans que le portefeuille soit structuré. D’autre part, chaque niveau suppose que le précédent soit maîtrisé. Une alerte fondée sur des avancements non datés, ou une simulation fondée sur un plan de charge incomplet, produit un résultat dont la fiabilité ne peut pas être évaluée.
Quelles décisions de portefeuille peuvent être assistées par l’intelligence artificielle ?
La typologie conduit à distinguer trois catégories de décisions.
La première regroupe les tâches de production d’information : rédaction des synthèses, mise en forme des dossiers de comité, contrôle de complétude des fiches projet. Leur automatisation présente un risque limité, sous réserve d’une relecture, car une erreur y est détectable et réversible.
La deuxième regroupe les décisions de pilotage courant : placer un projet sous surveillance, avancer une revue, réaffecter une ressource entre deux projets d’un même programme. L’IA peut y formuler une proposition motivée. La validation par le bureau de projets et le sponsor reste nécessaire, parce que la proposition repose sur des données dont ils connaissent les lacunes.
La troisième regroupe les arbitrages : lancer, différer ou arrêter un projet, et répartir le budget entre directions. Trois raisons justifient qu’ils demeurent du ressort du comité de direction. Les critères mobilisés ne sont que partiellement formalisables, qu’il s’agisse d’engagements réglementaires, d’équilibres entre directions ou d’opportunités commerciales. La responsabilité de la décision est attachée à des personnes identifiées. Enfin, les répondants de l’enquête Virage eux-mêmes considèrent majoritairement que la décision en situation d’incertitude reste humaine. Dans cette catégorie, l’apport de l’IA consiste à fournir des scénarios comparables et à expliciter leurs hypothèses.
Cette répartition rejoint les principes de pilotage et de gouvernance des transformations : une instance, un périmètre de décision, des informations dont l’origine est connue.
La qualité des données comme condition préalable
Les niveaux 2 à 4 de la typologie reposent sur des données que de nombreux portefeuilles ne produisent pas de manière régulière. Quatre catégories sont déterminantes.
L’avancement, d’abord, est souvent déclaratif et exprimé en pourcentage, sans rattachement à des livrables constatés. La charge, ensuite, suppose un plan de capacité par compétence et une saisie des temps, rarement complets hors des directions informatiques. Les dépendances entre projets sont fréquemment connues des chefs de projet sans être enregistrées. Les bénéfices, enfin, sont estimés au lancement et peu mesurés après la livraison ; la progression de la part des projets complexes n’atteignant pas leurs bénéfices, relevée par le PMI, souligne l’enjeu de ce suivi.
Il en résulte un ordre de mise en œuvre. Un référentiel unique des projets, des définitions communes des statuts, une fréquence de mise à jour respectée et un historique conservé constituent les conditions d’emploi des niveaux supérieurs. Le même raisonnement vaut pour d’autres usages de l’IA en entreprise, comme le montre l’analyse consacrée à la mesure préalable de la productivité avant le déploiement d’une digital workforce.
Le contexte marocain : cadre réglementaire, hébergement des données et secteur public
Les enquêtes citées portent sur la France et sur des échantillons internationaux ; aucune donnée équivalente n’a été identifiée pour le Maroc. Deux textes y encadrent néanmoins directement le sujet.
La loi n° 09-08 relative à la protection des personnes physiques à l’égard du traitement des données à caractère personnel s’applique aux données de charge, d’affectation et de compétences, qui se rapportent à des personnes identifiées. Son article 11 prévoit qu’aucune décision produisant des effets juridiques à l’égard d’une personne ne peut être prise sur le seul fondement d’un traitement automatisé destiné à définir son profil ou à évaluer certains aspects de sa personnalité. Une recommandation d’affectation fondée sur l’évaluation individuelle des collaborateurs entre dans le champ d’examen de ce texte.
Le décret n° 2-24-921 du 22 octobre 2024, pris pour l’application de la loi n° 05-20 relative à la cybersécurité, impose aux entités et aux infrastructures d’importance vitale de recourir à des prestataires de services cloud qualifiés par l’autorité nationale de cybersécurité lorsque des systèmes d’information sensibles ou des données sensibles sont concernés. Or un portefeuille de projets décrit des budgets, des calendriers et parfois des architectures. Pour ces organisations, la classification des données du portefeuille précède donc le choix d’un outil d’IA et de son mode d’hébergement.
L’enquête Virage apporte ici un éclairage indirect : en France, 77 % des répondants du secteur public citent la souveraineté des données comme un obstacle à l’adoption de l’IA, contre 33 % dans le secteur privé. Il est raisonnable de supposer que cette contrainte pèse de manière comparable sur les administrations et les établissements publics marocains, sans que cette hypothèse puisse être étayée à ce stade par une mesure locale.
Implications pour les directions générales
L’analyse conduit à cinq recommandations.
- Établir le niveau atteint. Situer le portefeuille sur la typologie en quatre niveaux, direction par direction, à partir des données effectivement disponibles.
- Classifier les données du portefeuille. Identifier les données personnelles et, le cas échéant, les données sensibles, avant toute sélection d’outil.
- Fixer le périmètre de décision par niveau. Préciser, pour chaque usage, l’instance qui valide et la trace conservée de la proposition et de la décision.
- Investir d’abord dans les données de charge et de bénéfices. Ce sont elles qui conditionnent la simulation et la recommandation.
- Mesurer l’effet sur les arbitrages. Suivre le délai de décision, le nombre de projets arrêtés ou différés et l’écart entre bénéfices attendus et constatés, plutôt que le seul temps gagné sur le reporting.
Ces recommandations sont cohérentes avec les exigences de traçabilité et de contrôle décrites dans l’article consacré aux six exigences de gouvernance de l’IA reprises du secteur de la défense.
Limites de l’analyse
Les données mobilisées présentent plusieurs limites. L’Observatoire des PMO est réalisé par un éditeur de logiciels de gestion de portefeuille et a été consulté par l’intermédiaire d’un article de presse ; la taille et la composition de son échantillon n’y sont pas précisées. Le chiffre de Gartner est repris d’une page d’éditeur, le rapport d’origine étant réservé aux abonnés. Les trois enquêtes reposent sur des déclarations et non sur des mesures de résultats. Elles ne couvrent pas le Maroc. La typologie proposée est un cadre d’analyse issu de la pratique du conseil ; elle n’a pas fait l’objet d’une validation empirique.
Alton, qui publie cet article, déploie pour ses clients des assistants d’IA de plusieurs fournisseurs, dont Microsoft Copilot et Claude. L’analyse ne recommande aucun produit.
Questions fréquentes
L’intelligence artificielle peut-elle prioriser seule un portefeuille de projets ?
Elle peut proposer un classement à partir de critères explicites et pondérés. La décision de lancer, de différer ou d’arrêter un projet mobilise des critères partiellement formalisables et engage la responsabilité de dirigeants identifiés ; elle relève du comité de direction.
Par quel usage commencer ?
Par la consolidation : synthèses d’avancement et préparation des dossiers de comité. Cet usage exige peu de données structurées et son résultat se contrôle par relecture. Il permet de constater l’état réel des données avant d’aborder l’alerte et la simulation.
Quelles données sont nécessaires pour simuler des scénarios d’arbitrage ?
Un plan de charge par compétence, la capacité disponible, les dépendances entre projets, les budgets engagés et restants, ainsi que les bénéfices attendus de chaque projet. En l’absence de l’une de ces données, la simulation repose sur des hypothèses qu’il convient d’expliciter.
Un portefeuille de projets contient-il des données personnelles au sens de la loi n° 09-08 ?
Oui, dès lors qu’il enregistre des affectations, des charges ou des compétences rattachées à des personnes identifiées. Ces traitements relèvent de la loi n° 09-08 et des formalités prévues auprès de la CNDP.
Faut-il un outil spécialisé de gestion de portefeuille pour utiliser l’IA ?
Pas pour le premier niveau, qu’un assistant généraliste peut couvrir à partir de documents. Les niveaux suivants supposent des données structurées et historisées, que fournit un outil de gestion de portefeuille ou un référentiel équivalent.
Références
- Elgodjam, H. (2026, 20 octobre). 73 % des PMO utilisent l’IA, mais moins de 10 % anticipent les risques. Le Monde Informatique. lemondeinformatique.fr
- Gartner (2026, 19 mars). Think Beyond GenAI: AI-Driven Portfolio Management for PMOs (J. Boyle). Cité par Smartsheet. smartsheet.com
- KPMG France (2025, 25 août). L’IA, un catalyseur dans la gestion de portefeuille de projets. kpmg.com
- Project Management Institute (2026). Pulse of the Profession 2026: Driving Success in Complex Projects. Chiffres repris de l’article du PMI du 4 novembre 2026. pmi.org
- Royaume du Maroc. Décret n° 2-24-921 du 18 rabii II 1446 (22 octobre 2024) relatif au recours aux prestataires de services cloud par les entités et les infrastructures d’importance vitale disposant de systèmes d’information ou de données sensibles.
- Royaume du Maroc. Loi n° 05-20 relative à la cybersécurité.
- Royaume du Maroc. Loi n° 09-08 relative à la protection des personnes physiques à l’égard du traitement des données à caractère personnel. cndp.ma
À propos de l’auteur
Mounib Mrani est Directeur Général d’Alton, cabinet de conseil établi à Rabat, qui intervient en gestion des services numériques, pilotage de portefeuilles de projets, audit et intelligence artificielle.


