L’IA en entreprise : par où commencer, concrètement

Depuis deux ans, toutes les entreprises que nous rencontrons ont la même phrase : « il faudrait qu’on fasse quelque chose avec l’IA ». Et presque toutes ont la même difficulté juste après : personne ne sait par quel bout la prendre.

Le problème n’est pas technique. Il est qu’on aborde l’intelligence artificielle comme une technologie à adopter, alors que c’est un outil à pointer sur un problème précis. La bonne question n’est jamais « que peut faire l’IA ? » mais « quelle tâche de mon entreprise consiste à lire, trier ou rédiger quelque chose de répétitif ? »

Trois usages qui marchent

L’extraction documentaire. Vous recevez des factures, des bons de commande, des comptes rendus, des devis, dans des formats qui ne se ressemblent pas. Quelqu’un les ouvre et recopie six informations dans un logiciel. C’est le cas d’usage le plus rentable qui existe : le gain est immédiat, il se mesure en heures par semaine, et l’erreur est visible — donc corrigeable.

La recherche dans vos propres documents. Une entreprise de vingt personnes accumule en dix ans des milliers de fichiers que plus personne ne sait retrouver. Un moteur de recherche capable de répondre en langage naturel, en citant le document d’où vient la réponse, transforme cette masse morte en ressource. La citation de la source n’est pas un détail : c’est ce qui rend le résultat vérifiable.

Le pré-tri et la classification. Des demandes qui arrivent par courriel et qu’il faut orienter, des retours clients à catégoriser, des dossiers à répartir. L’IA propose, un humain valide d’un clic. Le gain n’est pas de supprimer la décision mais de supprimer la lecture.

Le point commun de ces trois usages : ils traitent une tâche ennuyeuse, fréquente, dont le résultat est vérifiable en quelques secondes. C’est exactement le profil où l’IA excelle et où l’erreur ne coûte rien.

Les trois pièges

Commencer par un projet visible. Le réflexe est de vouloir un assistant conversationnel sur le site, parce que ça se montre. C’est le pire premier projet : très exposé, difficile à évaluer, et le gain est nul si vos visiteurs trouvaient déjà ce qu’ils cherchaient. Commencez par l’interne, là où l’erreur est sans conséquence et le gain mesurable.

Confier une décision à un modèle. Un modèle de langage produit une réponse plausible, ce qui n’est pas la même chose qu’une réponse juste. Tant qu’un humain valide, c’est un accélérateur formidable. Dès qu’il décide seul de quelque chose qui engage — un prix, un refus, un diagnostic — vous avez transféré une responsabilité à un système qui ne peut pas l’assumer.

Envoyer ses données n’importe où. Beaucoup d’outils grand public réutilisent ce qu’on leur soumet. Pour des données clients, des documents contractuels ou a fortiori des données de santé, c’est disqualifiant. Il existe des modèles qui tournent sur une infrastructure que vous maîtrisez, et des fournisseurs qui contractualisent la non-réutilisation. Cette question se pose avant le premier essai, pas après.

Une méthode en quatre semaines

Semaine 1 — trouver la tâche. Pas d’atelier d’idéation. On regarde travailler les gens et on note ce qui consiste à lire quelque chose pour en tirer trois informations. Il y en a toujours, et ce n’est presque jamais ce que la direction avait en tête.

Semaine 2 — mesurer l’existant. Combien de temps par semaine, combien d’erreurs, combien ça coûte. Sans ce chiffre, aucun résultat ne pourra être évalué, et le projet se jugera à l’impression qu’il laisse.

Semaine 3 — une maquette sur vos données réelles. Pas une démonstration sur des exemples choisis : vos vrais documents, avec leurs vrais défauts. C’est là qu’on découvre que 12 % des factures sont scannées de travers, et c’est une information précieuse.

Semaine 4 — décider. Le gain mesuré justifie-t-il l’industrialisation ? Parfois non, et l’avoir su en un mois pour un coût modeste est un excellent résultat. Souvent oui, et on sait alors exactement ce qu’on construit.

Faut-il un modèle qui tourne chez vous ?

La question revient systématiquement, et la réponse dépend de deux choses seulement : la sensibilité des données et le volume. Pour des documents internes ordinaires et quelques centaines de traitements par mois, un fournisseur qui s’engage contractuellement à ne pas réutiliser vos données suffit, coûte moins cher et se met en place en quelques jours. Pour des données de santé, des documents contractuels sensibles ou des volumes importants, un modèle hébergé sur une infrastructure que vous maîtrisez devient à la fois plus prudent et, passé un certain seuil, moins cher.

Ce qu’il faut retenir : ce choix se fait après avoir mesuré, pas avant. Décider de l’infrastructure avant de savoir ce qu’on traite, c’est dimensionner un camion sans savoir ce qu’on transporte.

Ce que ça change, honnêtement

L’intelligence artificielle ne va pas transformer votre entreprise. Elle va supprimer des tâches que personne n’aimait faire, et libérer du temps pour celles qui demandent un jugement. C’est moins spectaculaire que ce qu’on lit, et beaucoup plus utile.