Publications · Intelligence artificielle
L'IA en PME sans naïveté : où elle aide vraiment, où elle déçoit
En 2018, j'ai fondé un assistant juridique construit sur GPT-2, bien avant que ces outils ne deviennent courants. Le projet s'est arrêté, faute de données exploitables et d'un marché prêt. Il m'a appris ce que je vois se rejouer aujourd'hui dans beaucoup de PME : quand l'IA échoue, c'est rarement la faute de la technologie.
Là où elle fait gagner du temps
L'IA est efficace sur les tâches à fort volume et à faible ambiguïté. Quelques exemples concrets dans une PME :
- Administration et comptabilité : lire une facture, en extraire les montants, la classer, préparer l'encodage. Le gain se compte en heures chaque semaine.
- Relation client : répondre aux questions de premier niveau, rédiger une première version d'un devis ou d'un courrier, résumer un échange.
- Documents : retrouver une clause dans des centaines de contrats, comparer deux versions, produire une synthèse.
- Marketing : décliner un message, préparer des variantes, traduire.
Le point commun : une tâche répétitive, un résultat vérifiable en quelques secondes, et une erreur sans conséquence grave puisqu'un humain garde la main.
Là où elle déçoit, et toujours pour les mêmes raisons
Les échecs que je rencontre ne viennent presque jamais du modèle.
Des données dispersées ou de mauvaise qualité. Une IA branchée sur des fichiers incohérents produit des réponses incohérentes. Aucun modèle ne rattrape des données que l'entreprise n'a jamais tenues au propre.
Un processus flou. Automatiser une étape mal définie revient à produire du désordre plus vite. Il faut d'abord savoir ce que fait vraiment le processus, ensuite seulement l'outiller.
L'attente d'un résultat sans supervision. Sur les sujets où une erreur coûte cher — un chiffre faux dans une déclaration, un engagement juridique mal lu — l'IA assiste, elle ne décide pas. Elle se trompe aussi avec assurance, ce qu'on appelle une hallucination, et cela impose un contrôle humain.
La confidentialité oubliée. Envoyer des données clients ou des pièces sensibles vers un service tiers sans savoir où elles vont pose un problème réel, en particulier au regard du RGPD.
La méthode qui marche
Avant de choisir un outil, je regarde le processus et les données. Pour un premier cas d'usage, quatre critères aident à bien choisir :
- Un volume réel : la tâche revient souvent, sinon le jeu n'en vaut pas la chandelle.
- Une tolérance à l'erreur : on commence là où une erreur se corrige, pas là où elle se paie.
- Des données disponibles et propres : si elles n'existent pas, le premier chantier, c'est elles.
- Un résultat mesurable : temps gagné, erreurs évitées, délai raccourci.
On teste sur ce cas précis, on mesure, on ajuste, puis on généralise. Une personne doit porter le sujet à l'intérieur de l'entreprise, sinon l'outil retombe en désuétude après l'effet de nouveauté.
Ce qu'il faut retenir
L'adoption réussie de l'IA tient autant à l'organisation et aux données qu'à la technologie. Les entreprises qui réussissent ne sont pas celles qui achètent l'outil le plus avancé, mais celles qui ont clarifié un problème précis et préparé leurs données pour y répondre.
Vous vous demandez où l'IA a sa place chez vous, et où elle n'en a pas ? Parlons-en.