Ces dernières années, de nombreuses entreprises ont adopté l’IA en partant de la technologie : elles choisissent un outil, puis cherchent où le placer. Cet ordre produit des démonstrations qui ne deviennent jamais un usage réel. Elles fonctionnent pendant la réunion de présentation, puis restent inutilisées parce qu’elles ne sont reliées à aucune tâche quotidienne.

L’ordre qui fonctionne est l’inverse, comme pour tout autre projet. On part d’un travail qui consomme du temps ou produit des erreurs, on observe son déroulement et on choisit seulement ensuite la technologie adaptée. Parfois, la réponse est l’IA. Souvent, c’est une automatisation classique. Dans d’autres cas, un logiciel traditionnel ou un module mieux conçu suffit.

Ce qu’un modèle de langage sait bien faire

Il est utile de préciser les points forts de ces outils. La liste est plus restreinte que ne le laisse penser le débat public et plus utile que ne le suggère le scepticisme.

Transformer du texte non structuré en données structurées. Extraire d’un e-mail le nom de l’entreprise, le type de demande et son urgence ; lire une facture ou un document et en restituer les champs ; classer une description libre. C’est le cas d’usage le plus solide et le moins spectaculaire.

Classer et acheminer. Affecter un ticket à la bonne catégorie, distinguer une demande commerciale d’un problème technique ou reconnaître un ton qui exige une réponse rapide.

Synthétiser. Résumer une longue conversation, un document ou une série de signalements récurrents afin qu’une personne puisse décider sans tout lire.

Répondre à partir d’une base de connaissances définie. Une recherche interne qui fonctionne même lorsque la question emploie des mots différents de ceux des documents. Cette application est souvent sous-estimée, alors qu’elle fait gagner du temps réel : le coût d’une information introuvable est diffus et invisible.

Préparer un premier brouillon. Une réponse, un résumé ou une description de produit : un contenu qu’une personne corrige, pas un contenu envoyé tel quel.

Dans tous ces cas, l’IA reçoit une entrée définie et produit une sortie qu’une personne contrôle, ou qui alimente une étape suivante vérifiable.

La valeur réside dans le contexte, pas dans le modèle

Un assistant IA sans accès aux données de l’entreprise ne peut fournir que des réponses génériques. La différence entre un outil utile et une démonstration tient presque toujours aux informations mises à sa disposition et aux actions qu’il peut effectuer.

Cela demande un travail préalable rarement passionnant : comprendre où se trouvent les informations, dans quel état elles sont, lesquelles sont à jour, lesquelles peuvent être exposées et lesquelles doivent rester privées. Une base documentaire désordonnée produit des réponses désordonnées, et aucun modèle ne compense une mauvaise source.

Le second élément est la capacité d’agir. Un assistant qui consulte une commande, cherche dans une archive ou crée un brouillon dans un outil de gestion est utile autrement qu’un assistant qui sait seulement écrire. C’est ici que l’IA et l’automatisation cessent d’être deux sujets séparés : le modèle interprète et choisit l’étape, puis le flux automatique l’exécute de manière prévisible.

La manière la plus fiable d’utiliser l’IA dans un processus consiste à lui confier la partie ambiguë (comprendre ce que demande une personne) et à laisser un système déterministe exécuter la partie qui doit toujours fonctionner de la même façon.

Le problème des erreurs, sans détour

Ces systèmes produisent des réponses plausibles, et plausible ne signifie pas exact. Ils peuvent affirmer avec assurance quelque chose de faux, citer une procédure inexistante ou appliquer à un cas une règle prévue pour un autre. Choisir un meilleur fournisseur ne supprime pas cette caractéristique ; il faut concevoir le système en conséquence.

Il en découle trois conséquences pratiques.

La première concerne l’endroit où l’IA intervient. Quand une erreur peut être corrigée (un brouillon, une proposition de catégorie ou une suggestion), le risque peut être acceptable. Quand elle atteint un client ou modifie un montant, une vérification humaine est nécessaire.

La deuxième concerne les sources. Un assistant qui cite le document derrière sa réponse permet une vérification en quelques secondes. Un assistant qui se contente de répondre exige une confiance aveugle.

La troisième concerne le relais humain. Un système qui échange avec des clients doit proposer un moyen explicite et rapide de transférer la conversation, et l’utiliser lorsqu’il n’est pas sûr. Un assistant qui insiste est pire qu’un formulaire de contact.

Données, vie privée et responsabilité

Utiliser l’IA avec des contenus d’entreprise implique de décider où vont les données. Avant de commencer, il faut établir quelles informations peuvent être envoyées à un service externe, lesquelles doivent rester en interne, ce qui est conservé et combien de temps, et qui peut accéder à l’historique des conversations.

Lorsque des données personnelles sont concernées, les obligations du RGPD s’appliquent comme à tout autre traitement, y compris pour le choix du fournisseur et l’information des personnes. Ce n’est pas un sujet juridique à traiter en fin de projet : il modifie les décisions techniques et les changer plus tard coûte cher.

Quand il vaut mieux ne pas utiliser l’IA

Lorsque la règle est déjà écrite. Si le critère est « les commandes supérieures à cinq cents euros doivent être approuvées par un responsable », il s’agit d’une condition et non d’un problème d’interprétation. Une ligne de logique est plus rapide, moins chère, fiable et compréhensible par tous.

Lorsque le résultat doit être identique à chaque fois. Les calculs, les rapprochements et les documents produits depuis des champs connus nécessitent un système déterministe. La variabilité est ici un défaut.

Lorsque les données n’existent pas. Si les informations nécessaires manquent, sont dispersées ou sont incorrectes, l’IA ne les reconstitue pas. Le bon projet consiste alors à remettre les données en ordre.

Lorsque le volume est faible. Une tâche qui se présente quelques fois par mois justifie rarement la maintenance, la surveillance et les contrôles nécessaires à un système fiable.

Lorsque l’objectif est seulement de dire qu’elle est présente. C’est le cas le plus coûteux, car le projet n’a aucun critère de réussite et ne se termine donc jamais.

Une manière pratique de choisir

Face à un processus, trois questions posées dans l’ordre indiquent presque toujours la direction.

Premièrement : le critère de décision peut-il être écrit sous forme de règle ? Si oui, il faut du logiciel, pas de l’IA.

Deuxièmement : le travail consiste-t-il à déplacer ou transformer des données déjà structurées ? Si oui, il faut une automatisation.

Troisièmement : le travail demande-t-il d’interpréter du langage naturel ou de produire du texte ? C’est là que l’IA possède un réel avantage. Il convient de l’utiliser uniquement pour cette partie et de laisser le reste aux systèmes qui le réalisent déjà correctement.

Un outil avec une mission

L’IA n’est ni une révolution à adopter en bloc ni une mode à ignorer. C’est une capacité nouvelle et concrète (lire et produire du langage avec une compétence que le logiciel ne possédait pas) qui devient utile lorsqu’elle est reliée à un processus réel, des données véritables, un objectif vérifiable et une personne qui reste responsable du résultat.

L’alternative, l’ajouter à un produit uniquement parce qu’il s’agit d’IA, se remarque. Surtout par celles et ceux qui doivent l’utiliser chaque jour.

Aller plus loinIA & automatisation