L'IA en entreprise : par où commencer (et par où ne pas commencer)

Tout le monde parle d'IA. Tout le monde "doit faire de l'IA". Et pourtant, la plupart des projets IA en entreprise restent au stade de la maquette ou du PoC qui ne sort jamais de la sandbox.

Pourquoi ? Parce qu'on choisit le mauvais cas d'usage en premier.

Voici comment on choisit bien — et ce qu'il faut éviter.

Les 3 critères d'un bon premier projet IA

1. Volume répétitif L'IA ne sert à rien sur des cas exceptionnels. Elle prend tout son sens quand vous traitez 100, 500, 5 000 fois la même tâche par semaine. Tri d'emails, classification de documents, réponse à des questions récurrentes : voilà le terrain naturel.

2. Tolérance à l'erreur L'IA n'est pas parfaite. Sur 1 000 décisions, elle se trompera 10, 20, parfois 50 fois. Choisissez un cas où une erreur a un coût faible (et idéalement détectable). Mauvais cas pour démarrer : valider un paiement de 100 000 €. Bon cas : pré-classer un email entrant.

3. Mesurable Si vous ne pouvez pas mesurer le gain, vous ne saurez jamais si l'IA sert à quelque chose. Avant de démarrer, formalisez : "Aujourd'hui, on met X minutes par tâche. Avec l'IA, on vise Y minutes."

Les 4 cas d'usage qui marchent presque toujours

Classification automatique de documents/emails Vous recevez 200 demandes par jour, dont 80 % suivent 5 catégories. Une IA peut router ça en quelques secondes au bon service. ROI rapide.

Synthèse et extraction d'information Lire 30 PDF par semaine pour en sortir 5 chiffres ? L'IA fait ça en quelques minutes, et vous valide ce qu'elle a trouvé. Idéal pour les appels d'offres, les rapports d'audit, la veille.

Chatbot interne sur base de connaissances Les équipes posent les mêmes questions à RH/IT/Compta. Un chatbot connecté à votre wiki/SharePoint/documentation répond 24/7 sur les questions courantes — l'humain garde les cas complexes.

Génération de premier jet Brouillons d'emails clients, comptes rendus de réunion, descriptions produits, résumés de tickets. L'IA produit une base, l'humain ajuste. Gain de temps : 50 à 80 %.

Ces 4 cas représentent 80 % du ROI réalisé sur les projets IA en entreprise. Le reste, c'est de l'expérimentation.

Les pièges classiques (qu'on voit partout)

Vouloir un agent qui fait tout, tout seul "On veut une IA qui répond aux clients, prend les commandes, génère les factures et déclenche la livraison." C'est un fantasme — chaque étape multiplie les risques d'erreur. Décomposez en petits pas avec validation humaine intermédiaire.

Démarrer par le cas le plus prestigieux Le directeur veut "une IA qui fait du conseil stratégique". Mauvais choix : pas mesurable, pas répétitif, pas tolérant à l'erreur. Démarrez par un cas ingrat mais rentable. Vous gagnerez la légitimité pour attaquer le prestigieux ensuite.

Sous-estimer le coût de la qualité des données L'IA est aussi bonne que les données qu'on lui donne. Si votre documentation interne est obsolète, votre chatbot répondra des bêtises. Audit des données = 30 % du projet IA, pas 5 %.

Oublier le cadre légal Données personnelles, RGPD, secret professionnel, propriété intellectuelle. Tout projet IA doit poser la question : où vont les données ? Avec quel fournisseur ? Sous quelle juridiction ?

Build vs buy : la question oubliée

Avant de coder votre IA, demandez-vous : est-ce que ça existe déjà en SaaS ?

• Pour un chatbot client classique : Intercom Fin, Zendesk AI, etc. fonctionnent très bien et coûtent 50 à 200 €/mois.
• Pour de l'analyse de documents : Mindee, AWS Textract, Google Document AI sont matures.

Coder votre propre IA ne se justifie que si :

• Le cas est très spécifique à votre métier
• Vous avez des contraintes de données (hébergement souverain, secret industriel)
• Le SaaS coûte plus cher que le développement (vrai à grande échelle)

Notre approche : 3 étapes courtes

Semaine 1-2 — Audit des cas d'usage. On regarde ce qui se passe chez vous, on identifie 3 à 5 candidats potentiels, on chiffre le gain de chacun.

Semaine 3-4 — PoC sur 1 cas. On teste sur des données réelles, on mesure (vraie mesure, pas une démo qui marche). On valide ou on pivote.

Semaine 5-12 — Mise en production. Si le PoC tient, on industrialise avec gouvernance, monitoring, garde-fous. L'IA sort de la sandbox.

Total : entre 10 000 € (PoC seul) et 40 000 € (mise en production complète d'un cas), selon la complexité.

La règle d'or

Ne lancez jamais un projet IA pour faire de l'IA. Lancez un projet business — résoudre une douleur, gagner du temps, augmenter le service — et choisissez l'IA comme outil si elle est la meilleure réponse.

Souvent, c'est le cas. Parfois non. Un audit honnête vous le dira.

Discuter d'un projet IA →