L'IA située honnêtement — quand nous la recommandons, quand nous ne la recommandons pas.

Il y a dans le métier du conseil un réflexe qui m’agace : dès qu’un client demande de l’« IA », une feuille de route en quatre phases arrive sur la table. Phase un : stratégie de données. Phase deux : analyse des cas d’usage. Phase trois : pilote. Phase quatre : passage à l’échelle. Le tout sur douze mois. Le client acquiesce, parce qu’il a le sentiment que c’est ainsi que cela doit sonner quand on est professionnel. Le cabinet se réjouit, parce que douze mois représentent de solides honoraires. Et à la fin, quelqu’un constate qu’un simple webhook et une condition auraient résolu quatre-vingts pour cent du problème.

C’est mon observation la plus honnête après deux ans de conseil en IA auprès des PME. J’écris ce texte parce que je crois qu’en tant que dirigeante ou dirigeant, vous avez droit à une meilleure réponse que la feuille de route habituelle. Il existe des situations où l’IA a tout son sens. Il en existe davantage où elle n’en a pas. Et il existe une zone grise grandissante où la bonne réponse dépend de détails qu’un premier entretien de trente minutes ne peut pas livrer.

Trois couches que l’on confond sans cesse

Avant d’expliquer quand nous recommandons l’IA, il me faut faire un peu d’ordre, car trois notions se mélangent constamment dans la pratique.

L’automatisation classique des processus, c’est tout ce qui se déroule selon des règles fixes. Si A se produit, alors faire B. Une commande arrive, la confirmation est établie. Un prospect correspond à une catégorie, il est acheminé vers la bonne personne. Une pièce comptable arrive dans la boîte, elle est déplacée dans le bon dossier. Cette automatisation est ancienne, transparente, peu exigeante en maintenance, et c’est la bonne réponse dans quatre-vingt-dix pour cent des cas d’usage des PME. Outils : n8n, Make, Power Automate, systèmes de flux classiques.

L’automatisation assistée par l’IA, c’est l’automatisation des processus plus une composante intelligente qui supporte l’ambiguïté. Un courriel arrive, un modèle décide s’il s’agit d’une réclamation, d’une nouvelle commande ou d’une demande générale, et l’achemine en conséquence. Une facture en PDF est numérisée, un modèle en extrait les champs pertinents, même si la mise en page est inédite. C’est ici qu’interviennent les modèles pré-entraînés, souvent sous forme d’appels d’API vers OpenAI, Anthropic, Mistral ou des alternatives ouvertes hébergées localement. Outils : tout ce qui précède, plus une API de traitement du langage ou de l’image.

Les agents d’IA sont la couche la plus récente et la plus survendue. Ils combinent plusieurs capacités en un système qui planifie et exécute des tâches de lui-même. On donne un but à un agent — « réponds à toutes les demandes clients de ce matin » — et il décide seul des sources qu’il interroge, de la réponse qu’il formule, du besoin éventuel de poser une question. Cadres : LangChain, AutoGPT, Claude Code pour notre propre chaîne de production. Cette couche est puissante, mais elle est aussi nettement plus coûteuse, plus difficile à maîtriser et, dans bien des contextes de PME, encore prématurée.

Qui dit « IA » désigne le plus souvent l’une de ces trois couches — mais on sait rarement laquelle. La bonne recommandation suppose que cette question soit tranchée d’abord.

Quand nous ne recommandons pas l’IA

Commençons par la partie inconfortable. Il existe trois configurations dans lesquelles nous ne recommandons délibérément pas l’IA — même lorsque le client l’a demandée au départ.

Lorsque le problème se résout par des règles. Un transporteur voulait il y a quelques mois une IA classant automatiquement les courriels entrants de ses chauffeurs et les rattachant aux missions. Cela ressemble à un cas d’usage classique. À l’état des lieux, il est apparu que les chauffeurs envoient leurs courriels de façon structurée — numéro de mission en objet, format fixe. Une expression régulière dans n8n résout cela en cinq minutes de configuration et tourne depuis des mois sans maintenance. Un modèle d’IA aurait fonctionné, mais il aurait coûté deux cents euros par mois, aurait occasionnellement halluciné et aurait trébuché sur un changement de format d’en-tête. La règle, elle, ne fait rien de tout cela.

Lorsque la qualité des données ne suit pas. Un modèle ne vaut que par les données avec lesquelles il travaille. Si vos données de référence sont erronées, si les champs sont renseignés de façon hétérogène, si les tableurs sont la véritable source de vérité — alors une solution d’IA produira des recommandations systématiquement fausses. Nous avons eu le cas d’un client qui voulait un moteur de recommandation proposant des produits similaires. À l’analyse, nous avons constaté que les catégories de produits étaient classées différemment dans deux systèmes — et que personne ne savait quelle classification était la plus récente. La bonne recommandation n’était pas « entraînons un modèle » mais « remettons d’abord vos données de référence en ordre ». Cela a pris un an et n’a amusé personne. Mais le moteur de recommandation fonctionne aujourd’hui, et il n’a en réalité besoin que de statistiques classiques, pas d’IA.

Lorsque la question de la responsabilité n’est pas réglée. Une IA qui prépare des décisions aux conséquences juridiques exige des responsabilités clairement définies. Qui répond si le modèle décide mal ? Comment la traçabilité est-elle assurée ? Que se passe-t-il lors d’un audit ? Dans beaucoup de PME, ces questions restent sans réponse, parce que la structure de l’organisation n’a jamais été prévue pour cela. Dans ces cas, nous recommandons de n’employer l’IA qu’en mode proposition — le modèle propose, un humain décide. Cela réduit de moitié le gain d’efficacité, certes, mais cela protège de risques qu’une PME ne peut pas porter.

Quand nous recommandons l’IA

Il existe quatre configurations dans lesquelles nous recommandons l’IA sans hésiter.

Le classement de gros volumes entrants. Lorsqu’une entreprise reçoit chaque jour des centaines de courriels, de pièces, de demandes ou d’appels à trier par catégories — et lorsque les données entrantes ne sont pas assez structurées pour une expression régulière — le classement assisté par l’IA est une très bonne réponse. Nous l’employons régulièrement pour les boîtes de réception (réclamation, commande ou demande générale), pour les pièces comptables (facture, bon de livraison ou contrat), pour les transcriptions d’appels (escalade ou routine).

L’extraction de données structurées à partir de sources non structurées. PDF entrants, pièces numérisées, courriels en texte libre contenant des données de commande — partout où l’information est présente sans être au format attendu. Les modèles de langage actuels y sont nettement meilleurs que la reconnaissance optique classique assortie d’un jeu de règles. Une réserve : la précision n’est jamais de cent pour cent. Nous construisons toujours ces solutions avec une étape de validation — le modèle extrait, un humain ou une seconde règle vérifie. Pour les pièces destinées à DATEV, c’est obligatoire.

La personnalisation en marketing et en vente. Des textes pour des publics différents, des briefings pour des campagnes sociales, des traductions, des synthèses de documents longs. L’IA y gagne considérablement en valeur, parce que la solution alternative — une rédaction manuelle par une personne du marketing — est nettement plus coûteuse et ne passe pas à l’échelle. C’est précisément de ce besoin qu’est né notre outil trendscout : analyse du site, données de tendance et génération de briefings par modèle de langage, ajustés à l’entreprise concernée.

Le développement logiciel lui-même. C’est là que nous employons l’IA le plus profondément. Claude Code est depuis des mois notre outil central sur chaque implémentation client. Il ne s’agit pas de « laisser l’IA écrire ce qu’elle veut », mais d’une méthode agentique très disciplinée, avec des contrats clairs, des esquisses d’architecture et un contrôle de version. Le résultat : une petite équipe atteint une profondeur de livraison qui aurait autrefois exigé trois à quatre fois plus de personnel. Cette efficacité, nous la répercutons sur les clients — par des prix de projet plus bas ou par un engagement plus profond à budget égal.

La zone grise : quand la réponse dépend des détails

Entre « recommander clairement » et « clairement déconseiller » s’étend un large domaine où la bonne décision dépend de facteurs qu’un entretien de trente minutes ne tranche pas. Trois exemples.

Les agents conversationnels dans le support client. Si vous avez beaucoup de questions récurrentes auxquelles votre base de connaissances répond clairement, et si vous parvenez à construire un chemin d’escalade propre vers un humain — alors un agent conversationnel peut fonctionner. Sinon, il frustrera vos clients et vous coûtera du temps. La plupart des mises en œuvre en PME que j’ai vues ces deux dernières années relèvent du second cas. Mais il y a des exceptions.

L’analyse de données assistée par l’IA pour les décisions de direction. Le problème n’est pas l’IA, mais la disposition de la direction à accepter des recommandations fondées sur les données. Si la réponse est « dans le doute, nous décidons à l’instinct », l’investissement est perdu. Si la réponse est « nous voulons diriger sur des preuves, mais l’analyse nous prend trop de temps », l’IA peut aider énormément. Cette question est culturelle, non technique.

Les contenus générés pour le site ou le CRM. Tout dépend de l’importance que vous accordez à votre voix de marque. Si vos textes sont interchangeables et qu’il s’agit seulement d’en produire, l’IA est un accélérateur. Si votre voix est spécifique et ne survit pas sans soin — alors l’IA produit des textes bien intentionnés qui, au bout de trois semaines, se ressemblent tous, parce qu’ils viennent du même modèle. Nous employons l’IA intensivement à la rédaction, mais toujours comme premier jet, jamais comme produit fini.

Ce que nous faisons concrètement dans les projets clients

Pour que cela ne reste pas abstrait, trois exemples concrets de ces derniers mois — tous anonymisés, parce que nous prenons la discrétion au sérieux.

Exemple 1 : une boîte de réception automatisée. Un client recevait quotidiennement quelque deux cents courriels à répartir en catégories — commandes, réclamations, demandes générales, correspondance fournisseurs. Auparavant : deux collaborateurs y consacraient chacun deux heures par jour. Nous avons construit un flux n8n qui envoie les courriels à un modèle de langage, reçoit une proposition de catégorie et les déplace dans la bonne zone de Microsoft 365. Taux de correction : trois pour cent. Les collaborateurs corrigent ce qui est mal rangé et consacrent aujourd’hui dix minutes par jour à la boîte. Ils s’occupent des dossiers eux-mêmes à la place.

Exemple 2 : le pré-contrôle des pièces en comptabilité. Un client recevait des centaines de factures fournisseurs par mois, à vérifier manuellement, à rapprocher de la commande puis à transmettre à DATEV. Nous avons construit un flux qui numérise les factures, en extrait les champs avec un modèle de langage, les confronte à une base SQL des commandes ouvertes et ne soumet à la comptabilité que les cas douteux. La comptabilité voit aujourd’hui quinze pour cent des factures — les quatre-vingt-cinq pour cent restants sont comptabilisés automatiquement. Étape de validation : toute facture comptabilisée automatiquement doit correspondre à une commande ouverte du bon montant. Sinon, elle est renvoyée dans la file manuelle.

Exemple 3 : un générateur de briefings marketing. C’est de ce besoin qu’est né notre outil trendscout. Un client avait régulièrement besoin de contenus sociaux, sans personne au marketing ni temps pour une agence. trendscout analyse le site du client, le confronte aux données de tendance et aux signaux sociaux, et propose des publications concrètes — propositions d’images comprises. Le client vérifie ce qui convient et publie lui-même. C’est l’IA comme accélérateur, non comme substitut au travail de marque.

Ce que nous ne faisons délibérément pas

Nous ne vendons pas de stratégies d’IA. Nous ne montons pas de programmes d’ateliers sur « l’IA dans les PME ». Nous ne livrons pas de feuilles de route à douze mois. Non que nous n’y comprenions rien — mais parce que le format convient rarement à la tâche. Quand une PME demande aujourd’hui ce qu’elle devrait faire avec l’IA, la bonne réponse est presque toujours : identifier des problèmes concrets, construire des solutions avec pragmatisme, commencer petit, livrer tôt. Un atelier de trois jours sur « la stratégie d’IA de votre entreprise » produit en règle générale un document que plus personne ne retrouve six mois plus tard.

Ce que nous faisons : nous recueillons vos points de douleur concrets, examinons les données et les processus, repérons où l’IA apporte réellement de l’efficacité, proposons l’implémentation la plus simple qui résout le problème, et la construisons. Si c’est une intégration avec un modèle de langage, c’est une intégration avec un modèle de langage. Si c’est une expression régulière, c’est une expression régulière. Les deux sont recevables, les deux sont professionnelles. Ce qui n’est pas recevable, c’est de vendre de l’IA parce que le mot se vend bien.

Une note finale honnête

Je crois que l’IA pénétrera plus profondément dans chaque PME au cours des cinq prochaines années. Non comme mot à la mode, mais comme composant allant de soi — intégré aux logiciels standard, aux applications bureautiques, au CRM et à l’ERP. Pour la plupart des dirigeants de PME, ce ne sera même plus une décision consciente. Ce sera simplement là.

D’ici là, il y a une phase de transition où l’IA s’ajoute comme une couche supplémentaire, avec toutes les questions que cela soulève. Pendant cette phase, vous n’avez pas besoin d’une stratégie d’IA. Vous avez besoin d’un partenaire de réflexion qui réponde honnêtement, pour chaque question concrète, si l’IA aide ou non — et, le cas échéant, comment.

C’est le rôle dans lequel nous nous voyons. Non celui de conseil en IA, mais celui d’un conseil qui a compris l’IA comme un outil parmi d’autres et l’emploie là où elle tient. Cela sonne moins spectaculaire que « nous vous rendons prêts pour l’IA ». Mais c’est la réponse la plus honnête. Et c’est celle qui tiendra encore dans cinq ans.

Ceci est le deuxième volet d’une série en trois parties sur la position de digiFORMER. Troisième volet : la souveraineté numérique pour les PME — plus importante que vous ne le pensez aujourd’hui.