IA en entreprise : par où commencer ?

« Il faut qu’on fasse quelque chose avec l’IA. » La phrase arrive souvent d’en haut, sans cahier des charges. La personne qui la reçoit doit transformer une injonction floue en projet concret, avec une contrainte implicite : que ça serve à quelque chose.

Le piège le plus fréquent est de partir de la technologie (« déployons un assistant », « testons un agent ») plutôt que d’un problème. Voici la démarche que nous appliquons, en cinq questions.

1. Quelle tâche voulez-vous supprimer ?

Le bon point de départ n’est pas « où mettre de l’IA », mais « qu’est-ce qui coûte du temps sans apporter de valeur ». Quelques signaux à chercher :

Une information recopiée d’un outil à un autre.
Un document lu en entier pour en extraire trois champs.
Un reporting refait à la main chaque mois.
Des demandes qui arrivent par plusieurs canaux et que quelqu’un trie à la main.
Une question à laquelle une seule personne sait répondre.

Pour chaque tâche repérée, il faut pouvoir décrire concrètement : qui la fait, à quelle fréquence, avec quels outils, et ce qui se passe si elle est mal faite.

Une tâche bien décrite vaut mieux qu’une liste d’idées. « Automatiser le service client » n’est pas un cas d’usage. « Classer les e-mails entrants de la boîte SAV et pré-remplir le ticket » en est un.

2. Est-ce vraiment un problème d’IA ?

Beaucoup de tâches répétitives n’ont pas besoin d’IA. Elles ont besoin d’automatisation : relier deux outils par API, déclencher une action quand un statut change, générer un document à partir d’un modèle. Ces automatisations sont déterministes : elles font toujours la même chose, de manière prévisible, et elles sont plus simples à maintenir.

L’IA devient utile quand la tâche implique de comprendre un contenu non structuré :

Lire un texte libre (e-mail, compte rendu, avis client).
Extraire des informations d’un document dont le format varie.
Classer selon un sens, pas selon des mots-clés.
Rédiger un premier jet à partir d’éléments connus.

Dans beaucoup de projets, l’IA représente une petite partie de la solution. L’essentiel du travail consiste à connecter les outils et à fiabiliser le flux autour.

3. Les données sont-elles exploitables ?

Une IA ne compense pas des données absentes ou incohérentes. Avant de lancer un projet, il faut vérifier :

Que les données existent et sont accessibles (API, export, base de données).
Qu’elles sont suffisamment propres : pas de doublons massifs, des champs remplis de manière cohérente.
Qu’on a le droit de les utiliser pour cet usage, et de les transmettre au fournisseur d’IA envisagé.
Qu’il existe des exemples pour tester : des documents réels, des e-mails réels, avec la réponse attendue.

Cette dernière condition est souvent oubliée. Sans exemples réels, impossible de mesurer si la solution fonctionne. Les démonstrations sur des cas choisis ne disent rien de la performance sur le flux réel.

4. Où faut-il un humain ?

Toute tâche automatisée n’a pas le même niveau de risque. Une erreur de classement d’e-mail se corrige facilement. Une erreur sur un montant de facture ou un engagement envoyé à un client, beaucoup moins.

Il faut donc décider dès le départ où placer une validation humaine : avant un envoi externe, au-delà d’un certain montant, quand l’IA signale une incertitude. Ce n’est pas un aveu de faiblesse de la solution, c’est ce qui la rend utilisable en production. Nous y consacrons un article : Humain dans la boucle.

5. Comment saurez-vous que ça marche ?

Avant de commencer, définissez ce qui comptera comme un succès. Pas un objectif abstrait, mais une mesure observable :

Le temps passé sur la tâche avant et après.
La part des cas traités sans intervention.
Le nombre d’erreurs détectées en aval.

Sans cette mesure, un projet d’IA reste une impression. Avec elle, on peut décider de continuer, d’ajuster, ou d’arrêter.

Le premier projet idéal

Si vous devez choisir un premier sujet, privilégiez une tâche qui coche ces cases :

Fréquente : elle revient chaque jour ou chaque semaine.
Bien délimitée : on sait où elle commence et où elle finit.
À faible risque : une erreur se voit et se corrige facilement.
Avec des données disponibles : les documents ou messages sont accessibles et représentatifs.
Visible : le gain sera perceptible par les personnes qui la font aujourd’hui.

Un premier projet réussi, même modeste, vaut mieux qu’un grand programme qui s’enlise. Il crée la confiance, il révèle les vraies contraintes (accès, données, sécurité), et il sert de modèle pour la suite.

Ce qu’il vaut mieux éviter

Déployer un outil généraliste sans usage défini. Un assistant conversationnel ouvert à tous peut être utile, mais il ne transforme pas un processus à lui seul.
Commencer par le cas le plus complexe. Le processus le plus douloureux est souvent aussi le plus imbriqué. Mieux vaut un premier succès sur un périmètre net.
Ignorer les personnes qui font la tâche aujourd’hui. Ce sont elles qui connaissent les exceptions, les contournements, les règles non écrites.
Promettre un remplacement complet. L’IA retire des tâches. Elle remplace rarement un rôle entier, et les projets qui le promettent se heurtent vite à la réalité.

Et si la réponse était « non » ?

Parfois, l’analyse conclut que l’IA n’est pas adaptée : les données ne sont pas prêtes, le volume ne justifie pas l’effort, ou une simple automatisation suffit. C’est une bonne conclusion. Elle évite un projet coûteux et oriente vers ce qui apportera vraiment quelque chose.

C’est la raison pour laquelle nous commençons toujours par un audit avant tout forfait : comprendre le processus, vérifier les données et confirmer que le sujet est mûr. Il peut conclure que l’IA n’est pas la bonne solution, et s’arrêter là.

Vous devez « faire quelque chose avec l’IA » et ne savez pas par où commencer ? Parlons-en 20 minutes.