La question n’est plus de savoir si l’intelligence artificielle sert à quelque chose dans une PME, mais laquelle, pour quel coût, et comment le vérifier avant de signer. La plupart des projets qui échouent ont sauté cette troisième étape.
Les quatre usages qui rapportent
La classification. Trier du courrier, des tickets, des demandes, des candidatures. C’est le cas d’usage le plus mûr, le plus fiable et le plus facile à chiffrer, parce que le temps passé est directement mesurable.
L’extraction. Lire une facture, un contrat ou un formulaire pour en sortir les champs utiles. Le gain est immédiat sur les volumes réguliers, et la qualité dépasse rapidement celle de la saisie manuelle en fin de journée.
La recherche. Retrouver une information dans des années de documents. L’usage le plus sous-estimé, alors que la recherche d’information représente couramment trois à cinq heures par personne et par semaine dans les métiers documentaires.
La prédiction. Anticiper un départ client, prioriser des prospects, prévoir une demande. Plus exigeant en données, mais avec un effet direct sur le chiffre d’affaires quand l’historique est suffisant.
Ce qui ne figure pas dans cette liste est instructif : générer du contenu marketing en masse, remplacer un service client par un robot, ou « faire de l’IA » sans objectif. Ces trois projets se lancent souvent et se justifient rarement.
Les trois pièges les plus coûteux
Commencer par l’outil. Choisir une plateforme avant d’avoir identifié la tâche, c’est acheter une clé avant de savoir quelle porte on veut ouvrir. La tâche d’abord, toujours.
Ne pas tester sur ses propres données. Une démonstration fonctionne toujours : elle est faite pour cela. Un modèle brillant sur des documents propres peut s’effondrer sur vos scans de travers et vos abréviations maison. Exigez un test sur un échantillon réel avant tout engagement : deux cents documents suffisent.
Viser 100 % d’automatisation. C’est l’erreur la plus onéreuse. Passer de 70 à 85 % coûte modérément ; passer de 85 à 98 % coûte souvent plus cher que tout le reste du projet. La bonne architecture consiste à automatiser ce qui est sûr et à faire vérifier le reste par un humain.
La méthode : commencer petit et mesurer
Prenez une tâche unique, répétitive, à volume connu. Chronométrez-la réellement pendant une semaine : l’écart avec l’estimation spontanée est systématiquement énorme, dans les deux sens. Testez la faisabilité sur un échantillon. Chiffrez la mise en œuvre et le fonctionnement annuel. Comparez.
Si l’amortissement dépasse dix-huit mois, ne le faites pas : le contexte aura changé avant. S’il est inférieur à neuf mois, c’est un bon candidat. C’est exactement ce que produit notre audit d’automatisation.
Un mot sur la confidentialité
Beaucoup de dirigeants renoncent en pensant que leurs données devront partir chez un géant américain. Ce n’est plus vrai. Les modèles ouverts atteignent aujourd’hui un niveau largement suffisant pour la classification, l’extraction et la recherche documentaire, et fonctionnent sur un serveur en France, voire dans vos propres locaux. C’est le choix par défaut sur les données de santé, juridiques ou industrielles sensibles.