L’IA dans une PME : trois usages qui tiennent, et ceux qui ne tiennent pas

On vous a sans doute déjà proposé « de l’IA » : un assistant, un agent, une automatisation. Certaines de ces propositions changent vraiment le quotidien d’une équipe. D’autres coûtent du temps pour un résultat qu’il faut ensuite vérifier ligne par ligne.

La différence ne tient pas à l’outil, mais à la tâche. Cet article trie les usages d’un modèle de langage (le type d’IA derrière ChatGPT, Claude ou Mistral) entre ce qui tient dans une PME et ce qui ne tient pas, sans promesse de gain chiffré.

Ce qu’un modèle de langage sait bien faire

Un modèle de langage lit et écrit du texte. Il est très bon pour trois choses, qui recouvrent une grande partie des tâches répétitives d’une entreprise.

1. Classer

Trier ce qui arrive : les e-mails entrants par type de demande, les tickets de support par urgence, les documents par catégorie, les retours clients par sujet. Là où une règle fixe (« si le mot devis apparaît… ») se trompe souvent, un modèle comprend la demande même quand elle est mal formulée.

2. Extraire

Relever les informations utiles dans un texte ou un document : le montant, la date et le fournisseur sur une facture en PDF, les références d’un bon de commande, les coordonnées dans une signature d’e-mail, les points clés d’un compte rendu. L’information arrive ensuite dans le bon champ, sans recopie.

3. Rédiger un premier jet

Préparer une réponse à un client, une description de produit, un compte rendu à partir de notes, la première version d’un devis rédigé. Un premier jet, pas une version finale : quelqu’un le relit, le corrige, l’envoie.

Dans les trois cas, le modèle fait gagner du temps sur une tâche que l’humain sait déjà faire, et que l’humain peut vérifier vite.

Ce qui ne tient pas

Décider seul

Accepter ou refuser un dossier, fixer un prix, répondre à une question juridique ou médicale, valider un paiement. Un modèle de langage se trompe, parfois avec beaucoup d’assurance. Tant qu’il propose et qu’un humain valide, l’erreur est rattrapée. S’il décide seul, elle part chez le client.

Calculer

Un modèle de langage n’est pas une calculatrice. Il peut se tromper dans une addition, un pourcentage ou une conversion. Les calculs se font avec du code ou avec votre logiciel, jamais « de tête » par le modèle.

Citer des faits sans source

Quand il ne sait pas, un modèle peut inventer une réponse plausible : un article de loi, une référence, un chiffre, une citation. Pour tout fait qui compte, il faut une source vérifiable, ou le modèle doit travailler uniquement à partir de vos documents.

Remplacer un processus qui n’existe pas

« On veut de l’IA » sans savoir sur quelle tâche la brancher mène rarement quelque part. Si personne ne sait décrire comment la tâche se fait aujourd’hui, l’IA ne la fera pas mieux. Il faut d’abord un processus clair ; l’IA vient ensuite en accélérer une étape.

La règle qui rend tout le reste sûr : il propose, un humain valide

Construire un usage de l’IA autour de cette règle règle la plupart des problèmes :

• Le modèle classe, quelqu’un confirme le tri avant que la demande parte dans un service.
• Le modèle extrait, quelqu’un vérifie les valeurs avant qu’elles entrent en comptabilité.
• Le modèle rédige, quelqu’un relit avant l’envoi.

La validation prend quelques secondes quand le travail est bien préparé. Elle garantit qu’aucune erreur ne sort de l’entreprise sans qu’un humain l’ait vue.

Vos données : les questions à poser

Avant de faire passer des informations de clients ou des documents internes par un outil d’IA, trois questions.

Mes données servent-elles à entraîner le modèle ? Cela dépend de l’offre. Les versions grand public de certains assistants peuvent, selon les réglages, utiliser vos conversations pour améliorer les modèles. Les offres professionnelles et les accès par API des principaux fournisseurs ne le font pas par défaut. Vérifiez les conditions de l’outil que vous utilisez, et désactivez l’option si elle existe.

Où sont-elles hébergées ? Certains fournisseurs proposent un traitement et un stockage des données en Europe. Si votre activité l’impose, c’est un critère de choix.

Qui y a accès dans l’entreprise ? Un outil d’IA branché sur toute la messagerie de l’entreprise voit tout. Limitez-le aux données nécessaires à la tâche, comme vous le feriez pour un salarié.

Côté réglementation, le règlement européen sur l’IA demande déjà aux entreprises qui utilisent ces outils de former les personnes concernées à leur usage, et prévoit qu’une personne qui échange avec un assistant automatisé en soit informée. Un assistant qui répond à vos clients doit donc dire qu’il est une IA.

Par où commencer

Pas par un grand projet. Par une tâche.

1. Choisissez une tâche répétitive et bien connue. Celle que quelqu’un fait tous les lundis matin et que tout le monde trouve pénible. Le tri des demandes, la saisie des factures fournisseurs, les réponses aux questions qui reviennent.

2. Mesurez le temps qu’elle prend aujourd’hui. Une semaine suffit. Sans point de départ, impossible de savoir ensuite si quelque chose a changé.

3. Testez sur vos vraies données, avec la personne qui fait la tâche. Pas sur une démonstration préparée.

4. Gardez l’étape de validation humaine, dès le premier jour.

5. Mesurez à nouveau après quelques semaines d’usage réel. Si le gain est là, on étend. S’il ne l’est pas, on arrête sans regret : c’est aussi un résultat.

En résumé

Un modèle de langage est un excellent assistant pour classer, extraire et rédiger un premier jet. Il ne doit ni décider seul, ni calculer, ni affirmer des faits sans source. Construit autour d’une règle simple, il propose, un humain valide, il fait gagner du temps sur des tâches réelles, sans prendre de risque avec vos clients ni avec vos données.

C’est ainsi que la salle 103, Outils métier & IA intègre l’IA dans les outils qu’elle construit : là où elle apporte quelque chose, jamais en position de décider seule, et avec vos données qui restent les vôtres.