IA en entreprise : commencer par le processus, pas par l'outil

La majorité des projets IA que je vois arriver commencent par l’outil : une démonstration a impressionné quelqu’un, et il faut maintenant lui trouver un usage. C’est l’ordre inverse de celui qui produit des résultats.

Le cadrage en quatre étapes

1. Cartographier le temps réellement passé

Avant toute discussion technique : où part le temps de vos équipes ? Ressaisie de données, rédaction de documents répétitifs, tri de demandes entrantes, recherche d’informations dispersées. Ces tâches sont rarement dans les fiches de poste, mais elles consomment des journées entières.

2. Filtrer sur trois critères

Un cas d’usage mérite d’être instruit s’il est répétitif (volume suffisant pour amortir), tolérant à l’erreur (une relecture humaine reste possible) et mesurable (vous saurez dire si ça a marché). Un cas qui échoue à l’un des trois attendra.

3. Prototyper petit et vite

Un test sur un périmètre restreint, sur des données réelles, avec les personnes qui feront le travail au quotidien. L’objectif n’est pas de valider la technologie — elle fonctionne — mais l’adoption. C’est là que la majorité des projets meurent.

4. Industrialiser seulement ce qui a été adopté

Intégration aux outils existants, cadre de gouvernance, traitement des données personnelles, formation. Cette étape coûte plus cher que le prototype ; ne la financez que pour ce qui a fait ses preuves.

Le point qu’on oublie systématiquement

La conformité. Dès que des données clients ou salariés entrent dans un système d’IA, le RGPD s’applique pleinement : base légale, finalité, durée de conservation, sous-traitance, localisation des traitements. Traité en amont, c’est une formalité. Traité après le déploiement, c’est un projet à refaire.

Ce que je constate sur le terrain

Les gains les plus solides ne viennent presque jamais des cas d’usage spectaculaires. Ils viennent de l’automatisation méthodique de tâches ingrates que personne n’avait pris le temps de documenter.