Les demandes du type « on voudrait intégrer de l’IA » nous arrivent presque toujours sous deux formes. La première : « Nos concurrents font déjà quelque chose avec l’IA, il nous faut la même chose. » La seconde : « Trois personnes passent leurs journées à trier les e-mails entrants. Peut-on accélérer ça ? » La seconde débouche quasiment toujours sur un outil qui sert. La première finit souvent en démo impressionnante que plus personne n’ouvre un mois plus tard.
Toute la différence tient à une conversation qui part du métier, pas de la technologie. Voici comment aborder l’intelligence artificielle en entreprise par les tâches : quoi automatiser en premier, comment chiffrer le gain avant de développer, que faire des données et de la sécurité, et comment cadrer un pilote pour ne pas brûler le budget.
Un projet d’IA commence par un processus, pas par une technologie.
Par quelles tâches commencer
Un bon premier candidat se reconnaît vite : la tâche revient des centaines de fois par mois, l’entrée et la sortie sont nettes, et une erreur du modèle se voit et se rattrape rapidement. Cinq familles de cas d’usage cochent ces cases.
La rédaction répétitive
Fiches produits, réponses types, synthèses d’appels, comptes rendus de réunion, premiers jets de propositions commerciales. Le modèle de langage rédige le brouillon, un collaborateur le reprend. Le gain ne vient pas de la disparition de l’humain : relire et corriger va simplement plus vite qu’écrire à partir d’une page blanche.
Le support client
Le premier niveau : réponses aux questions fréquentes à partir d’une base de connaissances, suivi de commande, suggestions au conseiller directement dans la fenêtre de chat. Les pièges ne manquent pas, des réponses inventées aux transferts maladroits vers un humain.
La qualification des demandes
E-mails entrants, demandes, avis, tickets : identifier le sujet, l’urgence et le service concerné, extraire le numéro de contrat ou de commande. C’est l’un des terrains les plus fiables pour l’automatisation par IA : la qualité se vérifie facilement sur l’historique, et une erreur coûte peu, puisque l’e-mail atterrit simplement dans une autre file.
Le traitement documentaire
Extraire les informations des factures et des relevés, comparer des contrats à un modèle type, chercher dans les procédures internes. Le modèle ne remplace ni le juriste ni le comptable, mais il absorbe les corvées du genre « retrouver la clause de pénalité dans quarante contrats ».
La prévision
Demande, attrition des clients, pannes d’équipement. Ici, ce sont généralement des modèles classiques de machine learning sur données tabulaires qui font le travail, pas l’IA conversationnelle.
Comment chiffrer le gain avant de développer
Faites le calcul avant d’écrire la première ligne de code. Pour la plupart des tâches, un modèle simple à cinq paramètres suffit :
- Le volume. Combien d’opérations par mois : e-mails, documents, appels, fiches produits.
- Le coût actuel d’une opération. Combien de minutes elle prend et ce que coûte une heure de travail du collaborateur.
- Le taux d’automatisation réaliste. Pas 100 %. Une partie des cas sort de l’ordinaire, et ceux-là restent à l’humain.
- Le coût des erreurs. Ce qui se passe si le modèle se trompe, qui s’en aperçoit et combien coûte la correction.
- Le coût total de possession. Développement et intégrations, coût du modèle (au token chez un fournisseur cloud, ou vos propres serveurs), supervision, mise à jour de la base de connaissances.
Certains effets se chiffrent moins facilement : des réponses plus rapides, une couverture la nuit et le week-end, un niveau de réponse homogène. Traduisez-les en indicateurs mesurables (le délai moyen de première réponse, par exemple), pas en promesses sur une slide.
Les risques dont on parle moins que des bénéfices
- Les hallucinations. Un modèle de langage affirme avec aplomb des choses plausibles mais fausses. Le remède : limiter les sources, ajouter des contrôles et concevoir des parcours où un humain valide le résultat.
- La dégradation silencieuse. Les produits, les prix et les règles évoluent, la base de connaissances non. La qualité baisse petit à petit et, sans supervision, personne ne le remarque.
- La dépendance au fournisseur. Tarifs, quotas, disponibilité de l’API selon les régions, nouvelles versions du modèle après lesquelles les mêmes prompts ne se comportent plus pareil.
- La résistance des équipes. Si l’outil est peu pratique ou perçu comme une menace, les collaborateurs le contourneront au lieu de s’en servir.
- Les questions juridiques. Données personnelles, secret des affaires, droits sur les contenus générés.
Aucun de ces risques ne justifie d’abandonner le projet. Mais chacun doit figurer dans le plan : qui en est responsable, comment on le détecte, ce qu’on fait.
Les données : sans elles, pas d’IA utile
Les données nécessaires dépendent de la tâche :
- pour générer des réponses et chercher dans les documents, une base de connaissances : procédures, FAQ, descriptions produits, à jour et sans contradictions ;
- pour la qualification, des exemples historiques avec la bonne réponse : l’e-mail et le service qui l’a finalement traité ;
- pour la prévision, un historique d’indicateurs sur une durée comparable à votre cycle d’activité, saisonnalité comprise.
Le tableau classique au démarrage : des données éparpillées entre la messagerie, des fichiers Excel et le CRM, des champs remplis selon les habitudes de chacun, aucun historique des modifications. Parfois, le premier travail utile du projet consiste à remettre de l’ordre dans les données et les intégrations, et seulement ensuite à brancher un modèle. C’est au fond le même travail que pour le développement d’une application web de bout en bout : cartographier les processus, décrire d’où viennent les données et qui en est propriétaire.
Prévoyez aussi un jeu de test : 100 à 300 cas réels avec la réponse attendue. Il sert à comparer les modèles, les prompts et les versions de la solution. Sans lui, à la question « c’est mieux ou moins bien qu’avant ? », on répond au feeling.
Sécurité des données et hébergement du modèle
La question centrale de tout projet : où partent les données quand un collaborateur ou un système interroge le modèle ? Il existe deux options d’hébergement, chacune avec ses compromis.
Les modèles cloud via API
Démarrage rapide, excellente qualité sur les tâches complexes, paiement à l’usage, aucun matériel à acheter. Les contreparties : les données partent chez un fournisseur tiers, et des restrictions d’accès ou des changements de conditions restent possibles. Si le fournisseur traite les données hors de l’Union européenne, la question du transfert se pose aussi. Les grands acteurs proposent un hébergement des données en Europe et des offres entreprise qui excluent l’usage de vos données pour l’entraînement.
Votre propre infrastructure (on-premise)
Les modèles open source (familles Llama, Qwen ou Mistral, entre autres) se déploient sur les serveurs de l’entreprise ou dans un cloud privé loué. Les données ne quittent jamais votre périmètre, mais il faut des serveurs GPU, des compétences et du temps de mise en place. Sur les tâches complexes, les modèles ouverts de taille moyenne peuvent rester en deçà des grands modèles cloud : vérifiez la qualité sur votre propre jeu de test, pas sur les classements.
| Cloud via API | Infrastructure interne | |
|---|---|---|
| Démarrage | Rapide, sans matériel | Serveurs GPU et temps de mise en place |
| Coût | Paiement à l’usage | Serveurs achetés ou loués |
| Données | Transmises au fournisseur | Restent dans votre périmètre |
| Qualité sur tâches complexes | Élevée | Parfois en retrait sur les modèles moyens |
Données personnelles et RGPD
Dès que des noms, des numéros de téléphone ou des adresses de clients ou de salariés se retrouvent dans les requêtes, le RGPD s’applique. En résumé : il vous faut une base légale pour le traitement et un contrat de sous-traitance avec le fournisseur ; un transfert de données personnelles hors de l’UE suppose une décision d’adéquation ou des garanties comme les clauses contractuelles types ; et des mesures de sécurité adaptées sont obligatoires. Les recommandations de la CNIL sur l’IA sont un bon point de départ.
Quelques pratiques lèvent la plupart des inquiétudes :
- la pseudonymisation : avant l’envoi au modèle, les noms, téléphones et numéros de documents sont remplacés par des marqueurs, puis réinsérés dans la réponse ;
- la journalisation des requêtes, avec un accès restreint à ces journaux ;
- une règle interne listant les documents qu’on ne charge jamais dans un chatbot grand public. Vos équipes utilisent déjà l’IA de leur côté : mieux vaut leur donner un outil sûr que faire comme si de rien n’était.
Le pilote : tester l’idée à moindre coût
Un pilote n’est pas une version au rabais du produit, c’est une expérience avec un critère de réussite connu d’avance. Voici un déroulé qui fonctionne :
- Une tâche, un processus, un groupe d’utilisateurs. Pas « l’IA pour toute l’entreprise », mais « le tri des e-mails de la boîte partagée ».
- Un indicateur et un seuil avant de commencer. Par exemple la précision de la classification ou la part de réponses validées sans retouche. Plus une valeur, fixée à l’avance, à partir de laquelle on passe à l’échelle, et une autre à laquelle on arrête.
- Un point de référence. Une mesure du fonctionnement actuel : temps, erreurs, volumes.
- Un prototype sur des modèles existants. Pas d’entraînement de modèle maison. Cela suffit pour voir quel plafond de qualité est réaliste.
- Un humain dans la boucle. Le modèle propose, le collaborateur valide ou corrige. On collecte ainsi les erreurs sans exposer les clients.
- Le bilan. Évaluation sur le jeu de test et sur le trafic réel, puis décision au regard du seuil fixé au départ.
« Ça ne marche pas, on arrête » est aussi une conclusion tout à fait normale pour un pilote. Mieux vaut le découvrir à ce stade qu’après six mois de développement à grande échelle.
Comment ne pas gaspiller le budget
- Ne commencez pas par « notre propre modèle d’IA ». Entraîner un modèle sur mesure est rarement nécessaire. Pour la plupart des tâches, un LLM existant, des instructions bien rédigées et une recherche dans la base de connaissances suffisent.
- N’automatisez pas le désordre. Si un processus n’est pas décrit et que chacun fait à sa façon, le modèle reproduira le même désordre, en plus rapide.
- Intégrez l’IA dans les outils déjà utilisés. Le CRM, la messagerie, l’ERP, Teams ou Slack : là où les équipes travaillent déjà. Un « portail IA » à part, qu’il faut penser à ouvrir, se vide en général au bout d’un mois.
- Prévoyez le maintien en conditions opérationnelles. Mettre à jour la base de connaissances, surveiller la qualité, migrer vers les nouvelles versions des modèles : c’est un travail continu, pas une mission ponctuelle.
- Observez par où commence votre prestataire. Si le premier rendez-vous est une démo de chatbot et non une série de questions sur votre processus, méfiance.
Si un processus n’est pas décrit et que chacun fait à sa façon, le modèle reproduira le même désordre, en plus rapide.
Chez Sphere, agence digitale à Paris, nous construisons des solutions d’IA sur mesure selon les mêmes étapes que n’importe quel produit : d’abord l’analyse du processus et des données, puis la conception, le développement et les tests, enfin le lancement et les évolutions. Vous trouverez des exemples de problématiques traitées dans nos réalisations.
Questions fréquentes
Combien coûte l’intégration de l’IA en entreprise ?
Tout dépend de la tâche et du mode d’hébergement du modèle. Le budget comprend l’analyse du processus, le développement et l’intégration à vos systèmes, le coût du modèle (requêtes à une API cloud ou serveurs internes) et la maintenance. Un pilote sur des modèles existants coûte nettement moins cher qu’un déploiement complet : c’est par là qu’il est logique de commencer.
Faut-il entraîner son propre modèle d’IA ?
En général, non. Pour la rédaction, le support et le traitement documentaire, un modèle de langage existant, des instructions et une recherche dans la base de connaissances suffisent. Entraîner ou affiner un modèle maison se justifie quand vous disposez d’un gros volume de données métier annotées et que les modèles existants n’atteignent pas la qualité requise sur votre jeu de test.
Peut-on envoyer des données clients à ChatGPT ?
Prudence avec les données personnelles : les transmettre à un service externe impose de respecter le RGPD, avec une base légale, un contrat de sous-traitance et, en cas de transfert hors de l’UE, des garanties appropriées. Il est plus sûr de pseudonymiser les données avant envoi, de choisir une offre entreprise avec hébergement des données en Europe ou de déployer un modèle open source sur votre infrastructure. Faites valider le schéma final par un juriste.
L’IA va-t-elle remplacer les salariés ?
Sur les tâches courantes, l’IA prend en charge la partie routinière du travail, tandis que les cas complexes et atypiques restent aux humains. En pratique, c’est surtout la répartition de la charge qui change : les mêmes personnes traitent davantage de volume ou s’attaquent à des sujets qu’elles n’avaient jamais le temps de traiter.
De combien de données a-t-on besoin pour démarrer ?
Pour générer des réponses et chercher dans les documents, il faut une base de connaissances à jour. Pour la qualification, des exemples historiques avec la bonne réponse, généralement au moins quelques centaines. Dans tous les cas, constituez un jeu de test de 100 à 300 cas réels pour mesurer la qualité de façon objective.




