Depuis deux ans, tous les éditeurs, cabinets de conseil et posts LinkedIn parlent d'IA en entreprise. Pour un dirigeant de PME, ce bruit a quelque chose de fatigant. Les annonces s'enchaînent, les cas d'usage défilent, et au moment de décider quoi faire dans sa propre structure, on ne sait toujours pas par où commencer.
Quelque chose a pourtant changé et mérite d'être regardé de près : des capacités qui demandaient il y a trois ans un projet à six chiffres, dix-huit mois et une équipe dédiée sont aujourd'hui accessibles sur des périmètres ciblés, dans des ordres de grandeur bien plus réduits.
Les dirigeants que je croise ont deux réflexes face à ce changement. Le premier consiste à ne rien faire et attendre que le marché se calme. Le second à lancer un projet IA parce qu'"il faut y aller", sans savoir quel problème on cherche à résoudre.
La bonne entrée est moins spectaculaire : commencer par une lecture honnête de ses processus, puis choisir la brique IA adaptée.
Le travail commence donc bien avant l'achat d'un outil. Il consiste à identifier les processus qui coûtent du temps caché ou de la qualité, puis à y injecter le bon niveau d'automatisation : automatisation simple, moteur de recherche interne à base de RAG, ou agent supervisé qui orchestre plusieurs étapes.
Trois critères pour trier
Avant de choisir un outil, il faut choisir un processus. Tous ne valent pas la peine qu'on y investisse. Trois critères tiennent bien à l'usage.
Le volume et la répétition. Un processus qui tourne dix fois par an ne paiera jamais le coût de son outillage. Un processus qui tourne quinze fois par jour rembourse presque n'importe quel investissement. La première question utile est celle de la fréquence, avant celle de l'irritation.
La tolérance à l'approximation. Un résumé d'échange client relu par un humain peut se permettre une première version imparfaite. Une décision d'octroi de crédit, non. Cette tolérance détermine le niveau d'autonomie que l'on délègue à la machine.
L'accessibilité de la donnée. Beaucoup de projets IA échouent avant d'avoir commencé, faute de matière exploitable : informations dispersées, non structurées, ou détenues uniquement dans la tête de quelques personnes clés.
Un SAV industriel qui sort de l'Excel
Premier cas : une PME industrielle d'environ deux cents personnes, avec un réseau de SAV terrain. Le suivi des interventions repose depuis quinze ans sur un Excel VBA devenu critique mais fragile. Chaque agence a sa variante, les rapports remontent par mail, la documentation technique reste difficile à retrouver en mobilité.
Le réflexe classique serait de lancer un "projet IA" immédiatement. Ce serait une erreur. Le premier chantier consiste à remplacer l'Excel par un outil structuré qui tient la donnée proprement et qui est pensé pour les techniciens qui l'utilisent tous les jours.
L'IA intervient ensuite à deux niveaux. D'abord pour accélérer la reprise d'existant : un LLM aide à lire le VBA, expliciter les règles métier et sécuriser la migration. Ensuite pour améliorer l'opérationnel : saisie vocale des rapports d'intervention, et recherche assistée dans la documentation technique via un RAG avec sources.
Un syndic qui retrouve de l'air
Deuxième cas : un cabinet de syndic d'une quinzaine de collaborateurs, avec des centaines d'immeubles gérés. Le métier est document-intensif, sous contrainte de réactivité et de précision juridique.
Deux usages créent vite de la valeur. D'abord, la recherche documentaire : règlement, PV d'AG, contrats, historiques et correspondances deviennent interrogeables en langage naturel, avec des références vérifiables. Ensuite, la rédaction assistée : mails et courriers récurrents partent d'une première version contextualisée, relue et validée par le gestionnaire.
Le jugement métier reste humain. L'IA absorbe la part mécanique, le professionnel garde la responsabilité de ce qui est envoyé.
Un processus de sinistre enfin orchestré
Troisième cas : une compagnie d'assurance sur la gestion de sinistres. Un dossier dure parfois plusieurs mois et mobilise de nombreux acteurs. Une part importante de la charge vient des relances, synthèses d'avancement et communications statutaires.
Un agent IA d'orchestration peut relancer automatiquement les parties prenantes, produire des points d'étape lisibles, détecter des écarts entre pièces attendues et reçues, et maintenir une chronologie fiable du dossier. Mais il ne décide pas : les arbitrages sensibles restent entre les mains du gestionnaire.
Le résultat attendu est double : moins d'appels "d'inquiétude" côté assuré grâce à une information proactive, et plus de temps côté gestionnaire pour les cas réellement complexes et humains.
Ce qui lie les trois cas
Ces trois cas ne se différencient pas par un niveau de "modernité" technologique, mais par le degré d'autonomie délégué à la machine. Et ce degré dépend de deux éléments : le risque attaché à l'erreur, et la capacité réelle de supervision humaine.
C'est précisément là que beaucoup de discours commerciaux dérapent : ils vendent l'agent autonome comme une cible universelle. Pour la plupart des TPE/PME, cette cible est mal calibrée. Le bon objectif est d'abord le bon niveau d'autonomie, processus par processus.
Où regarder en priorité
Le point de départ n'est pas forcément le processus le plus visible en comité de direction. C'est souvent le plus politique, le plus risqué et le plus difficile à transformer rapidement.
Le meilleur point d'entrée se trouve plutôt dans les processus quotidiens qui génèrent du temps caché, des erreurs répétées ou une insatisfaction client chronique. Ceux qui tournent en silence, sans faire de bruit, mais qui consomment énormément d'énergie organisationnelle.
Commencer petit, réussir, apprendre, puis monter en puissance : cet ordre fait la différence. Il construit une compétence interne, installe les bons garde-fous, et crédibilise la démarche auprès des équipes.
Les briques IA sont devenues accessibles. Ce qui reste rare, c'est le discernement pour décider quoi automatiser, quoi assister et quoi laisser entièrement à l'humain.
