Automatisation IA : par où commencer quand on n'est pas une big tech

Depuis deux ans, toutes les PME et ETI que nous croisons ont reçu la même injonction : « il faut faire de l'IA ». Beaucoup ont lancé un pilote, obtenu une démo impressionnante, puis constaté que rien n'avait changé dans les opérations. Le problème n'est presque jamais le modèle. Il est dans le choix du processus.

La bonne question n'est pas « quelle IA ? » mais « quel processus ? »

Un projet d'automatisation IA qui réussit ressemble rarement à un projet d'IA. Il ressemble à un projet d'industrialisation d'une tâche pénible, dans lequel l'IA remplace une étape précise — souvent une étape de lecture, de classification ou de rédaction — au milieu d'un enchaînement de règles déterministes.

Autrement dit : vous n'automatisez pas « le service client ». Vous automatisez « la qualification et le routage des e-mails entrants, avec une réponse pré-rédigée sur les six motifs de contact qui représentent 70 % du volume ». C'est beaucoup moins vendeur en réunion. C'est infiniment plus rentable.

La grille de qualification : cinq critères, et il les faut tous

Avant d'écrire la moindre ligne de code, nous passons chaque candidat à l'automatisation dans cette grille. Un processus qui échoue sur un seul critère n'est pas prêt.

1. Le volume est réel et récurrent. Moins de 50 occurrences par semaine, l'automatisation coûtera plus cher que la tâche. On commence toujours par le répétitif à haut volume.
2. Le résultat est vérifiable. On doit pouvoir dire « c'est juste » ou « c'est faux » sans débat. Si la qualité du résultat est une question d'opinion, vous ne pourrez ni tester, ni mesurer, ni corriger.
3. La donnée d'entrée existe déjà sous forme exploitable. Des PDF scannés dans un dossier partagé, ce n'est pas de la donnée exploitable — c'est un projet de numérisation déguisé.
4. Le coût de l'erreur est borné. Une description produit mal rédigée se corrige. Un virement mal déclenché, non. On commence par les processus où l'erreur est visible et réversible.
5. Un humain reste dans la boucle au démarrage. Les trois premiers mois, l'IA propose, l'humain valide. Ce taux de validation devient votre métrique de confiance et décide de l'ouverture progressive de l'autonomie.

Cinq automatisations qui se rentabilisent en quelques mois

Ce sont les chantiers que nous voyons aboutir le plus souvent chez les distributeurs, e-commerçants et PME industrielles.

Automatisation	Ce que l'IA fait réellement	Mise en œuvre
Enrichissement de fiches produits	Génère titres, descriptions et attributs structurés à partir de données fournisseur brutes	2 à 4 semaines
Traitement des fichiers fournisseurs	Lit des tableurs aux formats hétérogènes et les mappe sur votre modèle de données	3 à 6 semaines
Qualification des demandes entrantes	Classe, extrait les informations clés, route vers la bonne équipe, propose une réponse	4 à 6 semaines
Rapprochement de données	Détecte les doublons et les écarts entre deux référentiels (catalogue, stock, comptabilité)	3 à 5 semaines
Traduction et adaptation de contenu	Traduit en conservant le vocabulaire métier et les contraintes de format par canal	1 à 3 semaines

Le point commun de ces cinq chantiers : ils portent sur des données que vous possédez déjà, produisent un résultat qu'un humain peut relire en quelques secondes, et s'insèrent dans un processus existant sans le réorganiser.

Ce qu'il ne faut pas automatiser tout de suite

• Ce qui touche à l'argent sans validation. Remboursements, avoirs, ajustements tarifaires : l'IA propose, un humain valide, tant que vous n'avez pas des mois d'historique.
• Ce qui repose sur des données sales. Automatiser au-dessus d'un catalogue incohérent revient à produire des erreurs plus vite. Nettoyez d'abord le référentiel — c'est souvent là que se trouve le vrai projet.
• Ce qui n'a pas de propriétaire métier. Sans quelqu'un dont le travail quotidien s'améliore visiblement, le pilote n'aura personne pour le défendre à l'arbitrage budgétaire.
• Les décisions rares et à fort enjeu. L'IA est excellente sur le volume répétitif, médiocre sur le cas unique où chaque paramètre compte.

Le vrai budget : ce que personne ne chiffre au départ

Le coût d'inférence — les fameux tokens — représente en général la plus petite ligne du budget. Ce qui coûte, c'est :

• L'intégration aux systèmes existants (ERP, PIM, CRM, boîtes mail) : souvent 50 à 70 % de la charge projet.
• Le jeu de test : une centaine de cas réels annotés, sans lesquels vous ne saurez jamais si une modification améliore ou dégrade le résultat.
• L'observabilité : journalisation de chaque décision, coût par exécution, taux de reprise humaine. Sans ça, vous pilotez à l'aveugle.
• La reprise des cas d'échec : il en restera toujours 5 à 15 %. Ils doivent atterrir dans une file traitée par un humain, pas disparaître silencieusement.

Un plan de 90 jours qui fonctionne

Jours 1 à 15 — Cadrage. Un seul processus, choisi avec la grille ci-dessus. Mesure de l'état actuel : combien de temps, combien d'erreurs, combien de personnes. Sans cette mesure de départ, aucun ROI ne sera démontrable.

Jours 16 à 45 — Prototype fermé. L'IA tourne sur des données réelles, mais n'écrit nulle part. On compare sa sortie à celle des humains sur le jeu de test. Objectif : dépasser 90 % d'accord sur les cas standards.

Jours 46 à 70 — Mise en production assistée. L'IA propose, l'équipe valide en un clic. On mesure le taux de correction et on l'utilise pour prioriser les améliorations.

Jours 71 à 90 — Ouverture progressive. Les catégories de cas où le taux de correction est proche de zéro passent en automatique. Les autres restent en validation. Cette frontière bouge tous les mois.

Questions fréquentes

Faut-il un data lake avant de commencer ?

Non. C'est le meilleur moyen de repousser le projet de dix-huit mois. Un premier cas d'usage a besoin d'un accès propre à une ou deux sources, pas d'une refonte du système d'information.

Faut-il entraîner son propre modèle ?

Dans l'immense majorité des cas métier, non. Un modèle généraliste bien instruit, alimenté par vos données au moment de la requête, couvre le besoin. L'entraînement spécifique se justifie sur des volumes très importants ou un domaine très éloigné du langage courant.

Nos données partent-elles chez le fournisseur d'IA ?

Cela dépend entièrement de l'architecture choisie. Il est possible de travailler avec vos propres clés fournisseur, de router les traitements sensibles vers un modèle hébergé en France, ou de faire tourner un modèle ouvert sur votre infrastructure. C'est une décision d'architecture à prendre au cadrage, pas après.

Combien de temps avant de voir un effet ?

Sur un processus bien choisi, l'équipe ressent la différence dès la phase assistée, autour du deuxième mois. Le gain chiffré devient défendable au bout d'un trimestre complet de production.

Conclusion

L'automatisation par l'IA n'est pas un projet de technologie, c'est un projet d'opérations avec une brique de technologie dedans. Les entreprises qui réussissent ne sont pas celles qui ont choisi le meilleur modèle, ce sont celles qui ont choisi le meilleur processus — borné, mesurable, avec un propriétaire métier motivé.

Pour la suite de ce dossier, lisez pourquoi 88 % des pilotes d'agents IA n'atteignent jamais la production. Et si vous cherchez le bon premier processus à automatiser dans votre organisation, parlons-en : nous faisons ce cadrage régulièrement, et il tient en une demi-journée.