Intégrer l’IA dans un outil métier : par où commencer

La plupart des entreprises qui me contactent pour « mettre de l’IA » ont déjà essayé ChatGPT. Ça a bluffé tout le monde pendant une semaine, puis l’outil est resté dans un onglet, utilisé par deux personnes sur dix, sans lien avec le reste. Le problème n’est pas le modèle. C’est qu’il n’est branché sur rien.

Voici comment je m’y prends pour qu’un projet d’IA serve vraiment, et pour savoir tôt s’il ne servira pas.

1. Choisir une tâche, une seule

Pas « améliorer le service client ». Une tâche que quelqu’un fait tous les jours et qu’on peut décrire en une phrase :

• lire les e-mails entrants et les ranger dans la bonne catégorie ;
• extraire le numéro de commande, le montant et la date d’un bon de livraison scanné ;
• rédiger un premier jet de réponse à une demande de devis, à partir de votre grille tarifaire ;
• retrouver dans vos procédures internes la réponse à une question précise.

Les bonnes candidates ont trois points communs. Elles reviennent souvent. Elles demandent de lire et de comprendre du texte, ce que les scripts classiques font mal. Et une erreur occasionnelle n’est pas grave, parce que quelqu’un relit ou parce qu’on peut la rattraper.

Si votre tâche consiste à appliquer toujours la même règle à des données bien rangées, vous n’avez pas besoin d’IA. Un script fera mieux, pour moins cher, et ne se trompera jamais de la même manière.

2. Mesurer l’existant avant de toucher à quoi que ce soit

Combien de temps la tâche prend-elle aujourd’hui ? Combien de fois par semaine ? Qui la fait, et qu’est-ce qui se passe quand elle est mal faite ?

Ces chiffres, même approximatifs, servent deux fois. Ils permettent de savoir si le jeu en vaut la chandelle. Et ils donnent un point de comparaison honnête une fois l’outil en place. Sans eux, on finit par juger un projet à l’impression qu’il laisse, ce qui avantage toujours les démonstrations spectaculaires.

3. Tester sur vos vraies données, pas sur une démo

C’est l’étape que tout le monde veut sauter, et c’est la plus utile. On rassemble une cinquantaine d’exemples réels : des e-mails, des bons de commande, des questions posées au support. Pour chacun, on note ce que serait la bonne réponse. Puis on fait passer le modèle dessus.

On obtient un taux de réussite, mais surtout une liste d’erreurs. Et les erreurs racontent beaucoup :

• si le modèle se trompe sur les cas ambigus, ceux où vos équipes hésitent aussi, c’est plutôt bon signe ;
• s’il se trompe sur des cas simples, il manque probablement du contexte (votre jargon, vos règles internes) qu’on peut lui fournir ;
• s’il invente des informations absentes du document, il faut revoir la façon de lui poser la question, ou renoncer pour cette tâche.

Ce jeu d’exemples devient votre référence. Chaque fois qu’on modifie quelque chose, on le rejoue pour vérifier qu’on n’a rien cassé.

4. Brancher l’IA là où le travail se fait déjà

Un outil d’IA séparé est un outil de plus à ouvrir. Il sera utilisé au début, puis oublié. L’intégration doit se faire dans le logiciel que l’équipe utilise déjà : votre CRM, votre back-office, votre boîte e-mail, votre site.

Concrètement, cela veut dire passer par les API de ces outils : récupérer les données au bon moment, envoyer le résultat au bon endroit, et prévoir ce qui se passe quand le modèle ne répond pas ou répond n’importe quoi. Ce n’est pas de l’IA, c’est du développement web classique. C’est aussi là que se joue l’essentiel du travail.

5. Garder quelqu’un dans la boucle

Pour toute action qui engage l’entreprise (un e-mail qui part chez un client, un montant saisi en comptabilité), le modèle propose et une personne valide. Ça paraît lent. En pratique, relire et corriger un brouillon prend une fraction du temps qu’il faut pour l’écrire.

On peut relâcher cette validation plus tard, catégorie par catégorie, quand les chiffres montrent que le modèle ne se trompe plus sur un type de cas. Jamais avant.

Les questions qu’on me pose à chaque fois

Et nos données, elles partent où ?

Chez le fournisseur du modèle, sauf si on fait tourner un modèle sur votre propre serveur. Les grands fournisseurs proposent des offres professionnelles dont les conditions encadrent l’usage des données envoyées, et certains hébergent en Europe. On choisit en fonction de ce que contiennent vos documents. Des fiches produits publiques et des dossiers médicaux n’appellent pas la même réponse.

Combien ça coûte ?

Il y a le développement, ponctuel, et l’usage, facturé au volume de texte traité. Pour une tâche comme le tri d’e-mails, l’usage se compte souvent en euros ou en dizaines d’euros par mois, mais cela dépend entièrement de vos volumes et du modèle choisi. C’est justement ce que l’étape 3 permet d’estimer avant de s’engager.

Est-ce que ça va remplacer quelqu’un ?

Dans les projets que je vois, non. Ça retire la partie la plus pénible d’un poste, la lecture et le recopiage, et laisse la partie qui demande du jugement. Les gens concernés sont d’ailleurs les mieux placés pour dire où l’outil se trompe. Associez-les dès l’étape 1.

Le chemin le plus court

Une tâche précise, des chiffres de départ, un test sur vos données, une intégration dans vos outils existants, une validation humaine. Rien de tout cela n’est spectaculaire, et c’est bien pour ça que ça marche.

Si vous avez une tâche en tête et que vous vous demandez si elle s’y prête, décrivez-la-moi. Je vous dirai franchement si l’IA est la bonne réponse, ou si un tableur bien fait suffirait.