Que peut réellement automatiser l’IA dans une PME ?
L’IA peut préparer, classer, résumer ou retrouver une information. Dans une PME, elle devient utile lorsqu’elle s’appuie sur les bonnes données, respecte des règles et laisse une personne contrôler les décisions importantes.
05 chapitres
Choisir un cas d’usage étroit et observable
Le bon point de départ est une tâche répétée, coûteuse à préparer et facile à contrôler : classer des demandes, extraire des informations, préparer une synthèse ou retrouver une règle dans un corpus documentaire.
Le résultat attendu se décrit avant le choix du modèle. Temps de traitement, taux de reprise humaine, cas refusés et coût par exécution forment une ligne de départ. Sans cette référence, le pilote peut impressionner sans prouver qu’il améliore le processus. Les solutions IA commencent donc par le travail, pas par le fournisseur.
- Une entrée et une sortie clairement définies.
- Des exemples réels représentatifs, y compris les cas difficiles.
- Une personne capable de valider le résultat.
- Une mesure avant le prototype et la même mesure après.
Préparer les données et leur droit d’usage
Le modèle ne corrige pas une source obsolète, contradictoire ou inaccessible. Les documents doivent être identifiés, datés, nettoyés et associés à des règles de visibilité. Une réponse utile cite la source qui permet de la vérifier.
Le traitement des données personnelles, confidentielles ou réglementées se décide avant l’envoi au modèle. Hébergement, conservation, journalisation et exclusion de l’entraînement sont écrits dans l’architecture et dans les contrats, pas supposés.
Décider ce que la machine peut préparer, proposer ou exécuter
Toutes les actions n’ont pas le même risque. Résumer un document, préparer un brouillon et envoyer un message à un client ne demandent pas le même niveau de contrôle.
Une matrice simple distingue lecture, proposition et action. Elle précise les outils accessibles, les limites, les données autorisées et les cas qui imposent un refus. Le logiciel métier porte ensuite ces règles dans les droits, les interfaces et les journaux.
Quatre fonctions à tenir pendant toute la vie du système
Le cadre NIST AI RMF ne réduit pas la gouvernance à une validation finale. Il relie les responsabilités, le contexte, la mesure et le traitement des risques.
- 01Govern
Gouverner
Attribuer les responsabilités, documenter les règles et installer une culture du risque.
- 02Map
Cartographier
Décrire l’usage, les personnes concernées, les données, les limites et les conséquences possibles.
- 03Measure
Mesurer
Tester la qualité, les erreurs et les risques sur des cas représentatifs.
- 04Manage
Gérer
Prioriser les risques, appliquer les garde-fous et décider de poursuivre, limiter ou arrêter.
La fonction Govern est transversale : elle accompagne Map, Measure et Manage.
Construire la validation humaine dans le parcours
Écrire « un humain garde la main » ne suffit pas. L’interface doit montrer la proposition, sa source, son niveau d’incertitude et la conséquence de l’action. La validation arrive avant l’envoi ou la modification irréversible.
Les corrections humaines deviennent des cas de test. Elles permettent de suivre les erreurs récurrentes, de modifier les instructions et de décider si le périmètre peut s’élargir. Stellary applique ce principe à des missions d’agents rattachées à des projets et supervisées dans le même système.
La validation doit être un parcours, pas une promesse
L’interface doit donner à la personne les éléments nécessaires pour comprendre, corriger et arrêter le système avant une conséquence importante.
- 01
Montrer
Présenter la proposition, les données utilisées et la source qui permet de la vérifier.
- 02
Alerter
Rendre visibles l’incertitude, les limites et la conséquence de l’action.
- 03
Décider
Faire valider, corriger ou refuser avant l’envoi ou la modification irréversible.
- 04
Tracer
Conserver la proposition, la décision humaine et le contexte utile au contrôle.
- 05
Réévaluer
Transformer les corrections en tests et surveiller la qualité après la mise en service.
La CNIL rappelle que la personne utilisant une IA générative doit réviser le résultat et que l’entreprise reste responsable de son usage.
Mesurer les coûts et prévoir le changement de modèle
Le coût réel additionne le modèle, la recherche documentaire, le stockage, les outils appelés, l’observation et le temps de validation. Il se mesure par cas d’usage et par résultat accepté, pas seulement par jeton.
Les modèles évoluent vite. Le produit garde donc une couche d’évaluation, des jeux de tests et une interface d’intégration remplaçable. Un changement de fournisseur ne doit ni réécrire le processus ni rendre les résultats incomparables. Pour confronter un cas réel à ces contraintes, le point de départ reste un échange de cadrage.
- Journaliser le modèle, sa version et le coût de chaque exécution.
- Tester les changements sur un jeu de cas stable.
- Prévoir les limites de volume et les alertes de dépense.
- Documenter la procédure de désactivation ou de retour au traitement manuel.
Les points qui restent à trancher
Faut-il commencer par un chatbot ?
Seulement si la conversation est le meilleur format pour la tâche. Une classification silencieuse, un bouton de préparation ou une suggestion dans l’outil existant sont souvent plus directs et plus faciles à contrôler.
Comment éviter les réponses inventées ?
En limitant la tâche, en fournissant des sources à jour, en demandant leur citation, en testant sur des cas réels et en refusant l’action lorsque la preuve manque. Le risque se réduit par le système complet, pas par une phrase ajoutée au prompt.
Peut-on changer de modèle plus tard ?
Oui si l’intégration sépare le processus métier du fournisseur et conserve un jeu d’évaluation stable. Les résultats et les coûts peuvent alors être comparés avant toute bascule.
Confronter le guide à un projet réel.
Quelques lignes suffisent : contexte, contrainte principale et résultat attendu.