L’intelligence artificielle dans un process d’entreprise
Ce qu’elle change réellement, ce qu’elle ne change pas, et les endroits précis où elle mérite d’être mise — parce qu’elle n’a pas sa place partout.
Dans un process d’entreprise, l’intelligence artificielle sert à une chose : comprendre une entrée qui n’a pas été prévue. Lire un document dont on ne connaît pas la mise en page, interpréter une demande rédigée librement, classer un cas qui ne rentre dans aucune case. Partout où l’entrée est structurée et les règles écrites, un automate classique reste préférable : il est prévisible, traçable, et coûte une fraction du prix. Le bon usage consiste donc à placer l’IA à un endroit précis du flux, pas à lui confier le flux entier.
Ce qui a réellement changé, et ce qui n’a pas changé
Pendant vingt ans, extraire des données d’un document supposait de décrire à l’avance où regarder dans la page. Cela fonctionnait tant que l’émetteur ne bougeait rien, et cassait au premier changement de mise en page. L’entretien de ces gabarits représentait l’essentiel du coût — et faisait échouer beaucoup de projets.
Les modèles de langage multimodaux ont supprimé cette contrainte. Ils lisent un document dans son ensemble et identifient les informations par leur sens, pas par leur position. C’est l’un des rares domaines où l’arrivée de l’IA a modifié l’équation économiqued’un projet, et pas seulement le discours commercial autour.
En revanche, tout le reste d’un flux n’a pas changé : il faut toujours déclencher au bon moment, réessayer quand un service ne répond pas, éviter de traiter deux fois le même dossier, journaliser, et écrire dans les bons systèmes. Ce travail est le même qu’il y a dix ans, et il représente la majeure partie d’une automatisation réelle.
Les quatre usages qui tiennent
Lire des documents hétérogènes. Factures, bons de commande, contrats, courriers. C’est l’usage le plus mature et le mieux rentabilisé.Le détail sur l’extraction de données.
Comprendre du langage libre. Un e-mail client ne suit aucune structure. Le classer, en extraire l’intention, identifier l’urgence : c’est exactement ce qu’aucune règle ne sait faire correctement. Le tri des demandes entrantes.
Résumer et structurer. Transformer une heure de réunion en relevé de décisions, ou un dossier volumineux en chronologie.
Rédiger une première version. Réponse à un avis, compte rendu, message de relance : un brouillon contextualisé qu’une personne relit et signe.
Les trois endroits où c’est une mauvaise idée
Sur un chemin connu. Si vous savez décrire la procédure en dix lignes, écrivez-la. Un modèle coûtera plus cher, ira moins vite, et donnera un résultat moins prévisible pour un bénéfice nul.
Sur une décision qui engage. Refuser une candidature, résilier un contrat, déclencher un paiement. Le règlement européen encadre ces usages, et le bon sens aussi : la machine prépare, une personne décide.
Quand la traçabilité est une obligation. Certains traitements doivent pouvoir être expliqués. Un enchaînement de décisions prises par un modèle rend cette explication difficile — ce qui est un problème réglementaire avant d’être un problème technique.
Le point que tout le monde sous-estime : l’erreur silencieuse
Un modèle de langage ne dit pas spontanément qu’il ne sait pas. Il produit une réponse plausible, formulée avec la même assurance qu’une réponse juste. C’est une différence fondamentale avec un programme classique, qui échoue bruyamment quand il échoue.
Cela impose deux garde-fous, que nous mettons systématiquement en place.
Un indice de confiance par champ. On demande au modèle non seulement la réponse, mais son degré de certitude. En dessous d’un seuil, le cas part en validation humaine.
Des contrôles qui ne dépendent pas du modèle. La somme des lignes correspond-elle au total ? Ce fournisseur existe-t-il dans la base ? Ce numéro de facture a-t-il déjà été saisi ? Ces vérifications sont du code ordinaire, et ce sont elles qui rendent le flux sûr — pas la performance brute du modèle.
Agents ou flux ?
Un flux exécute des étapes que vous avez écrites. Un agent reçoit un objectif et des outils, et choisit lui-même son chemin. La souplesse est réelle, l’imprévisibilité aussi.
Notre règle : l’agent se justifie quand les cas sont trop nombreux pour être décrits, et seulement dans ce cas. Partout ailleurs, un flux déterministe avec un appel au modèle à l’endroit qui en a besoin fait mieux, pour moins cher.Notre position complète sur les agents.
Le coût énergétique, puisque la question se pose
Elle se pose légitimement, et nous ne l’éludons pas. Chaque appel à un modèle consomme des ressources, et un flux mal conçu qui appelle un modèle là où une règle suffirait gaspille sans rien apporter.
Nous appliquons ici une discipline installée chez 7Days depuis 2019 sous le nom deGreen Coding : ne faire travailler une machine que lorsque c’est nécessaire, mesurer avant et après, et préférer la solution la plus simple qui fonctionne. Sur le plan technique, cela signifie concrètement : filtrer avant d’appeler un modèle, mettre en cache ce qui se répète, et choisir un modèle proportionné à la tâche plutôt que le plus puissant disponible.
Un process automatisé correctement a par ailleurs son propre bilan : moins de ressaisie, moins d’allers-retours, moins de documents imprimés, moins de déplacements.Pourquoi ce sujet nous occupe depuis longtemps.
Les outils, sans parti pris
- n8nConfidentialité, volume, ou besoin de sortir du cadre
- MakePas d’équipe technique, flux de complexité moyenne
- ZapierUn besoin simple, tout de suite
- Power AutomateEntreprises déjà équipées Microsoft 365
- Les agents IATâches à forte variabilité, jamais pour un chemin connu
- Le tableurLa plupart des besoins de suivi en PME
Questions fréquentes
- Qu’est-ce que l’IA apporte qu’un automate classique ne sait pas faire ?
- Une seule chose, mais elle est décisive : traiter une entrée qui n’a pas été prévue. Un automate classique a besoin d’un format connu ; un modèle de langage comprend un document qu’il n’a jamais vu, un e-mail rédigé librement, une demande formulée de travers. Partout ailleurs — quand le format est stable et les règles écrites — l’automate classique reste supérieur : il est prévisible, traçable et beaucoup moins cher.
- Une IA peut-elle se tromper dans un process d’entreprise ?
- Oui, et elle se trompe d’une façon particulière : avec assurance. Un modèle de langage ne signale pas spontanément qu’il n’est pas sûr. C’est pourquoi toute utilisation sérieuse dans un process impose deux garde-fous : demander un indice de confiance par champ, et ajouter des contrôles de cohérence qui ne dépendent pas du modèle — une somme qui doit correspondre, une référence qui doit exister.
- Faut-il entraîner un modèle sur ses propres données ?
- Presque jamais en PME. Les modèles généralistes actuels, correctement guidés et alimentés avec vos propres documents au moment de la question, couvrent l’immense majorité des besoins. L’entraînement spécifique coûte cher, demande beaucoup de données de qualité, et se périme à chaque nouvelle génération de modèles.
- Où vont nos données quand on utilise un service d’IA ?
- Cela dépend entièrement du fournisseur et du type de compte. Trois questions à poser par écrit : dans quel pays les données sont-elles traitées, sont-elles utilisées pour entraîner des modèles, et combien de temps sont-elles conservées. Pour des données sensibles, des modèles exécutés sur vos propres serveurs existent et fonctionnent correctement sur les tâches d’extraction et de classement.
- Les IA génératives vont-elles remplacer les outils d’automatisation ?
- Non, elles s’y insèrent. Un flux reste nécessaire pour déclencher, ordonner, réessayer, journaliser et écrire dans vos systèmes. Le modèle intervient à un endroit précis du flux, là où il faut comprendre quelque chose. Confondre les deux conduit à des architectures coûteuses et imprévisibles.
- Faut-il de l’IA pour automatiser ses process ?
- Dans la majorité des cas, non — et c’est une réponse qui nous coûte des projets. Un process aux règles écrites se traite par un flux déterministe : moins cher, plus rapide, reproductible et vérifiable. L’IA se justifie quand l’entrée est vraiment imprévisible, comme un courriel en texte libre ou un document dont la structure varie. Dans nos chaînes, elle n’occupe souvent qu’une étape sur dix.
- Combien coûte l’ajout d’une brique d’IA dans un flux ?
- Le développement s’inscrit dans les fourchettes habituelles — 2 000 à 8 000 € par process. Le coût d’usage, lui, est propre à l’IA : quelques euros à quelques centaines d’euros par mois selon le volume traité et le modèle retenu. Nous le chiffrons explicitement avant de construire, parce que c’est un poste qui peut surprendre quand un flux monte en volume.
Une idée précise, ou juste une intuition ?
Les deux se traitent. Dites-nous ce qui vous prend du temps ; nous vous dirons si l’IA y a sa place, et souvent qu’elle ne l’a pas.
Un process, pour commencer
Celui qui vous agace le plus, ou celui qui coûte le plus. Dites-nous en deux phrases qui le fait, combien de fois par semaine, et avec quels outils. Nous vous dirons franchement s’il mérite d’être automatisé — y compris quand la réponse est non.
- Réponse garantie sous 24 heures
- Un premier échange d’une demi-heure, sans engagement
- Aucun formulaire tiers : votre message part par votre messagerie
Ou directement : nicolas@oli-via-net.fr· 06 89 96 40 79