L'intelligence artificielle a quitté le domaine de la recherche pour entrer dans la comptabilité, les stocks et le service client des entreprises ordinaires. Voici ce qui fonctionne réellement aujourd'hui, et ce qui relève encore du discours commercial.
Pendant longtemps, l'IA en entreprise a été un sujet de conférence plus qu'un sujet de terrain. Les projets coûtaient des centaines de milliers de dollars, exigeaient des équipes de data scientists et se justifiaient seulement à très grande échelle. Ce n'est plus le cas. La diffusion des modèles pré-entraînés et des API à l'usage a fait chuter le ticket d'entrée dans des proportions qui changent la donne pour une PME de vingt personnes.
Chez AITEC, nous déployons ces outils chez des clients qui n'ont ni service informatique dédié ni budget d'expérimentation. Ce retour de terrain permet de séparer assez nettement ce qui produit un résultat mesurable de ce qui reste une promesse.
Quatre usages qui produisent des résultats aujourd'hui
1. L'automatisation des tâches répétitives
C'est de loin le gain le plus immédiat, et le moins spectaculaire. Relances de factures impayées, saisie de bons de livraison, génération de rapports hebdomadaires, tri du courrier entrant. Ces tâches consomment des heures de travail qualifié sans produire de valeur.
Un cabinet comptable avec lequel nous travaillons consacrait environ six heures par semaine à la relance manuelle. Le processus est désormais déclenché automatiquement selon l'ancienneté de la créance, avec un message adapté au profil du client. Le temps récupéré a été réaffecté au conseil, qui est facturable.
2. La prévision de la demande et des stocks
Toute entreprise qui gère du stock connaît le double problème : la rupture qui fait perdre une vente, et le surstock qui immobilise de la trésorerie. Les modèles de prévision exploitent l'historique des ventes, la saisonnalité et les événements du calendrier pour anticiper les besoins.
La condition est simple mais absolue : il faut un historique propre. Deux ans de données de vente exploitables valent mieux que dix ans de fichiers incohérents. C'est souvent la première étape réelle d'un projet, et elle n'a rien à voir avec l'IA.
3. Les assistants conversationnels multilingues
Le contexte algérien impose une contrainte que beaucoup de solutions étrangères gèrent mal : vos clients écrivent en français, en arabe, en darija, et souvent en mélangeant les trois dans la même phrase. Les modèles récents traitent ce mélange nettement mieux que les chatbots à règles de la génération précédente.
Un assistant bien configuré absorbe les questions répétitives sur les horaires, la disponibilité et le suivi de commande. Il ne remplace pas un commercial, il lui évite de répondre trente fois par jour à la même question.
4. La détection d'anomalies
Un système entraîné sur vos écritures comptables habituelles signale ce qui s'en écarte : un fournisseur inconnu, un montant inhabituel pour une catégorie donnée, un doublon de facture, une dépense hors des horaires ouvrés. L'outil ne juge pas, il attire l'attention. La décision reste humaine.
Le point de départ n'est jamais technologique. Avant de parler d'IA, identifiez la tâche qui vous coûte le plus d'heures pour le moins de valeur ajoutée. Si vous ne savez pas la nommer, aucun outil ne réglera le problème.
Ce que l'IA ne fera pas pour vous
Il faut être direct sur les limites, car les attentes mal calibrées sont la première cause d'échec de ces projets.
- Elle ne corrigera pas des données de mauvaise qualité. Un modèle entraîné sur des stocks mal saisis produira des prévisions mal calibrées, avec l'assurance trompeuse d'un chiffre précis.
- Elle ne remplacera pas un processus inexistant. Automatiser le désordre produit du désordre plus rapide.
- Elle ne décide pas à votre place. Sur les sujets sensibles, ressources humaines, crédit client, sanctions, la responsabilité reste entière et doit le rester.
- Elle n'est pas gratuite à l'usage. Les API se facturent au volume. Un chatbot mal encadré peut générer une facture surprenante.
Par où commencer concrètement
La démarche que nous recommandons tient en quatre étapes, et la première prend souvent plus de temps que les trois autres réunies.
- Auditer les données existantes. Où sont-elles, dans quel état, qui les saisit, avec quelles règles.
- Choisir un périmètre réduit. Un seul processus, un seul service, un objectif chiffré. Par exemple réduire de moitié le temps de relance.
- Mesurer avant et après. Sans mesure initiale, vous ne saurez jamais si le projet a réussi, et vous ne pourrez pas le défendre en interne.
- Former les utilisateurs. Un outil que personne ne comprend est un outil que personne n'utilise, quelle que soit sa qualité technique.
L'écart entre les entreprises qui réussissent ces projets et celles qui les abandonnent tient rarement à la technologie. Il tient à la clarté de l'objectif et à la qualité des données disponibles au départ.