Par où commencer avec l'IA générative dans votre entreprise ?

Ce que l'IA générative fait bien et mal en 2026

L'IA générative (generative AI) désigne les modèles capables de produire du texte, du code, des images ou de la voix à partir d'une consigne. En entreprise, l'essentiel de la valeur vient des modèles de langage (large language models, LLM) : GPT, Claude, Mistral, Gemini, et les modèles ouverts que l'on héberge soi-même.

Ce qu'elle fait bien, de façon fiable et mesurable :

• lire, résumer, reformuler et traduire des textes longs ;
• extraire des informations structurées d'un document (montants, dates, parties, clauses) ;
• classer, router, prioriser des messages ou des tickets ;
• rédiger un premier jet (e-mail, compte rendu, réponse client, fiche produit) qu'un humain relit ;
• répondre à des questions à partir de vos documents, si elle est équipée d'une recherche augmentée par génération (RAG) ;
• écrire et relire du code.

Ce qu'elle fait mal, encore aujourd'hui :

• répondre juste sans données fournies : elle invente avec assurance (hallucination) ;
• calculer, compter, comparer des tableaux longs sans outil externe ;
• agir seule sur plusieurs outils sans cadre : un agent IA demande des garde-fous, une validation humaine et une journalisation ;
• donner deux fois la même réponse à la même question ;
• remplacer un processus qui n'existe pas encore : elle accélère ce qui est déjà défini.

Une règle à retenir : l'IA générative est excellente sur les tâches où un humain sait vérifier vite le résultat, et risquée là où personne ne relit.

Les 5 cas d'usage qui marchent dans une PME

1. L'assistant documentaire. Procédures, contrats, notes techniques, historique client : un assistant qui répond avec les sources citées, dans Teams ou dans l'intranet. C'est le projet le plus demandé et le plus mesurable. Voir le service assistant IA documentaire.
2. Le traitement des documents entrants. Factures, bons de commande, CV, sinistres, courriers : lecture (OCR), extraction des champs, contrôle de cohérence, saisie dans l'outil métier avec validation humaine. Voir automatisation IA.
3. Le service client de premier niveau. Réponses aux questions fréquentes à partir de la documentation, suivi de commande, qualification avant transfert à un humain. Voir chatbot d'entreprise.
4. La prospection et le suivi commercial. Qualification des leads entrants, préparation des rendez-vous à partir du CRM, brouillons de relance personnalisés. Détails dans la page IA pour la prospection commerciale.
5. Les tâches internes répétitives. Comptes rendus de réunion, réponses aux candidats, synthèse hebdomadaire des tickets, préparation de la revue de dossier chez les experts-comptables, tri des candidatures en ressources humaines.

Les cinq ont un point commun : un volume répétitif, une source de données existante, et une personne capable de dire si le résultat est bon. Le bon premier projet coche les trois cases et son gain se compte en heures par semaine, service par service.

Ce qu'il faut avoir avant de commencer : données, process, sponsor

Des données accessibles

Les documents existent-ils sous forme numérique, à jour, à un endroit connu, avec des droits d'accès clairs ? Un projet d'IA générative en entreprise passe une part importante de son temps à ranger la base documentaire. Ce travail a de la valeur en soi et il conditionne tout le reste.

Un processus décrit

Qui fait quoi aujourd'hui, dans quel outil, avec quelles règles ? Si trois personnes décrivent trois façons de traiter une facture, l'IA reproduira le flou. Une page suffit, à condition qu'elle soit vraie.

Un sponsor et un référent métier

Un dirigeant qui arbitre, et deux heures par semaine d'une personne métier pour relire les résultats pendant la phase de mesure. Sans ces deux heures, la qualité ne se règle pas et l'outil est abandonné.

Un cadre d'usage

Ce que les équipes peuvent coller dans ChatGPT, ce qu'elles ne collent jamais, et quels outils sont autorisés. Le guide ChatGPT en entreprise et confidentialité donne une charte type.

La formation IA en entreprise vient à ce moment : une demi-journée par équipe sur ses propres cas suffit en général à passer de la curiosité à l'usage, à condition que l'outil soit branché sur de vraies données. Une formation générale sans outil s'oublie en deux semaines.

Construire ou acheter ?

La bonne réponse est souvent une combinaison : abonnement pour l'usage individuel, n8n pour les flux simples, sur mesure pour le cas qui crée de la valeur. Le piège est d'acheter une plateforme « tout-en-un » avant d'avoir un cas d'usage prouvé, ou d'exiger du sur mesure pour reformuler des e-mails.

Quand le cas d'usage est prouvé et que les réponses doivent s'appuyer sur vos documents, la page intégration IA générative : l'assistant documentaire décrit le déroulé et les délais.

Sécurité et RGPD : les questions à régler avant le premier envoi

• Quelles données sortent, vers qui ? Un modèle appelé par API reçoit les extraits envoyés à chaque question. Les offres professionnelles (ChatGPT Enterprise, Claude, Mistral) indiquent ne pas entraîner leurs modèles sur ces données, sous leurs conditions contractuelles ; la localisation dépend de l'offre. Les comptes gratuits ou individuels sont à proscrire pour des données d'entreprise.
• Base légale et information. Traiter des données personnelles (clients, salariés, candidats) avec une IA reste un traitement au sens du RGPD : registre, base légale, information des personnes, sous-traitant listé, durée de conservation. Les recommandations de la CNIL sur l'IA générative servent de référence.
• Données de santé, secret des affaires, marchés publics. Modèle ouvert hébergé en France ou sur vos serveurs (Mistral, Llama, Qwen avec vLLM), aucune API externe. Le guide IA souveraine et hébergement en France détaille les options.
• Droits d'accès. L'assistant ne doit montrer à un salarié que ce qu'il pourrait déjà lire. Ce filtrage se fait au niveau de la recherche, avant le modèle.
• Journalisation et réversibilité. Qui a demandé quoi, quelle réponse a été donnée, et la possibilité de changer de modèle sans tout refaire.
• AI Act. Le règlement européen s'applique par paliers depuis 2025 ; la plupart des cas d'usage de PME (assistant documentaire, tri de documents) relèvent d'obligations de transparence légères. Les usages RH (tri de candidatures, évaluation) sont classés à haut risque et demandent un cadre spécifique.

Budget et délais : les ordres de grandeur

S'ajoutent l'exploitation (appels aux modèles et hébergement, de quelques dizaines à quelques centaines d'euros par mois pour un usage courant, davantage avec un serveur GPU dédié) et la maintenance, de l'ordre de 10 à 20 % du budget initial par an. En régie, un freelance IA senior facture 500 à 800 € par jour constatés, une agence IA 800 à 1 200 €, et un ingénieur IA senior salarié coûte 13 000 à 15 000 € chargés par mois. Le détail est dans la page tarif d'un freelance IA et le comparatif freelance IA ou agence IA.

Une feuille de route en 90 jours

Jours 1 à 15 : choisir

• Inventaire des tâches répétitives par service, avec le temps passé et la source de données.
• Choix d'un cas unique, mesurable, avec un référent métier et un sponsor.
• Charte d'usage des outils IA diffusée à tous, abonnements professionnels mis en place pour l'usage individuel.
• Cadrage écrit : périmètre, données, critères de réussite, budget. Le guide cahier des charges d'un projet IA donne la trame.

Jours 15 à 45 : prouver

• Préparation des données (accès, nettoyage, droits).
• Jeu de test construit avec le métier : 50 à 200 cas réels et le résultat attendu.
• Première version fonctionnelle sur données réelles, mesurée sur le jeu de test.
• Décision : continuer, ajuster, arrêter. Un arrêt à ce stade coûte peu et enseigne beaucoup.

Jours 45 à 90 : mettre en production

• Améliorations guidées par les mesures, intégration dans l'outil du quotidien (Teams, CRM, GED).
• Formation des utilisateurs sur leurs cas, journalisation, procédure de remontée des erreurs.
• Mise en production, suivi hebdomadaire des indicateurs pendant un mois, passation à l'équipe interne.
• Choix du deuxième cas d'usage à partir de ce qui a été appris.

Ce rythme est celui d'un accompagnement IA en sprints hebdomadaires. Si un système existe déjà et déçoit, un audit IA de 3 semaines remplace la première phase : diagnostic, feuille de route et preuve de concept sur vos données.

Les erreurs fréquentes des premiers projets

• Commencer par l'outil. Une plateforme achetée, puis la recherche d'un cas d'usage. Dans l'autre sens, le projet se finance tout seul.
• Viser le cas le plus impressionnant. L'agent qui fait tout, en démonstration devant le comité de direction. Le cas ennuyeux qui fait gagner trois heures par semaine à cinq personnes vaut mieux.
• Sauter la mesure. Sans jeu de test, personne ne sait si la nouvelle version est meilleure, et le projet meurt en démonstrations contradictoires.
• Laisser les données en l'état. Doublons, versions obsolètes, droits flous : l'IA les restitue fidèlement.
• Oublier les utilisateurs. Un outil dans un onglet de plus, sans formation sur les cas réels, est abandonné en un mois.
• Ignorer le cadre. Comptes ChatGPT gratuits avec des données clients, sous-traitant absent du registre, aucune journalisation. Le rattrapage coûte plus que la prévention.
• Multiplier les prestataires. Un cabinet pour la stratégie, une agence IA pour le développement, un intégrateur pour la production : personne ne porte le résultat. Un seul interlocuteur senior, freelance IA ou agence, responsable de bout en bout, évite ce flou.

Le guide 7 erreurs des systèmes IA détaille les erreurs techniques observées en audit. Pour savoir par quel cas commencer chez vous, un appel de 20 minutes suffit en général.