IA d’entreprise : les cas d’usage qui créent vraiment de la valeur.

Rarement une technologie aura été adoptée aussi vite dans les discours et aussi lentement dans les processus. Toutes les directions ont vu des démonstrations impressionnantes. Beaucoup ont lancé des pilotes. Très peu peuvent désigner un processus complet dont la performance a durablement changé. Ce décalage doit peu à la maturité des modèles ; il tient à la manière dont les entreprises choisissent leurs cas d’usage. Ou, plus exactement, à la manière dont elles ne les choisissent pas.

Pourquoi « l’IA partout » échoue

Saupoudrer de l’IA sur tous les sujets à la fois produit invariablement le même résultat : une collection de pilotes orphelins. Les mécanismes sont toujours les mêmes.

• La démonstration remplace le processus. Un assistant qui brille en comité et un traitement qui tient sa promesse sur des milliers d’opérations réelles, avec leurs exceptions, leurs litiges et leurs documents mal scannés, sont deux objets différents. Le premier s’obtient en quelques semaines. Le second exige de refondre le processus qui l’entoure.
• Personne ne possède le résultat. Quand le cas d’usage naît dans un laboratoire plutôt que chez un responsable de processus, personne ne répond de l’écart entre la promesse et la production. Le pilote réussit, le déploiement reste orphelin, le sujet s’éteint.
• La donnée se découvre trop tard. L’IA d’entreprise ne raisonne pas sur l’internet, mais sur vos commandes, vos factures, vos contrats, vos historiques de contacts. S’ils sont incomplets ou contradictoires, le modèle industrialise la confusion. Beaucoup de projets IA meurent d’un problème de données qu’un cadrage honnête aurait révélé dès le premier jour.

Ce qui distingue un bon cas d’usage

Notre grille de lecture est volontairement austère. Cinq conditions, toutes nécessaires.

• Un processus fréquent et coûteux en attention humaine. La valeur de l’IA se compte en occurrences ; méfiez-vous des sujets prestigieux à faible volume.
• Un résultat mesurable dans les termes du métier : délai, taux d’erreur, charge évitée, temps de réponse au client. Défini avant le projet. Les indicateurs reconstruits après coup ne prouvent rien.
• Des données accessibles et suffisamment fiables, ou un chantier de fiabilisation explicitement inclus dans le périmètre.
• Un propriétaire métier qui veut le résultat au point d’accepter de modifier son propre processus pour l’obtenir.
• Un chemin vers la production : intégration au système, gestion des exceptions, supervision. Sans plan d’industrialisation, un cas d’usage reste un prototype, quel que soit son budget.

Remplacez « où peut-on mettre de l’IA ? » par « quel processus voulons-nous voir fonctionner autrement dans un an ? » : la moitié du tri est déjà faite.

Sur SAP et Salesforce, ce qui passe le cap de la production

Les cas d’usage qui atteignent la production se ressemblent. Nous les voyons se regrouper autour de cinq terrains, dont deux vivent surtout dans le cœur de gestion et deux surtout dans la relation client.

L’extraction documentaire

Factures fournisseurs, bons de commande, connaissements, déclarations en douane, pièces d’identité à l’ouverture d’un compte : une part considérable du travail administratif consiste à lire des documents pour en ressaisir le contenu dans SAP ou dans le CRM. L’extraction, le rapprochement et la comptabilisation assistés forment le terrain le plus sûr de l’IA d’entreprise. Les volumes sont élevés, le résultat se vérifie, et les gains sont visibles pour les équipes elles-mêmes, ce qui change tout pour l’adoption. Dans une économie où beaucoup de documents circulent encore sur papier ou en photo de téléphone, la qualité de la capture conditionne tout : elle fait partie du projet.

Le service client augmenté

Sur Salesforce Service Cloud, l’IA résume l’historique d’un client avant l’appel, propose une réponse au conseiller, classe et route les demandes entrantes, qu’elles arrivent par e-mail, par WhatsApp ou par l’agence. La valeur est réelle quand le conseiller reste maître de la réponse et que le système apprend de ses corrections. Elle disparaît quand on tente de remplacer le conseiller sur des demandes qui engagent le client, un litige ou un remboursement.

La prévision ancrée dans les opérations

Prévision de la demande, anticipation des retards d’approvisionnement, projection de trésorerie : la prévision crée de la valeur quand sa sortie alimente une décision récurrente et outillée, un plan d’approvisionnement ou une revue de trésorerie, plutôt qu’un tableau de bord supplémentaire. Le critère décisif n’a rien à voir avec la sophistication du modèle. Il faut qu’un geste métier change grâce à lui.

Le scoring

Priorité des prospects, risque d’attrition d’un abonné, propension à souscrire une offre : le scoring dans Salesforce Sales Cloud ou Marketing Cloud est utile s’il est expliqué, contestable et revu. Un score que personne ne sait justifier finit ignoré par les commerciaux, ou pire, appliqué sans discernement à des clients qu’il classe mal. Et dès qu’il touche des personnes, il relève de la loi n° 2008-12 : finalité déclarée, information des personnes, droit de contestation.

Les agents

Assistants qui répondent avec la connaissance de l’entreprise, agents qui préparent ou exécutent des transactions sous contrôle humain, sur SAP comme sur Salesforce : la famille la plus prometteuse est aussi la plus exigeante. Elle suppose un cadre strict. Périmètre d’action délimité, traçabilité de chaque geste, validation humaine sur tout ce qui engage l’entreprise. Un agent sans gouvernance n’est rien d’autre qu’un risque opérationnel doté d’une bonne interface.

Trois conditions que l’enthousiasme ne remplace pas

Aucune de ces familles ne tient sans trois fondations. Des données propres, d’abord : référentiels partagés entre l’ERP et le CRM, définitions communes, accès gouvernés. C’est le chantier ingrat qui conditionne tous les autres, et la raison pour laquelle notre offre Data & Analytics traite la donnée et ses usages ensemble. Une supervision humaine, ensuite : quelqu’un regarde ce que le modèle produit, corrige, et ses corrections reviennent au modèle. Une gouvernance, enfin : qui décide de ce que l’IA a le droit de faire, qui répond de ses erreurs, comment les personnes concernées sont informées. Nous refusons d’y voir des freins à l’innovation. C’est ce qui sépare une capacité d’entreprise d’une expérimentation permanente.

Ce que le métier nous a appris

Quelques leçons, tirées de nos chantiers sans en nommer aucun. Le seuil de confiance d’une extraction se règle avec les équipes qui vérifient, pas dans un bureau d’architecte : trop bas, elles ne font plus confiance ; trop haut, elles ressaisissent tout. Un modèle dérive : ce qui fonctionnait sur les documents de janvier se dégrade sur ceux de juin quand un fournisseur change de format, et personne ne le voit si personne ne mesure. Les équipes adoptent ce qui leur enlève une corvée et rejettent ce qui leur en ajoute une, même minime. Enfin, le meilleur cas d’usage est presque toujours moins spectaculaire que celui présenté en comité, et c’est lui qu’il faut financer.

Parce que ces fondations vivent dans le cœur du système et dans le CRM, la trajectoire IA ne se pense pas indépendamment de la trajectoire ERP et de la trajectoire relation client. Un cœur SAP S/4HANA propre, aux processus harmonisés et aux données fiables, et un Salesforce où la vue client est unique, restent à notre sens les meilleurs investissements IA que la plupart des entreprises puissent faire. Nous l’expliquons dans notre lecture de l’échéance ECC 2027 et dans notre point de vue sur la relation client des banques et des télécoms. Notre offre IA & automatisation part de là.