Objectif du module. Donner aux dirigeants de TPE/PME les clés de lecture pour distinguer une « vraie » IA d'une simple automatisation, comprendre comment elle apprend, évaluer si une tâche métier est réellement automatisable, et choisir la bonne famille de solution avant tout investissement.
+14 %Productivité moyenne avec l'IA générative (Stanford / MIT, 2023)
80 %des projets IA échouent par manque d'alignement métier (Gartner)
3 % à 5 %des réponses des LLM contiennent des « hallucinations » factuelles (Stanford)
1. Ce qu'est (et n'est pas) l'IA
L'IA est un ensemble de systèmes qui apprennent à partir de données au lieu de suivre des règles fixes. Elle calcule des probabilités statistiques : elle ne « comprend » pas, elle prédit la suite la plus plausible.
| Famille de tâche | Ce qu'elle fait | Exemple TPE/PME |
|---|
| Classification | Trier, catégoriser | Classer les emails entrants par type (devis, réclamation, RH) |
| Prédiction | Anticiper une valeur ou un événement | Détecter les clients à risque de non-renouvellement (churn) |
| Génération | Créer du contenu | Rédiger une description de chambre (CHR) ou d'un bien (immobilier) |
| Décision assistée | Recommander une action | Suggérer le meilleur créneau pour rappeler un prospect |
IA, RPA et algorithme classique
La RPA (Robotic Process Automation) suit des règles figées (« si A alors B ») : elle est rigide mais fiable. L'IA apprend des motifs (patterns) et traite les cas non prévus. En pratique, on combine souvent les deux : la RPA est la « main » qui exécute, l'IA est le « cerveau » qui analyse et décide.
2. Les 4 piliers de tout système d'IA
- Les données — la matière première (CRM, emails, factures, historique de ventes).
- L'apprentissage — supervisé (avec exemples étiquetés) ou non supervisé (l'IA trouve seule des regroupements).
- Le modèle — la « recette » mathématique issue de l'apprentissage.
- L'inférence — la phase d'utilisation réelle sur de nouvelles données.
3. La règle d'or : la méthode QSR (qualité des données)
Avant tout projet IA, vérifiez vos données sur 3 critères :
- Qualité — fiables, à jour, sans erreurs.
- Structure — organisées de façon cohérente, formats homogènes.
- Représentativité — couvrent suffisamment de cas variés.
« Garbage In, Garbage Out » : une IA sur des données sales produit des décisions sales.
4. Les 4 typologies de solutions IA
| Typologie | Mécanisme | Cas d'usage TPE/PME |
|---|
| RPA | Règles fixes, pas d'apprentissage | Automatiser la saisie sur un vieux logiciel comptable sans API |
| IA analytique (ML) | Découvre des motifs dans l'historique | Prédire les retards de paiement, scoring leads |
| IA générative (DL) | Crée du contenu probable | Brouillons d'emails, posts LinkedIn, fiches produit |
| Recommandation | « Ceux qui ressemblent à X ont aimé Y » | Suggérer le bien immobilier suivant, ventes croisées en restauration |
Panorama des modes de déploiement
- SaaS (« prêt-à-l'emploi ») — ChatGPT, Claude, Gemini, Mistral, Microsoft 365 Copilot. Démarrage rapide. ✅ Recommandé pour démarrer.
- No-code / Workflow — Make, Zapier, n8n. Pour connecter vos outils existants.
- Open Source / Souverain — Llama, Mistral installés en local. Pour les données sensibles uniquement.
5. Méthode ACQA — réussir un projet IA
80 % de la réussite d'un projet IA est organisationnelle et humaine ; 20 % seulement est technologique.
| Lettre | Pilier | Question clé |
|---|
| A | Alignement stratégique | Quel objectif business mesurable ce projet sert-il ? |
| C | Commitment managérial | Le dirigeant porte-t-il visiblement le projet ? |
| Q | Qualité des données | Mes données passent-elles le filtre QSR ? |
| A | Accompagnement | Mes équipes sont-elles formées et adhèrent-elles ? |
Cas concret — Sophie, formatrice indépendante
Sophie perd 2 h/jour à répondre aux mêmes questions sur ses tarifs et dates de session.
Levier IA : automatisation.
Solution : un chatbot configuré sur sa FAQ traite 80 % des demandes, elle se concentre sur l'ingénierie pédagogique.
Type d'IA : générative (SaaS) avec base de connaissances.
Cas concret — Hôtel-restaurant 30 chambres (CHR)
Le directeur veut anticiper les annulations de dernière minute.
Levier : prédiction.
Type d'IA : analytique (ML).
Prérequis QSR : 2 ans d'historique de réservations propres et structurés.
Sans QSR validé, le projet est repoussé : on commence par fiabiliser le PMS.
Cas concret — Agence immobilière locale
Objectif : envoyer aux prospects des biens correspondant exactement à leurs critères.
Levier : personnalisation.
Solution : un système de recommandation couplé à une IA générative pour rédiger l'email d'envoi.
♿ Focus inclusivité — IA et équité dès la fondation
L'IA amplifie ce qu'on lui donne. Si vos données historiques contiennent des biais (sous-représentation de certains profils clients, déséquilibre H/F dans le recrutement, langage non inclusif), l'IA les reproduira à grande échelle.
- Biais de représentativité (le R de QSR) : vos données couvrent-elles tous vos publics, ou seulement un segment majoritaire ?
- Accessibilité dès le choix de l'outil : l'interface du SaaS est-elle utilisable au clavier seul, lisible par un lecteur d'écran, contrastée pour les daltoniens ?
- Langage inclusif : demandez à l'IA générative de produire des contenus en langage épicène ou simplifié (FALC) pour atteindre tous vos publics.
Règle pratique : avant tout projet, posez-vous la question — « Qui pourrait être désavantagé par cette IA si je la déploie en l'état ? »
🎯 Exercice express (10 min)
- Listez 3 tâches répétitives de votre semaine qui vous « pèsent ».
- Pour chacune, identifiez la famille IA pertinente (Classification / Prédiction / Génération / Décision assistée).
- Évaluez la qualité de vos données sur QSR : 🟢 Bonne / 🟡 Moyenne / 🔴 Faible.
- Verdict : Faisable en l'état (QSR vert) — À préparer (QSR orange) — Non adapté (QSR rouge).
📌 Les 5 points clés à retenir
- L'IA apprend, la RPA suit des règles. Combiner les deux est souvent la meilleure stratégie.
- Sans données QSR (Qualité, Structure, Représentativité), pas d'IA performante.
- Choisir la bonne typologie (RPA, ML, GenAI, recommandation) avant de choisir l'outil.
- Démarrer en SaaS pour valider la valeur, puis monter en complexité (No-code, Open Source).
- L'humain reste aux commandes : « L'IA propose, l'humain dispose ».
📖 Mini-glossaire du module
- Machine Learning (ML)
- Apprentissage statistique sur données structurées (Excel, CRM).
- Deep Learning (DL)
- Réseaux de neurones profonds, indispensable pour traiter image, voix, langage.
- RPA
- Robot logiciel qui imite les clics humains, sans apprentissage.
- Hallucination
- L'IA invente une réponse plausible mais fausse — risque structurel des LLM.
- Inférence
- Phase d'utilisation du modèle entraîné sur de nouvelles données.
- QSR
- Qualité, Structure, Représentativité — les 3 critères de validation des données.
- ACQA
- Alignement, Commitment, Qualité, Accompagnement — les 4 conditions de réussite.