Premiers pas avec l'IA en PME : par où commencer, concrètement
Dernière mise à jour :
par Etienne Gaudry, Co-fondateur & Développeur
La première version de cet article, écrite en 2025, expliquait ce qu'est un réseau de neurones. Un an et des dizaines de conversations avec des dirigeants de PME plus tard, on l'assume : ce n'était pas la bonne question. Personne ne déploie mieux l'IA parce qu'il sait ce qu'est une couche cachée. La question qu'on nous pose vraiment, c'est : « par où on commence, et comment on évite de dépenser pour rien ? »
Voici la réponse qu'on applique chez nos clients — la même méthode, quel que soit l'outil.
Oubliez la « stratégie IA », cherchez les irritants
Le piège classique du dirigeant de PME en 2026 : sentir qu'« il faut y aller », commander un audit stratégique, recevoir 40 slides — et ne rien déployer, parce que tout y est prioritaire donc rien ne l'est.
Notre approche est inverse. L'IA n'est un levier que branchée sur un problème précis que vous avez déjà. On commence donc par lister les irritants : les gestes que vos équipes répètent chaque semaine, à fort volume, sans vraie décision humaine. Chez les PME qu'on accompagne, la même liste revient presque toujours :
- Trier et router ce qui entre. Mails génériques, tickets, demandes de devis : quelqu'un lit, qualifie, transfère. Des heures par semaine de tri qui n'apportent rien.
- Extraire des données de documents. Factures fournisseurs à ressaisir, CV à qualifier, contrats à éplucher pour en sortir trois champs.
- Rédiger la même chose avec des variantes. Réponses aux questions récurrentes, e-mails commerciaux de relance, comptes-rendus.
- Chercher l'information interne. « On a déjà répondu à ça quelque part » — mais où ? La connaissance existe, éparpillée entre les boîtes mail, le drive et les têtes.
- Résumer. Préparer un rendez-vous en relisant six mois d'historique, débriefer une réunion d'une heure.
Si trois de ces lignes vous parlent, vous avez votre terrain de jeu. Remarquez ce qui n'y figure pas : rien de spectaculaire. C'est voulu. Les cas rentables sont ennuyeux — c'est précisément pour ça qu'ils sont rentables.
La méthode : cadrer, piloter, décider
1. Une journée de cadrage, pas un mois d'audit
On réunit les équipes concernées une journée. Objectif : sortir 5 à 10 pistes issues des irritants réels, puis les passer au double filtre du ROI (combien d'heures par semaine, quelle valeur) et de la faisabilité (les données existent-elles, sont-elles accessibles, le cas est-il assez répétitif pour qu'un modèle apprenne quelque chose ?). On en garde 2 ou 3. Pas plus : la dispersion est le premier tueur de projets IA en PME.
Pour chaque cas retenu, on fixe le KPI avant d'écrire une ligne de code : temps moyen par dossier, taux de classification correcte, délai de première réponse. C'est ce chiffre — pas l'enthousiasme de la démo — qui décidera de la suite.
2. Un pilote de 4-6 semaines, en conditions réelles
Le pilote est volontairement étroit : un cas d'usage, une équipe, les vrais flux de données. Deux à quatre semaines de développement, puis quatre à six semaines de mesure contre le KPI.
Ce format a une vertu : il rend l'échec bon marché. Un pilote qui ne tient pas sa promesse s'arrête là, pour le coût de quelques jours de travail — pas d'abonnement annuel, pas de plateforme à amortir, pas de sunk cost qui force à continuer. Sur nos projets, c'est ce droit à l'arrêt qui rassure le plus les dirigeants.
3. Industrialiser ce qui a prouvé
Le pilote tient son KPI ? Alors — et alors seulement — on industrialise : extension aux autres équipes, intégration dans les outils existants (le CRM, l'outil compta, la messagerie — l'IA doit vivre dans le flux quotidien, pas dans un onglet de plus), monitoring, et formation par cas d'usage.
Choisir le modèle : une décision d'ingénierie, pas de mode
La question « GPT, Claude ou open source ? » arrive toujours trop tôt dans les conversations. La bonne réponse découle du cas d'usage :
- Générer ou reformuler du texte (brouillons, résumés, réponses) : un LLM commercial (Claude, OpenAI, Mistral) via API offre le meilleur rapport qualité/effort.
- Classer, extraire, prédire à fort volume : des modèles plus légers — et parfois pas de LLM du tout — font souvent mieux, pour une fraction du coût d'inférence.
- Confidentialité forte (données de santé, secret industriel, RGPD sensible) : un modèle open source auto-hébergé sur un serveur européen garde tout chez vous, au prix d'un peu d'infrastructure.
Et si votre vie commerciale tourne déjà dans un CRM, regardez d'abord ce qui y est natif avant d'ajouter un outil : on a détaillé le cas Salesforce — Prompt Builder, couche de confiance, Agentforce — dans notre guide de l'IA dans Salesforce.
Les trois erreurs qu'on voit le plus souvent
Commencer par l'outil. « On a pris des licences, maintenant on cherche quoi en faire. » C'est le projet à l'envers — l'outil choisi avant le problème produit des démos, pas des gains.
Laisser le libre-service tenir lieu de politique. Trente abonnements ChatGPT individuels, chacun sa méthode, des données client copiées-collées hors de tout cadre. Le réflexe est compréhensible, le plafond arrive vite — et le risque de fuite de données est réel. L'étape d'après, c'est l'IA branchée sur vos outils avec des garde-fous.
Automatiser un processus cassé. Si le processus est flou, l'IA produit du chaos plus vite. On remet le process d'équerre d'abord — c'est parfois là que se cache 80 % du gain, IA ou pas.
Et concrètement, ça coûte quoi ?
Les ordres de grandeur qu'on annonce en cadrage, sans surprise à l'arrivée : 5-15 k€ pour un pilote bien cadré (un cas d'usage, déploiement limité, mesure incluse), plus l'inférence — quelques dizaines à quelques centaines d'euros par mois selon le volume. 15-40 k€ pour industrialiser 2-3 cas avec intégration complète à vos outils.
Le premier échange, lui, ne coûte rien : on regarde vos irritants, on vous dit honnêtement si l'IA est la bonne réponse — et parfois elle ne l'est pas.