Avant de chercher ce que l’IA peut automatiser, il faut d’abord se demander si votre processus lui-même mérite d’être conservé. Le risque n’est pas seulement d’automatiser un mauvais processus, mais de rendre beaucoup plus performant ce qui ne devrait peut-être plus exister.
Il y a une question que beaucoup de dirigeants se posent aujourd’hui :
« Où pourrions-nous utiliser l’IA dans notre entreprise ? »
La question paraît logique. Mais elle arrive peut-être trop tôt.
Prenons le cas d’un processus de devis dans une PME industrielle.
L’objectif : réduire le délai de production des devis. Mais qu’est-ce qui les ralentit réellement ?
Pour préparer une offre, le commercial doit d’abord réunir plusieurs informations.
Il sollicite le bureau d’études, qui doit lui-même récupérer certaines données auprès des opérations. Les informations arrivent parfois incomplètes, les échanges se multiplient et un fichier Excel circule entre les équipes.
À cela s’ajoutent plusieurs validations, mises en place au fil du temps pour sécuriser le processus.
Résultat : huit jours pour produire un devis.
L’idée d’utiliser l’IA pour accélérer sa préparation paraît alors séduisante. Elle récupère les données plus vite, synthétise les dossiers précédents et prépare une première proposition. Plusieurs personnes gagnent du temps. Le projet fonctionne. Pourtant, le devis met toujours plusieurs jours à sortir.
Pourquoi ?
Parce que l’IA a accéléré une tâche. Elle n’a pas remis en question le processus dans lequel cette tâche s’inscrit.
C'est là que beaucoup de projets IA produisent des gains sans résoudre le problème de fond.
Le problème n'est pas toujours ce que l'on croit devoir automatiser
Depuis des années, les entreprises optimisent leurs processus par couches successives.
Une validation a été ajoutée pour éviter une erreur. Un reporting, pour donner de la visibilité au management. Un fichier, pour compenser une limite du système d'information. Un contrôle, pour sécuriser une opération sensible. Une réunion, pour coordonner deux services qui avaient du mal à se parler.
Chacun de ces choix répondait, à l’origine, à un besoin précis.
Mais les organisations évoluent : les clients changent, les volumes augmentent, les responsabilités se déplacent, les systèmes d'information progressent, les équipes se réorganisent.
Pourtant, certaines étapes mises en place au fil du temps restent, même lorsque leur utilité n’est plus aussi évidente.
Le processus que vous envisagez aujourd'hui d'« augmenter » grâce à l'IA peut ainsi être le résultat d'années d'ajouts successifs.
C'est pourquoi une question mérite d'être posée avant de chercher à l'automatiser :
Si nous reconstruisions ce processus aujourd'hui, conserverions-nous vraiment toutes ses étapes ?
Si la réponse est non, l'automatiser n'est probablement pas la première chose à faire. Car automatiser trois validations inutiles ne supprime pas les trois validations. Cela permet simplement de les franchir plus vite.
L’IA peut accélérer un processus sans résoudre son problème
Les informaticiens connaissent depuis longtemps l’expression « Garbage in, garbage out » : de mauvaises données produisent de mauvais résultats. Avec l’IA, on pourrait lui trouver un équivalent organisationnel :
« Sheet in, sheet out. » : ajouter de l’IA à un fonctionnement complexe sans remettre en question la manière dont il a été construit.
Le fonctionnement devient plus rapide, mais reste fondamentalement le même.
C’est évidemment mieux si l’on gagne du temps. Mais ce n’est pas nécessairement là que se trouve la valeur la plus importante.
Les travaux récents vont d’ailleurs dans cette direction. Deloitte recommande de repenser globalement le travail plutôt que de simplement superposer l’IA aux processus existants : les organisations les plus avancées ne se contentent plus de chercher des gains de productivité individuelle, elles repensent processus, rôles et workflows.
Le MIT Sloan Management Review arrive à un constat proche. À partir de travaux menés auprès de 23 organisations et 87 praticiens, les chercheurs observent que la création de valeur passe davantage par des cas d’usage pensés à l’échelle des processus que par l’optimisation d’une tâche isolée.
Autrement dit : le bon niveau d’analyse n’est pas toujours la tâche que l’IA peut réaliser. C’est le processus dans lequel cette tâche existe.
Avant d’automatiser une demande, demandez-vous pourquoi elle existe
Une entreprise reçoit chaque mois plusieurs centaines de demandes internes adressées à ses fonctions support.
L’équipe passe beaucoup de temps à lire les messages, identifier leur objet, rechercher une information et rédiger une réponse.
Le cas semble idéal pour une IA générative.
On pourrait créer un assistant capable de qualifier les demandes, retrouver les informations pertinentes et préparer les réponses.
Avant de l’automatiser, regardons ce qui génère ces demandes.
Pourquoi autant de demandes arrivent-elles ?
Peut-être parce que l’information est difficile à trouver. Parce que trois procédures différentes coexistent. Parce que les responsabilités entre deux services sont mal comprises. Parce qu’une règle nécessite tellement d’interprétation que les collaborateurs préfèrent demander confirmation.
Dans ce cas, la demande adressée au support n’est pas le problème. Elle est le symptôme.
Automatiser sa réponse peut produire un ROI. Mais supprimer la cause de 30 % des demandes pourrait en produire davantage.
Et surtout, les deux solutions ne conduisent pas au même projet.
Dans le premier cas, vous cherchez un chatbot. Dans le second, vous cherchez d’abord à comprendre le travail.
C’est précisément ce que montre également l’étude française LaborIA : ses recommandations invitent à « partir du travail réel pour penser le rôle et la place des systèmes d’intelligence artificielle », plutôt que de partir de la technologie, et à associer les travailleurs à leur conception et à leur déploiement.
Votre meilleur premier projet IA est peut-être un problème métier
Un premier cas d’usage IA ne se trouve pas forcément en cherchant ce que l’IA pourrait faire. Il peut émerger d’un problème métier bien identifié : un délai trop long, des erreurs récurrentes, une perte de qualité, des opportunités manquées ou du temps mobilisé sans raison claire.
Ne réunissez donc pas votre CODIR en demandant :
« Qu’est-ce que nous pourrions faire avec l’IA ? » Vous risquez d’obtenir une collection d’idées. Demandez plutôt :
« Où perdons-nous aujourd’hui du temps, de la qualité, de l’argent ou des opportunités sans vraiment comprendre pourquoi ? »
Puis, descendez dans le fonctionnement réel.
- À quel endroit le flux ralentit-il ?
- Quelles informations sont recherchées plusieurs fois ?
- Quelles décisions remontent inutilement ?
- Quelles tâches existent uniquement pour compenser une autre difficulté ?
- Quelles erreurs génèrent des contrôles ?
- Quelles exceptions occupent disproportionnellement les équipes ?
- Et surtout : qu’est-ce qui, dans ce fonctionnement, mérite d’être supprimé, simplifié ou repensé avant même de parler d’automatisation ?
C’est à ce moment-là que l’IA entre dans la conversation et peut devenir extrêmement puissante.
Avant d’utiliser l’IA : supprimer, simplifier, puis augmenter
Une règle simple permet d’éviter de chercher trop vite une solution technologique : Supprimer → Simplifier → Augmenter
1/ Supprimer
Commencez par questionner ce qui existe.
Une étape, un contrôle ou un reporting a peut-être eu une excellente raison d’être. Cela ne signifie pas que cette raison existe encore.
2/ Simplifier
Simplifiez ensuite ce qui doit rester.
Si cinq acteurs interviennent dans une décision, demandez-vous ce que chacun apporte réellement avant d’utiliser l’IA pour mieux orchestrer leurs cinq interventions.
3/ Augmenter
C’est là que l’IA prend tout son sens :
analyser des volumes impossibles à traiter humainement, retrouver une information dispersée, préparer une décision, détecter une anomalie, générer un premier contenu, traiter certaines opérations de bout en bout ou permettre aux collaborateurs de concentrer leur temps sur les exceptions et le jugement.
L’ordre compte.
Les données d’Accenture montrent d’ailleurs un décalage intéressant : 21 % des entreprises interrogées repensent leurs processus, mais moins de 10 % redéfinissent les rôles ; parallèlement, seuls 20 % des salariés se sentent pleinement acteurs de la transformation de leur travail par l’IA.
Transformer le processus sans repenser le travail humain qui l’entoure laisse donc une partie du problème intacte.
Le MIT Sloan recommande précisément de définir très tôt ce que signifie la valeur, afin de pouvoir arrêter les cas d’usage qui n’en produisent pas réellement.
L’IA est peut-être la solution. Mais ne lui donnez pas le problème trop vite.
Analyser d’abord ne signifie pas avancer moins vite
Il n’est pas nécessaire d’attendre d’avoir une organisation parfaite pour commencer. Elle ne le sera jamais.
Inutile non plus de lancer un programme de transformation de dix-huit mois avant d’expérimenter.
L’enjeu est de prendre suffisamment de recul pour comprendre ce que l’on s’apprête à accélérer, puis de tester rapidement les cas d’usage qui présentent le plus de valeur.
C’est le principe de SCALIA : prioriser des cas d’usage à fort impact, les expérimenter rapidement et mesurer leur valeur à partir d’indicateurs définis en amont.
L’IA peut augmenter très fortement la capacité d’un système existant. C’est précisément pour cela qu’il faut être exigeant sur le système auquel on l’applique.
Vous avez identifié plusieurs pistes, mais vous ne savez pas par laquelle commencer ?
SCALIA vous aide à partir de vos enjeux métiers pour identifier les cas d’usage IA qui méritent réellement d’être explorés, les prioriser selon leur impact et leur faisabilité, puis en mesurer rapidement la valeur.
Prenons 45 minutes pour clarifier votre trajectoire IA.