Optimisation PME par Guillaume François

IA dans le travail réel

Comment choisir un cas d'usage IA dans une PME ?

Un bon cas d'usage IA n'est pas seulement une tâche que l'IA peut faire. C'est un travail fréquent, déjà compris par l'équipe, dont la sortie peut être vérifiée avant d'avoir un impact client, financier ou organisationnel.

Dans une PME, la meilleure première question reste simple : quel livrable existant voulons-nous rendre plus rapide, plus fiable ou plus facile à préparer, sans perdre le contrôle humain ?

Critères de départ

Quatre critères suffisent pour faire un premier tri

Ces critères évitent de choisir un usage parce qu'il impressionne en démonstration, mais devient fragile une fois placé dans le quotidien de l'équipe.

Fréquent

Le travail revient assez souvent pour que l'équipe puisse comparer avant et après sans attendre un cas rare.

Visible

Le livrable existe déjà : synthèse, contrôle, relance, préparation de décision, compte rendu ou reporting.

Vérifiable

Une personne peut relire la sortie, repérer une erreur et expliquer ce qui rend le résultat acceptable.

Peu risqué

Une erreur reste rattrapable et ne déclenche pas seule un engagement client, financier, juridique ou RH.

Matrice simple

Classer un cas en trois niveaux

La matrice sert à décider si le cas peut être testé maintenant, doit être clarifié, ou doit attendre un cadre plus robuste.

Bon candidat

Préparer une synthèse de réunion interne ou un brouillon de reporting.

Fréquence : Chaque semaine ou plus

Données : Données déjà accessibles et autorisées

Risque : Erreur visible et corrigeable avant usage

À cadrer

Aider à préparer une réponse client complexe sans envoi automatique.

Fréquence : Besoin réel mais irrégulier

Données : Sources dispersées ou définitions floues

Risque : Impact limité si une personne relit

À éviter au départ

Modifier un prix, promettre un délai ou qualifier automatiquement un dossier critique.

Fréquence : Cas rare ou mal compris

Données : Données sensibles, incomplètes ou non autorisées

Risque : Décision ou action sensible sans filet humain

Méthode

Une séquence courte pour choisir sans surpromettre

1. Nommer le travail à améliorer

Ne partez pas de l'outil. Partez d'un livrable que l'équipe produit déjà et qui crée une friction répétée.

2. Décrire la donnée utilisée

Listez les sources nécessaires, leur propriétaire, leur niveau de sensibilité et ce qui ne doit pas être envoyé dans un outil externe.

3. Définir la vérification

Écrivez ce qui doit être relu : exactitude, ton, exhaustivité, format, décision préparée ou risque d'interprétation.

4. Prévoir le retour manuel

Un bon premier test peut s'arrêter sans casser le travail quotidien. La routine manuelle reste disponible.

5. Décider après un test court

Après quelques usages, choisissez clairement : garder, corriger, limiter ou arrêter. Le test ne doit pas devenir une dépendance invisible.

Exemples pédagogiques

Trois cas à comparer avant de se lancer

Ces exemples ne sont pas des cas clients. Ils montrent comment lire le niveau de risque, la validation humaine et la maturité du travail existant.

Bon premier candidat

Synthèse de réunion

Le contenu est interne, la vérification est simple et le livrable existe déjà. Le responsable valide les décisions et les actions.

À cadrer selon le risque

Réponse client

L'IA peut préparer un brouillon, mais l'envoi, la promesse et les engagements restent humains.

À éviter au départ

Qualification automatique d'une demande sensible

Le risque de mauvaise orientation est trop élevé si les règles, les données et l'escalade ne sont pas déjà explicites.

Checklist avant le test

  • Le livrable existe déjà sans IA.
  • La donnée nécessaire est autorisée, comprise et accessible.
  • La personne qui valide la sortie est nommée.
  • Le critère de qualité est écrit avant le test.
  • Une erreur peut être corrigée avant impact externe.
  • L'équipe peut revenir au fonctionnement manuel.
  • Une décision de suite est prévue après quelques usages.

Limites

Cette grille ne remplace pas une analyse juridique, sécurité ou protection des données. Elle aide à éviter les départs trop larges : donnée sensible utilisée trop vite, sortie non relue, promesse client automatique ou dépendance fournisseur invisible.

Si le cas touche des données personnelles, contractuelles, financières ou RH, le cadre doit être vérifié avant tout test opérationnel. Le PFPDT rappelle notamment que le droit suisse de la protection des données s'applique aussi aux traitements de données recourant à l'IA.

Sources et repères

  • PFPDT, IA et protection des données, publié le 24 septembre 2025, consulté le 3 octobre 2026.
  • Ressources internes IA : distinction assistant, automatisation, agent et couche de vérification.
  • Ressources internes IA : dépendance fournisseur, données autorisées, validation humaine et retour manuel.
  • Ressources personal branding : adoption Salesforce, opérations, coordination d'équipes et AI Enablement.
  • Consultation et rédaction : 3 octobre 2026.