On supprime la corvée,
pas votre équipe.

Automatisation et intelligence artificielle : ce n'est pas la même chose

L'automatisation de process déplace et transforme de l'information selon des règles que vous fixez : quand une commande arrive, créer la fiche, envoyer l'accusé de réception, mettre à jour le tableau de suivi. C'est déterministe, testable, et ça tourne sans surveillance.

L'intelligence artificielle intervient là où la règle n'existe pas : comprendre un document mal structuré, résumer un échange, classer une demande selon son intention, rédiger un premier jet. Les modèles de langage, les LLM, font cela très bien, mais ils produisent une réponse probable et non une réponse garantie.

La plupart des gains réels en PME viennent de la combinaison des deux : une automatisation qui pilote le flux de bout en bout, et un appel à un modèle sur l'étape précise où il faut du jugement. Un agent IA n'est rien d'autre que cela, un enchaînement d'appels à un modèle encadré par des règles et connecté à vos outils.

Les cas d'usage qui tiennent vraiment

Une automatisation utile ne part jamais d'une liste de possibilités, elle part d'un geste que quelqu'un refait chaque semaine en soupirant. Chez un client accompagné pendant cinq ans, aucune automatisation n'a été décidée au démarrage : chacune est née d'un agacement répété. Voilà à quoi ça ressemble concrètement.

Le fichier de suivi qui déclenche une série de gestes manuels

C'est le cas le plus fréquent en PME, et le plus rentable. Un tableur partagé sert de suivi : commandes, dossiers, interventions, candidatures. Quelqu'un ajoute une ligne, puis enchaîne à la main. Créer le dossier au bon endroit et avec le bon nom, envoyer le mail de confirmation, recopier trois champs dans l'outil de gestion, poser un rappel de relance à huit jours, et prévenir la personne concernée.

On ne remplace pas le tableur. L'équipe le connaît, il marche, et le remplacer par un logiciel serait un projet à part entière. On branche la suite derrière : la ligne saisie déclenche la chaîne, et l'humain ne reprend la main que là où il y a une décision à prendre. Le gain de temps ne vient pas d'une tâche supprimée, il vient des dix petits gestes entre deux tâches.

L'arrivée et le départ d'un salarié

Une arrivée, c'est dix à quinze gestes dans autant d'outils : créer le compte, attribuer la licence, ouvrir la boîte mail, inscrire aux bons groupes, provisionner l'espace de travail et le canal Teams, poser les droits sur les dossiers, déclarer dans l'ERP. Un départ, c'est la même liste à l'envers, et c'est celle qu'on oublie, ce qui laisse des comptes actifs et des licences payées pendant des mois.

Chez le client cité plus haut, ces gestes sont passés en flux Power Automate et en scripts PowerShell : la fiche d'arrivée remplie une fois provisionne le reste. Un geste manuel répété devient une commande, exécutable par quelqu'un d'autre que celui qui l'a écrite.

Le document qui circule en pièce jointe

Un reporting envoyé chaque semaine à quinze personnes, c'est quinze copies, des quotas de boîte saturés, et plus personne pour dire quelle version fait foi. Le déposer au bon endroit et notifier les intéressés n'a rien de spectaculaire, et c'est pourtant souvent le premier gain visible. Toute l'automatisation n'est pas de l'intelligence artificielle : une bonne part est de la plomberie entre des outils qui ne se parlent pas.

Le document qu'il faut lire avant de pouvoir agir

C'est là que l'IA entre réellement en jeu. Une facture fournisseur, un bon de commande, un cahier des charges reçu en PDF : chaque émetteur a sa mise en page, donc aucune règle fixe ne tient. Un modèle lit le document, en tire les données attendues et alimente l'ERP ou la comptabilité. L'humain ne saisit plus, il valide les cas douteux, que le système sait signaler.

Même logique pour la réponse qu'on réécrit à chaque fois, appel d'offres ou demande client récurrente : le modèle retrouve dans l'historique ce qui a déjà été écrit et prépare un premier jet, que quelqu'un reprend. L'extraction de documents et la préparation de réponse sont les deux cas d'usage où le passage par un modèle se justifie sans discussion.

Ce qui déçoit presque toujours

Le chatbot maison ouvert à tous les sujets : il impressionne en démonstration et s'effondre à la première vraie question d'un client. Et surtout, l'automatisation d'un process que personne n'a jamais écrit. Automatiser un fonctionnement flou revient à figer le désordre au lieu de le régler, et à le rendre plus difficile à corriger qu'avant. Quand c'est le cas, on le dit : il faut d'abord clarifier le process, l'automatisation vient après.

Où vont vos données

C'est la première question posée par les dirigeants, et elle est légitime. Trois réponses possibles selon votre niveau d'exigence, qu'on tranche avec vous avant d'écrire la moindre ligne.

• Les automatisations sans IA ne sortent pas de vos outils : les données circulent entre vos comptes, rien n'est envoyé à un tiers.
• Pour les traitements par modèle, on privilégie les offres professionnelles qui n'entraînent pas leurs modèles sur vos données et permettent un hébergement européen. C'est ce qui rend la démarche compatible avec le RGPD dans la grande majorité des cas.
• Quand la confidentialité l'impose, secret industriel, données de santé, un modèle ouvert peut tourner sur une infrastructure que vous maîtrisez. C'est plus lourd, et ce n'est justifié que si le besoin l'est.

Les outils qu'on utilise, et pourquoi ceux-là

Le choix se fait sur votre contexte, pas sur un catalogue : notre rémunération ne dépend d'aucun des outils cités, et s'il nous arrive d'avoir une relation avec l'un d'eux, vous le savez avant l'arbitrage.

• n8n quand vous voulez pouvoir tout héberger et tout reprendre : les scénarios vous appartiennent et s'exportent.
• Make ou Zapier quand la simplicité prime et que le volume reste modeste.
• Power Automate quand vous êtes déjà équipé en Microsoft 365 : l'intégration et les licences sont déjà là.
• Côté modèles, on appelle par API le fournisseur qui correspond à votre contexte : OpenAI, Anthropic, ou Azure OpenAI si votre socle est déjà chez Microsoft.
• Mistral quand vous voulez un fournisseur français et un hébergement européen, ce qui simplifie souvent la discussion en interne autant que le dossier RGPD.
• Un modèle ouvert exécuté sur votre propre infrastructure, Mistral, Llama ou Qwen, quand les données ne doivent sortir de chez vous sous aucune forme.

Une précision qui évite un malentendu fréquent : Microsoft Copilot et ChatGPT sont des produits destinés à l'utilisateur, utiles si vos équipes en sont déjà équipées, mais ce ne sont pas eux qu'on appelle depuis un scénario d'automatisation. Ce sont les API des fournisseurs qui font ce travail, et la facturation comme la confidentialité n'y obéissent pas aux mêmes règles.

Preuve de concept ou mise en production directe ?

Pour un cas d'usage évident, on va directement en production : le détour par une maquette coûte plus cher que le déploiement lui-même. Pour un cas d'usage incertain, où personne ne sait encore si le résultat sera assez fiable, on commence par une preuve de concept sur vos vraies données, avec un critère de réussite posé à l'avance.

Un POC qui échoue est un bon POC : il a coûté peu et il a évité un projet. Si vous cherchez à balayer plusieurs cas d'usage d'un coup plutôt qu'un seul, c'est l'audit IA qui répond, avec trois process évalués et un prototype testé.