Toutes nos conversations sur l’IA ne débouchent pas sur un projet concret. Parfois, notre conseil est : ne le faites pas. Pas encore. Ou pas de cette façon.
Cela peut sembler étrange pour un studio qui propose des services d’IA. Mais un projet d’IA raté vous coûte plus cher qu’un projet jamais lancé — financièrement, sur le plan opérationnel et dans la confiance que votre équipe accorde encore à l’IA. Un seul pilote raté peut rendre une entreprise frileuse vis-à-vis de l’IA pendant des années.
Dans cet article : cinq situations où nous déconseillons de se lancer dans l’IA, et ce qu’il vaut mieux faire à la place.
Situation 1 : le processus sous-jacent n’est pas au point
C’est l’un des pièges les plus fréquents. Quelqu’un veut utiliser l’IA pour accélérer quelque chose — faire des devis, traiter des commandes, produire des rapports — mais le processus lui-même ne tourne pas rond. Personne ne sait qui fait quoi et quand, les données sont à trois endroits différents et les exceptions se règlent au cas par cas.
Le réflexe, c’est : « l’IA va mettre de l’ordre là-dedans ». En pratique : non. L’IA automatise ce qui existe. Si ce qui existe est le chaos, vous obtenez un chaos automatisé. Plus rapide, oui. Meilleur, rarement.
Ce qu’il faut faire d’abord : remettre le processus lui-même en ordre. Pas avec une longue mission de conseil, mais en réunissant les personnes concernées et en se mettant d’accord : qui est responsable de chaque étape, où vivent les données et comment les exceptions sont-elles traitées ? Ensuite seulement, l’automatisation a du sens.
Situation 2 : il n’y a pas de responsable en interne
Les projets d’IA sans propriétaire interne clairement désigné échouent. Pas de temps en temps — presque toujours.
Un système d’IA n’est pas un logiciel qu’on allume et qu’on éteint. C’est un processus continu qui demande une attention constante : évaluer les résultats, faire des retours, rattraper les exceptions et réajuster le modèle quand les données changent. Sans quelqu’un en interne qui en est responsable, le projet s’éteint vite.
La question que nous posons avant de commencer : qui va l’utiliser et le piloter au quotidien ? Si la réponse est « on verra bien » ou « quelqu’un de l’informatique y jettera un œil », c’est le moment de désigner d’abord cette personne — avec du temps et un mandat — et seulement ensuite de construire.
Situation 3 : le volume est trop faible
L’automatisation par l’IA a des coûts de démarrage fixes. Vous devez les amortir par le volume. Automatiser un processus que vous faites quelques fois par an ? Rarement rentable. Un processus qui revient tous les jours, voire plusieurs fois par jour ? Là, ça devient intéressant.
Le principe est simple : le temps ou l’argent que vous économisez chaque année doit largement dépasser le coût de développement, payé une seule fois. Si ce n’est pas le cas, c’est une tâche pour un humain — point.
Que faire alors ? Deux options : soit vous regroupez plusieurs petits processus similaires en une seule automatisation avec assez de volume, soit vous cherchez un autre processus qui, lui, passe à l’échelle.
Situation 4 : la qualité des données est trop mauvaise pour fonder des décisions dessus
Des données sales, c’est la norme, pas l’exception, dans les PME qui n’ont jamais travaillé de façon structurée sur la qualité de leurs données. Symptômes typiques : le même client figure trois fois dans le CRM avec des orthographes différentes, les catégories de produits sont remplies de façon incohérente, la moitié des contacts n’a pas de secteur d’activité. Pour une personne qui cherche un client de temps en temps : agaçant, mais gérable. Pour une IA qui prend des décisions à grande échelle sur la base de ces données : fatal.
Nuance importante : l’IA peut, elle, être un bon outil pour nettoyer ces données — rapprocher les doublons malgré les différences d’orthographe, compléter les catégories manquantes, déduire le secteur à partir du nom de l’entreprise — souvent avec une personne qui contrôle les cas douteux. C’est en soi un projet d’IA légitime, et souvent précieux.
Ce que nous déconseillons, c’est autre chose : construire un système d’IA qui prend chaque jour des décisions sur la base de données dont vous savez qu’elles sont fausses. Vous automatisez alors votre propre désordre.
Un bon test : parcourez vos propres exports de données. Vous pensez sans arrêt « il faudrait que je nettoie ça » ? C’est le signal. Commencez par les données — éventuellement avec l’IA comme outil — avant de construire par-dessus un système d’IA qui s’y fie.
Situation 5 : il n’y a pas de place pour un contrôle humain
Les bonnes mises en œuvre de l’IA ont presque toujours une composante « human-in-the-loop » (un humain dans la boucle). Pour les cas où le modèle a un doute, pour les exceptions, pour les contrôles par échantillonnage.
Si un processus doit aujourd’hui être automatisé à 100 % — personne qui intervient, aucune place pour le doute, pas de temps pour une relecture —, l’IA est rarement le bon choix. Non pas parce que l’IA est mauvaise, mais parce qu’une grande précision n’est pas une précision parfaite. Et dans certains processus, cet écart fait la différence avec un procès, la perte d’un client ou un problème de conformité.
C’est surtout vrai pour les décisions qui touchent directement des personnes : recrutements, décisions de crédit, triage médical, sanctions envers des clients. Si vous voulez y utiliser l’IA, il faut un contrôle humain structurel. Si votre façon de travailler ne le permet pas, l’IA n’y a pas sa place.
Que faire alors ?
Si nous déconseillons de vous lancer maintenant dans l’IA, cela ne veut pas dire que nous disons « jamais ». Cela veut dire : traitez d’abord les conditions préalables. Concrètement :
- Démêlez et améliorez le processus avant de l’automatiser.
- Désignez un responsable pour le futur projet d’IA.
- Nettoyez les données ou consolidez-les en quelque chose d’exploitable.
- Cherchez un processus avec assez de volume, ou regroupez plusieurs petits processus.
- Prévoyez une place réaliste pour le contrôle humain.
Quelques mois plus tard, il y a souvent un projet qui est mûr. Et là, il fonctionne.
La question honnête que personne ne pose
Une dernière situation, que l’on croise rarement dans les guides : avez-vous vraiment un problème que l’IA peut résoudre, ou voulez-vous surtout « faire quelque chose avec l’IA » parce que vos voisins s’y mettent ?
La pression pour se lancer dans l’IA vient souvent de l’extérieur : un conseil d’administration qui le demande, un concurrent qui communique dessus, un client qui pose la question, un événement où tout le monde en parlait. Ce n’est pas une mauvaise motivation en soi — elle peut mener à un vrai avantage. Mais elle peut aussi mener à un budget dépensé pour résoudre un problème que vous n’aviez pas vraiment.
La question par laquelle commencer : quel est le problème concret aujourd’hui ? Quelle est l’ampleur de la douleur, en heures, en euros ou en frustration ? Si les réponses restent floues, la conclusion honnête est généralement qu’il n’y a pas encore besoin d’un projet d’IA. Attendre et identifier un problème plus clair ne vous coûte rien. Un projet flou qui ne mène nulle part coûte du temps, de l’argent et de la confiance en interne.
Prêt pour une conversation honnête ?
Vous vous demandez si l’IA est la bonne étape pour votre organisation en ce moment ? Parlons-en. Parfois, le conseil est « allez-y ». Parfois, c’est « attendez encore un an et réglez d’abord X ». Cette seconde réponse, personne ne la donne facilement — mais c’est souvent la plus précieuse que vous puissiez recevoir.
