Écrit par Simon 
On nous demande rarement « est-ce que l’IA peut faire ça ». On nous demande « est-ce que ça va tenir ».
La différence entre les deux compte, parce que presque tout est démontrable en réunion. Ce qui sépare un usage qui dure d’un usage qu’on abandonne au troisième mois n’est pas la capacité du modèle.
Voici les dix cas qu’on rencontre le plus souvent dans une PME de vingt à deux cents personnes. Cinq tiennent. Cinq ne tiennent pas. Mieux vaut le savoir avant le devis.
À quoi reconnaît-on un usage qui tient ?
À trois propriétés, présentes ensemble. Aucune ne concerne la technique.
La réponse existe déjà, mais elle est éparpillée. L’IA ne crée pas de connaissance. Elle rend accessible ce que l’entreprise sait déjà sans savoir où c’est écrit. Quand la réponse n’existe nulle part, aucun modèle ne l’inventera correctement.
La chercher coûte cher. Une question posée trois fois par an ne justifie rien. Une question posée douze fois par jour, qui interrompt à chaque fois la seule personne qui sait, justifie beaucoup.
Un humain reste sur le chemin. Les usages qui durent sont ceux où quelqu’un lit, arbitre et signe. Ceux qui échouent sont ceux où l’on a retiré la validation pour gagner du temps.
Le dernier point est le plus contre-intuitif. Un assistant qui fait gagner quinze minutes à un humain qui vérifie tient des années. Un assistant qui décide seul tient jusqu’à la première erreur visible par un client.
Que disent les études sur des entreprises comme la vôtre ?
Sur des entreprises qui ne vous ressemblent pas. C’est la première chose à savoir avant de lire un chiffre sur l’IA.
Le résultat le plus parlant vient d’une expérience menée sur 66 entreprises, 7 137 travailleurs du savoir, pendant six mois, tirage au sort à l’appui. Un assistant intégré aux outils existants, messagerie comprise. Effet mesuré : deux heures d’e-mail en moins par semaine. Puis aucun changement détecté dans la quantité ou la nature du travail produit (Dillon, Jaffe, Immorlica et Stanton, Shifting Work Patterns with Generative AI, NBER, 2025).
Du temps individuel récupéré. Rien de visible sur ce qui sort de l’entreprise.
C’est le déploiement générique : on achète des licences pour tout le monde et on attend. Il ne produit pas d’effet mesurable. C’est l’échec le mieux documenté du dossier.
Deux autres mesures situent le terrain, toutes deux sur de grandes organisations. Chez un éditeur de logiciels, un assistant de support a fait gagner 15 % de problèmes résolus par heure en moyenne. Mais 34 % aux agents les moins expérimentés (NBER, 2023, révisé en 2024). Chez 758 consultants du BCG, la performance monte de 12 % sur les tâches que l’IA sait faire. Elle tombe de 19 points sur celle qu’elle ne sait pas (HBS, 2023).
Et maintenant la limite qui compte. Aucune de ces études ne porte sur une PME. Les terrains sont une multinationale du support, le BCG, Microsoft, Accenture, une entreprise du Fortune 100. Sur les entreprises de votre taille, on mesure l’adoption, pas l’effet.
Ce qu’on en sait pour la France : 26 % des PME et ETI utilisent l’IA générative. Surtout, la moitié de celles qui ont adopté l’IA n’emploie que des solutions gratuites ou prêtes à l’emploi (Bpifrance Le Lab, enquête auprès de 1 209 dirigeants). Autrement dit : beaucoup d’usage déclaré, très peu d’intégration.
Quels usages rentabilisent le plus vite ?
La recherche documentaire métier
Un corpus réglementaire, technique ou contractuel que trois personnes maîtrisent et que trente devraient pouvoir interroger.
C’est l’usage qui rentabilise le plus vite, pour une raison simple : il ne remplace pas un travail, il remplace une interruption. La personne qui savait cesse d’être dérangée, celle qui cherchait cesse d’attendre. Le gain se compte des deux côtés.
La technique qui le porte est le RAG. La condition d’acceptation tient en une ligne : pas de réponse sans référence cliquable.
La préparation de réponse
Devis, appel d’offres, réponse de support, courrier de réclamation. L’assistant sort les éléments comparables des dossiers passés, propose une trame. L’humain arbitre.
Le gain se compte en heures par dossier, jamais en suppression de poste. C’est précisément ce qui le rend durable : personne dans l’équipe n’a de raison de le saboter.
L’extraction de documents
Factures fournisseurs, bons de livraison, contrats, comptes rendus d’intervention. Transformer du langage en champs de base de données.
C’est le plus ancien des usages de cette liste. C’est aussi le plus ingrat. Les modèles récents l’ont rendu fiable sur des documents non standardisés, ce qui était le mur historique. Il se marie naturellement avec l’automatisation des processus, puisque l’extraction alimente une chaîne qui tournait déjà.
Deux usages qui tiennent, sous condition
La qualification d’entrées
Mails, formulaires, demandes en langage libre à ranger, router et résumer. Le volume rend la tâche pénible, la variété empêche de l’automatiser par des règles.
La condition : un humain garde la main sur la catégorie. Un routage automatique sans repêchage envoie les demandes rares dans un dossier que personne n’ouvre.
L’interrogation d’un tableau de bord en langage courant
Poser une question et obtenir un chiffre, sans passer par l’outil de reporting.
La condition est lourde. Elle est éliminatoire : les chiffres doivent déjà être fiables. Cet usage est le prolongement de la centralisation des données, jamais son raccourci. Posé sur des sources qui divergent, il produit des réponses fausses avec une assurance qui les rend plus dangereuses qu’un tableur.
Quels usages échouent presque toujours ?
Le calcul qui fait foi
Une marge, un solde, une paie, un encours.
Un modèle de langage produit un nombre plausible. Une requête produit le nombre juste. La différence ne se voit pas à l’œil. C’est bien le problème : l’erreur passe la relecture.
La règle est sans exception. On branche l’assistant sur le résultat du calcul, on ne lui demande jamais de le faire.
La décision sans relecture
Accorder un délai de paiement, écarter une candidature, valider un remboursement, prioriser une intervention.
Deux raisons de s’arrêter, dont une juridique. Le règlement européen sur l’IA classe une partie de ces cas en risque élevé, avec les obligations qui vont avec. Et le bon sens fait le reste : une décision sans relecture est une décision que personne ne peut expliquer au client qui la conteste.
Le remplacement d’un moteur de recherche déjà bon
Si vos documents portent des références, que la nomenclature est tenue et que tout le monde sait chercher, un assistant ajoute un coût sans ajouter une réponse.
C’est l’usage que nous refusons le plus souvent. Il se vend très bien en démonstration, parce que la démonstration ne montre jamais le moteur existant.
Pourquoi ces deux-là échouent-ils aussi ?
L’assistant qui doit tout savoir
Un corpus qui mélange le juridique, le commercial et la technique répond moyennement sur les trois.
La cause est mécanique. Plus le corpus est large, plus la recherche remonte des passages voisins mais hors sujet. Plus la réponse se dilue. Trois assistants sur trois corpus séparés répondent mieux qu’un seul sur l’ensemble, pour un coût de mise en place à peine supérieur.
C’est l’erreur de cadrage la plus fréquente. Elle vient toujours d’une bonne intention.
L’agent qui agit pendant que personne ne regarde
Créer le devis, envoyer la relance, modifier la fiche client sans validation.
Techniquement, c’est faisable depuis longtemps. Ce qui échoue n’est pas l’exécution, c’est la reprise : le jour où l’agent se trompe, personne ne sait dire quand il a commencé, sur combien de dossiers, ni comment revenir en arrière.
Un agent sans journal d’actions et sans périmètre écrit n’est pas un gain de productivité. C’est une dette dont on ignore le montant.
Les deux chiffres qu’on vous citera
Deux statistiques circulent partout dès qu’on parle d’échec de l’IA. Aucune ne dit ce qu’on lui fait dire.
« 95 % des projets d’IA échouent. » Le rapport source repose sur 52 entretiens et 153 réponses à un questionnaire. Surtout : 80 % des entreprises interrogées n’avaient jamais lancé de pilote sur mesure. Les compter comme des échecs revient à conclure que 95 % des inscrits sur un site de rencontre ratent leur mariage, alors que quatre sur cinq n’ont jamais obtenu de rendez-vous. Le document n’a pas été relu par des pairs. Ses auteurs vendent la solution qu’il recommande.
« 80 % des projets d’IA échouent, selon RAND. » RAND écrit « selon certaines estimations ». C’est une mise en contexte bibliographique, pas une mesure. Ce que RAND a réellement produit, à partir de 65 entretiens, ce sont les causes d’échec. Elles sont plus utiles que le pourcentage : une direction qui se trompe de problème, des données indisponibles ou de mauvaise qualité, une course à la technologie, une infrastructure de déploiement sous-financée (RAND, 2024).
Retenez la mécanique, elle se répète : le chiffre spectaculaire voyage, la méthodologie reste sur place.
Comment trancher chez vous ?
En posant trois questions dans cet ordre, avant de regarder le moindre outil.
Où est écrite la réponse aujourd’hui ? Si elle est dans la tête de quelqu’un, le chantier n’est pas un chantier d’IA, c’est un chantier d’écriture. Si elle est dans un tableur, c’est un chantier de structuration des données.
Combien de fois par semaine la question se pose-t-elle ? Multipliez par le temps perdu à chaque fois. Le produit décide. Il disqualifie la moitié des idées qu’on nous soumet.
Qui vérifie, avec quoi ? S’il n’y a pas de réponse à cette question, l’usage tombera dans la seconde moitié de cette liste.
Chez Bienfait, on commence par écarter. C’est la partie du travail qu’on nous reproche le plus en avant-vente. C’est aussi celle qui fait qu’un projet tient encore deux ans après.
En bref
L’IA ne remplace pas une réponse qui n’existe pas. Elle rend accessible celle qui existe déjà.
Les usages qui tiennent partagent trois traits : la réponse est écrite quelque part, la chercher coûte cher, un humain reste sur le chemin. Ceux qui échouent demandent au modèle une certitude que la statistique ne donne pas.
Chez Bienfait, on vous dit franchement quand une requête bien écrite ferait le même travail pour dix fois moins cher. C’est ce que couvre notre brique IA appliquée à vos données.
Alors la question n’est peut-être pas de savoir quel usage lancer en premier. Lequel de vos collaborateurs est interrompu dix fois par jour pour la même chose ?
Les sources
Les chiffres de cet article viennent des sources suivantes, consultées le 21 septembre 2026.
- Matthew Dillon, Sonia Jaffe, Nicole Immorlica et Christopher T. Stanton, Shifting Work Patterns with Generative AI, NBER Working Paper 33795, avril 2025. Expérience sur 66 entreprises et 7 137 travailleurs du savoir, six mois, accès tiré au sort. https://arxiv.org/abs/2504.11436
- Erik Brynjolfsson, Danielle Li et Lindsey R. Raymond, Generative AI at Work, NBER Working Paper 31161, 2023, révisé en novembre 2024, publié au Quarterly Journal of Economics. Déploiement échelonné d’un assistant auprès de 5 172 agents de support. https://www.nber.org/papers/w31161
- Fabrizio Dell’Acqua et al., Navigating the Jagged Technological Frontier, Harvard Business School Working Paper 24-013, septembre 2023. Expérience de terrain randomisée auprès de 758 consultants du BCG. https://www.hbs.edu/faculty/Pages/item.aspx?num=64700
- Bpifrance Le Lab, L’IA dans les PME et ETI françaises, juin 2025. Enquête auprès de 1 209 dirigeants de PME et ETI de 10 salariés et plus, octobre à décembre 2024, complétée d’une quarantaine d’entretiens. https://presse.bpifrance.fr/lia-dans-les-pme-et-eti-francaises-une-revolution-tranquille
- James Ryseff, Brandon De Bruhl et Sydne J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects, RAND Corporation, août 2024. Soixante-cinq entretiens auprès de praticiens et d’universitaires. https://www.rand.org/pubs/research_reports/RRA2680-1.html
Où est écrite la réponse aujourd'hui ? Si elle est dans la tête de quelqu'un, le chantier n'est pas un chantier d'IA, c'est un chantier d'écriture. Si elle est dans un tableur, c'est un chantier de structuration des données. L'IA ne crée pas de connaissance : elle rend accessible celle qui existe déjà. Rien d'autre.
L'IA ne remplace pas une réponse qui n'existe pas. Elle rend accessible celle qui existe déjà. C'est ce qui sépare les usages qui durent de ceux qu'on abandonne.
Questions fréquentes
Quel usage de l'IA lancer en premier dans une PME ?
La recherche documentaire sur un corpus métier. C'est celui qui rentabilise le plus vite, parce qu'il ne remplace pas un travail : il supprime une interruption. La personne qui savait cesse d'être dérangée, celle qui cherchait cesse d'attendre.
Peut-on demander un calcul à une IA ?
Non. C'est la règle sans exception de cette liste. Un modèle de langage produit un nombre plausible, une requête produit le nombre juste. La différence ne se voit pas à l'œil, donc l'erreur passe la relecture. On branche l'assistant sur le résultat du calcul.
Faut-il un seul assistant pour toute l'entreprise ?
Non. Un corpus qui mélange le juridique, le commercial et la technique répond moyennement sur les trois, pour une raison mécanique : plus le corpus est large, plus la recherche remonte des passages hors sujet. Trois assistants séparés répondent mieux.
Comment savoir si un usage va tenir dans la durée ?
Trois propriétés doivent être réunies : la réponse existe déjà quelque part, la chercher coûte cher, un humain reste sur le chemin. Les usages qui échouent sont presque toujours ceux dont on a retiré la validation humaine pour gagner du temps.
L'IA peut-elle décider à la place d'un salarié ?
Techniquement oui. C'est même ce qui échoue le plus vite. Le règlement européen classe une partie de ces décisions en risque élevé. Et une décision sans relecture est une décision que personne ne saura expliquer au client qui la conteste.
