IA générative ou machine learning classique : choisir le bon outil

Depuis plusieurs mois, la même question revient dans les comités de direction : faut-il « mettre de l'IA générative » sur ce processus ? La question est mal posée. Elle part d'un outil, alors qu'une décision d'investissement devrait partir d'une tâche. Or l'IA générative et le machine learning classique ne résolvent pas le même problème, ne se trompent pas de la même façon et ne posent pas les mêmes obligations de conformité. Choisir l'un pour l'autre revient à acheter un camion pour livrer une enveloppe, ou l'inverse.

Deux familles, deux logiques

Le machine learning classique : prédire à partir de données structurées

Le machine learning classique regroupe les modèles de régression, d'arbres de décision, de classification, de séries temporelles. Il apprend à partir de données tabulaires (factures, historiques de commandes, relevés de capteurs, données RH) pour produire une valeur ou une catégorie : une probabilité de retard de paiement, une prévision de demande, un score de risque de panne.

Ses forces sont connues. Les résultats sont reproductibles : les mêmes données donnent la même sortie. L'erreur se mesure sur un historique, avec des indicateurs que la direction financière comprend. Le modèle est le plus souvent léger, peu coûteux à exploiter, et ses facteurs d'influence peuvent être expliqués. Sa limite : il demande des données propres, un périmètre bien défini et un travail de préparation que l'on sous-estime presque toujours.

L'IA générative : comprendre et produire du langage

Les modèles génératifs, dont les grands modèles de langage, travaillent sur des contenus non structurés : contrats, courriels, rapports, notices, appels d'offres. Ils résument, classent, extraient, reformulent, traduisent, rédigent. Leur apport principal est de traiter sans paramétrage lourd des textes que l'on ne savait pas traiter automatiquement.

Leur contrepartie est tout aussi structurelle. Une même requête peut produire des réponses différentes. Le modèle peut affirmer avec aplomb une information inexacte. L'erreur est difficile à quantifier à l'avance, et l'explicabilité est limitée. Ce n'est pas un défaut à corriger, c'est une propriété à gérer par la conception du processus.

Quatre questions pour trancher

Nous utilisons avec nos clients une grille volontairement simple.

1. Quelle est la nature de l'entrée ? Des tableaux et des séries chiffrées orientent vers le machine learning classique. Des textes, des documents, des échanges orientent vers l'IA générative.

2. Quelle est la nature de la sortie ? Un nombre, une probabilité, une classe parmi une liste fermée : classique. Un texte, une synthèse, un brouillon : génératif.

3. Quel est le coût d'une erreur, et peut-on l'expliquer ? Si la sortie déclenche une décision à effet significatif sur une personne (crédit, recrutement, tarification individuelle), la reproductibilité et la traçabilité priment. Si la sortie est un brouillon relu par un humain, la tolérance est plus grande.

4. Une règle simple ne suffirait-elle pas ? Une partie des cas d'usage présentés comme de l'IA se règle avec un tableau croisé, une règle métier ou une meilleure organisation. Le meilleur modèle est parfois l'absence de modèle.

Un exemple chiffré

Prenons une entreprise de distribution de 400 personnes, avec deux chantiers candidats. Les chiffres ci-dessous sont des hypothèses de travail, non des mesures.

Premier chantier : anticiper les retards de paiement clients. L'entreprise dispose de trois ans d'historique, soit environ 30 000 factures dans son ERP, avec montants, délais, secteur du client, historique de relance. Entrée structurée, sortie sous forme de probabilité, décision de relance priorisée. C'est un terrain classique : un modèle de classification s'entraîne et se teste sur l'historique, l'équipe finance voit quelles variables pèsent, et la performance peut être suivie chaque mois. Demander à un modèle génératif de « deviner » ces retards à partir de tableaux collés dans une requête donnerait un résultat instable, difficile à auditer, sans meilleure précision.

Second chantier : le service client reçoit en moyenne 15 000 courriels par mois, à trier et à préparer pour réponse. Entrée non structurée, sortie textuelle : c'est un terrain génératif. Supposons un coût d'usage de l'ordre de 0,01 franc par courriel traité. Cela représente environ 150 francs par mois. Le coût technique est négligeable. Le coût réel est ailleurs : si 5 % des cas doivent être relus en détail, à trois minutes chacun, cela représente 750 courriels et environ 37 heures par mois. C'est cette supervision, et non la facture du modèle, qu'il faut budgéter et organiser.

Enseignement : à l'échelle d'une PME, le prix du modèle est rarement le critère. La qualité des données, la supervision et la conformité le sont.

L'angle conformité : la technologie ne change pas tout, l'usage si

Ni la loi suisse ni le règlement européen ne raisonnent par famille d'algorithmes. Ils raisonnent par usage et par risque.

En Suisse, la loi révisée sur la protection des données, en vigueur depuis le 1er septembre 2023, s'applique dès qu'un traitement touche des données personnelles, quel que soit le modèle. Deux points ressortent. D'abord, l'information des personnes concernées lors d'une décision individuelle automatisée, plus probable avec un score prédictif qu'avec un assistant de rédaction. Ensuite, la communication de données à l'étranger : utiliser un service génératif hébergé hors de Suisse implique de savoir quelles données y transitent, sous quelles garanties et avec quelle conservation. Un cas comme la conformité LPD des données clients montre que cette cartographie est le vrai préalable.

Côté européen, l'AI Act est entré en vigueur le 1er août 2024, avec une application par étapes : interdictions depuis février 2025, obligations pour les modèles à usage général depuis août 2025, l'essentiel des autres obligations à partir d'août 2026. Un modèle de scoring classique utilisé pour évaluer la solvabilité de personnes physiques relève du risque élevé, alors qu'un assistant génératif de rédaction relève surtout d'obligations de transparence. Autrement dit, le « vieux » modèle prédictif peut être plus réglementé que le modèle à la mode. Une entreprise suisse qui vend ou dont les résultats sont utilisés dans l'Union doit vérifier son exposition.

Les combinaisons qui fonctionnent

Le choix n'est pas toujours binaire. Les architectures les plus robustes que nous voyons combinent les approches : l'IA générative lit des documents hétérogènes et en extrait des champs structurés, puis un modèle classique ou des règles explicites prennent la décision, avec un humain là où l'enjeu le justifie. Une veille réglementaire automatisée en est un exemple : le modèle génératif lit et résume les textes, mais la qualification de ce qui concerne l'entreprise reste validée par une personne.

Ce que les dirigeants peuvent faire

Partir de la tâche. Pour chaque idée, décrire l'entrée, la sortie, le coût d'une erreur et le volume avant de nommer une technologie.

Mesurer avant de déployer. Définir un jeu de cas de test et un seuil d'erreur acceptable, y compris pour un outil génératif, afin de comparer à la pratique actuelle et non à la perfection.

Budgéter la supervision. Compter les heures de relecture, la maintenance et la préparation des données, plus que la licence.

Cadrer les usages. Une charte de gouvernance de l'IA précise quelles données peuvent sortir, qui valide quoi et comment tracer les décisions. Sans elle, le choix de l'outil se fait au cas par cas dans les équipes.

Penser adoption dès le départ. Un outil bien choisi mais mal intégré aux pratiques reste inutilisé, ce qui relève d'organisation et d'adoption autant que de technique.

Ces arbitrages font partie de notre démarche en données, IA et conformité, où l'IA n'est un levier que lorsqu'elle sert un objectif précis. Si vous hésitez entre plusieurs pistes ou souhaitez vérifier qu'un projet est bien dimensionné, notre diagnostic permet de trier vos cas d'usage et de définir les premiers pas.