IA générative : passer de l'expérimentation à la création de valeur

Depuis douze mois, la plupart des dirigeants de PME et d'ETI ont autorisé des essais d'IA générative. Quelques collaborateurs rédigent plus vite, un assistant a été branché sur la documentation interne, une démonstration impressionnante a été présentée au comité de direction. Puis la question du CFO arrive : qu'est-ce que cela change dans nos résultats ? La réponse est souvent embarrassée, non parce que la technologie ne fonctionne pas, mais parce que l'expérimentation n'a pas été conçue pour répondre à cette question.

Cet article propose une lecture de ce décalage et un cadre de décision adapté aux entreprises de quelques dizaines à quelques centaines de personnes. Il s'inscrit dans notre approche de la stratégie et de la création de valeur : partir du résultat attendu, puis choisir les moyens, y compris l'IA lorsqu'elle est le bon levier.

Pourquoi les pilotes ne se transforment pas en valeur

Un gain de temps n'est pas un gain économique

Le premier malentendu tient à la comptabilité de la valeur. Un collaborateur qui gagne vingt minutes par jour ne génère aucun euro ou franc supplémentaire tant que ces vingt minutes ne sont pas converties : en volume traité, en délai réduit, en poste non remplacé, en heures supplémentaires évitées. Dans une PME, où les équipes sont petites et les rôles polyvalents, le temps libéré se dilue facilement dans le reste de la journée. Il est réel pour la personne, invisible pour l'entreprise.

Des cas d'usage choisis par la technologie

Le deuxième malentendu est d'origine : on part de ce que l'outil sait faire, rarement d'un problème chiffré. Les cas d'usage retenus sont alors ceux qui sont faciles à démontrer (résumer, reformuler, traduire), pas ceux qui pèsent dans la marge, la croissance ou le risque. Ils sont utiles, mais rarement suffisants pour justifier un effort d'organisation.

Une responsabilité diffuse

Un pilote sans propriétaire métier reste un projet informatique ou un projet d'enthousiastes. Personne n'a d'objectif à atteindre, donc personne ne renonce à une ressource ou ne modifie un processus. Sans cette décision, le pilote reste un pilote.

Un cadre de risque traité trop tard

En Suisse, la loi révisée sur la protection des données (nLPD) est en vigueur depuis le 1er septembre 2023. Elle renforce les devoirs d'information, impose de documenter les traitements et encadre les transferts de données à l'étranger. Or de nombreux essais ont été menés avec des outils grand public, sans règle claire sur ce qui peut être saisi. Côté européen, l'accord politique sur le règlement sur l'IA date de décembre 2023 et le texte doit encore être finalisé. Les entreprises suisses qui vendent dans l'Union européenne ou y exploitent des systèmes devront suivre ce calendrier de près. Nous ne recommandons pas d'attendre : quelques règles simples dès maintenant coûtent peu et évitent d'arrêter, plus tard, des usages déjà ancrés.

Un exemple chiffré, avec ses hypothèses

Prenons une ETI industrielle de 250 personnes. Son administration des ventes compte 12 personnes qui consacrent environ 30 % de leur temps à rédiger des offres et des réponses clients. Supposons que l'IA générative, avec relecture humaine, réduise ce temps rédactionnel d'un tiers.

• Temps rédactionnel actuel : 12 × 0,30 = 3,6 équivalents temps plein.
• Temps théoriquement libéré : environ 1,2 équivalent temps plein.
• Coût complet moyen d'un poste : 100 000 CHF, soit une valeur théorique de 120 000 CHF par an.

Côté coûts, supposons environ 5 000 CHF de licences, et une quarantaine de milliers de francs la première année pour l'intégration aux outils existants, la formation, la préparation des modèles de réponse et la gouvernance. Au total, 45 000 CHF environ.

Si l'entreprise parvient à capter la totalité du temps libéré, le résultat net de la première année est de l'ordre de 75 000 CHF. Si elle n'en capte que la moitié, parce que le temps se dilue, le gain tombe à 60 000 CHF et le résultat net à environ 15 000 CHF. Le même outil, le même usage, mais une différence de un à cinq selon la décision de gestion qui l'accompagne. Ces chiffres sont illustratifs, mais la mécanique est générale : la valeur dépend moins de la technologie que de la capacité de l'organisation à convertir la capacité libérée.

Quatre décisions pour passer à l'échelle

1. Choisir peu de cas d'usage, et les arbitrer comme des investissements

Deux à quatre cas d'usage suffisent. Chacun doit répondre à trois questions : quel indicateur financier ou opérationnel bouge, de combien, et qui en répond ? Ils entrent en concurrence avec les autres projets de l'entreprise pour les mêmes ressources rares. Nous avons décrit cette discipline dans notre cas d'usage sur l'arbitrage d'un portefeuille de projets : une initiative d'IA n'a pas de statut particulier, elle se classe selon sa valeur, son risque et l'effort qu'elle demande.

2. Décider à l'avance ce que devient le temps libéré

Avant le déploiement, la direction fixe l'usage de la capacité récupérée : absorber la croissance sans recruter, réduire les délais de réponse, réaffecter vers la vente ou le service, ne pas remplacer des départs naturels. Cette décision est managériale, pas technique. Elle doit figurer dans le budget et les objectifs de l'équipe concernée.

3. Redessiner le processus, pas seulement équiper la personne

Insérer un assistant dans un processus inchangé produit des gains marginaux. Les gains durables viennent de la révision de l'enchaînement : qui prépare, qui valide, quelles données alimentent l'étape, quel contrôle qualité s'applique. C'est un travail d'opérations et de processus avant d'être un travail d'IA, et il est souvent plus simple d'y trouver du gain sans modèle du tout. Nous disons volontiers à nos clients que l'IA n'est pas toujours la réponse, et que la clarification d'un processus suffit parfois.

4. Poser un cadre de risque proportionné

Pour une PME, un cadre utile tient en une page : les catégories de données qui ne sortent jamais de l'entreprise, les outils autorisés, les cas où une relecture humaine est obligatoire, la traçabilité minimale, un responsable désigné. Il tient compte de la nLPD aujourd'hui et se laisse ajuster lorsque le cadre européen sera fixé. Les entreprises qui visent aussi le marché américain doivent en outre composer avec des règles plus fragmentées, par État et par secteur, ce qui rend un socle interne clair d'autant plus précieux ; nous l'abordons dans notre cas d'usage sur la préparation de l'entrée sur le marché américain.

Ce que les dirigeants peuvent faire dès ce trimestre

Faire l'inventaire des essais en cours et des outils réellement utilisés, y compris ceux que les équipes ont adoptés sans le dire. Retenir deux ou trois cas d'usage adossés à un indicateur et à un responsable. Chiffrer pour chacun le coût complet, pas seulement les licences, et la part de valeur que l'on s'engage à capter. Fixer un point de revue à trois mois avec un critère d'arrêt explicite. Un pilote qui ne franchit pas ce seuil n'est pas un échec : c'est une information, obtenue à moindre coût.

L'IA générative est un levier réel, mais un levier parmi d'autres, et il ne produit de la valeur qu'inséré dans une stratégie, un processus et un système de pilotage. Si vous souhaitez évaluer où vos essais en sont et lesquels méritent un déploiement, notre diagnostic est un point de départ simple et sans engagement.