La question tombe à presque chaque premier rendez-vous : par où commencer avec l'IA en entreprise. La réponse attendue porte sur un choix d'outil, ChatGPT ou Copilot, Mistral ou Claude. Le résultat se joue rarement là. Un premier chantier tient ou s'écroule sur trois points beaucoup plus prosaïques : la donnée dont il a besoin est-elle déjà accessible à une machine, quelqu'un fait-il déjà ce travail à la main aujourd'hui, et que se passe-t-il le jour où la sortie est fausse.
Les chiffres publics disent la même chose. En 2025, 18,16 % des entreprises françaises de 10 salariés ou plus utilisaient au moins une technologie d'IA, contre 19,95 % dans l'Union européenne, d'après les données Eurostat sur l'usage de l'IA par les entreprises. L'écart intéressant est ailleurs : 15,04 % chez les 10 à 49 salariés, 58,01 % au-delà de 250. Cette marche se franchit avec une capacité à passer du test à la production, que la curiosité seule ne donne pas.
Ne commencez pas par un proof of concept
Le POC est le format qui produit le plus d'abandons, et il faut le dire avant que le budget parte dedans. Gartner annonçait dès juillet 2024 qu'au moins 30 % des projets d'IA générative seraient abandonnés après le proof of concept avant la fin 2025, pour quatre raisons citées telles quelles : mauvaise qualité des données, contrôles de risque insuffisants, coûts qui dérapent, valeur métier floue. En juin 2025, le même cabinet estimait que plus de 40 % des projets d'IA agentique seraient annulés d'ici fin 2027, avec les mêmes causes, et ajoutait un chiffre qui mérite d'être connu avant tout achat : sur les milliers d'éditeurs qui se réclament de l'agentique, Gartner en estimait environ 130 réellement agentiques.
Le mécanisme est toujours le même sur le terrain. Un POC tourne sur un jeu de données préparé à la main, devant un utilisateur bienveillant, sans gestion des droits, sans traitement des cas tordus, sans supervision. Il démontre que le modèle sait faire la tâche. Personne n'en doutait. Tout le travail qui reste ensuite est précisément celui que le POC a mis de côté : brancher les vraies sources, décider qui a le droit de voir quoi, gérer les dossiers qui ne rentrent pas dans le moule, et tenir la charge. C'est ce travail qui consomme le budget, et c'est lui qui n'a jamais été chiffré au moment de la démonstration.
La sortie est de choisir un périmètre assez étroit pour aller directement en production. Pas une maquette, une première version utilisée par de vraies personnes sur de vraies données, même si elle ne couvre qu'un seul cas d'usage. Une entreprise qui met en service un tri automatique de ses demandes entrantes en six semaines apprend davantage qu'une autre qui passe six mois à comparer des plateformes. Le raisonnement vaut aussi pour les agents : avant de lancer un chantier d'IA agentique en entreprise, vérifiez que la version non autonome du même processus fonctionne déjà.
Les trois conditions d'un premier chantier qui tient
La donnée nécessaire doit être accessible à une machine aujourd'hui, sans chantier préalable : c'est la première des trois conditions, et celle qui disqualifie le plus de candidats. L'absence d'une seule des trois suffit à expliquer la plupart des projets qui s'enlisent. Un modèle qui a besoin d'informations enfermées dans des PDF scannés, dans un logiciel métier sans API ou dans la tête de trois personnes n'est pas un projet d'IA, c'est un projet de reprise de données déguisé. Cette étape d'inventaire est celle qui manque le plus souvent quand on commence à brancher l'IA sur le système d'information : quelle application sait rendre quoi, sous quelle forme, avec quelle fraîcheur, et sous quelle identité.
La deuxième condition veut que quelqu'un fasse déjà ce travail à la main. Cela donne deux choses qu'aucun atelier d'idéation ne remplace. Une mesure de départ d'abord, le temps réellement passé, le nombre de dossiers traités par semaine, le taux d'erreur actuel. Un utilisateur qui souffre ensuite, donc motivé pour signaler ce qui ne marche pas plutôt que pour prouver que l'outil est inutile. Les projets nés d'un besoin exprimé par la personne qui fait le geste tiennent mieux que ceux nés d'un séminaire de direction.
La troisième condition demande qu'une sortie fausse coûte peu. Un brouillon de réponse relu avant envoi, une proposition de catégorie que l'opérateur valide d'un clic, un résumé de dossier qui fait gagner du temps de lecture sans décider à la place de qui que ce soit. Les modèles se trompent, et ils se trompent avec aplomb. Tant que l'organisation n'a pas mesuré son taux d'erreur sur ses propres données, la conception doit garder un humain sur le chemin. Les usages où une erreur engage juridiquement l'entreprise ou touche directement un client viennent en deuxième vague, une fois que les chiffres réels sont connus.
Ce que les entreprises françaises automatisent en premier
Les usages qui décollent en France sont concentrés sur le texte, et cela oriente le choix du premier chantier. Dans la table Eurostat consacrée à l'IA dans les entreprises, en 2025, 10,23 % des entreprises françaises de 10 salariés ou plus déclarent analyser du langage écrit avec de l'IA, ce qui en fait la technologie la plus répandue. Vient ensuite la génération de texte ou de code à 7,82 %, puis la production d'images, de vidéos ou de sons à 7,5 %. Côté finalités, parmi les entreprises françaises déjà utilisatrices, 20,85 % appliquent l'IA à leurs processus de production, 17,4 % à la sécurité informatique et 6,35 % à la logistique.
Ces chiffres sont un bon garde-fou contre l'ambition mal placée. La première vague utile relève presque toujours du traitement de texte à grande échelle, très rarement de l'agent autonome qui pilote un métier : classer des demandes entrantes, extraire des informations d'un document, rédiger un premier jet, résumer un échange, retrouver une réponse dans une documentation interne. Ces tâches partagent un trait commun, elles produisent un texte que quelqu'un relit. Elles remplissent donc naturellement la troisième condition de la section précédente. Un panorama des cas d'usage figure dans notre guide de l'IA générative.
Le mouvement d'ensemble est rapide et mérite d'être gardé en tête pour arbitrer le calendrier. L'usage de l'IA par les entreprises de l'Union est passé de 13,5 % en 2024 à 20,0 % en 2025, un bond de 6,5 points en un an, selon la publication Eurostat du 11 décembre 2025. Une PME française qui n'a rien lancé en 2026 reste dans la majorité de son secteur : plus de huit entreprises françaises sur dix de 10 salariés ou plus n'utilisaient aucune technologie d'IA en 2025. L'urgence porte donc moins sur le rattrapage d'une vague que sur le choix d'un premier sujet qui produise un apprentissage réutilisable.
Le modèle coûte quelques euros, le reste coûte des semaines
Le poste de coût que les dirigeants surestiment le plus est le modèle, et c'est le moins cher. Sur la grille tarifaire publique d'OpenAI consultée le 6 août 2026, le modèle d'entrée de gamme GPT-5.6 Luna est facturé 0,20 dollar par million de tokens en entrée et 1,20 dollar par million en sortie ; le modèle haut de gamme GPT-5.6 Sol monte à 5,00 dollars en entrée et 30,00 dollars en sortie. Pour donner un ordre de grandeur, un million de tokens représente à peu près 750 000 mots. Un service qui traite quelques milliers de documents par mois dépense en appels de modèle l'équivalent d'un abonnement logiciel modeste.
Le budget part ailleurs. Il part dans les accès aux applications qui n'exposent rien, dans la reprise des cas particuliers, dans la gestion des droits pour que l'assistant ne montre pas à un commercial ce que seul le service RH doit voir, dans les tests, dans la reprise du processus métier autour de l'outil et dans la formation des personnes qui vont s'en servir. Sur les projets que nous livrons, ce sont ces postes qui déterminent le calendrier, pas le choix du fournisseur de modèle, lequel se change en quelques jours une fois l'architecture propre.
L'autre extrémité du spectre mérite d'être citée pour ce qu'elle est. Dans le communiqué Gartner cité plus haut, le cabinet chiffrait entre 5 et 20 millions de dollars les approches de déploiement visant à refondre un modèle d'affaires entier avec de l'IA générative. Ce n'est pas la trajectoire d'une PME, et confondre les deux ordres de grandeur explique une partie des projets gelés en comité. Un premier chantier ciblé sur une tâche existante se raisonne en semaines de travail et se chiffre comme un projet logiciel classique, avec la même exigence de périmètre écrit.
Ce qui doit être tranché avant la première ligne de code
La destination des données se tranche en premier : quelles informations quittent l'entreprise, vers quel prestataire, hébergées où, conservées combien de temps, et réutilisées ou non pour entraîner un modèle. C'est la première des trois décisions à prendre avant de démarrer, faute de quoi elles reviendront en fin de projet au pire moment. Elle se joue au moment du choix d'architecture, parce qu'y revenir plus tard impose de tout reconstruire. Quand les données traitées sont sensibles, un assistant IA hébergé en France devient une option à évaluer sérieusement plutôt qu'une coquetterie souveraine.
La deuxième décision concerne les données personnelles. Dès qu'un traitement en manipule, le RGPD s'applique dans son intégralité, avec base légale, information des personnes concernées, durée de conservation et analyse d'impact selon les cas. La CNIL a publié des fiches pratiques dédiées à l'IA qui couvrent la constitution des bases de données d'entraînement, la qualification du responsable de traitement et la sécurité des systèmes. Les lire avant de démarrer coûte une heure et évite des arbitrages coûteux plus tard.
La troisième décision est réglementaire et son calendrier est désormais serré. Le règlement européen sur l'IA est entré en vigueur le 1er août 2024 et est applicable depuis le 2 août 2026, avec des exceptions. Les interdictions et les obligations de maîtrise de l'IA s'appliquent depuis le 2 février 2025, les règles sur les modèles à usage général depuis le 2 août 2025, et les systèmes classés à haut risque suivront le 2 décembre 2027 pour les domaines sensibles puis le 2 août 2028 pour ceux intégrés à des produits. Ce dernier calendrier a été allongé par l'omnibus de simplification entré en vigueur le 27 juillet 2026 : les échéances que vous avez pu lire en 2024 ou 2025 ne sont plus les bonnes. La plupart des premiers chantiers de PME ne relèvent pas du haut risque, mais l'obligation de compétence des équipes qui utilisent ces outils, elle, s'applique déjà.
Interne, éditeur ou agence, comment décider
Le critère de choix le plus fiable est la fréquence du besoin, pas sa complexité technique. Un besoin partagé par des milliers d'entreprises et déjà couvert par un éditeur se paie au mois et s'installe en quelques jours : messagerie, bureautique, service client générique, transcription. Payer un développement spécifique pour reproduire une fonctionnalité déjà incluse dans un abonnement du marché est une erreur d'allocation, même quand l'équipe technique en est capable. Le déploiement en entreprise d'un assistant du marché a ses propres exigences, détaillées dans notre article sur Microsoft 365 Copilot.
Le sur-mesure se justifie quand le besoin touche à un processus qui fait la particularité de l'entreprise, quand la donnée à exploiter n'existe que chez elle, ou quand l'outil doit s'insérer dans une chaîne applicative déjà en place. Le faire en interne suppose trois choses réunies : quelqu'un qui sait concevoir un service en production, du temps protégé pour lui, et une capacité de maintenance après la mise en service. Cette dernière est celle qu'on oublie le plus. Un assistant interne sans propriétaire dérive en quelques mois, parce que les sources changent, les modèles évoluent et les usages se déplacent.
Passer par une agence IA se défend quand la question est de cadrer et de livrer vite une première version en production, puis de transmettre. Le bon marqueur, quel que soit le prestataire retenu : demandez ce qui se passe après la mise en service, qui reprend la main, et sous quelle forme le code et la configuration sont livrés. Une réponse floue sur ce point annonce une dépendance durable. Pour cadrer un premier périmètre chiffré sur votre propre situation, vous pouvez contacter Noxcod.
Le critère d'arrêt se pose avant de démarrer
Un projet d'IA a besoin d'un seuil d'échec écrit à l'avance, sinon il ne s'arrête jamais et ne se généralise jamais non plus. Le seuil se formule avec la mesure de départ obtenue à la condition deux : si le tri automatique ne dépasse pas 85 % de classements corrects au bout de huit semaines, on arrête. Si le temps de traitement moyen ne baisse pas d'au moins un quart, on arrête. Écrire ce seuil avant le début change la nature des discussions ultérieures, parce qu'il n'y a plus à défendre une intuition contre une autre.
Les repères publics sur les gains servent de garde-fou, à condition de les lire pour ce qu'ils sont. Gartner cite dans ce même communiqué de juillet 2024 une enquête menée auprès de 822 dirigeants entre septembre et novembre 2023, dans laquelle les répondants déclaraient en moyenne 15,8 % d'augmentation de chiffre d'affaires, 15,2 % d'économies et 22,6 % de gain de productivité. Ce sont des chiffres déclaratifs, portant sur des cas d'usage très divers, et le cabinet précise lui-même que la valeur dépend fortement de l'entreprise, du métier et du profil des salariés. Ils donnent un ordre de grandeur d'objectif raisonnable, pas une promesse.
La mesure doit porter sur le processus complet, pas sur la performance du modèle. Un assistant qui rédige un excellent brouillon mais dont la sortie est retravaillée pendant vingt minutes n'a rien fait gagner. Un modèle correct à 80 % qui fait gagner dix minutes par dossier sur quatre-vingts dossiers par semaine a un effet immédiat sur la charge d'une équipe. Ce qui compte est le temps total passé, du début à la fin de la tâche réelle, relecture et corrections comprises. C'est aussi le seul chiffre qui permet de décider si le deuxième chantier vaut la peine d'être lancé.
Questions fréquentes
Combien de temps pour une première mise en production ?
Sur un périmètre correctement resserré, comptez six à dix semaines entre le cadrage et une première version utilisée par de vraies personnes. Le délai dépend surtout de l'accès aux données : quand les informations nécessaires sortent déjà d'une application par une interface programmable, la partie IA se construit vite. Quand elles dorment dans des fichiers ou dans un logiciel fermé, la reprise de données devient le chemin critique et peut doubler le calendrier.
Faut-il recruter un profil IA pour démarrer ?
Pas pour un premier chantier. Les compétences qui manquent le plus à ce stade sont celles d'un développeur capable de mettre un service en production et de quelqu'un qui connaît le processus métier visé. L'expertise en modèles devient utile plus tard, quand il faut évaluer finement la qualité des sorties ou héberger un modèle en propre. Recruter avant d'avoir un premier usage en service revient à payer une compétence sans terrain d'application.
Peut-on utiliser ChatGPT ou un outil du marché sans projet technique ?
Oui, et c'est souvent le bon point de départ pour observer les usages réels. Deux précautions : encadrer ce que les équipes ont le droit d'y coller, avec une règle écrite sur les données clients et les documents confidentiels, et regarder ce que le contrat prévoit sur la réutilisation des contenus. Cette phase d'observation donne des indications précieuses sur les tâches à automatiser ensuite pour de bon.
Comment savoir si un cas d'usage est trop ambitieux ?
Posez trois questions. La donnée nécessaire est-elle accessible aujourd'hui sans nouveau projet ? Quelqu'un fait-il ce travail à la main, avec un volume mesurable ? Une réponse fausse est-elle rattrapable avant qu'elle ne sorte de l'entreprise ? Deux réponses négatives sur trois signalent un chantier à repousser après un premier succès. Le premier projet sert autant à apprendre à livrer qu'à produire un gain.
Que faire des données personnelles dans les prompts ?
Le réflexe le plus efficace consiste à ne pas en envoyer quand ce n'est pas nécessaire, en remplaçant les identités par des références internes avant l'appel au modèle. Quand le traitement en exige, le RGPD s'applique comme pour n'importe quel autre : base légale identifiée, information des personnes, durée de conservation définie et sous-traitant encadré par contrat. Les fiches pratiques de la CNIL détaillent la répartition des responsabilités entre fournisseur et utilisateur.
