IA générative en entreprise : les cas d'usage qui passent en production

En France, 18 % des entreprises de 10 salariés ou plus déclaraient utiliser au moins une technologie d'intelligence artificielle en 2025, contre 6 % deux ans plus tôt, selon l'INSEE. À l'échelle mondiale, l'enquête annuelle de McKinsey monte à 88 % des organisations interrogées. Les chiffres d'adoption sont spectaculaires. Ceux de la valeur produite le sont beaucoup moins : dans cette même enquête McKinsey, 39 % seulement des répondants constatent un effet au niveau du résultat opérationnel de leur entreprise.

Sur les chantiers que nous cadrons, le motif se répète. Le pilote impressionne en comité de direction, la mise en production n'arrive jamais, et douze mois plus tard personne ne sait dire ce que l'outil a produit. La cause tient en une phrase : le cas d'usage retenu n'était pas vérifiable. Quand aucune personne de l'équipe ne peut dire en trente secondes si la sortie du modèle est bonne ou fausse, il devient impossible de corriger, de mesurer, et donc de défendre le budget de l'année suivante.

Cette page donne le test de tri que nous appliquons avant d'écrire une ligne de code, les quatre familles de cas d'usage qui franchissent réellement la mise en production, et le calcul de coût qui décide entre un abonnement par utilisateur et une facturation à l'usage.

Pourquoi tant de pilotes ne passent jamais en production

Trois causes reviennent, et aucune n'est technique : un coût découvert trop tard, une valeur métier jamais chiffrée, et des erreurs que personne ne rattrape. Gartner prévoit que plus de 40 % des projets d'IA agentique seront annulés d'ici la fin 2027, et cite exactement ces trois motifs : des coûts qui dérapent, une valeur métier floue, des contrôles de risque insuffisants.

Les chiffres de l'enquête McKinsey sur l'état de l'IA racontent la même histoire vue de l'intérieur. Près de deux tiers des organisations n'ont pas commencé à passer l'IA à l'échelle, et environ un tiers seulement ont entamé ce mouvement. Sur les agents, 23 % des répondants en déploient un à plus grande échelle quelque part dans l'entreprise, et 62 % au total en sont au moins au stade de l'expérimentation. Dans une fonction donnée, jamais plus de 10 % des répondants ne disent passer des agents à l'échelle. Autrement dit, l'usage est général et l'industrialisation reste l'exception.

Le marché fournisseur n'aide pas à trier. Dans le même communiqué, Gartner estime que sur les milliers d'éditeurs qui se revendiquent agentiques, environ 130 le sont réellement, et qualifie le reste de réétiquetage d'assistants, de robots logiciels et de chatbots existants. Une direction qui achète sur la promesse commerciale peut donc se retrouver avec un produit dont les capacités réelles ne correspondent pas au cas d'usage qu'elle avait en tête.

Le piège que nous rencontrons le plus souvent est en amont de tout cela. Une équipe achète des licences pour l'ensemble des collaborateurs avant d'avoir choisi un seul geste métier à automatiser. La dépense est engagée, l'usage reste dispersé, et aucun indicateur ne bouge parce qu'aucun processus n'a été touché. Si vous en êtes là, la question à instruire porte sur le geste, pas sur l'outil. Notre article sur par où commencer avec l'IA en entreprise détaille cette séquence de départ.

Le test qui trie un cas d'usage en cinq minutes

Trois questions suffisent, et un cas d'usage qui échoue à l'une des trois ne mérite pas de pilote : la sortie est-elle vérifiable vite, le volume est-il connu, et que coûte une erreur. Nous les posons avant toute discussion sur le modèle, le fournisseur ou l'architecture, parce qu'aucun choix technique ne rattrape une réponse négative.

Première question : est-ce qu'un humain peut vérifier la sortie en moins d'une minute ? Une facture extraite se vérifie en regardant la facture. Un compte rendu de réunion se vérifie en le relisant. Une prévision de départs de clients à six mois, non : personne ne saura si elle était juste avant six mois, donc personne ne corrigera rien entre-temps. La vérifiabilité rapide est la condition qui permet à l'équipe métier de se réapproprier l'outil, de signaler les cas ratés, et de faire progresser le paramétrage sans repasser par la direction technique.

Deuxième question : connaissez-vous le volume mensuel du geste ? Pas une estimation, un compte. Quatre cents documents par mois, ou quatre mille, ne conduisent pas au même arbitrage : le premier volume se traite parfois mieux avec un modèle appelé à la demande, le second justifie une chaîne de traitement dédiée et un suivi de qualité. Sans ce chiffre, aucun calcul de retour sur investissement ne tient, et c'est ce vide qu'un comité d'investissement finit toujours par pointer.

Troisième question : que se passe-t-il quand la sortie est fausse ? Un premier jet de courrier commercial mal tourné coûte une relecture. Un montant recopié de travers dans un règlement coûte un litige. Cette réponse ne disqualifie pas un cas d'usage, elle détermine le niveau de contrôle à construire autour, donc une bonne part du budget. Les chantiers qui explosent en coût sont ceux où cette question a été posée après la démonstration au lieu d'avant.

Quatre familles de cas d'usage qui tiennent en production

Quatre familles reviennent : l'extraction de données depuis des documents reçus en volume, le premier jet rédigé qu'une personne signe, le support de niveau 1 qui transfère à un humain, et la recherche documentaire sur un périmètre étroit. Ce sont celles que nous retrouvons encore en service un an après leur mise en route, parce qu'elles satisfont les trois conditions ci-dessus. Les statistiques d'usage de l'enquête TIC de l'INSEE vont dans le même sens : parmi les entreprises françaises utilisatrices, 56 % font de l'analyse du langage écrit et 43 % de la génération de texte ou de parole. La génération d'images, de vidéos ou de sons arrive juste derrière avec 41 % des utilisatrices, mais elle produit rarement le gain de productivité qu'une direction attend d'un budget d'automatisation.

Ces quatre familles ont un point commun qui explique leur survie : dans chacune, le geste automatisé existait déjà et était fait par quelqu'un. L'IA reprend une tâche identifiée, avec un référentiel de comparaison, un volume connu et une personne capable de dire si le résultat convient. Les cas d'usage qui inventent une activité nouvelle peuvent être excellents, mais ils demandent en plus de créer la mesure, le processus et le réflexe d'usage, soit trois chantiers menés en parallèle. Gardez-les pour le deuxième projet.

Extraire des données d'un document reçu en volume

Factures fournisseurs, attestations, bons de commande, comptes rendus d'intervention, formulaires papier scannés : un modèle lit le document et remplit des champs, qu'un opérateur valide dans une interface où le document et les champs sont côte à côte. La vérification prend quelques secondes, le volume est connu par construction puisqu'il correspond à un flux entrant déjà compté, et l'erreur reste rattrapable avant écriture en base. C'est la famille où le rapport entre effort d'intégration et heures rendues est le meilleur. La difficulté n'est jamais le modèle, c'est la variété des mises en page réelles, qu'aucune démonstration ne montre.

Produire un premier jet dont quelqu'un est déjà responsable

Réponse à un appel d'offres, fiche produit, compte rendu de visite, réponse type au service client : le modèle écrit une version zéro, une personne identifiée signe. Le cas d'usage fonctionne parce que la chaîne de responsabilité ne change pas. Le gain se mesure en temps de rédaction, et il se mesure vraiment, à condition de garder une trace du temps passé avant. L'échec classique consiste à diffuser un assistant de rédaction à tout le monde sans rattacher les sorties à un processus existant : l'usage reste anecdotique et le budget devient indéfendable au renouvellement. Une variante efficace consiste à ne pas produire un texte libre mais à remplir un gabarit maison, section par section, à partir des données du dossier. La sortie devient comparable d'un dossier à l'autre, donc contrôlable en un coup d'oeil, et la personne qui signe garde ses repères habituels.

Traiter le niveau 1 du support avec une porte de sortie

Un agent conversationnel répond aux demandes fréquentes et documentées, et transfère à un humain dès qu'il sort de son périmètre. La règle qui fait la différence tient au seuil de transfert : un agent qui préfère répondre approximativement plutôt que passer la main détruit plus de valeur qu'il n'en crée. Nous paramétrons ces agents pour échouer en transférant, jamais en improvisant. Le volume est mesurable ticket par ticket, la vérification se fait sur un échantillon quotidien, et le périmètre s'élargit ensuite au rythme des questions réellement posées. Le chiffre à suivre n'est pas le taux de réponse automatique mais le taux de reprise après transfert, celui des demandes qu'un humain doit reprendre de zéro parce que l'agent a embrouillé le client avant de passer la main.

Chercher dans la documentation interne, sur un périmètre étroit

Retrouver une clause contractuelle, une procédure qualité, une spécification technique. Ce cas d'usage passe le test quand le périmètre est délimité, et il échoue presque toujours quand on le lance sur l'intégralité des espaces de fichiers de l'entreprise. Si votre premier chantier consiste à brancher un assistant sur tout l'existant documentaire, arrêtez-le et repartez d'un seul type de document. Sur ces projets, la partie modèle représente la plus petite ligne du devis : le gros du travail porte sur les droits d'accès, la qualité des sources et le découpage des documents, ce que nous détaillons dans notre guide sur le RAG souverain hébergé en France.

Ce que ça coûte vraiment, par siège ou à l'usage

Entre un abonnement par utilisateur et une facturation à l'usage, l'écart sur un même geste automatisé se compte en centaines de fois : dans le scénario détaillé plus bas, environ 500 $ par mois pour vingt licences contre moins d'un dollar de modèle pour quatre cents documents traités. Le critère qui départage est le volume mensuel du geste, pas la taille de l'entreprise. Un abonnement par utilisateur se paie même quand personne ne s'en sert. Une facturation à l'usage suit le volume réel, ce qui la rend redoutablement économique sur un geste ciblé et coûteuse sur un usage conversationnel massif.

Tarifs relevés le 7 août 2026 sur les pages officielles des deux éditeurs. Les montants sont hors taxes et exprimés en dollars, la devise affichée par défaut sur les deux pages, qui proposent également un affichage en euros.

Prenons un scénario illustratif, pas un client réel. Un service administratif reçoit 400 attestations par mois et saisit à la main sept champs par document. Comptez environ 3 000 jetons en entrée par document et 500 en sortie, soit 1,2 million de jetons en entrée et 200 000 en sortie sur le mois. Au tarif du modèle le plus économique cité ci-dessus, la facture du modèle reste inférieure à un dollar mensuel. Vingt licences d'un abonnement par utilisateur au tarif Team atteignent, elles, près de 500 $ par mois. Le coût du projet ne sera évidemment pas d'un dollar : il sera fait d'intégration, d'interface de validation et de supervision. Mais la ligne modèle cesse d'être un argument, ce qui déplace la discussion là où elle doit être, sur la plomberie. Le suivi de ces dépenses mérite son propre dispositif, que nous décrivons dans notre article sur la maîtrise des coûts LLM.

L'hébergement et le RGPD arrivent toujours trop tard

La contrainte réglementaire se découvre en général au moment du passage en production, quand le juridique demande où transitent les données. Elle aurait dû être posée à la semaine un, parce qu'elle détermine le choix du fournisseur et parfois l'architecture entière. Un pilote mené sur un compte grand public avec des documents clients réels est déjà un incident, même si personne ne l'a encore qualifié comme tel.

Les freins déclarés par les entreprises françaises confirment que le sujet n'est pas d'abord réglementaire. Parmi les non-utilisatrices, l'INSEE relève que 71 % invoquent l'absence d'utilité perçue et 54 % un manque d'expertise. Le manque d'expertise touche d'ailleurs aussi les utilisatrices, où 53 % le citent comme facteur limitant dans la même publication. Une organisation qui ne sait pas évaluer une sortie de modèle ne sait pas non plus évaluer les garanties d'un contrat de traitement de données.

Trois décisions se prennent avant le premier appel au modèle : la localisation du traitement, la durée de conservation des requêtes chez le fournisseur, et l'exclusion des données envoyées de tout entraînement. Ces trois points s'écrivent noir sur blanc dans le contrat, et se vérifient dans la configuration réelle du compte, pas dans la page marketing. Pour les entreprises qui traitent des données sensibles, l'arbitrage penche vers un hébergement européen ou une installation autonome, ce qui renchérit le projet mais ferme le sujet. Le cadre complet est traité dans notre article sur la gouvernance de l'IA face au RGPD et à l'AI Act.

Cadrer le premier cas d'usage en trois semaines

Trois semaines suffisent à savoir si un cas d'usage mérite un budget de production, et c'est le format que nous recommandons plutôt qu'un pilote ouvert de six mois. La contrainte de durée est ce qui force les décisions, en particulier celle d'arrêter.

La première semaine sert à mesurer l'existant. Combien de fois par mois le geste est-il fait, par qui, en combien de temps, avec quel taux d'erreur actuel. Ce dernier chiffre est celui que les équipes oublient, et c'est le plus utile : un processus manuel qui se trompe déjà dans 3 % des cas ne demande pas à l'IA d'être parfaite, il lui demande de faire mieux que 3 %. Sans mesure de départ, toute comparaison ultérieure devient une affaire d'opinion.

La deuxième semaine construit la chaîne complète sur un échantillon réel, y compris l'écran de validation et la journalisation des sorties. Nous refusons les démonstrations qui s'arrêtent à la réponse du modèle : l'écran où un humain valide, corrige et signale fait partie du produit, et c'est souvent lui qui révèle que le cas d'usage tel qu'imaginé ne tient pas. La troisième semaine confronte cette chaîne aux cas difficiles que l'équipe métier a mis de côté, ceux qu'elle appelle les dossiers pénibles, et produit deux chiffres : le taux de sorties acceptées sans retouche et le coût par traitement.

À la fin de la troisième semaine, la décision se prend sur ces deux chiffres comparés à la mesure de départ. Si le taux d'acceptation est trop bas, le cas d'usage se reformule ou s'abandonne, et l'organisation a économisé une année de licences. Ce cadrage est le format que nous pratiquons comme agence spécialisée en agents IA, et il n'a d'intérêt que si l'arrêt reste une issue acceptable. Si vous voulez en discuter sur un geste précis, vous pouvez contacter Noxcod.

Questions fréquentes

Faut-il commencer par un abonnement pour tous ou par un chantier ciblé ?

Par un chantier ciblé, dans la quasi-totalité des situations. Un abonnement distribué largement produit un usage dispersé qu'aucun indicateur ne capte, alors qu'un geste automatisé sur un flux compté se mesure au bout de trois semaines. L'abonnement garde du sens en complément, une fois qu'au moins un processus a été touché et que les équipes savent à quoi elles ont affaire. L'ordre inverse est celui que nous rencontrons chez les organisations qui nous appellent après une première année sans résultat.

Combien de temps avant de voir un effet mesurable ?

Sur un cas d'usage d'extraction ou de premier jet cadré comme décrit plus haut, un effet mesurable apparaît en un à deux mois après la mise en service, à condition que la mesure de départ existe. Sur un assistant de connaissance interne, comptez plutôt un trimestre, le temps que le périmètre documentaire se stabilise. Dans l'enquête McKinsey citée en tête d'article, 39 % des répondants constatent un effet au niveau du résultat opérationnel. Notre lecture, sur les chantiers que nous accompagnons, est que ce sont les organisations qui ont modifié un processus.

Un modèle français ou européen est-il moins performant ?

Sur les tâches d'extraction, de reformulation et de classification qui composent la majorité des cas d'usage d'entreprise, l'écart entre modèles de génération comparable ne se voit pas dans les résultats métier. Il se voit sur les tâches de raisonnement long et sur le code. Le choix se joue donc davantage sur la localisation du traitement, les engagements contractuels et le coût que sur un classement de performance brute, qui de toute façon change tous les trimestres.

Que faire des cas d'usage déjà lancés qui n'ont rien produit ?

Reprenez-les par le test de vérifiabilité. Un pilote sans sortie contrôlable ne s'améliore pas par un changement de modèle, il se reformule sur un périmètre où la vérification devient possible, ou il s'arrête. Nous constatons régulièrement que des chantiers repartent utilement après avoir été réduits à un seul type de document ou à une seule catégorie de demandes. L'arrêt franc est également un résultat : il libère un budget et une équipe.

Faut-il une équipe technique interne pour ce genre de projet ?

Pour construire la chaîne, non, une agence ou un prestataire suffit. Pour la maintenir, il faut au minimum une personne côté métier qui possède le paramétrage, relit les journaux de sortie et arbitre les cas limites. C'est cette fonction, pas la compétence en apprentissage automatique, qui manque le plus souvent. Les 53 % d'entreprises utilisatrices qui déclarent un manque d'expertise dans l'enquête INSEE recouvrent en bonne partie ce besoin, même si la publication ne détaille pas les rôles concernés.