Un comité de direction débloque un budget IA, une équipe monte un assistant en trois semaines, la démonstration impressionne tout le monde. Six mois plus tard, l'assistant n'a toujours pas accès au CRM. Cette séquence revient sur presque tous les projets qui atterrissent chez nous après une première tentative interne.
Le modèle, lui, faisait son travail. Ce qui manquait tenait au chemin entre lui et les données de l'entreprise, avec les autorisations qui vont avec. Brancher l'IA sur un système d'information relève d'un chantier d'intégration classique, avec ses API, ses référentiels et ses droits d'accès. Le choix du modèle arrive loin derrière.
L'usage de l'IA progresse plus vite que son branchement au SI
Les chiffres d'adoption mesurent l'usage d'outils d'IA, très rarement leur connexion au système d'information. En 2025, 20,0 % des entreprises européennes de 10 salariés ou plus déclaraient utiliser au moins une technologie d'IA, contre 13,5 % un an plus tôt, d'après les chiffres publiés par Eurostat le 11 décembre 2025. Côté français, l'Insee compte 18 % d'entreprises utilisatrices en 2025, contre 10 % en 2024.
La ventilation par taille en dit plus que le total. Dans la même enquête, la part tombe à 15 % chez les entreprises de moins de 50 salariés, monte à 31 % entre 50 et 249 salariés, et atteint 58 % au-delà de 250.
Cet écart ne traduit pas une différence de curiosité entre dirigeants. Une entreprise de 500 personnes dispose d'une DSI, d'un annuaire d'identités tenu à jour et d'applications qui exposent déjà des interfaces techniques. Une société de 30 personnes travaille avec un logiciel métier acheté il y a huit ans, un tableur partagé qui sert de référentiel officieux, et personne dont le métier consiste à ouvrir un accès. La barrière se situe là, pas dans l'appétence pour la technologie.
Ces enquêtes portent sur l'utilisation déclarée d'au moins une technologie d'IA. Elles ne séparent donc pas le salarié qui résume un compte rendu dans un assistant grand public de l'entreprise dont l'outil de gestion appelle un modèle à chaque commande enregistrée. Le premier usage ne demande aucune intégration et s'installe en une après-midi. Le second modifie réellement la façon de travailler, et c'est celui qui coince.
Le blocage se situe entre le modèle et vos données
Sur les projets qui arrivent en reprise, la panne se répète au même endroit, le système d'information ne sait pas rendre ce que l'assistant doit lire. Le module visé n'expose aucune interface programmable, ou en expose une qui ignore justement le champ utile. Le progiciel vendu comme ouvert réserve son connecteur à une option facturée à part, avec un délai commercial de plusieurs semaines à la clé.
Le contournement habituel consiste à programmer un export nocturne, déposé en fichier plat sur un partage réseau, que l'assistant relit le matin. Le montage tient quelques semaines. Puis un commercial demande où en est une commande passée l'après-midi même, reçoit une réponse parfaitement assurée fondée sur l'état de la veille, et la confiance s'effondre d'un coup. Un assistant qui répond avec un jour de retard sans jamais le signaler abîme plus qu'un assistant absent.
Les référentiels divergents forment la deuxième panne récurrente. Le même client porte deux identifiants entre le CRM et la facturation, parfois deux orthographes de raison sociale. Un humain rapproche les deux sans y penser, en s'appuyant sur ce qu'il sait du dossier. Un modèle rapproche aussi, avec le même aplomb, et se trompe sans jamais le signaler. Aligner ces référentiels prend des semaines et ne ressemble en rien à un chantier d'IA, ce qui explique qu'il ne soit jamais budgété.
Gartner prévoyait dès juillet 2024 qu'au moins 30 % des projets d'IA générative seraient abandonnés après leur preuve de concept avant la fin 2025, en plaçant la qualité des données parmi les premières causes. Après plusieurs reprises de projets, nous y lisons surtout un effet de méthode. La preuve de concept tourne sur des fichiers préparés à la main par l'équipe projet, et l'abandon survient au moment de brancher pour de vrai. Avant de comparer des modèles, dressez l'inventaire de ce que chaque application sait rendre, sous quelle forme et avec quelle fraîcheur. Ce même inventaire conditionne l'infrastructure IA à mettre en place derrière.
Les droits de l'utilisateur doivent survivre jusqu'au modèle
Un assistant qui interroge le système avec un compte technique unique répond à chacun avec les droits de personne. Le montage passe la démonstration sans encombre, puisque celui qui teste dispose en général de tous les accès. Il se transforme en contournement d'autorisations le jour où un chargé de clientèle demande la marge d'un dossier et l'obtient sans difficulté.
Microsoft a fait de ce sujet le premier pilier de son guide de déploiement pour Copilot, mis à jour le 6 mai 2026. Le document demande de corriger le partage excessif de documents avant d'installer les garde-fous et de traiter les obligations réglementaires. L'éditeur qui vend l'outil place donc le nettoyage des droits en préalable à son propre déploiement. Dans la plupart des entreprises, ce ménage exhume des dossiers ouverts à toute l'organisation depuis des années, que personne n'ouvrait faute de savoir qu'ils existaient. Un moteur de recherche performant, lui, les trouve du premier coup.
L'indexation amplifie le phénomène. Construire un index à partir d'une gestion documentaire revient à produire une copie du contenu, et cette copie ne transporte pas les permissions de l'original. Il faut donc porter les autorisations dans l'index lui-même, puis filtrer à chaque requête selon l'identité qui interroge. Ce travail conditionne la faisabilité d'un RAG souverain autant que le choix du modèle, et il se chiffre en semaines sur un patrimoine documentaire ancien.
Reste la traçabilité, souvent oubliée jusqu'au premier incident. Qui a posé quelle question, quelles sources ont été lues, quelle réponse est partie. Sans ce journal, aucune enquête sérieuse n'est possible après coup, et la démonstration de conformité se réduit à une parole donnée.
Trois façons de brancher un assistant sur un SI existant
Trois montages couvrent la quasi-totalité des besoins, l'appel direct aux API, l'orchestrateur d'automatisation et le serveur MCP. Ils ne s'excluent pas, et les architectures qui durent en combinent souvent deux.
| Montage | Quand le choisir | Ce qu'il exige |
|---|---|---|
| Appel direct aux API | Deux ou trois applications, périmètre stable, contraintes fortes de latence ou de confidentialité | Du code à écrire et à maintenir, une équipe technique disponible dans la durée |
| Orchestrateur d'automatisation | Processus nombreux qui évoluent souvent, applications répandues sur le marché | Un abonnement, de la rigueur sur les versions, une surveillance des exécutions en échec |
| Serveur MCP | Plusieurs assistants doivent atteindre les mêmes systèmes avec les mêmes règles | Un composant supplémentaire à exploiter, sur un standard encore jeune |
L'appel direct garde ma préférence quand le périmètre se limite à deux ou trois applications bien documentées. Le code reste lisible, les erreurs remontent proprement, et rien ne s'interpose entre l'assistant et la source. Le revers arrive au bout de six mois, quand chaque évolution du CRM impose une correction dans un dépôt que plus personne ne connaît.
L'orchestrateur, avec n8n ou Make, apporte des connecteurs prêts à l'emploi et une lecture visuelle des enchaînements. Un responsable métier suit ce qui se passe sans lire de code, ce qui change beaucoup la vie d'un projet. En contrepartie, la logique se disperse dans des dizaines de scénarios, et la reprise devient pénible si personne ne tient une convention de nommage.
Le Model Context Protocol répond à un autre besoin. Ce standard ouvert, présenté sur le site officiel du protocole comme une façon normalisée de relier les applications d'IA aux données et aux outils extérieurs, permet d'exposer une fois vos systèmes et de les rendre accessibles à plusieurs assistants. L'intérêt grandit avec le nombre de consommateurs.
Pour une première intégration, nous conseillons de démarrer avec un orchestrateur sur deux ou trois processus, et de garder le serveur MCP pour le moment où plusieurs assistants viendront taper les mêmes sources. Le détail du câblage entre un assistant et les applications quotidiennes est traité dans notre guide pour connecter un assistant à vos outils métier.
Ce que coûte une intégration, au-delà du prix des tokens
Le budget d'une intégration part dans la reprise des droits d'accès, dans l'ouverture des applications qui n'exposent rien, dans la recette métier et dans la supervision une fois le service lancé. Les tokens forment la plus petite ligne de l'ensemble, alors qu'ils occupent l'essentiel des questions posées en comité.
Relevés le 5 août 2026 sur la grille tarifaire publique d'OpenAI, les prix s'échelonnent de 0,20 dollar par million de tokens en entrée et 1,20 dollar en sortie pour le modèle le plus économique de la génération courante, à 5,00 et 30,00 dollars pour le plus capable. Le contexte déjà vu est facturé un dixième du tarif d'entrée, ce qui récompense les architectures qui réutilisent un contexte stable d'une requête à l'autre.
Un ordre de grandeur aide à situer le poste. Un assistant qui traite 300 demandes par jour, avec 4 000 tokens de contexte et 600 tokens de réponse par demande, consomme environ 1,2 million de tokens en entrée et 180 000 en sortie chaque jour. Sur le modèle le plus économique, la facture mensuelle tourne autour de quinze dollars. Sur le plus capable, autour de trois cent cinquante. Dans les deux cas, le montant reste inférieur au coût d'une seule journée d'intégration.
Chacun des quatre postes cités demande surtout du temps humain, ce qui explique qu'ils se chiffrent mal en début de projet. La reprise des droits d'accès mobilise l'informatique interne pendant des semaines. L'ouverture des applications fermées suppose parfois d'acheter un module au fournisseur. La recette métier réclame du temps aux utilisateurs, qui ont déjà un travail. La supervision, enfin, dure aussi longtemps que le service. Le suivi des dépenses mérite d'ailleurs son propre dispositif dès que plusieurs équipes appellent des modèles en parallèle, un sujet que nous avons creusé dans notre article sur la maîtrise des coûts LLM.
Le RGPD et l'AI Act se traduisent en choix d'architecture
Ces deux cadres imposent trois gestes techniques précis, n'indexer que le périmètre du cas d'usage, journaliser les accès aux données, documenter le traitement réalisé. Aucun ne s'obtient par une clause ajoutée au contrat fournisseur, tous se décident dans le schéma d'architecture et coûtent d'autant plus cher qu'on les ajoute tard.
Le règlement européen sur l'IA est entré en vigueur le 1er août 2024. Les pratiques interdites et l'obligation de littératie en IA s'appliquent depuis le 2 février 2025, les obligations portant sur les modèles à usage général depuis le 2 août 2025, et l'application générale du cadre a démarré le 2 août 2026.
L'obligation de littératie vise directement les entreprises utilisatrices, pas seulement les fournisseurs de technologie. Les personnes qui se servent du système doivent comprendre ce qu'il fait, sur quelles données il travaille et ce qu'il ne sait pas faire. Une session de formation par équipe et une note interne écrite noir sur blanc suffisent le plus souvent, encore faut-il les tenir à jour quand l'outil change.
Sur les données personnelles, la CNIL demande qu'un système d'IA soit développé pour une finalité déterminée, explicite et légitime, et que les données mobilisées restent adéquates, pertinentes et limitées à ce qui est nécessaire. Traduit en architecture, cela ferme la porte à l'indexation de l'intégralité du patrimoine numérique pour voir ce qui en sortira, et c'est de cette exigence que découlent les trois gestes techniques du début de section. Ces contraintes rejoignent le chantier plus large de gouvernance de l'IA en entreprise, qu'il vaut mieux ouvrir avant le premier déploiement qu'après le premier contrôle.
Par où commencer
Le premier chantier utile est un inventaire des accès, pas un comparatif de modèles. La séquence qui fonctionne tient en cinq étapes, et la première conditionne tout le reste.
- Choisir un processus qui a un propriétaire métier identifié et un résultat mesurable, du type délai de réponse ou nombre de dossiers traités.
- Lister les applications à interroger, et pour chacune ce qu'elle sait rendre, par quel moyen technique, avec quel niveau de fraîcheur.
- Décider sous quelle identité l'assistant lit chaque source, et corriger les partages trop larges avant toute indexation.
- Brancher le tout en gardant un humain sur les actions qui écrivent dans le système, au moins les premiers mois.
- Mesurer sur le processus retenu à l'étape 1, pas sur la satisfaction déclarée des utilisateurs.
Prenons un scénario illustratif, sans rapport avec un client particulier. Un service d'administration des ventes reçoit soixante demandes de suivi de commande par jour, moitié par téléphone, moitié par courriel. Le processus a un responsable, un volume connu et un indicateur évident, le délai de première réponse. Deux sources suffisent, le module de commandes et le suivi des expéditions du transporteur. Les droits sont simples, puisque toute l'équipe voit déjà toutes les commandes. Ce cas se branche en quelques semaines et produit un résultat vérifiable.
Comparez-le à la demande qui arrive habituellement en comité, un assistant qui répondrait à toutes les questions de tous les salariés sur l'ensemble des documents de l'entreprise. Ce second projet n'a ni périmètre, ni propriétaire, ni mesure, et son travail préalable sur les droits d'accès se compte en mois. Il finit dans les 30 % évoqués plus haut. Commencer petit sur un processus qui compte n'est pas une frilosité de prestataire, c'est la seule façon d'obtenir une deuxième saison de budget. Si le cadrage vous demande un renfort, nous le menons en amont de tout développement sur mesure.
Questions fréquentes
Faut-il moderniser son ERP avant de brancher un assistant IA ?
Rarement en totalité. Il suffit que le module concerné par votre cas d'usage sache exposer les données nécessaires, par une interface programmable ou une base accessible en lecture. Un progiciel ancien avec une base lisible se branche parfois plus vite qu'un outil récent dont l'éditeur facture chaque connecteur. Faites le test sur le périmètre visé avant d'envisager un remplacement complet, dont le budget est sans commune mesure avec celui du projet d'IA.
Peut-on traiter des données de clients européens avec un modèle américain ?
Oui, sous conditions, et cela reste un choix à documenter. Il faut vérifier le lieu d'hébergement du traitement, l'encadrement contractuel des transferts, la durée de conservation des requêtes côté fournisseur, et l'absence de réutilisation pour l'entraînement. Beaucoup d'entreprises préfèrent un hébergement européen pour les données sensibles et gardent un fournisseur américain pour les usages sans donnée personnelle, une répartition simple à tenir.
Combien de temps prend une première intégration au système d'information ?
Sur un processus bien délimité avec deux sources de données accessibles, comptez quelques semaines entre le cadrage et une mise en service surveillée. Le calendrier dérape presque toujours pour la même raison, l'obtention des accès techniques et la correction des droits, qui dépendent de personnes qui ont un autre travail. Sécurisez ce point à l'étape de cadrage plutôt qu'au moment du branchement.
Faut-il entraîner un modèle sur les données de l'entreprise ?
Presque jamais pour un premier projet. Donner au modèle les bons documents au bon moment produit de meilleurs résultats qu'un entraînement spécifique, pour un coût sans commune mesure et sans figer les connaissances à la date de l'entraînement. L'ajustement fin garde un intérêt pour un format de sortie très particulier ou un vocabulaire métier rare, une fois que l'accès aux données fonctionne déjà correctement.
Comment empêcher l'assistant de répondre quand il ne sait pas ?
En traitant la question côté architecture plutôt que côté consignes. L'assistant doit citer les sources qu'il a lues, et l'interface doit afficher ces sources à côté de la réponse. Quand aucune source pertinente ne remonte, le système répond qu'il ne trouve pas, sans laisser le modèle improviser. Ajoutez un retour utilisateur en un clic sur les réponses fausses, puis regardez ces signalements chaque semaine.
