23/09/2026

Cas d’usage IA en entreprise : choisir les bons projets

Par L'équipe ceep.ia

Une entreprise ne doit pas commencer par l’idée d’IA la plus visible, mais par un irritant métier réel, mesurable et suffisamment faisable. Pour prioriser ses cas d’usage IA, il faut comparer leur valeur attendue, la disponibilité des données et des compétences, la complexité des outils et les risques de conformité. La matrice valeur-faisabilité aide à décider, à condition de rester une aide au jugement et non une vérité automatique.

Pourquoi prioriser ses projets IA plutôt que multiplier les idées ?

Les idées d’usage de l’IA ne manquent pas : assistant commercial, traitement de documents, recherche dans la base de connaissances, prévision des ventes, contrôle qualité, reporting ou support client. Le risque est de lancer plusieurs expérimentations sans responsable métier, sans indicateur de départ et sans décision claire sur la suite.

Pour les PME et ETI, France Num reprend une démarche en quatre temps : aligner la direction, prioriser les cas d’usage, lancer les premières initiatives, puis industrialiser. Cette logique évite deux erreurs fréquentes : laisser les outils disponibles dicter la stratégie, ou attendre un projet complexe qui ne produira des résultats qu’après une longue phase de préparation.

La bonne question n’est donc pas : « Où peut-on mettre de l’IA ? » Elle est plutôt : « Quel problème coûte aujourd’hui du temps, de la qualité, de la marge ou du risque, et peut être traité dans des conditions maîtrisables ? »

Comment recenser les irritants par processus ?

Commencez par les processus, pas par les technologies. Un atelier court avec les responsables et les collaborateurs concernés permet de faire remonter les tâches répétitives, les recherches fastidieuses, les contrôles manuels et les décisions prises avec des informations incomplètes.

La priorisation gagne à combiner la vision de la direction et les remontées du terrain. France Num recommande de croiser une approche descendante et une approche ascendante, puis de constituer un portefeuille de projets à court, moyen et long terme plutôt que de retenir un seul sujet isolé.

Pour chaque processus, documentez l’irritant avec une fiche simple :

Processus concerné : devis, achats, production, maintenance, finance, ressources humaines, relation client ou autre.
Tâche précise : ce que fait réellement l’équipe, et non une formulation vague comme « améliorer la productivité ».
Déclencheur et résultat attendu : quel événement lance la tâche et quel livrable doit être produit ?
Personnes concernées : opérateurs, managers, fonctions support, clients ou fournisseurs.
Difficulté actuelle : répétition, délais, erreurs, ressaisie, recherche d’information, dépendance à une personne.
Systèmes utilisés : ERP, CRM, fichiers, messagerie, logiciel métier, documents papier ou bases externes.
Décision à prendre : automatiser, assister, rechercher, classer, prédire ou simplement mieux rédiger.

Les retours recensés par France Num montrent que les cas d’usage partent de problèmes concrets : rédaction, réponses aux clients, reformulation de messages commerciaux et amélioration de contenus. L’objectif présenté est d’aider le travail humain et d’éviter la page blanche, pas de remplacer systématiquement les salariés, selon le guide « Osez l'IA dans votre TPE-PME » de France Num.

Cette étape révèle souvent des candidats accessibles : synthèse de comptes rendus, préparation d’un reporting, extraction d’informations dans des documents ou aide à la rédaction. Les usages plus complexes, comme une prévision ou une optimisation opérationnelle, doivent être examinés avec davantage d’attention sur les données et l’intégration.

Quels critères utiliser pour mesurer la valeur ?

La valeur ne se limite pas au temps théorique économisé. Une tâche peut être longue mais peu prioritaire si le temps libéré n’est pas réutilisable. À l’inverse, une tâche courte peut avoir une forte valeur si elle réduit une erreur coûteuse ou accélère une décision commerciale.

Évaluez chaque cas d’usage sur les dimensions suivantes :

| Dimension de valeur | Question à poser | Indicateur de référence à rechercher | |---|---|---| | Temps | Quelle activité pourrait être réduite ou accélérée ? | Temps réellement consacré, délai de traitement, attente évitée | | Erreurs et qualité | Quelles erreurs, reprises ou non-conformités l’usage pourrait-il réduire ? | Taux de reprise, réclamations, écarts de contrôle, défauts constatés | | Chiffre d’affaires | L’usage améliore-t-il la réponse commerciale, la conversion ou la fidélisation ? | Opportunités traitées, délais de réponse, ventes attribuables avec prudence | | Marge | Agit-il sur les coûts, les achats, les pertes ou l’utilisation des ressources ? | Coût de traitement, marge par activité, rebuts, heures consommées | | Risque | Réduit-il une exposition opérationnelle, contractuelle ou de sécurité ? | Incidents, contrôles manquants, dépendances, événements évités | | Expérience de travail | Rend-il une tâche plus fiable ou plus soutenable ? | Abandons, satisfaction interne, charge ressentie, continuité du savoir-faire |

Ne transformez pas automatiquement une heure théorique en économie financière. Si un salarié gagne du temps, ce temps peut être absorbé par d’autres tâches, consacré à la qualité ou simplement réduire la pression. La valeur à retenir est celle que l’entreprise peut réellement capter et suivre.

Pour préparer une mesure sérieuse, définissez avant le projet un état de référence, un indicateur cible, le coût complet de la solution et une période d’observation. La méthode de mesure du ROI d’un projet IA doit distinguer les gains bruts, les coûts d’intégration, la maintenance, la formation et les éventuelles reprises humaines. Retirez l’espace accidentellement présent dans le lien : mesure du ROI d’un projet IA.

Quels critères utiliser pour mesurer la faisabilité ?

Une idée peut avoir une forte valeur et rester un mauvais premier projet si les conditions de réalisation ne sont pas réunies. La faisabilité doit être examinée séparément de la valeur, avec une personne capable de répondre précisément à chaque question.

Les données sont-elles présentes et utilisables ?

Vérifiez quatre points distincts :

Existence : les données nécessaires sont-elles réellement produites ?
Qualité : sont-elles complètes, cohérentes, à jour et suffisamment homogènes ?
Accessibilité : peut-on les extraire et les relier aux bons outils ?
Droits d’utilisation : l’entreprise peut-elle les utiliser pour ce traitement, dans ce contexte et avec ce prestataire ?

L’absence de données structurées peut bloquer certains projets prédictifs. Elle ne rend pas impossible tout usage génératif, notamment lorsqu’un collaborateur fournit un document ou une consigne et vérifie la réponse. Il faut néanmoins connaître les sources, les règles de conservation et les conditions de partage.

Les outils et les compétences sont-ils disponibles ?

Demandez si le projet peut s’insérer dans les logiciels déjà utilisés. Un outil isolé qui oblige à copier-coller les informations dans plusieurs applications crée rapidement une nouvelle charge de travail.

Identifiez aussi le responsable métier, le référent technique et les utilisateurs qui testeront la solution. La maîtrise de l’IA par les collaborateurs fait partie des conditions de faisabilité : l’obligation correspondante de l’article concerné du règlement européen sur l’IA s’applique depuis le 2 février 2025. La formation ne doit donc pas être ajoutée après coup comme une simple communication de lancement.

Le niveau de risque est-il compatible avec le projet ?

La conformité n’est pas une case finale. Le règlement européen sur l’IA distingue les pratiques interdites, les systèmes à haut risque, certaines obligations de transparence et les modèles d’IA à usage général, selon une approche fondée sur les risques.

Si des données personnelles sont utilisées, la CNIL rappelle que les données d’entraînement peuvent contenir des informations sur des personnes réelles. L’entreprise doit évaluer les effets du traitement sur la vie privée et les droits des personnes avant de choisir l’architecture et les usages.

Une analyse d’impact relative à la protection des données peut être pertinente pour un cas d’usage présentant un risque élevé. La CNIL la décrit comme une démarche de cartographie et d’évaluation des risques, suivie d’un plan d’action pour les réduire AIPD.

Comment construire une matrice valeur-faisabilité ?

La matrice valeur-faisabilité est un outil pratique, pas une méthode officielle normalisée. Chaque entreprise doit adapter ses critères, ses échelles et ses pondérations à sa stratégie, à son secteur et à ses contraintes.

Pour rester lisible, retenez deux scores synthétiques :

Valeur : impact attendu sur le temps, les erreurs, le chiffre d’affaires, la marge, le risque ou la qualité de service.
Faisabilité : état des données, intégration aux outils, compétences disponibles, capacité de conduite du changement et exigences de conformité.

Positionnez ensuite chaque cas d’usage sur la matrice :

| Quadrant | Lecture | Décision recommandée | |---|---|---| | Valeur forte, faisabilité forte | Sujet prioritaire et maîtrisable | Préparer un pilote cadré | | Valeur forte, faisabilité faible | Sujet stratégique mais difficile | Traiter les prérequis avant de lancer | | Valeur faible, faisabilité forte | Usage facile mais peu transformant | Tester seulement s’il sert l’apprentissage ou un besoin réel | | Valeur faible, faisabilité faible | Peu d’intérêt et beaucoup d’obstacles | Écarter ou conserver en veille |

Le quadrant « valeur forte, faisabilité forte » ne dispense pas d’un cadrage. Il faut encore définir le périmètre, les règles de validation humaine, les données autorisées, l’indicateur de résultat et le responsable de la décision.

Le quadrant « valeur forte, faisabilité faible » mérite souvent une feuille de route plutôt qu’un abandon. Le problème peut venir de données mal structurées, d’un logiciel non interopérable, d’une compétence absente ou d’une analyse réglementaire à conduire. Un projet peut devenir faisable après un travail de fond sur la qualité des données ou la formation.

Pour l’industrie, les questions d’intégration au système de production, de traçabilité, de sécurité et de continuité d’activité pèsent particulièrement dans la faisabilité. La méthode d’audit IA appliquée aux processus peut aider à transformer ces questions en constats vérifiables. Là encore, le lien doit être écrit sans espace : méthode d’audit IA appliquée aux processus.

Comment noter un cas d’usage sans donner une fausse précision ?

Une notation sert à comparer des projets entre eux. Elle ne prédit pas le résultat et ne remplace pas une validation métier. Pour éviter la fausse précision, demandez à plusieurs personnes de justifier chaque appréciation avec des éléments observables : volume de dossiers, fréquence des erreurs, disponibilité d’un historique, accès aux données ou capacité d’intégration.

Exemple de calcul (hypothèses) : une entreprise attribue une note de valeur de 4 sur 5 à un assistant de synthèse et une note de faisabilité de 4 sur 5. Elle calcule un score de priorité simple avec la formule : valeur × faisabilité, soit 4 × 4 = 16. Cette note est uniquement illustrative ; elle ne constitue ni une mesure de ROI ni une recommandation automatique. Les hypothèses doivent être remplacées par les critères et les observations de l’entreprise.

Une autre approche consiste à pondérer les critères. Par exemple, une direction industrielle peut donner davantage de poids à la sécurité et à la continuité qu’à la rapidité de déploiement. Une fonction commerciale peut privilégier le délai de réponse et la qualité des données CRM. Le choix de la pondération doit être explicite, car il influence directement le classement.

La décision finale doit également intégrer des facteurs qui ne tiennent pas dans un score : disponibilité du sponsor, acceptation des utilisateurs, dépendance à un fournisseur, réversibilité de la solution et possibilité d’arrêter proprement le pilote.

Quel projet choisir en premier ?

Le meilleur premier projet répond à un irritant fréquent, visible par les utilisateurs et limité dans son périmètre. France Num recommande de démarrer par un cas simple, visible et utile, avec formation et analyse de la qualité des données.

Cela ne signifie pas qu’il faut choisir le projet le plus spectaculaire. Un assistant qui produit un résultat séduisant mais sans utilisateur responsable, sans mesure et sans lien avec un processus important est un projet vitrine. Il peut mobiliser l’attention sans améliorer le fonctionnement de l’entreprise.

Nous recommandons de vérifier ces conditions avant le lancement :

le problème est décrit par un processus et un utilisateur précis ;
le responsable métier peut arbitrer les résultats ;
les données nécessaires sont identifiées et accessibles ;
le résultat attendu peut être contrôlé par un humain ;
l’indicateur de départ est disponible ;
le coût complet du projet est connu, même approximativement ;
les règles de confidentialité, de sécurité et de conformité sont examinées ;
les utilisateurs savent ce qui change dans leur travail ;
un critère d’arrêt ou de généralisation est défini.

Le catalogue de Bpifrance Conseil distingue des cas d’usage selon leur complexité et cite notamment l’automatisation de bons de commande par OCR et IA, l’amélioration de campagnes CRM, les chatbots, les agents de veille et de prospection ainsi que l’optimisation de tournées logistiques catalogue des cas d’usage IA. Cette diversité confirme qu’il faut comparer les cas selon le contexte de l’entreprise, et non selon leur popularité.

Limites et points de vigilance

La matrice ne corrige pas une mauvaise compréhension du problème. Si l’irritant est mal défini, une solution techniquement réussie peut traiter le mauvais sujet.

La valeur annoncée doit être distinguée de la valeur capturée. Un gain de temps théorique ne devient pas automatiquement une économie, une hausse de marge ou une augmentation du chiffre d’affaires. Sans état de référence, indicateur cible, coût complet et période d’observation, il est prématuré de parler de retour sur investissement.

Les données absentes ou incohérentes sont un signal d’alerte. Elles peuvent rendre un projet prédictif impraticable, mais elles ne doivent pas conduire à conclure que toute l’IA est impossible. Il faut revoir le cas d’usage, son niveau d’ambition ou le type de données requis.

Enfin, les règles européennes évoluent. La version consolidée du règlement européen sur l’IA consultée en septembre 2026 est datée du 27 juillet 2026, et le règlement modificatif mentionné par EUR-Lex prévoit que l’ensemble des règles entre en application au plus tard le 2 août 2027, sous réserve des échéances spécifiques du texte. Pour chaque projet exposé, vérifiez la version applicable, la catégorie de risque et les obligations propres au système envisagé.

Questions fréquentes

Faut-il commencer par le projet IA le plus rentable ?

Pas nécessairement. La rentabilité potentielle doit être confrontée à la faisabilité, au risque, à l’acceptation des utilisateurs et à la capacité de mesurer le résultat. Un projet légèrement moins ambitieux mais correctement cadré peut fournir une base plus utile pour la suite.

Que faire si les données sont absentes ?

Commencez par vérifier si elles existent dans des documents, des courriels, un ERP, un CRM ou des fichiers non structurés. Si les données sont réellement insuffisantes, choisissez un usage qui dépend moins d’un historique prédictif, ou inscrivez la collecte et la normalisation des données comme prérequis du projet.

Une matrice valeur-faisabilité suffit-elle pour décider ?

Non. Elle sert à comparer et à rendre les arbitrages visibles. La décision doit être complétée par une analyse du risque, un responsable métier, un plan de mesure, une estimation du coût complet et une vérification des conditions d’exploitation.

Combien de cas d’usage faut-il retenir ?

Il vaut mieux constituer un portefeuille équilibré qu’une liste longue et non pilotée. France Num recommande une combinaison de projets à court, moyen et long terme dans une démarche progressive. Le nombre doit dépendre des ressources réellement disponibles et de la capacité à suivre les résultats.

Un projet visible est-il un bon premier projet ?

La visibilité aide à faire comprendre la démarche, mais elle ne suffit pas. Le projet doit aussi répondre à un irritant réel, avoir un responsable, être mesurable, disposer des données nécessaires et respecter les règles applicables. Un projet vitrine sans usage régulier risque de rester une démonstration.