Les principaux secteurs d'application de l'IA par les entreprises pour optimiser leurs services

Il existe deux façons de parler d'intelligence artificielle en entreprise. La première consiste à lister des secteurs et à écrire, pour chacun, que l'IA change tout. La seconde consiste à regarder où des équipes ont effectivement changé leur façon de travailler, et où le budget a surtout financé une démonstration. Cet écart est le sujet le plus intéressant du dossier.

Une observation revient souvent chez les gens qui déploient : les projets qui tiennent sont ceux qui s'attaquent à une tâche répétitive, mesurable, avec une donnée déjà propre et un humain qui valide à la fin. Les projets qui s'enlisent sont ceux qui promettent de « repenser le métier ». Ce n'est pas une question de secteur, c'est une question de périmètre.

Les trois conditions qui séparent un déploiement utile d'une vitrine

Avant de regarder les secteurs, il faut poser le filtre. Un usage d'IA a des chances de tenir quand trois choses sont réunies.

La tâche est répétitive et son résultat se vérifie. Un modèle qui trie des tickets, extrait des lignes d'une facture ou pré-remplit un formulaire produit une sortie qu'on peut comparer à une réponse attendue. On sait s'il se trompe, on sait de combien, on sait quand arrêter.

La donnée existe déjà, dans un format exploitable, en quantité suffisante. C'est le point où la moitié des projets meurent. Beaucoup d'entreprises découvrent en lançant un pilote que leur historique est incomplet, mal saisi, ou éparpillé entre quatre outils qui ne se parlent pas. Le coût du nettoyage dépasse alors largement celui du modèle.

Une erreur coûte peu, ou passe par une validation humaine. Une suggestion de produit qui tombe à côté fait perdre un clic. Un diagnostic médical qui tombe à côté fait autre chose. Le même niveau de fiabilité technique donne un usage confortable dans un cas et un usage encadré dans l'autre.

Là où ça marche vraiment, et pourquoi c'est rarement spectaculaire

Le tri et l'extraction d'information arrivent en tête. Classer des courriers entrants, lire des documents structurés, retrouver un contrat dans un fonds documentaire, rapprocher des références produit entre deux catalogues : ces tâches occupaient des équipes entières, elles se traitent aujourd'hui en grande partie par des modèles, avec relecture humaine sur les cas incertains. Personne n'écrit d'article dessus, et c'est pourtant là que l'automatisation a le plus mordu.

La détection d'anomalies suit de près. Fraude bancaire, intrusion réseau, dérive d'une machine sur une ligne de production : le point commun est qu'on dispose de millions d'exemples de comportement normal et qu'on cherche l'écart. Les modèles y sont bons depuis longtemps, bien avant la vague récente. En maintenance industrielle, la promesse d'anticiper les pannes se vérifie sur les équipements suffisamment instrumentés, et beaucoup moins sur un parc de machines anciennes sans capteurs.

La recommandation dans le commerce en ligne est un cas à part : elle fonctionne, elle rapporte, et son efficacité dépend surtout du volume de trafic. Une boutique qui reçoit quelques centaines de visiteurs par jour n'a pas les données pour faire tourner un moteur de recommandation qui vaille mieux qu'un classement par ventes.

L'assistance à la rédaction et au code s'est installée par le bas, sans décision de direction, parce que les gens l'ont adoptée d'eux-mêmes. C'est le déploiement le plus large et le plus mal mesuré : presque personne ne sait quantifier le temps gagné, ni le temps perdu à corriger.

Là où c'est plus vendu qu'utilisé

Le chatbot de relation client tient la première place, et de loin. L'argument commercial est simple : réduire le volume d'appels. La réalité observée par les clients l'est aussi : un assistant qui ne sait pas répondre ajoute une étape avant l'humain au lieu de la remplacer. Un bon assistant réussit quand il traite les demandes vraiment répétitives et bascule vite vers un conseiller. Un mauvais existe pour justifier une réduction d'effectif décidée avant.

La santé est le secteur où l'écart entre publication et déploiement est le plus large. Des travaux de recherche sur l'imagerie donnent des résultats sérieux depuis des années. Le passage à l'usage quotidien bute sur la validation clinique, la responsabilité médicale, l'intégration dans des logiciels hospitaliers anciens et la question de savoir qui signe. Ce n'est pas un problème d'algorithme.

Les véhicules autonomes ont fourni les démonstrations les plus filmées et les calendriers les moins tenus. La conduite assistée sur voie rapide fonctionne. L'autonomie complète en environnement urbain reste limitée à des flottes exploitées sur des zones cartographiées au centimètre, avec supervision à distance. Entre les deux, il y a un fossé que dix ans de communication n'ont pas comblé.

Le recrutement mérite une réserve plus nette. Trier des candidatures avec un modèle entraîné sur les embauches passées revient à reproduire les biais des embauches passées, avec une couche de légitimité technique par-dessus. Plusieurs entreprises ont abandonné ce type d'outil après avoir constaté le résultat. Le fait qu'il continue à se vendre en dit long.

La confidentialité, sujet technique devenu sujet contractuel

Envoyer des documents internes vers un service externe soulève des questions concrètes : où sont stockées les données, combien de temps, servent-elles à entraîner un modèle, qui y accède. Les réponses varient beaucoup d'un fournisseur à l'autre et elles se lisent dans le contrat, pas dans la brochure.

Trois options coexistent dans les entreprises. L'appel à une interface externe, rapide à mettre en route, avec une dépendance forte. L'hébergement dédié chez un prestataire, plus cher, plus contrôlé. L'exécution d'un modèle ouvert sur des serveurs internes, qui demande des compétences et du matériel, et qui règle la question de la sortie de données. Le choix dépend moins du secteur que de la sensibilité des documents traités.

Ce qu'il reste quand on retire le vernis

L'IA en entreprise ressemble beaucoup à l'informatisation des années quatre-vingt-dix : des gains réels sur des tâches précises, des projets ratés là où l'outil a été acheté avant qu'on sache quel problème il devait traiter, et un discours commercial nettement en avance sur les usages.

La question qui filtre le mieux les projets tient en une phrase : quelle décision quelqu'un prend-il différemment demain matin grâce à cet outil. Si la réponse est floue, le budget servira à produire des tableaux de bord que personne ne regarde.