Témoignages de l'IA chez les industriels

Pendant le salon Industrie du Grand Ouest, j'ai suivi une conférence qui réunissait plusieurs intervenants : deux représentants d'entreprises de l'industrie, venus témoigner sur leur projet d'IA, et un intervenant de Capacités (filiale d'ingénierie de Nantes Université), venu présenter son accompagnement de ces entreprises. La conférence était animée par Josselyn Touzeau, chargé de projet Transformation digitale et innovation d'EMC2. Trois parcours différents, et pourtant une idée revenue chez chacun : il faut un besoin clair. L'IA n'est pas magique : elle ne résout rien tant qu'on ne sait pas à quoi elle doit servir.

Voici ce que j'en retiens, pour celles et ceux qui se demandent comment intégrer efficacement de l'IA dans son entreprise.

Le point de départ : le cas d'usage manque souvent

Un chiffre pour planter le décor. Dans son bulletin de septembre-octobre 2026, la Banque de France indique que 38 % des entreprises de 20 salariés et plus* citent le manque de cas d'usage comme principal frein à un développement plus poussé de l'IA. Chez celles qui ne l'utilisent pas encore, la part monte à 49 %*. Le coût arrive bien après.

Autrement dit, le premier obstacle n'est pas la technologie ni le budget, c'est de savoir à quoi elle servirait. Les trois intervenants disaient la même chose avec leurs mots.

Ce qui fait un POC réussi

Selon les intervenants, un essai d'IA (un POC) qui aboutit repose sur quatre choses :

• un périmètre défini, c'est-à-dire ce que l'on teste et ce que l'on ne teste pas ;
• un vrai cas d'usage, issu du terrain ;
• des indicateurs rédigés et concrets, par exemple le temps gagné ;
• l'envie et la capacité de passer à l'échelle : avoir une idée globale de la performance du système et se sentir prêt à industrialiser certains cas pour arriver à une vraie mise en production.

Il est facile d'obtenir un petit outil bricolé avec une IA. Construire un cas d'usage qui répond à un besoin client, c'est très différent.

Trois retours d'expérience

Premier intervenant, MT Concept : manquer de données. Après avoir rejoint le dispositif européen DIVA (le pôle d'innovation numérique des Pays de la Loire, dédié aux données et à l'IA responsable) et s'être formée, l'entreprise a constaté qu'il lui manquait des données pour obtenir une IA performante. Sans elles, et sans plusieurs cas d'usage, les réponses n'auraient pas été assez pertinentes.

Second intervenant, dans le milieu pharmaceutique : capitaliser sur ses process. L'entreprise a beaucoup de processus formalisés, et peut s'appuyer dessus pour définir ses cas d'usage. Pourtant, même si tout semble normé en surface, elle a dû repasser par des modèles (templates) qui manquaient, pour que tous les opérateurs remontent leurs données de la même manière. Il est souvent compliqué de partir d'un fichier Excel, car tout n'y est pas cadré : une colonne censée contenir des chiffres devient parfois du texte, et la fiabilité de l'information se dégrade. Son conseil : se faire aider par une structure extérieure, qui apporte de l'impartialité et surtout quelqu'un qui a vraiment le temps de s'emparer du sujet.

Capacités : connaître la cartographie de ses données, et surtout inclure le métier. Dans le même esprit que le témoignage précédent, il décrit une démarche qui part du processus, de la connaissance du métier et des compétences des équipes, puis passe par la compréhension de la donnée, un mapping réel de l'endroit où se situe chacune d'elles, et surtout par son nettoyage. Il a ajouté que le diagnostic aboutit parfois à une solution qui se contente d'un simple algorithme, plutôt que d'une IA avec un million de paramètres.

Une méthode fondée sur la donnée et le métier

C'est le point que j'ai le plus noté. La donnée peut dysfonctionner pour des raisons très concrètes : un départ (le turn-over emporte des habitudes), des informations éparpillées, des données perdues lors d'une migration.

On connaît le décor : le fameux fichier Excel que tout le monde a en copie, le CRM qui garde ses propres données, les notes papier pour le processus sur machine. La bonne question est donc : « où sont les données ? ». Dans un tableur, dans des PDF, directement sur la machine ? L'audit des données est donc essentiel pour savoir précisément sur quoi, et comment, on va faire travailler l'IA.

Et il faut poser beaucoup de questions métier. Sans cela, on se perd dans l'analyse des modèles, faute d'avoir compris le métier qu'ils sont censés servir. Parfois, ces questions déclenchent même une réorientation du projet : plutôt que de l'IA partout, mieux vaut un logiciel déjà prêt pour automatiser les tâches, ou un logiciel qui s'installe aisément sur les serveurs de l'entreprise et ne demande ni entraînement ni données volumineuses pour répondre de façon appropriée aux utilisateurs finaux.

Terminons ce chapitre avec l'engagement des utilisateurs. Poser ces questions aux métiers dès le lancement permet aussi d'éviter un outil installé et prêt à tourner, mais dont les utilisateurs ne découvrent l'usage qu'au lancement. On se rend alors compte qu'ils n'en ont tout simplement pas besoin, et l'investissement ne porte pas ses fruits.

Ce que j'en retiens

Utiliser l'IA pour l'administration et le quotidien, c'est très bien. Mais l'utiliser sur les données de l'entreprise pour aider vraiment le métier, c'est un autre sujet, et il demande un cadrage sérieux.

C'est là que mon parcours de cheffe de projet me sert : vérifier que le besoin est réel et que la solution est proportionnée. Parfois, la bonne réponse sera une IA. Parfois, ce sera un simple algorithme, ou un tableur mieux construit. Le diagnostic sert à le dire avant de dépenser.

* Source : Banque de France, Bulletin 266/1, « L'IA s'installe dans les entreprises françaises », septembre-octobre 2026 (enquête auprès d'environ 7 000 entreprises de 20 salariés et plus, hors commerce).