Un outil exécute des règles qui existent déjà
Un assistant d'IA, tout comme un moteur de calcul, applique des règles. Ces règles existent déjà dans l'entreprise, mais elles restent souvent implicites, réparties entre plusieurs fichiers et appliquées avec des exceptions que personne n'a écrites. Tant qu'une personne fait le travail, ces exceptions sont absorbées au cas par cas. Une fois le travail confié à un outil, elles se transforment en erreurs, ou en résultats que personne ne sait expliquer.
Prenons l'automatisation des refacturations internes d'une direction financière. L'outil peut fonctionner parfaitement et buter quand même sur ce point, si les clés de répartition varient d'un mois à l'autre selon des arbitrages jamais documentés. Le projet doit alors s'interrompre pour écrire les règles avant de reprendre le développement, ce qui coûte davantage de temps que s'il avait commencé par là.
Le risque augmente avec la puissance de l'outil. Un tableur mal conçu produit des erreurs visibles, que l'on finit par repérer. Un assistant d'IA produit des réponses bien rédigées et plausibles, dont les défauts se voient beaucoup moins, ce qui rend la qualité du processus amont encore plus déterminante.
Documenter le processus avant de l'outiller
Documenter un processus demande moins de formalisme qu'on le croit. Pour chaque étape, il suffit d'écrire les données d'entrée et leur source, la règle appliquée, le résultat attendu et la personne qui le valide. Les exceptions méritent une attention particulière : chacune doit être intégrée à la règle ou assumée comme un cas traité à la main, avec un responsable désigné.
L'exercice se fait avec ceux qui exécutent le processus aujourd'hui, à partir de cas réels. Rejouer une clôture passée, ou un lot de dossiers déjà traités, fait apparaître rapidement les étapes que personne n'avait mentionnées en entretien. Ce travail produit souvent un gain avant même l'arrivée d'un outil, parce que des contrôles redondants disparaissent et que certaines ressaisies se révèlent inutiles.
Le processus écrit devient ensuite le cahier des charges de l'outil et la base de ses tests. Un résultat produit par une automatisation ou par l'IA se vérifie alors contre la règle documentée, et un écart éventuel peut être diagnostiqué jusqu'à sa source.
Choisir ce qui mérite d'être confié à l'IA
Une fois le processus clarifié, le choix de l'outil devient plus simple. Les calculs déterministes, comme une indexation de loyers ou un calcul de commissions, relèvent d'un moteur de règles testé, dont le résultat est identique à chaque exécution et vérifiable ligne à ligne. L'IA générative apporte davantage sur les tâches de lecture et de synthèse, par exemple l'analyse de verbatims clients ou la préparation d'une première version de commentaire de gestion.
La décision dépend aussi de la tolérance à l'erreur. Une synthèse de verbatims destinée à un comité supporte quelques classements approximatifs, dès lors que les tendances qu'elle dégage sont justes. Un calcul de commissions versé à des commerciaux exige au contraire un résultat exact et justifiable ligne à ligne. Poser cette question pour chaque tâche évite de confier à un modèle probabiliste un travail qui appelle une réponse certaine.
Dans tous les cas, nous recommandons de conserver une étape de validation humaine clairement identifiée, et de définir avant tout déploiement le cadre de confidentialité des données que l'outil peut lire. Ces deux points se règlent facilement au cadrage. Ils deviennent beaucoup plus difficiles à rattraper une fois l'outil installé dans les habitudes des équipes.
Ce que nous faisons concrètement
Nos missions de digital et IA commencent par le processus. Avec les équipes, nous cartographions l'existant et nous écrivons les règles et leurs exceptions, puis nous identifions les tâches qui gagnent réellement à être automatisées. Nous construisons ensuite l'outil adapté, qu'il s'agisse d'un reporting alimenté directement depuis les sources ou d'un moteur de calcul métier. Lorsque la tâche s'y prête, nous y ajoutons un assistant connecté aux données de l'entreprise.
Chaque outil est livré documenté et testé sur des cas réels, avec des règles lisibles par les équipes métier. L'objectif est que ces équipes puissent le faire évoluer lorsque les règles de gestion changent, sans dépendre de nous ni d'un développeur pour chaque ajustement.