Aller au contenu
FR
Demander un entretienContact

capinorium · Article · IA

Ce ne sont pas les idées qui manquent, mais la traduction : ce qui freine vraiment les PME face à l'IA

Illustration au crayon : ingénieur expliquant une pièce de fonderie à une collègue devant un tableau d'affichage

Des méthodes éprouvées pour trouver des cas d'usage de l'IA existent depuis longtemps. Ce qui manque aux PME, c'est autre chose : la traduction d'une capacité générale de l'IA en une étape concrète de leur propre processus ou produit. En partant du problème plutôt que de l'outil, en vérifiant tôt les données et en considérant sérieusement le logiciel classique comme alternative, on parvient en cinq étapes maîtrisables à une décision solide.

La KfW parvient à la même conclusion dans sa dernière analyse : identifier les premières applications d'IA concrètes est « un obstacle central » (KfW Research, Fokus n° 554, 29/07/2026). Les mêmes données montrent le schéma : 14 % des PME utilisent la génération de texte, mais seulement 5 % l'automatisation et l'aide à la décision. La KfW qualifie ces applications de « très spécifiques à l'entreprise ». Les outils polyvalents sont adoptés. Là où une solution doit être adaptée au fonctionnement propre de l'entreprise, l'adoption se raréfie.

La méthode est connue, l'appliquer est le vrai travail

Les guides de la Plattform Lernende Systeme (2021), de KI-Transfer BW (2022) et du Fraunhofer IIS (2025) sont librement accessibles et suivent presque le même schéma. La connaissance de la méthode n'est donc guère en cause. Ce qui est exigeant, c'est de l'appliquer à son propre processus. KI-Transfer BW décrit le cœur du problème : spécialistes des données et experts métier manquent souvent d'un langage commun sur ce que sont de bonnes données et de bons résultats.

Cinq étapes du processus à la preuve de faisabilité

1. Comprendre le problème et le processus. Tout commence par un goulet d'étranglement avec une valeur de départ mesurable : délai de traitement, taux d'erreur, charge de travail. Le Fraunhofer IIS recommande de fixer dès cette phase des critères de réussite et des indicateurs. Sans valeur de départ, impossible de montrer plus tard si un pilote a amélioré quoi que ce soit. La Plattform Lernende Systeme conseille en outre de chercher délibérément dans le cœur de métier, car les cas d'usage y passent facilement inaperçus.

2. Associer la bonne capacité d'IA. Le canevas de cas d'usage IA du Fraunhofer IAO fait de la « capacité d'IA pertinente » un champ obligatoire à côté de la formulation du problème : par exemple reconnaissance d'images, traitement du langage, prévision ou planification. Un exemple illustratif : un fabricant classe jusqu'ici les demandes de ses clients à la main. La capacité adaptée est alors la classification de textes, pas un chatbot. Cette association oblige à nommer ce que la technique doit réellement accomplir.

3. Vérifier les données avant de construire. Y a-t-il suffisamment de données, sont-elles accessibles, représentatives, et l'entreprise a-t-elle le droit de les utiliser ? KI-Transfer BW cite un praticien selon lequel l'algorithme ne représente qu'environ dix pour cent, la collecte et le nettoyage des données le reste. Plusieurs guides conseillent donc de commencer là où des données historiques existent déjà.

4. Évaluer ensemble utilité et faisabilité. Le canevas du Fraunhofer IAO attribue des points pour la valeur ajoutée, la situation des données, le savoir-faire et le délai jusqu'à une preuve de faisabilité vérifiée. Une autre question est importante : existe-t-il déjà des solutions connues à des problèmes comparables ? Une grande utilité avec une faible faisabilité relève d'un projet de recherche, pas d'un démarrage rapide. Les deux peuvent être justes, mais ils exigent des budgets et des attentes différents. À titre indicatif, la Plattform Lernende Systeme propose pour les PME un objectif de retour sur investissement inférieur à deux ans.

5. Démontrer à petite échelle et dans un délai limité. Un prototype doit prouver la faisabilité et se réalise, selon le Fraunhofer IIS, « généralement en quelques semaines ». Critères d'acceptation et critère d'arrêt doivent être fixés au préalable. Le chemin d'intégration est tout aussi important : qui exploite le système, qui surveille les résultats, que se passe-t-il si les données évoluent ? En 2024, Gartner avait prévu que d'ici fin 2025 au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept, notamment en raison d'une valeur métier floue (Gartner, 29/07/2024). Il s'agit d'une prévision mondiale, pas d'une mesure dans les PME, mais elle montre où les projets échouent typiquement.

Quand le logiciel classique est le meilleur choix

Un résultat honnête de la traduction peut être : pas d'IA. Selon le Fraunhofer IIS, les systèmes à base de règles continuent de bien fonctionner lorsque le savoir métier peut être formulé en règles stables. Le People + AI Guidebook de Google PAIR cite d'autres cas où l'IA n'est probablement pas meilleure : quand la prévisibilité compte, que les erreurs coûtent très cher, qu'une transparence totale est exigée ou qu'une solution rapide et bon marché est recherchée. L'IA montre en revanche sa force avec des données variables et non structurées, comme le langage sous de nombreuses formes, les images, les prévisions ou des schémas changeants.

La même logique vaut pour la vague actuelle d'agents. Gartner note que de nombreux cas d'usage présentés aujourd'hui comme « agentiques » ne nécessitent pas de mise en œuvre agentique, et prévoit que plus de 40 % de ces projets seront arrêtés d'ici fin 2027 (Gartner, 25/06/2025). Souvent, une règle, une automatisation de flux ou une meilleure recherche suffisent.

Le savoir existe, les traducteurs sont rares

La KfW observe une corrélation modérée : les entreprises pour lesquelles revues spécialisées, salons ou conseil sont des sources de savoir importantes utilisent un peu plus souvent l'IA. On ne peut en déduire une causalité. Mais cela conforte l'hypothèse que le contact avec des exemples et de l'expertise aide pour le premier pas. Selon la KfW, la science et les prestataires spécialisés sont en revanche les sources de savoir les moins importantes pour les PME. La traduction doit donc commencer avec un seuil bas : des exemples, une courte évaluation et une question de vérification claire.

En pratique : partez d'un processus concret, pas d'un outil, et fixez avant le premier prototype ce qu'il doit prouver. Si vous recherchez pour cela une évaluation structurée avec une méthode externe, un court échange avec capinori peut être un bon point de départ.

Questions fréquentes sur les cas d'usage de l'IA dans les PME

Comment les PME trouvent-elles des cas d'usage d'IA adaptés ?

Les PME trouvent des cas d'usage d'IA adaptés de la manière la plus fiable en partant d'un problème de processus mesurable. Elles y associent ensuite une capacité d'IA adaptée, vérifient les données, évaluent utilité et faisabilité et testent l'idée dans une preuve de faisabilité réduite et limitée dans le temps. Les guides du Fraunhofer IIS, de la Plattform Lernende Systeme et de KI-Transfer BW décrivent cette démarche de façon concordante.

Que signifie associer une capacité d'IA à un processus ?

Associer une capacité d'IA signifie nommer, pour un problème de processus concret, la prestation technique nécessaire : par exemple reconnaissance d'images, classification de textes, prévision, planification ou génération de contenus. Le canevas de cas d'usage IA du Fraunhofer IAO en fait un champ obligatoire à côté de la formulation du problème. On voit ainsi si un outil correspond réellement au besoin.

Quand le logiciel classique est-il meilleur que l'IA ?

Le logiciel classique à base de règles est généralement le meilleur choix lorsque le savoir métier peut être formulé en règles stables, que les résultats doivent être prévisibles et entièrement traçables ou que les erreurs coûteraient très cher. L'IA est plus intéressante avec des données variables et non structurées comme le langage, les images ou les prévisions. Les critères sont fournis par le Fraunhofer IIS et le Google PAIR Guidebook.

Pourquoi la vérification des données doit-elle précéder le prototype ?

La vérification des données vient avant le prototype, car la disponibilité, la qualité et les droits d'utilisation des données déterminent la faisabilité d'un projet d'IA. Le livre blanc de KI-Transfer BW cite un praticien pour qui la collecte et le nettoyage des données représentent l'essentiel de l'effort. Si les données sont vérifiées tard, les projets échouent souvent sur des problèmes qui auraient pu être identifiés plus tôt.

Combien de temps dure une preuve de faisabilité d'IA ?

Selon un guide pour les PME du Fraunhofer IIS, un prototype d'IA servant de preuve de faisabilité se réalise généralement en quelques semaines. Il n'est pas encore intégré à l'exploitation. Ce qui compte, ce sont des critères d'acceptation et d'arrêt définis à l'avance et un chemin d'intégration planifié, afin que la preuve de faisabilité débouche sur une décision solide quant à la prochaine étape budgétaire.

Pourquoi de nombreux projets d'IA échouent-ils après la preuve de concept ?

De nombreux projets d'IA échouent après la preuve de concept en raison d'une valeur métier floue, de coûts croissants, d'une mauvaise qualité des données ou d'un contrôle des risques insuffisant. En 2024, Gartner avait prévu que d'ici fin 2025 au moins 30 % des projets d'IA générative seraient abandonnés après cette étape (Gartner, 2024). C'est une prévision mondiale, pas une mesure dans les PME allemandes.

Sources (8)
  • KfW Research : Fokus Volkswirtschaft n° 554, 29/07/2026 (Dr Volker Zimmermann) (en allemand). PDF
  • Fraunhofer IIS : Schritt für Schritt zur eigenen KI-Lösung. Ein Leitfaden für KMU, avril 2025 (en allemand). PDF
  • Fraunhofer IAO (KODIS) : canevas de cas d'usage IA, modèle (en allemand). PDF
  • Plattform Lernende Systeme : Künstliche Intelligenz im Mittelstand, juin 2021 (en allemand). PDF
  • KI-Transfer BW : Wie gelingt KI im Mittelstand?, livre blanc, 2022 (en allemand). PDF
  • Google PAIR : People + AI Guidebook, chapitre « User Needs + Defining Success » (en anglais). Site
  • Gartner : communiqué du 29/07/2024 sur l'IA générative (en anglais). Site
  • Gartner : communiqué du 25/06/2025 sur l'IA agentique (en anglais). Site
Portrait de Rudy Winklhofer, propriétaire et Director R&D chez capinori

Rudy Winklhofer est propriétaire et Director R&D de capinori GmbH.

Autres articles de Rudy Winklhofer

Vous êtes face à une question similaire ?