5 cas où l'IA n'est pas rentable, et que faire à la place

Votre conseil d'administration demande un plan IA, et un concurrent vient d'annoncer son assistant. Quelqu'un dans l'équipe a une démo qui marche sur dix exemples, et un devis pour les dix mille suivants. Tout pousse à construire, et vite.

Certains de ces projets ne devraient pas voir le jour. L'IA fonctionne ; ce sont les conditions autour qui manquent. Construire de l'IA, c'est notre métier, et pendant nos audits nous déconseillons quand même une partie des projets qu'on nous présente.

Voici les cinq cas que nous voyons le plus souvent, comment repérer chacun, et quoi faire du budget à la place.

1. Les données ne sont pas là (pas encore)

L'idée paraît simple : un modèle qui lit les anciens tickets et rédige la réponse. Puis quelqu'un ouvre l'outil de ticketing. La moitié de l'historique dort dans des boîtes mail personnelles, les catégories ont changé deux fois en trois ans, et personne n'a noté quelles réponses étaient les bonnes.

Un modèle apprend de ce que vous lui donnez, et on le juge sur ce que vous appelez correct. Quand ni l'un ni l'autre n'existe, le projet devient un nettoyage de données avec une étiquette IA. Il dure des mois, et la démo reste belle tout du long : c'est là le piège.

Que faire à la place. Réparez d'abord la collecte : un formulaire de ticket qui pose les bonnes questions, des réponses stockées au même endroit, les bonnes réponses marquées. C'est quelques semaines de travail produit, rentables en elles-mêmes : un reporting plus fiable, des passations plus propres.

Le projet IA devient possible quelques mois plus tard, sur des données dignes de confiance.

2. Le volume est trop faible pour être rentable

Une tâche qui prend deux heures par semaine à quelqu'un est une vraie corvée. Elle justifie rarement un modèle.

Faites le calcul. Deux heures par semaine, c'est environ 100 heures par an. L'opération tient sur un tableau blanc : heures gagnées par an × coût horaire chargé, face au coût de construction plus une année de fonctionnement (appels au modèle, monitoring, mises à jour).

Prenez votre propre coût horaire chargé : à 60 €, cela fait 6 000 € par an. Mettez ce montant face au devis d'une fonctionnalité branchée sur vos outils, coûts de fonctionnement compris. Pour une tâche de cette taille, le retour sur investissement se compte souvent en années, s'il arrive un jour.

Un faible volume nuit aussi à la qualité. Avec quarante cas par mois, impossible de savoir si le modèle a raison 90 % du temps ou 70 %. Vous l'apprenez quand un client se plaint.

Que faire à la place. Laissez la tâche à un humain et rendez-la plus rapide : un modèle de document, une checklist, une vue partagée des informations que la personne cherche sans arrêt. Revenez à l'IA quand le volume augmente, ou quand vous pouvez regrouper plusieurs petites tâches aux mêmes entrées en un seul projet qui vaut la peine.

3. Le process change tous les trimestres

Des règles de qualification commerciale réécrites après chaque conseil d'administration. Une grille tarifaire pleine d'exceptions que personne n'a listées. Un parcours d'onboarding que l'équipe ops refait chaque printemps.

Une IA posée sur un process qui bouge automatise la version du trimestre dernier. Chaque changement demande de nouvelles instructions, de nouveaux tests, parfois de nouvelles données. L'équipe passe son temps à aligner le modèle sur une cible qui a déjà bougé.

Que faire à la place. Stabilisez le process avant de l'automatiser. Écrivez les règles telles qu'elles s'appliquent aujourd'hui, exceptions comprises, et faites-les tourner à la main ou dans un outil interne simple pendant un trimestre.

Si elles tiennent, vous avez un cahier des charges. Si elles changent encore, vous avez appris que le problème est la décision, pas l'exécution.

4. Une simple règle ou un outil no-code suffit

Router un e-mail parce que son objet contient « facture ». Envoyer une relance trois jours après un devis. Recopier un formulaire dans le CRM. On nous présente les trois comme des projets IA.

Une règle est prévisible, ne coûte rien à faire tourner et tout le monde peut la lire. Un modèle est probabiliste, coûte à chaque appel et doit être testé à chaque modification. Quand la logique tient sur une page, la règle gagne.

Que faire à la place. Commencez par la règle. Zapier, Make ou les automatisations déjà intégrées à votre CRM couvrent l'essentiel de ces cas, pour une fraction du coût de fonctionnement.

Mesurez ensuite ce que la règle laisse passer. Si les ratés sont rares, c'est terminé. S'ils s'accumulent au même endroit, par exemple les e-mails sans objet clair, mettez de l'IA sur cette part seulement, derrière la règle.

Les règles d'abord, un modèle seulement là où elles ne suffisent plus. C'est moins spectaculaire en démo, et bien plus simple à faire tourner.

5. Personne ne s'occupe de l'IA après le lancement

C'est le cas le moins visible le premier jour, et le plus cher au sixième mois. Le projet part en production, et la personne qui l'a porté passe à la priorité suivante. Six mois plus tard, le modèle répond sur une gamme que vous avez arrêtée, et personne n'a vérifié ses réponses depuis le printemps.

Une fonctionnalité IA ne se livre pas une fois pour toutes. Ses entrées dérivent, les modèles sous-jacents sont mis à jour, les utilisateurs trouvent des cas que personne n'a testés. Sans responsable, la qualité se dégrade en silence jusqu'à ce que quelqu'un s'en aperçoive, en général devant un client.

Que faire à la place. Avant de commencer, nommez la personne qui en sera responsable après le lancement, et donnez-lui du temps pour ça. Décidez de ce que vous mesurerez chaque semaine, et du seuil qui déclenche une correction.

Si personne en interne ne peut encore le prendre, l'équipe qui l'a construit peut le faire tourner après le lancement, le temps que vous trouviez cette personne (c'est ainsi que nous travaillons sur l'IA en production). Un fractional AI lead peut aussi tenir le rôle quelques jours par mois.

Avant de signer quoi que ce soit

Cinq questions, une par cas. Transmettez-les à la personne qui rédige le plan IA :

1. Avons-nous les données, au même endroit, avec les bonnes réponses marquées ?
2. La tâche revient-elle assez souvent pour être mesurée ?
3. Le process est-il resté stable pendant un trimestre ?
4. Avons-nous d'abord essayé une règle ?
5. Qui en est responsable dans six mois, nommément ?

Si une réponse est non, réglez ce point d'abord. Si les cinq sont oui, le plus dur est fait : sur ce type de projet, nous avons en général une première version en production 3 à 6 semaines après le démarrage.

Un audit gratuit vous dit de quel côté de la ligne se trouve votre projet. Une heure sur votre activité, puis un document court avec les opportunités que nous voyons, et celles que nous déconseillons. Réservez votre audit gratuit et venez avec le projet qui vous fait hésiter.