IA générique ou IA métier : comment choisir en entreprise ?

Faut-il laisser les équipes utiliser ChatGPT, Claude, Gemini ou Copilot ? Souscrire une offre d’entreprise ? Créer un chatbot interne ? Ou intégrer des fonctions d’IA dans l’ERP, le CRM et les applications déjà utilisées ? Pour une DSI, la question n’est pas de choisir un modèle pour toute l’entreprise. Elle est de choisir le bon niveau d’industrialisation pour chaque processus. Une IA métier peut d’ailleurs utiliser le même LLM que ChatGPT : la différence se trouve dans les données accessibles, les règles, les droits, les contrôles et l’intégration au travail réel.

1. L’assistant généraliste encadré. Il aide à rédiger, synthétiser, traduire ou chercher des idées. L’utilisateur fournit le contexte, vérifie la réponse et reporte lui-même le résultat dans son outil.

2. L’assistant d’entreprise gouverné. Il ajoute généralement administration, comptes professionnels, SSO, règles d’usage et engagements contractuels. Il peut aussi accéder à certaines connaissances internes. Il convient aux besoins communs à beaucoup de métiers, sans transformer chaque usage en projet logiciel.

3. L’IA métier industrialisée. Elle est conçue autour d’un processus : qualifier une demande, extraire des données, recommander une action ou préparer une opération dans l’ERP ou le CRM. Elle associe un modèle existant à vos données, vos règles, vos droits, vos interfaces, vos tests et votre supervision.

« Sur mesure » ne signifie donc pas entraîner son propre ChatGPT. La valeur vient le plus souvent du système construit autour d’un modèle existant.

Il existe aussi un quatrième choix, souvent oublié : ne pas utiliser de LLM. Une règle de gestion stable, une validation par seuil ou un transfert de données entre deux applications peut relever d’une automatisation classique. Celle-ci sera parfois moins spectaculaire, mais aussi plus prévisible, moins coûteuse à évaluer et plus simple à auditer. La bonne question n’est donc pas « quel outil d’IA déployer ? », mais « quelle part du problème exige réellement de comprendre ou de produire du langage ? ».

Un assistant généraliste reste un bon choix lorsque la tâche est :

• occasionnelle et commune à plusieurs métiers ;
• alimentée par des informations publiques ou non confidentielles ;
• facilement vérifiable par l’utilisateur ;
• sans écriture automatique dans le SI ;
• réversible en cas d’erreur.

Exemples : préparer un plan, reformuler un courriel, résumer une publication publique ou produire un premier brouillon. Une expérimentation sur des tâches de rédaction a observé des gains de temps et de qualité, mais dans un cadre qui exigeait peu de contexte propre à l’entreprise ; le MIT en résume les résultats et les limites.

L’usage doit néanmoins être encadré. La CNIL recommande de partir d’un besoin précis, de définir les usages autorisés et interdits, de former les utilisateurs et d’associer métiers, DSI, RSSI et DPO. Une licence ouverte ne remplace ni une politique d’usage ni la vérification humaine.

Étudiez une IA métier lorsque plusieurs signaux se cumulent :

• Le volume justifie un processus commun. La tâche revient chaque jour et mobilise plusieurs personnes.
• La qualité dépend de votre contexte. La réponse exige contrats, procédures, historique client ou règles tarifaires.
• Le copier-coller devient un frein. L’IA doit lire ou préparer une action dans une application métier.
• L’erreur a un impact réel. Une mauvaise sortie peut affecter un client, une commande, un paiement ou une obligation réglementaire.
• La valeur peut être mesurée. Temps de traitement, taux de reprise, erreurs, dossiers résolus ou coût par opération sont connus avant le projet.

Le contexte interne n’élimine pas les erreurs. Le NIST rappelle que les modèles peuvent produire avec assurance des contenus faux ; les réponses doivent être testées sur vos cas réels. Si l’IA agit dans plusieurs outils, les droits doivent être minimaux, les actions sensibles validées et les événements journalisés, conformément à une approche de sécurité telle que celle recommandée par l’ANSSI.

1. La fréquence. Un usage rare supporte le copier-coller et la vérification manuelle. La récurrence et le nombre d’utilisateurs peuvent justifier une expérience commune.

2. La spécificité du contexte. Plus la réponse dépend de votre vocabulaire, de vos contrats, de vos catalogues ou de votre historique, moins une conversation généraliste est suffisante. Le sujet devient alors l’accès fiable à la bonne information, avec les bons droits, au bon moment.

3. Le niveau d’intégration. Générer un brouillon dans une fenêtre séparée reste un usage individuel. Préremplir un dossier, contrôler des pièces ou proposer une action dans l’application métier transforme l’IA en composant du processus. Les exigences de disponibilité, de sécurité et de traçabilité changent en conséquence.

4. La conséquence d’une erreur. Une formulation maladroite dans une note interne n’a pas le même impact qu’un mauvais tarif, un diagnostic erroné ou une instruction exécutée dans le SI. Plus l’effet est difficile à annuler, plus il faut limiter l’autonomie, organiser la validation humaine et conserver les éléments permettant d’expliquer la décision.

5. La testabilité. Un projet est industrialisable lorsqu’on peut réunir des cas représentatifs, définir ce qu’est une réponse acceptable et mesurer les échecs. Sans jeu de tests métier, une démonstration convaincante ne prouve ni la qualité en production ni sa stabilité dans le temps.

6. L’économie complète. Comparez le coût actuel du processus au coût total de la solution : licences, intégration, consommation des modèles, supervision, support, évolution des sources et traitement des erreurs.

7. La responsabilité. Enfin, quelqu’un doit pouvoir décider des usages autorisés, accepter le niveau de risque et suivre les résultats. Sans propriétaire métier et sans responsable technique, l’outil risque de rester un prototype orphelin, même si sa technologie est performante.

Remplissez cette grille pour un processus précis, pas pour « l’entreprise » en général.

Plus la colonne de droite se remplit, plus un cadrage sur mesure est justifié. Mais une règle stable et déterministe relève parfois d’une automatisation classique, pas de l’IA. Cette grille ne doit pas produire un verdict global pour toute l’organisation. La cible est souvent un portefeuille de solutions assorti de règles communes, plutôt qu’un outil unique imposé à tous.

Choisir la marque avant le cas d’usage. Comparer ChatGPT, Claude, Gemini ou un modèle open source n’a de sens qu’après avoir précisé la tâche, les données, le risque et le résultat attendu. Le meilleur modèle dans un benchmark général n’est pas nécessairement le meilleur composant dans votre processus.

Confondre abonnement professionnel et industrialisation métier. Une offre d’entreprise peut résoudre une grande partie des besoins transversaux : gestion des comptes, cadre contractuel, administration et fonctionnalités partagées. Elle ne crée pas automatiquement vos règles de validation, vos interfaces avec le SI ni vos indicateurs de qualité. À l’inverse, développer une interface spécifique pour reproduire un chat déjà disponible apporte peu de valeur.

Passer du prototype à la production sur la seule impression des utilisateurs. Une démonstration fluide donne une indication d’utilité, pas une preuve de fiabilité. La décision doit reposer sur des cas réels, y compris les exceptions, et sur des mesures comparables à la situation de départ. Le NIST insiste justement sur l’évaluation continue des risques propres à l’IA générative ; la qualité doit être suivie après le lancement, car les données, les modèles et les usages évoluent.

Pour une DSI, le bon ordre consiste donc à qualifier la valeur, les données et le risque, puis à choisir le niveau d’intégration. La technologie vient ensuite.

La bonne architecture est souvent hybride : un assistant d’entreprise pour les besoins généraux, quelques modules métier pour les processus qui créent le plus de valeur, et des automatisations classiques pour les règles déterministes.

Si l’IA doit agir dans vos logiciels, consultez notre guide pour intégrer l’IA dans un logiciel métier et notre expertise en interfaçage d’applications. Si le cas d’usage est déjà défini, l’article sur le budget et le ROI d’une IA sur mesure vous aidera à préparer le business case.

L’objectif du premier échange n’est pas de vendre automatiquement une IA sur mesure. Il est d’éviter qu’une entreprise choisisse une solution avant d’avoir correctement posé le problème.