Beaucoup de PME se posent la même question dès qu’il s’agit d’intelligence artificielle : par où commencer ? C’est précisément le sujet du premier Rheinland Day à Siegburg, une manifestation organisée par Just Forward, qui a réuni environ 300 entreprises de taille moyenne, des scientifiques et de jeunes sociétés technologiques. Le podcast « Markt und Mittelstand » y a interrogé plusieurs invités – et le tableau qui s’en dégage est agréablement sobre : moins de battage, plus de structure. Nous avons résumé les enseignements directement exploitables pour les décideurs de PME.
- Un projet d’IA ne commence pas par du code, mais par la compréhension et une définition claire du problème – la mise en œuvre vient ensuite.
- Avant tout projet vient le travail sur les données : les recenser, les vérifier, les préparer. Les PME sont souvent assises sur un patrimoine de données qu’elles sous-estiment.
- Plutôt qu’une simple preuve de faisabilité (POC), c’est la preuve de valeur qui compte : quel problème est résolu, quel bénéfice en découle ?
- Les cas d’usage réels vont du support technique au pilotage de robots, en passant par des modèles exécutés localement qui gardent les secrets de fabrication dans l’entreprise.
- Dans les PME, l’IA ne remplace souvent aucun poste : elle soulage des spécialistes surchargés et sécurise un savoir qui disparaîtrait avec les départs en retraite.
Le point de départ : une bonne recherche, une mauvaise traduction en produits
L’une des observations centrales de la journée porte sur une faiblesse structurelle du pays. L’Allemagne dispose d’une recherche excellente, mais ne parvient pas suffisamment à en transformer les résultats en produits commercialisables. Entre le résultat de recherche et l’application, du savoir-faire se perd régulièrement – il n’est pas rare que des entreprises étrangères reprennent ces résultats et créent la valeur ailleurs. L’exemple classique reste le lecteur MP3.
L’activité d’innovation dans le pays recule, alors que ce sont surtout les entreprises technologiques qui gagnent en valeur et en poids dans le monde – des entreprises qui naissent trop rarement ici et atteignent trop rarement une taille suffisante. Pour les PME, on peut en tirer une recommandation concrète : l’innovation peut être puisée activement dans la recherche. La coopération entre l’économie et la science a déjà été plus forte et décline depuis des années. Même de petites entreprises peuvent s’y mettre – dans le cas cité, une société d’une vingtaine de salariés a financé une chaire à l’université locale.
Comment devraient démarrer les projets d’IA : trois phases plutôt qu’un départ précipité
La contribution peut-être la plus utile au quotidien est un modèle de démarche simple. L’erreur la plus fréquente : les entreprises commencent directement par la programmation. C’est pourtant l’étape qui devrait venir en dernier. Mieux vaut un déroulement en trois phases :
- Discover : s’assurer que les dirigeants et les collaborateurs comprennent ce qu’est réellement l’IA et ce qui est en train de se passer.
- Define : définir concrètement là où l’IA résout un vrai problème ou crée une valeur mesurable – et non utiliser l’IA pour utiliser l’IA.
- Deploy : seulement maintenant, la mise en œuvre technique. Ce qui en résulte n’est pas une « belle solution » pour elle-même, mais une solution dont l’utilité est démontrable.
D’abord les données, ensuite le projet
Plusieurs interlocuteurs ont par ailleurs souligné l’importance des données. Avant de se lancer, une analyse honnête s’impose : de quelles données dispose-t-on pour bâtir dessus ? Ce recensement se fait utilement avec un data scientist. Ce n’est qu’ensuite que l’on avance sur le plan stratégique – avec la question des bons cas d’usage, de la vision et surtout de la preuve de valeur.
La différence est décisive : beaucoup d’initiatives s’enlisent parce qu’une preuve de concept fonctionne techniquement, mais que personne n’a vérifié si elle résout un problème réel. Les questions directrices avant tout investissement sont donc : gagnons-nous du temps ? Devenons-nous plus efficaces ? Quel retour sur investissement cela apporte-t-il ? Et quelles conditions cadres – protection des données incluse – faut-il prendre en compte ?
Des cas d’usage concrets issus des PME
Une stratégie abstraite n’aide guère sans exemples. Les domaines suivants ont été présentés lors de la manifestation avec un ancrage pratique.
Support technique et sécurisation du savoir
Sur des installations très complexes, dont il n’existe souvent qu’un seul exemplaire, la documentation atteint vite des centaines de milliers de pages. D’après les témoignages, les spécialistes du support après-vente passent facilement environ 25 pour cent de leur temps rien qu’à chercher dans ces documents. Des systèmes assistés par IA peuvent fournir la bonne réponse immédiatement – à condition de maîtriser le risque central : les hallucinations. Une réponse semble toujours plausible, mais elle est parfois tout simplement fausse. Dans un environnement critique pour la sécurité, ce n’est pas acceptable ; les données doivent donc être préparées de façon que le modèle de langage puisse les lire de manière fiable.
La réaction des spécialistes concernés est remarquable : dans les équipes de support surchargées, il n’y a pratiquement aucune crainte pour l’emploi. Au contraire – l’IA comble le vide qui apparaît lorsque des collaborateurs expérimentés partent à la retraite avec tout leur savoir sur l’entreprise et que la pénurie de main-d’œuvre qualifiée complique leur remplacement. Il ne s’agit pas d’automatiser des postes, mais de garder les équipes en capacité d’agir.
IA et robotique dans la production
Pour beaucoup de PME, mettre en service et reprogrammer des robots ou des machines de différents fabricants représente un obstacle important – le savoir-faire nécessaire manque en interne, et les intégrateurs externes coûtent cher. Les modèles de langage permettent ici un pilotage par le dialogue : les machines se règlent sans connaissances approfondies en programmation et les robots se commandent via des modèles de fondation.
Deux points sont ici centraux. Premièrement, le contrôle : les PME n’ont guère envie que les images de caméra de leur production partent dans le cloud ou vers des entreprises américaines, parce qu’elles contiennent des secrets de fabrication. Des systèmes exécutés localement répondent exactement à cela – y compris la traçabilité des tâches en cours de traitement et des points de blocage. Deuxièmement, le patrimoine de données : alors que les applications américaines visent fortement le travail intellectuel, le levier le plus important pour les PME allemandes se trouve dans l’atelier. Les entreprises disposant d’un solide savoir métier peuvent en nourrir les modèles – un avantage que les fournisseurs américains, privés de ces données, n’ont pas.
Marketing : données de localisation et geofencing
En marketing, le geofencing a été cité en exemple. On définit des lieux – son propre magasin ou celui d’un concurrent, par exemple – afin de s’adresser au public cible en fonction du contexte. Qui reste de 30 minutes à 2 heures chez un concessionnaire concurrent est très probablement un prospect prêt à acheter, en « bas de funnel ». Des logiques similaires valent pour les cuisinistes ou le changement saisonnier de pneus dans les garages. La condition préalable est modeste : pas de vaste document de stratégie IA, mais une idée claire de l’objectif et de la concurrence directe.
Agents IA vocaux pour les rendez-vous et la joignabilité
Autre exemple : des agents IA téléphoniques sur une plateforme existante et conforme au RGPD, pilotés par prompting et reliés à une plateforme d’automatisation. Avant, pendant et après un appel, des actions peuvent être déclenchées – envoyer un SMS avec le profil LinkedIn ou fixer directement un rendez-vous dans l’agenda, par exemple. L’intérêt pratique tient à la mise à l’échelle : de tels systèmes fonctionnent 24 heures sur 24, peuvent mener de nombreux appels en parallèle et conviennent aux réservations de restaurant, aux rendez-vous chez le coiffeur ou au rappel proactif du changement de pneus à l’automne.
Pourquoi l’échange en personne compte
Malgré toute cette technique, un point a été souligné à plusieurs reprises : nous sommes entourés d’intelligence artificielle, mais c’est bien l’intelligence humaine qui produit le véritable progrès. La valeur particulière de ce type de manifestation tient à la rencontre de deux mondes – l’expérience de plusieurs décennies des entreprises industrielles établies et la manière de penser plus numérique des jeunes start-up technologiques. Le Rheinland Day s’est délibérément tenu non pas dans une métropole, mais là où les PME sont réellement implantées : en région.
Conclusion
Le message du Rheinland Day est agréablement terre à terre : l’IA réussit dans les PME non pas grâce au code écrit rapidement, mais grâce à la compréhension, à des données propres et à des cas d’usage clairement définis, avec un bénéfice démontrable. Qui commence par la preuve de valeur plutôt que par la simple preuve de faisabilité évite les projets qui s’enlisent. Les applications les plus convaincantes soulagent les spécialistes, sécurisent un savoir précieux et gardent les données sensibles dans l’entreprise. Pour les décideurs de PME, cela signifie : d’abord le problème, puis les données, puis la technologie – dans cet ordre.
Source : KI-Lösungen für den Mittelstand – Markt und Mittelstand: Der Podcast (YouTube, en allemand)