Presque toute proposition d'automatisation part de la même question : l'IA peut-elle faire cela ? C'est la mauvaise question. L'utile est plus étroite. Quelle partie de ce processus l'IA peut-elle traiter de façon répétable, mesurable et réversible, à un coût ajusté du risque inférieur à l'alternative humaine, et comment saurons-nous qu'un cas sort de cette partie ?
Les preuves en faveur de l'IA dans les opérations sont solides, et nettement plus spécifiques que ne le laisse entendre le discours commercial.
Les chiffres qui tiennent
Sur le travail répétitif et bien délimité, les études contrôlées convergent vers une même image. Les études de cas publiées par les éditeurs, elles, ne convergent pas.
Les déploiements en production affichent des chiffres plus élevés encore : chez Careem, le traitement des factures est environ 70 pour cent plus rapide, l'erreur de prévision baisse de 20 à 50 pour cent, et les défauts reculent de plus de 30 pour cent sur les lignes adaptées. Ce sont de vrais résultats, mais derrière chacun se trouve un processus reconstruit, avec des données propres, de l'intégration, des règles métier, de la supervision et un traitement humain des exceptions. Un modèle simplement plaqué sur un processus existant n'apporte rien de tout cela.
Le résultat qui devrait changer le cadrage
Dans une expérience menée avec 758 consultants du BCG, les utilisateurs de l'IA ont traité les tâches environ 25 pour cent plus vite, avec une qualité jugée supérieure d'environ 40 pour cent, tant que la tâche restait dans le périmètre de compétence du modèle. Sur un problème situé juste au-delà, les consultants assistés par IA avaient 19 points de pourcentage de chances en moins d'arriver à la bonne réponse.
Un système d'IA peut exceller sur le benchmark d'hier et se tromper avec assurance sur le cas inhabituel qui compte vraiment.
C'est le vrai problème de cadrage. La précision moyenne ne dit rien du comportement aux limites, et c'est aux limites que se trouvent les cas coûteux. Nous traitons donc « le modèle obtient de bons résultats » et « ce processus peut être automatisé » comme deux affirmations entièrement distinctes.
Trois modes, pas deux
La plupart des discussions se réduisent à automatiser ou renoncer. Trois modes servent mieux, car « ne pas automatiser » signifie rarement « ne pas utiliser d'IA ». Cela signifie que le système ne doit pas décider seul du résultat.
Automatiser
Les erreurs sont peu coûteuses ou réversibles, les résultats vérifiables objectivement, les entrées stables, et les exceptions détectables automatiquement.
- Extraction et rapprochement de factures
- Classement et routage des tickets
- Prévision de la demande
- Contrôle visuel des défauts
- Recherche interne avec citation des sources
Assister
L'IA accélère l'analyse ou la rédaction, mais une personne compétente garde la décision et en répond.
- Revue de contrats et extraction de clauses
- Présélection en recrutement, jamais la décision
- Priorisation des pistes commerciales
- Analyse, recherche et premiers jets
- Interprétation clinique et juridique
Laisser à l'humain
La décision touche aux droits, à la santé, aux moyens d'existence, à la sécurité ou à l'accès à un service essentiel. Ou la situation est inédite plutôt que répétitive.
- Embauche, licenciement, promotion, rémunération
- Refus de crédit et droit à une prestation
- Diagnostic et traitement
- Arrêt d'urgence en milieu industriel
- Décaissement élevé ou inhabituel
À quoi ressemble un bon candidat
Les bons candidats suivent presque toujours le même schéma : recevoir une entrée normalisée, classer ou extraire ou prédire, confronter la confiance aux règles métier, déclencher une action réversible, faire remonter les exceptions, tout consigner. Plus un processus s'éloigne de cette forme, vers l'ambiguïté, les objectifs contradictoires, la négociation, l'empathie ou les conséquences irréversibles, plus l'assistance l'emporte sur l'automatisation.
Avant de nous engager, nous notons un processus sur dix facteurs : rentabilité après coût de contrôle, fréquence, volume, complexité, variabilité des entrées, exposition réglementaire, part du jugement humain, explicabilité, disponibilité des données et coût d'une erreur. Un total élevé ne lève jamais un veto : un risque irréversible pour la sécurité ou les droits fondamentaux clôt la discussion quelle que soit la note.
Fourchettes réalistes par processus
| Processus | Mode | Gain réaliste | Ce qui coince |
|---|---|---|---|
| Service client | Automatiser niveaux 0 et 1 | 15 à 35% de productivité | Réponses inventées, escalade défaillante |
| Comptabilité fournisseurs | Automatiser avec contrôles | 40 à 70% du temps de traitement | Fraude, doublons, droits de validation |
| Recrutement | Assister uniquement | 20 à 40% d'administratif, 0% sur la sélection | Discrimination, aucun gain prédictif validé |
| Revue juridique | Assister | 50 à 80% sur l'extraction structurée | Références inventées, confidentialité |
| Logiciel et analyse | Assister | 20 à 40%, jusqu'à 55% si délimité | Preuves fabriquées, erreurs hors périmètre |
| Prévision | Automatiser | 20 à 50% d'erreur de prévision en moins | Changements de régime, données de base fausses |
Ce que les chiffres de rentabilité passent sous silence
Deloitte a interrogé 1 854 dirigeants et constaté qu'un retour satisfaisant sur un cas d'usage d'IA demande généralement deux à quatre ans, seuls 6 pour cent constatant un retour en moins d'un an. McKinsey, en observant les entreprises les plus avancées côté opérations, trouve six à douze mois. Les deux sont vrais. Une automatisation opérationnelle circonscrite sur des données mûres se rentabilise vite, une transformation d'entreprise par l'IA non.
Le poste que presque tous les dossiers oublient est le coût attendu des erreurs. Un processus qui économise un million de charges salariales mais porte 0,1 pour cent de risque d'un incident réglementaire ou de sécurité à vingt millions n'a pas un dossier à un million. La précision moyenne ne tranche pas non plus, car les erreurs par sous-groupe, les cas manqués et le comportement en cas de dérive des données pèsent souvent plus lourd que le chiffre affiché.
- Le problème du dénominateur : automatiser les 60 pour cent de tickets les plus simples supprime souvent bien moins de 60 pour cent du travail, car les cas restants prennent plus de temps chacun
- Le problème d'attribution : la plupart des succès publiés mêlent l'IA à une migration de CRM, un nettoyage de données, de la formation et une refonte de processus
- Le problème du travail invisible : la vérification qui migre vers un tableau de bord reste du travail et appartient au dénominateur
« Human in the loop » n'est pas un mécanisme de sécurité
Le contrôle le plus répandu est aussi le plus faible dans sa mise en oeuvre habituelle. Dans une expérience en anatomopathologie, l'IA a relevé la performance moyenne tout en produisant un taux de biais d'automatisation de 7 pour cent : des cas où un jugement humain correct a été renversé après un mauvais conseil de la machine. Une autre étude randomisée, portant sur 2 784 participants, a montré qu'alourdir la procédure de vérification augmentait l'acceptation des suggestions erronées.
Un bouton de validation n'est pas une supervision
Une vraie vérification suppose que la personne voie les éléments sous-jacents plutôt que la seule recommandation, dispose du temps et de l'autorité pour contredire, consigne parfois sa propre appréciation avant de découvrir celle du modèle, et soit testée régulièrement sur sa capacité à repérer les erreurs. En deçà, on obtient l'apparence de la responsabilité et on conserve le biais.
Par où nous commençons
Le portefeuille le plus rationnel commence par des processus ennuyeux. Extraction, classement, prévision, comparaison, contrôle, rédaction et rapprochement en grand volume offrent une économie ajustée du risque meilleure que des agents autonomes prenant des décisions lourdes. C'est aussi ainsi que se construisent la supervision et le traitement des exceptions dont vous aurez besoin plus tard.
Le seuil d'erreur se fixe ensuite à partir du préjudice métier, pas du benchmark que présente un fournisseur. Un système précis à 95 pour cent, avec détection immédiate et retour arrière gratuit, constitue une automatisation bien plus sûre qu'un système à 99,9 pour cent dont les rares erreurs sont irréversibles.
C'est le travail que nos forward deployed engineers mènent avant d'écrire la moindre ligne : cartographier le processus, trouver la partie qui passe ce test, et dire clairement quand l'automatisation classique, une correction de processus ou le statu quo est la réponse honnête.