Commencer par ce qui reste humain

Lorsqu'une petite ou moyenne entreprise (PME) envisage d'utiliser un agent d'IA, elle doit commencer par identifier les tâches qui resteront confiées à des humains. Cette démarche aide à définir le périmètre du projet, son budget et la manière dont son succès sera mesuré. Un périmètre clairement défini évite que le projet ne devienne trop vaste et ingérable.

Le défi des tâches multiples

Beaucoup de dirigeants imaginent un assistant d'IA capable de gérer plusieurs tâches à la fois : répondre aux courriels, qualifier les prospects, mettre à jour un système de gestion de la relation client (CRM), envoyer des devis et résumer les réunions. Pourtant, chacune de ces tâches mobilise des sources de données et des flux de travail différents, ce qui rend les tests et l'évaluation nettement plus complexes.

Tester et diagnostiquer les erreurs

Un agent d'IA se teste en observant la manière dont il traite des cas précis. Avec plusieurs tâches, le nombre de combinaisons possibles augmente, ce qui complique l'identification des problèmes. Lorsqu'une erreur survient, déterminer si elle provient des instructions de l'agent, des données qu'il utilise ou d'une intégration logicielle prend du temps, d'autant plus que les outils impliqués sont nombreux.

La réaction humaine face aux erreurs

Une équipe peut rapidement perdre confiance dans un agent d'IA s'il commet une erreur visible, surtout si l'outil a été présenté comme capable de tout faire. Le projet risque alors d'être abandonné sans qu'un point de défaillance clair ait été identifié. Chaque fonction supplémentaire confiée à l'agent soulève par ailleurs de nouveaux enjeux de sécurité, comme la mise en place de contrôles d'accès appropriés.

Choisir la bonne tâche

Un bon candidat à l'automatisation par l'IA est une tâche fréquente, qui suit des règles stables et dont les erreurs sont faciles à corriger. Si une tâche n'intervient que quelques fois par mois, le temps et l'effort nécessaires à la conception et à la maintenance de l'IA risquent de dépasser les bénéfices. Les tâches fréquentes fournissent en revanche suffisamment de données pour les tester et les évaluer.

Comprendre les règles

Avant de confier une tâche à une IA, demandez à la personne qui la gère actuellement si elle peut expliquer son processus de décision en une page. Si l'explication comporte de nombreuses exceptions et incertitudes, c'est que les règles ne sont pas encore claires. Un agent d'IA appliquera ces règles ambiguës sans avoir le même discernement qu'un humain.

Gérer les erreurs de manière responsable

La question essentielle n'est pas de savoir si une IA commettra des erreurs, mais ce qui se passera lorsqu'elle en commettra. Une erreur de classement d'un courriel peut être corrigée rapidement, alors qu'une erreur dans un devis adressé à un client ou dans la planification d'une réunion pourrait avoir des conséquences plus graves. La capacité à détecter et à corriger les erreurs avant qu'elles n'affectent les clients est essentielle à une automatisation sûre.

Les solutions logicielles existantes

Pour des tâches courantes comme la planification de rendez-vous ou le tri des courriels, des solutions logicielles existent. Ces outils sont maintenus par leurs éditeurs et facturés chaque mois. Il est raisonnable de tester l'une de ces solutions sur des cas réels pendant quelques semaines avant d'envisager un développement sur mesure.

Quand construire une IA sur mesure

Un développement sur mesure se justifie lorsque la tâche implique des outils auxquels les logiciels existants ne peuvent pas se connecter, comme des systèmes internes obsolètes. Il est aussi nécessaire si les règles sont propres à l'entreprise ou si des questions de confidentialité des données empêchent le recours à des plateformes tierces. Dans ces cas, trois vérifications clés s'imposent : où vont les données, ce qui se passe si le fournisseur modifie ses conditions, et qui peut modifier le comportement de l'IA si besoin.

Évaluer le budget

Lorsqu'on compare le coût de la construction d'un agent d'IA sur mesure à celui d'un logiciel existant, il est important de les comparer sur la même période, maintenance comprise. Le travail réel commence après le déploiement, car les demandes réelles sont plus complexes que les cas de test.

Suivre et ajuster les performances

Après le déploiement, il est essentiel de suivre chaque demande traitée par l'IA, en notant ce qu'elle a fait et si des corrections ont été nécessaires. Un examen hebdomadaire de ces journaux peut révéler les points sur lesquels l'IA peine. Des ajustements doivent être planifiés, avec du temps dédié à l'amélioration des instructions afin de garantir que l'IA continue de fonctionner de manière fiable.

Propriété et documentation

La propriété du code, des instructions et des scénarios de l'IA est souvent négligée. Les contrats conclus avec les fournisseurs de modèles d'IA doivent préciser clairement qui possède les données et les systèmes concernés. Une documentation rigoureuse est nécessaire pour permettre de changer de fournisseur sans tout reconstruire à partir de zéro. Une PME qui ne peut pas changer facilement de fournisseur n'a pas acquis un outil, mais créé une dépendance.