IA générative : des exemples qui tiennent en entreprise

On me demande souvent des exemples d'IA générative, et je réponds rarement ce qu'on attend. Les listes circulent déjà partout, classées par outil, et elles ne disent pas par quoi commencer lundi matin. Ce qui manque, dans presque toutes, c'est la limite de chaque usage et l'ordre dans lequel les aborder.

Un exemple d'IA générative utile en entreprise, c'est une tâche de production de contenu (texte, synthèse, analyse, code) où le modèle fabrique un premier état du travail qu'un humain compétent corrige ensuite. Marketing, RH, finance et support en offrent chacun plusieurs, mais ils ne se valent pas : certains tolèrent l'erreur, d'autres la paient immédiatement, et c'est ce critère qui doit décider de votre ordre de passage.

Pourquoi je classe ces exemples par métier et pas par outil

Un exemple classé par outil vous apprend ce qu'un produit sait faire. Un exemple classé par métier vous apprend ce qu'une personne arrête de faire, et c'est la seule information qui compte au moment de décider. Un dirigeant qui part de l'outil finit par chercher où le caser ; un dirigeant qui part du métier identifie d'abord une tâche pénible, répétitive et volumineuse, puis regarde si la technologie y répond. La seconde démarche donne des chantiers qui survivent au premier trimestre, la première donne des licences payées et peu utilisées. Précisons le périmètre au passage : je parle ici d'IA générative, un modèle qui produit du contenu quand on le sollicite, pas d'un agent qui enchaîne des actions tout seul.

Marketing : un premier jet rapide, une relecture incompressible

C'est l'usage le plus répandu, et de loin le plus simple à installer. Déclinaisons d'un même message pour plusieurs canaux, variantes de titres à tester, reformulation d'un argumentaire selon l'interlocuteur, synthèse d'un retour client en quelques lignes exploitables. Le gain porte sur le temps de production du premier état : ce qui demandait une matinée de page blanche se ramène à une relecture critique, et la page blanche est précisément le moment où une équipe marketing perd son énergie. La limite est tout aussi réelle, et elle ne disparaît jamais. Le modèle produit du plausible, pas du vrai : il écrira avec le même aplomb une caractéristique produit que vous n'avez pas, un chiffre reconstitué, une référence inventée. Pour comprendre pourquoi cette mécanique est structurelle et non un défaut à corriger, le fonctionnement d'un LLM expliqué sans jargon donne la bonne intuition. La relecture n'est donc pas une précaution que vous pourrez retirer plus tard : elle fait partie du processus.

RH : le tri de candidatures, l'exemple qui apprend le plus

Côté RH, les usages évidents sont la rédaction d'offres d'emploi, la préparation de trames d'entretien, la synthèse de comptes rendus, la réponse aux questions internes récurrentes sur un corpus documentaire maison. Et puis il y a le tri de CV, que tout le monde cite en premier parce que le volume y est énorme et la tâche ingrate. C'est aussi l'exemple où le piège est le plus profond. Un modèle entraîné sur du texte existant reproduit les régularités de ce texte, y compris celles que personne n'assume : une formulation, un parcours atypique, un établissement, une interruption de carrière peuvent peser dans le classement sans que quiconque l'ait voulu ni ne puisse le constater. Le problème n'est pas que la machine se trompe, c'est qu'elle se trompe de façon régulière et silencieuse, à grande échelle, là où un recruteur fatigué se trompe de façon désordonnée. Une discrimination systématique est d'une tout autre nature qu'une erreur ponctuelle.

Finance et direction : l'analyse répétable plutôt que l'analyse brillante

C'est l'usage le plus sous-estimé, parce qu'il n'a rien de spectaculaire. Synthétiser un rapport de cent pages en une note lisible, extraire les clauses sensibles d'un contrat, comparer des propositions commerciales sur une grille constante. Ce que l'IA générative apporte ici n'est pas la finesse d'analyse : un bon contrôleur de gestion reste meilleur analyste que n'importe quel modèle. Elle apporte la régularité. Une analyse que personne n'a le temps de faire tous les mois devient une analyse faite tous les mois, avec la même grille, donc comparable dans le temps. La limite tient en une phrase : tout ce qui sort doit être vérifiable contre la source, et sur des chiffres cette vérification ne se délègue pas. J'ai détaillé ailleurs comment se calcule le retour sur investissement de ces usages, parce que l'écart entre le gain annoncé et le gain constaté vient presque toujours du temps de vérification oublié dans le calcul.

Le support client est le pire endroit pour commencer

C'est pourtant le premier chantier que beaucoup de dirigeants envisagent, et je comprends pourquoi : le volume est visible, les coûts sont identifiés, la promesse est séduisante. Le problème est que le support touche directement vos clients, en temps réel, sur des sujets où ils sont déjà contrariés. C'est l'endroit de votre entreprise qui supporte le moins bien l'erreur. Une réponse inventée sur une condition de remboursement, un ton inadapté sur une réclamation sérieuse : le coût ne se mesure pas en temps perdu mais en confiance, et la confiance ne se rattrape pas avec un correctif. Cela ne veut pas dire que le support est hors de portée, cela veut dire qu'il vient après, quand vous savez déjà ce que votre modèle fait bien et où il dérape. Le bon point d'entrée y est d'augmenter l'agent humain : lui proposer un brouillon de réponse et les éléments de dossier, qu'il envoie après relecture. Le client reste en face d'une personne qui engage l'entreprise.

Le critère de choix, plutôt qu'une liste à copier

Si vous ne deviez retenir qu'une chose de tout ce qui précède, ce serait l'ordre de passage, et deux variables suffisent à le fixer : le coût d'une erreur et le volume réel de la tâche. Le volume seul vous mène droit sur les usages exposés, puisque c'est là que les gros volumes se trouvent, mais croisé avec le coût de l'erreur l'ordre change complètement. La règle est simple : commencez là où l'erreur est sans conséquence et où le volume est néanmoins réel, puis remontez vers l'exposé une fois le processus rodé et les points de vérification identifiés. L'ordre inverse ne fait pas gagner de temps, il déplace le risque au mauvais endroit.

Ce que je retiens de ces exemples

Le point commun de tous ceux qui fonctionnent, c'est qu'ils ne retirent pas l'humain : ils lui retirent la partie la plus pénible et lui laissent le jugement. Le marketing garde la responsabilité de ce qui est publié, les RH gardent la décision sur les personnes, la finance garde la lecture des chiffres. Quand un usage prétend se passer de cette couche, c'est en général le signe qu'on a confondu la vitesse de production avec la valeur produite. L'IA amplifie une expertise, elle ne la fabrique pas, et un métier qui ne sait pas reconnaître une sortie fausse ne gagnera rien à en produire plus vite.

Le second point est moins confortable : ces exemples se transposent mal tels quels, parce que le gain dépend davantage de votre organisation que de l'outil. Deux entreprises du même secteur n'obtiennent pas le même résultat sur le même usage, selon que le travail est documenté quelque part ou qu'il vit dans la tête de trois personnes. Pour une vue d'ensemble avant de choisir votre premier chantier, le guide de l'IA agentique en entreprise rassemble la méthode complète. Et si vos équipes doivent d'abord se faire une idée concrète de ce que ces modèles savent et ne savent pas faire, une formation de deux ou trois jours sur vos propres sujets fait plus pour le discernement collectif qu'un déploiement d'outil.