Toutes les démos fonctionnent
Avec les modèles d’IA d’aujourd’hui, une démo impressionnante se monte en quelques jours. Pointez un modèle vers quelques documents triés sur le volet, posez des questions intelligentes, et la salle est convaincue. Cette facilité est précisément le piège : la distance entre la démo et un système dont vos équipes dépendent chaque jour, c’est là que la plupart des initiatives d’IA en entreprise s’enlisent discrètement.
Nous avons vécu les deux côtés de cet écart. Comme conseillers, nous aidons les entreprises à mettre l’IA au travail. Mais nous construisons et exploitons aussi notre propre produit — Jobyo, un SaaS de gestion des services sur le terrain dont les fonctions d’IA (extraction automatique de documents, assistant opérationnel) tournent en production pour de vraies entreprises. Les leçons qui suivent viennent du terrain, pas des présentations.
L’écart vient surtout de vos données
Le modèle est rarement le problème. La démo tournait sur dix documents propres et choisis ; la production, c’est chaque facture de fournisseur, en trois formats et deux langues, parfois numérisée de travers. L’assistant qui répondait à merveille en démo a besoin d’un accès vivant et gouverné à vos vrais systèmes — en respectant qui a le droit de voir quoi.
C’est pourquoi « stratégie d’IA » et « fondation de données » sont la même conversation. Si vos données sont éparpillées dans des chiffriers avec cinq versions de la vérité, une couche d’IA par-dessus répétera la confusion avec assurance. Dans notre propre produit, les fonctions d’IA ne sont devenues fiables qu’une fois le modèle de données sous-jacent strict, validé et cohérent — le travail ingrat est venu en premier.
La production, ce sont des choses ennuyantes
Ce qui sépare une fonctionnalité digne de confiance d’une démo, c’est une liste d’exigences résolument peu excitantes :
- Les permissions — l’IA doit respecter les règles d’accès existantes. Un assistant qui laisse fuir les données d’une autre équipe est un incident de sécurité, pas un outil de productivité.
- L’évaluation — il faut une définition mesurable de « suffisamment bon », testée sur vos cas réels, revérifiée à chaque changement de modèle ou de consigne.
- Un chemin humain pour les erreurs — les résultats d’extraction sont révisables et corrigeables ; l’IA propose, une personne peut toujours trancher.
- La surveillance et les solutions de repli — les modèles expirent, les quotas s’épuisent, les fournisseurs changent. La fonctionnalité doit se dégrader en douceur, pas entraîner le flux de travail avec elle.
- Le contrôle des coûts — une tarification à la requête, invisible en démo, s’accumule vite au volume de production. Les quotas et les modèles bien dimensionnés sont des décisions de conception, pas des détails.
Choisissez des problèmes qui tolèrent l’approximation
Les meilleurs premiers cas d’usage de l’IA partagent un trait : une réponse imparfaite occasionnelle coûte peu, parce qu’un humain confirme ou que l’enjeu par élément est faible. Dans Jobyo, l’extraction de documents fonctionne précisément parce qu’une personne révise le résultat prérempli en quelques secondes au lieu de saisir pendant de longues minutes — l’IA enlève la corvée, l’humain garde le jugement.
Bons premiers candidats dans la plupart des entreprises : extraire les données des factures, bons de commande et contrats ; rédiger et trier les réponses de soutien ; assistants de connaissances internes ; résumer les longs rapports opérationnels. Mauvais premiers candidats : tout ce qui est entièrement automatisé, irréversible ou face au client sans révision. Gagnez la confiance sur les cas indulgents d’abord.
Un chemin pragmatique vers la production
La séquence qui fonctionne, selon notre expérience des deux côtés de la table :
- Définir le succès avant de construire — « l’extraction économise 10 minutes par document avec plus de 95 % d’exactitude des champs », pas « explorer l’IA ».
- Piloter sur des données réelles et imparfaites dès le premier jour — les pilotes aseptisés produisent des conclusions aseptisées.
- Corriger la fondation de données en parallèle — des données gouvernées et centralisées multiplient chaque fonction d’IA qui suivra.
- Livrer à un petit groupe, mesurer, puis élargir — la maturité de production se prouve par l’usage, pas par une date de lancement.
Pourquoi nous construisons ainsi
Nous construisons nos propres logiciels d’abord avec l’IA — avec Claude et l’outillage d’IA moderne dans la boucle pour la conception, l’ingénierie et la révision. Ce n’est pas un gadget : c’est ce qui permet à une équipe chevronnée de rester petite, d’aller vite et d’offrir une livraison de calibre entreprise au rythme d’une jeune pousse. C’est la même approche — et la même honnêteté sur ce que l’IA peut et ne peut pas encore faire — que nous apportons aux mandats de nos clients.