Tous les éditeurs de logiciels répètent la même chose aux dirigeants de petites entreprises en ce moment : ajoutez de l'IA, ou soyez distancés. Des chatbots qui répondent aux clients, des outils qui rédigent vos factures, des systèmes qui "prédisent" ce qu'il faut réapprovisionner. Tout ça a l'air formidable en démonstration. Puis on essaie de le brancher sur son activité réelle, et tout s'effondre en une semaine.
Le problème vient presque jamais de l'outil d'IA lui-même. Il vient de ce qu'on lui donne à manger.
Être prêt pour l'IA ne veut pas dire "avoir beaucoup de données." La plupart des entreprises en ont déjà beaucoup. Ça veut dire que ces données vivent à un seul endroit, suivent un seul format, et signifient la même chose à chaque fois que quelqu'un (ou quelque chose) les lit. C'est une barre bien plus haute que ce que la plupart des petites entreprises imaginent, et ça n'a rien à voir avec leur niveau de numérisation.
Voici à quoi ressemble généralement une entreprise "pas prête", parce qu'il y a de bonnes chances qu'au moins un de ces cas s'applique chez vous. Les informations clients vivent en partie dans une boîte mail, en partie dans les contacts d'un téléphone, et en partie dans la tête de la personne qui se souvient que tel client veut toujours être livré le vendredi. Les factures s'entassent dans un dossier de PDF nommés "Facture_finale_v3_DEFINITIVE.pdf." Les noms de produits sont saisis différemment selon qui les tape, si bien que le système de stock pense que "Widget 500g" et "widget 500 g" sont deux articles distincts. Les dates s'écrivent de trois façons différentes selon l'outil.
Rien de tout ça ne pose problème quand un humain fait le travail, parce que les humains savent combler les vides avec du contexte. Un outil d'IA, non. Donnez à un chatbot des données de prix incohérentes, et il annoncera avec assurance le mauvais montant à un client. Donnez à un outil de prévision un inventaire truffé de doublons, et il vous dira de recommander un produit dont vous avez déjà trois exemplaires en stock. C'est la règle la plus ancienne de l'informatique, et elle reste tout aussi vraie avec un modèle de langage derrière le rideau qu'elle l'était avec un simple tableur : données médiocres, résultats médiocres. L'IA ne répare pas des données en désordre. Elle se contente de prendre de mauvaises décisions à partir de ce désordre, plus vite, et avec plus d'assurance.
Donc avant de faire les boutiques pour un produit d'IA, le vrai travail consiste à nettoyer ce qui l'alimente. Voici l'ordre qui a généralement du sens.
1. Regroupez les données clients et transactionnelles dans un seul système. Pas besoin de sophistication. Un vrai CRM, une base de données partagée, même un tableur correctement tenu par une seule personne, tout ça vaut mieux que des données éparpillées dans cinq outils différents sans personne responsable.
2. Standardisez la façon dont les choses sont enregistrées. Choisissez un format de date, une façon de nommer les produits, une façon d'enregistrer une vente. Notez-le quelque part pour que les nouvelles recrues suivent la même règle. C'est ennuyeux, mais cette seule étape évite la plupart des erreurs bizarres qui apparaissent plus tard.
3. Décidez quelle décision vous voulez réellement déléguer avant d'acheter quoi que ce soit. "Répondre automatiquement aux questions fréquentes" et "prédire quels produits recommander" demandent des données préparées de façons complètement différentes. Des objectifs flous mènent à des outils coûteux qui ne conviennent jamais tout à fait.
4. Construisez la plomberie avant le robinet. C'est-à-dire une vraie base de données ou un système documentaire qu'un futur outil pourra réellement interroger, plutôt qu'un tas de fichiers que quelqu'un doit réexporter à la main à chaque changement.
Rien de tout ça n'est glamour, et rien de tout ça ne ressemble à "utiliser l'IA." C'est plus proche du grand ménage de printemps que de l'innovation. Mais c'est ce qui distingue un outil d'IA qui vous fait vraiment gagner du temps d'un outil qui devient une nouvelle chose à vérifier et nettoyer sans cesse.
C'est exactement le travail de préparation que nous faisons avant de toucher à un quelconque projet d'IA, et honnêtement, c'est l'essentiel du travail réel. Un audit des données, un vrai système pour remplacer les tableurs éparpillés, une API sur laquelle un futur outil pourra se brancher proprement. C'est moins vendeur que "propulsé par l'IA," mais c'est ce qui fait que la partie IA fonctionne vraiment une fois construite. Si vous voulez un second avis sur la préparation de vos systèmes, vous parlerez directement à la personne qui fait le travail, pas à un chargé de compte qui lit un script, et pas à une file d'attente de tickets. C'est simplement notre façon de travailler.
Un projet en tête ?
Démarrer un projet