Une veille réglementaire se prête bien à l’automatisation : un volume élevé, des sources connues, et des décisions qui se répètent. Elle sert ici d’exemple à une question plus large, celle de l’IA en PME.
Car dans beaucoup d’entreprises, l’IA est arrivée par un abonnement. Un collaborateur a essayé un chatbot, puis un deuxième, puis l’entreprise a pris des licences. Les usages se sont installés, souvent utiles, presque toujours individuels et invisibles : personne ne sait vraiment qui s’en sert, pour quoi faire, ni ce que cela change. On peut commencer autrement : par un processus réel, que l’on découpe étape par étape pour savoir où un modèle a sa place, et où il ne l’a pas.
Pourquoi le chatbot est rarement le bon point de départ de l’IA en PME
Un chatbot généraliste améliore le travail d’une personne. Il rédige plus vite, reformule, résume. Mais il n’améliore pas un processus : le devis passe toujours par les mêmes mains, dans le même ordre, avec les mêmes attentes. Le gain reste dans la poche de celui qui s’en sert.
Il pose aussi une question que l’on découvre tard : celle des données. Ce qui est collé dans un chatbot, depuis un compte personnel ou une offre mal configurée, sort de l’entreprise sans que personne en ait décidé. Nous y avons consacré un article sur ChatGPT et le RGPD.
Il ne laisse pas non plus de trace exploitable. Personne ne sait quelles décisions ont été prises avec son aide, avec quel degré de certitude, ni qui les a vérifiées. Il n’y a ni seuil, ni responsabilité clairement attribuée. Pour une activité soumise à des exigences de qualité ou de conformité, c’est un angle mort.
L’IA générative en entreprise n’est pas en cause. Pour rédiger, elle reste un excellent outil, et il serait absurde de s’en priver. Mais un outil de rédaction n’est pas une stratégie. La stratégie commence quand on regarde un processus entier et qu’on se demande, étape par étape, de quoi il est fait.
Le cas : une veille réglementaire à automatiser
Le cas que nous prenons est celui d’un think tank scientifique, qui réunit chercheurs et industriels autour d’un domaine très réglementé. Il doit suivre les évolutions réglementaires de ce domaine pour deux raisons : préparer un événement professionnel qui fait le point sur ces évolutions, et tenir ses membres informés tout au long de l’année.
Ce cas n’a rien d’exceptionnel. Toute PME qui suit un flux d’informations extérieures, qu’il s’agisse d’appels d’offres, de normes, de prix fournisseurs ou de publications concurrentes, fait face à la même équation : beaucoup de volume, peu de temps, et une décision finale qui doit rester humaine.
Les contraintes sont nettes. Les sources sont nombreuses et hétérogènes : textes officiels, avis d’agences, publications scientifiques. La fiabilité n’est pas négociable : une évolution manquée ou mal classée se voit, et elle engage la crédibilité de la structure. La décision scientifique finale revient à un expert, pas à un logiciel. Enfin, les données traitées doivent rester dans l’Union européenne.
Le partage des rôles a été posé dès le départ. Un expert du domaine porte la décision scientifique : ce qui est pertinent, ce qui est important, ce qui mérite d’être diffusé. Maeliom porte l’implémentation technique : la collecte, les aiguillages et la chaîne de rédaction assistée.
Découper le processus : décisions d’un côté, rédaction de l’autre
Le travail commence par une liste. Pas une liste d’outils : une liste d’étapes, telles qu’un veilleur humain les accomplirait. Pour chacune, une seule question : de quelle nature est-elle ?
| Étape | Nature |
|---|---|
| Collecter les publications | Mécanique, sans IA |
| Est-ce pertinent pour notre domaine ? | Décision réflexe |
| Quel sujet, quelle catégorie ? | Décision réflexe |
| Est-ce urgent ? | Décision réflexe |
| Résumer le texte | Rédaction, par un LLM |
| Valider et diffuser | Décision humaine |
Sur six étapes, trois sont des aiguillages : des réponses fermées, qui relèvent de ce que nous avons appelé ailleurs le réflexe plutôt que la délibération. Une seule demande réellement de rédiger, et c’est la seule où un grand modèle de langage est à sa place. La collecte n’a besoin d’aucune IA : c’est un travail mécanique, qu’un programme fait mieux, et de façon reproductible. La dernière étape reste humaine, par principe.
La colonne de droite n’est pas un détail de vocabulaire. Elle dit, pour chaque étape, ce qu’on attend de l’outil et comment on le jugera. Une étape mécanique se juge à sa complétude : a-t-on bien tout collecté ? Une décision réflexe, à sa précision et à sa capacité à signaler ses doutes. Une rédaction, à sa fidélité au texte d’origine. Une décision humaine ne se juge pas de la même façon : elle s’assume.
Ce découpage change la conception du système. Les trois aiguillages peuvent être confiés à un modèle rapide et sobre, éventuellement exécuté localement, qui renvoie un niveau de confiance pour chaque réponse. La rédaction, plus coûteuse, n’est appelée que sur les publications qui ont franchi les trois filtres. Le grand modèle travaille moins, et sur ce qui compte.
Les choix qui font la différence
Un seuil plutôt qu’une confiance aveugle
Chaque aiguillage renvoie une réponse et une probabilité. Au-dessus d’un seuil, la publication suit son chemin. En dessous, elle remonte à l’expert, marquée comme incertaine. Ce mécanisme ne cherche pas à supprimer l’erreur, ce qui serait illusoire, mais à la rendre visible. Une publication mal classée avec assurance passe inaperçue ; une publication signalée comme douteuse est tranchée rapidement par quelqu’un qui connaît le sujet. Le seuil lui-même n’est pas figé : il se règle à l’usage, en regardant ce que l’expert corrige.
L’hébergement dans l’Union européenne
Les publications collectées sont en grande partie publiques. Mais ce que la structure en fait (ses priorités, ses analyses, les sujets qu’elle juge urgents) ne l’est pas, et constitue son travail d’expertise. Le traitement devait donc rester dans l’Union européenne, chez des opérateurs dont le droit applicable est connu. Nous avons développé cette question, et ce qu’elle implique pour le choix des modèles, dans un article consacré à l’IA et au RGPD.
L’humain en fin de chaîne, pas au milieu
Dans beaucoup de projets d’IA, l’humain relit tout : chaque résumé, chaque classement. Le gain disparaît alors, remplacé par une relecture fastidieuse. Ici, l’expert intervient à deux endroits seulement : sur les cas que le système signale comme incertains, et à la validation finale avant diffusion. Il valide un résultat ; il ne refait pas le travail. C’est ce qui rend sa présence tenable dans la durée, et ce qui garantit que la décision scientifique reste la sienne.
Transposer à votre PME : la méthode en quatre temps
Ce découpage n’a rien de propre à la veille réglementaire. Il suit la méthode que nous appliquons à toute transformation, en quatre temps.
Comprendre. Cartographier un processus réel, tel qu’il se déroule vraiment, et non « l’IA en général ». Qui reçoit quoi, qui décide quoi, où le travail attend.
Positionner. Trier chaque étape entre quatre natures : mécanique, réflexe, rédaction, jugement humain. C’est ce tri qui dit où un modèle a sa place, et lequel.
Construire. Commencer par un pilote, sur un seul processus, avec des seuils explicites et une mesure de départ. Un pilote réussi sur un processus vaut mieux qu’un déploiement flou sur dix.
Rester. Suivre les erreurs rattrapées, ajuster les seuils, et décider à partir de ce suivi s’il faut étendre, corriger ou arrêter. C’est à ce stade que le gain se mesure, en comparant le temps passé et les erreurs rattrapées à la mesure de départ.
Trois processus se prêtent bien à un premier essai dans une PME. Le tri des demandes entrantes, qu’elles arrivent par courriel ou par formulaire : quelle nature, quel destinataire, quelle urgence ? La qualification des leads : ce contact correspond-il à la cible, à quel stade en est-il, faut-il le rappeler cette semaine ? Et le contrôle des documents fournisseurs (bons de livraison, factures, certificats), dont la conformité se vérifie souvent encore à la main : le document est-il complet, correspond-il à la commande ? Dans les trois cas, la plupart des étapes sont des aiguillages, et la rédaction n’arrive qu’à la fin, quand il faut répondre.
L’IA en PME n’est pas un projet technologique. C’est une relecture de ses processus, étape par étape, avec une question simple à chaque fois : décision, rédaction ou jugement ? Une fois cette relecture faite, le choix des outils devient presque secondaire, et les gains deviennent mesurables, parce qu’on sait où les chercher.
Cet article clôt une série de trois. Le premier explique pourquoi toutes les décisions ne méritent pas un LLM ; le deuxième, qui voit passer ces décisions lorsqu’on les confie à un modèle.
Questions fréquentes
Par où commencer l’IA dans une PME ?
Par un processus réel plutôt que par un outil. On liste ses étapes, on trie chacune entre mécanique, décision réflexe, rédaction et jugement humain, puis on lance un pilote sur ce seul processus, avec des seuils de confiance explicites et une mesure de départ pour évaluer le gain.
Combien coûte un premier projet d’IA en PME ?
Cela dépend du périmètre : nombre d’étapes automatisées, volume traité, sensibilité des données, besoin d’un hébergement maîtrisé. C’est précisément l’intérêt d’un pilote sur un seul processus : il borne l’investissement, et il produit une mesure réelle du gain avant de décider d’étendre ou non.
Peut-on automatiser une veille réglementaire avec l’IA ?
En grande partie. La collecte des publications est mécanique ; le tri par pertinence, par sujet et par urgence relève de décisions réflexes qu’un modèle rapide traite bien ; le résumé relève de la rédaction. La validation scientifique et la décision de diffuser doivent rester humaines.