Dans cet article
Une PME française qui veut essayer l’intelligence artificielle se trouve désormais devant trois portes : consulter des exemples, demander un diagnostic ou rejoindre un accompagnement long. Le premier bilan du plan Osez l’IA, publié par le ministère de l’Économie le 4 septembre 2026, montre que l’offre grandit vite. Mais un catalogue plus fourni ne choisit pas le bon problème à la place de l’entreprise. La question utile est donc très concrète : quelle porte ouvrir pour résoudre une tâche précise, sans confondre découverte, expérimentation et résultat économique ?
Trois portes qui ne demandent ni le même temps ni le même engagement
Le plan Osez l’IA a été lancé le 1er juillet 2025. Un an plus tard, le ministère annonce plus de 35 000 entreprises sensibilisées, 615 Ambassadeurs IA présents dans 20 régions et collectivités, 88 fournisseurs de solutions référencés et 54 cas d’usage réunis sur la plateforme « Accélérez avec l’IA ». Ces chiffres décrivent un réseau et une capacité d’orientation. Ils ne signifient pas que 35 000 entreprises ont installé un outil, économisé du temps ou gagné de nouveaux clients.
La première porte, celle des cas d’usage, sert à comprendre ce qui existe déjà. Un cas d’usage est simplement une tâche réelle à laquelle on applique un outil : classer des demandes, résumer des documents ou repérer des anomalies, par exemple. Il donne une piste, pas une garantie. Deux entreprises peuvent traiter les mêmes factures tout en ayant des logiciels, des données et des règles de contrôle assez différents pour obtenir des résultats opposés.
La deuxième porte est le Diagnostic Data IA, prévu sur huit jours-personnes et cofinancé à 40 % par France 2030. Un jour-personne correspond au travail d’une personne pendant une journée ; huit jours-personnes ne veulent donc pas forcément dire huit jours calendaires consécutifs. La troisième porte est un accélérateur de dix-huit mois, cofinancé à 46 %, avec un parcours général et un parcours consacré à l’industrie. Plus long signifie plus structuré, mais aussi plus exigeant en temps interne.
Être sensibilisé n’est pas encore produire mieux
Le mot « sensibilisée » peut impressionner parce qu’il rassemble beaucoup d’entreprises. Pourtant, il désigne une étape d’information ou de découverte, pas un résultat de productivité. De la même façon, 70 diagnostics engagés indiquent que des missions ont commencé ; ce nombre ne dit pas combien sont terminées ni quel gain chacune a produit. Cette distinction évite de transformer un bilan de déploiement en preuve de rentabilité.
Un responsable peut tester la solidité d’une promesse avec trois questions : quelle tâche change, comment mesure-t-on la situation avant l’essai et quel résultat justifierait de continuer ? Le KPI, ou indicateur clé de performance, est la mesure choisie pour répondre à la troisième question. Pour un service administratif, ce peut être le temps moyen par dossier et le taux de correction. Pour un atelier, ce peut être le nombre d’arrêts évités, à condition de ne pas attribuer automatiquement chaque amélioration à l’IA.
Prenons un exemple entièrement hypothétique. Une équipe traite 120 factures par mois en six minutes chacune, soit douze heures. Un outil ramène la première lecture à trois minutes, mais impose ensuite deux heures de contrôle humain sur le mois. Le gain net est alors de quatre heures : six heures économisées au premier passage, moins deux heures de vérification. L’exemple ne prédit aucun résultat réel ; il montre pourquoi il faut compter le contrôle, les erreurs et la reprise, pas seulement la vitesse affichée par l’outil.
Avant le modèle, regarder la qualité des données et la règle de décision
Une démonstration peut fonctionner avec des documents propres et échouer sur les pièces réelles de l’entreprise. Il faut donc examiner un échantillon représentatif : formats anciens, champs manquants, doublons, abréviations et cas inhabituels. Si le but est de classer des courriels, le test doit inclure les messages ambigus et les langues réellement reçues. Sinon, le pilote mesure surtout la facilité des exemples choisis.
La confidentialité vient ensuite, mais elle ne doit pas rester une formule vague. Il faut savoir quelles données entrent dans le service, où elles sont traitées, combien de temps elles sont conservées, qui peut y accéder et si elles servent à entraîner un modèle. Une donnée personnelle, un secret commercial et une information publique n’appellent pas le même niveau de précaution. Le fournisseur doit répondre par écrit lorsque le choix touche des données sensibles ou une décision importante.
Enfin, il faut décider qui garde le dernier mot. Un résumé interne peut tolérer une petite erreur si un salarié relit le texte avant usage. Un refus de dossier, un calcul de paie ou une consigne de sécurité demande un contrôle bien plus strict. L’IA peut préparer une décision ; elle ne déplace pas automatiquement la responsabilité. Cette règle simple aide aussi à choisir le bon premier projet : commencer là où l’erreur est visible, réversible et vérifiable.
Un mode d’emploi pour choisir sans acheter trop tôt
Commencez par écrire le problème en une phrase, avec un volume et une friction observables : « 300 demandes par mois attendent en moyenne deux jours avant d’être orientées ». Mesurez ensuite une petite période de référence, puis sélectionnez vingt à cinquante cas ordinaires et quelques cas difficiles. Cette base permet de comparer l’avant et l’après avec la même unité. Si aucune donnée de départ n’existe, la première dépense utile est souvent la mesure, pas l’outil.
Consultez les cas d’usage lorsque vous devez encore préciser la tâche ou apprendre le vocabulaire. Demandez un diagnostic si la tâche est claire mais que les données, l’intégration technique, les risques ou le retour attendu restent incertains. L’accélérateur devient plus cohérent lorsqu’une direction veut coordonner plusieurs fonctions, former les équipes et suivre une transformation pendant dix-huit mois. Une entreprise de moins de dix salariés doit vérifier l’éligibilité exacte : le déploiement annoncé des 1 000 diagnostics vise les PME et ETI de 10 à 2 000 salariés.
Le cofinancement mérite aussi une lecture exacte. Une prise en charge de 40 % ou de 46 % n’est ni la gratuité ni une remise universelle sur n’importe quel achat. L’entreprise conserve une part à financer et doit vérifier le prix, l’assiette couverte, les conditions du parcours et le temps de ses propres salariés. Le communiqué ne donne pas, à lui seul, le coût final de chaque mission ; il serait donc trompeur d’inventer un reste à charge en euros sans devis et sans règles détaillées.
Ce que le bilan permet de conclure, et ce qu’il laisse encore ouvert
Le premier bilan établit que l’État et ses partenaires ont construit des points d’entrée plus visibles : ambassadeurs, offreurs référencés, cas d’usage, diagnostics et accélérateurs. Il fixe également des objectifs pour 2030 : une adoption de l’IA par 100 % des grandes entreprises, 80 % des PME et ETI et 50 % des TPE. Ce sont des cibles politiques. Elles ne permettent pas de prévoir le taux d’adoption réel, encore moins la valeur créée dans chaque entreprise.
Ma lecture est que l’utilité du plan dépendra moins du nombre de portes que de la qualité du passage entre elles. Une entreprise qui sort d’une sensibilisation devrait pouvoir nommer une tâche. Après un diagnostic, elle devrait disposer d’un constat, d’un risque principal et d’une décision argumentée : tester, différer ou renoncer. Et après un pilote, elle devrait comparer le KPI avant et après, en comptant le coût humain du contrôle.
La limite est claire : ce bilan d’étape ne publie ni résultats moyens de productivité, ni taux d’échec des projets, ni coût complet de chaque accompagnement. Il fournit une carte, pas une preuve de destination. Pour décider, une PME doit donc relier les dispositifs à ses propres données, à son budget et à une tâche dont le résultat peut être vérifié.
Commencer par une tâche, pas par un catalogue
Le plan Osez l’IA offre plusieurs niveaux d’aide, mais le bon départ reste une tâche mesurable. Décrivez le problème, mesurez l’existant, testez des cas faciles et difficiles, puis comptez le contrôle humain. Les cas d’usage servent à apprendre, le diagnostic à lever les incertitudes et l’accélérateur à conduire un changement plus large.
Participer à la discussion
Les commentaires sont affichés après examen et validation. Les désaccords argumentés sont les bienvenus.