Comment utiliser l'intelligence artificielle au travail ?

Comment fonctionne l’intelligence artificielle générative ?

Derrière ChatGPT, Claude, Copilot ou Le Chat se trouve une même famille de technologies : les grands modèles de langage, ou LLM. Comprendre leur principe n’exige aucune compétence en mathématiques, mais change radicalement la manière de les utiliser. Un assistant d’intelligence artificielle générative ne consulte pas une base de faits comme le ferait un moteur de recherche : il produit un texte nouveau, mot après mot, en s’appuyant sur ce qu’il a appris pendant son entraînement et sur ce que vous lui fournissez dans la conversation. Cette différence explique à la fois ses forces, comme la reformulation, la synthèse ou l’adaptation d’un ton, et ses faiblesses, comme les erreurs affirmées avec aplomb. Les guides de cette rubrique consacrés à l’IA générative et aux LLM détaillent ces mécanismes avec des exemples simples.

Un modèle qui prédit la suite d’un texte

Un LLM découpe le texte en petits fragments appelés tokens, qui correspondent à des mots, des morceaux de mots ou des signes de ponctuation. Pendant son entraînement, il a analysé d’immenses volumes de textes pour apprendre quelles suites de tokens sont probables dans un contexte donné. Lorsqu’il répond, il calcule à chaque étape la suite la plus plausible au regard de la consigne et de l’historique de l’échange. C’est pourquoi un assistant écrit avec une aisance remarquable sur presque tous les sujets : il maîtrise les formes du langage. Mais plausible ne veut pas dire vrai. Le modèle n’a pas de mémoire factuelle fiable au sens où l’entend un juriste ou un comptable, et ses connaissances s’arrêtent à une date d’entraînement, sauf lorsqu’il est connecté à une recherche web ou à vos documents.

Fenêtre de contexte, température et réglages

Deux notions aident à mieux piloter un assistant. La fenêtre de contexte désigne la quantité de texte que le modèle peut prendre en compte en même temps : votre consigne, les documents joints et l’historique de la conversation. Quand elle est dépassée, les éléments les plus anciens sont moins bien pris en compte, ce qui explique qu’un long échange finisse par dériver. La température règle quant à elle le degré de variation des réponses : basse, elle favorise des formulations prévisibles, haute, elle autorise davantage de créativité. Dans les interfaces grand public, ce réglage est rarement accessible, mais on obtient un effet comparable en demandant explicitement une réponse sobre et factuelle ou, au contraire, plusieurs propositions contrastées. Ouvrir une nouvelle conversation pour chaque tâche distincte reste un réflexe simple et efficace.

Pourquoi l’IA hallucine et comment s’en protéger

On parle d’hallucination quand l’IA invente une information : une jurisprudence qui n’existe pas, un chiffre sans source, une fonction de logiciel imaginaire, une citation attribuée à la mauvaise personne. Ce n’est pas un bug ponctuel mais une conséquence directe du fonctionnement par prédiction : lorsque le modèle ne dispose pas de l’information, il produit malgré tout une réponse vraisemblable. Les risques sont réels pour un cabinet comptable qui reprendrait un taux erroné ou pour un artisan qui citerait une norme inexistante dans un devis. La parade repose sur une vérification systématique des faits : contrôler les chiffres, les dates et les références auprès de sources primaires, fournir soi-même les documents de référence à l’assistant et lui demander de signaler ce qu’il ne sait pas. L’article dédié aux hallucinations propose une méthode complète.

Quels usages de l’intelligence artificielle en entreprise ?

Les usages qui fonctionnent le mieux dans une TPE ou une PME ne sont pas les plus spectaculaires. Ce sont des tâches répétitives, fréquentes et peu risquées, où l’IA produit un premier jet qu’un humain relit et ajuste. La plupart des guides de la rubrique sont construits autour de ces cas d’usage concrets, service par service : la direction qui prépare une note, le commercial qui relance un prospect, l’assistante qui met en forme un compte rendu, le chargé de communication qui décline une annonce sur plusieurs réseaux. Les tuiles ci-dessous résument les familles d’usages les plus courantes, que les articles détaillent avec des exemples de demandes et les précautions propres à chacune.

Rédaction et communication

La rédaction reste l’usage d’entrée le plus naturel. Un dirigeant de PME industrielle peut faire reformuler un courrier tendu à un fournisseur, une boulangerie peut obtenir dix idées de publications pour la semaine de la galette, un cabinet de recrutement peut harmoniser le style de ses annonces. Le gain est réel quand l’utilisateur fournit la matière : les faits, le destinataire, l’objectif et le ton attendu. Sans cette matière, l’IA produit un texte générique et convenu, reconnaissable à ses formules creuses. Pour les contenus web, la question de la qualité éditoriale est centrale : Google ne pénalise pas un contenu parce qu’il a été écrit avec une IA, mais sanctionne la production de pages en masse sans valeur ajoutée. Les articles sur la rédaction d’e-mails, les réseaux sociaux et la rédaction SEO assistée détaillent ces nuances.

Analyse, synthèse et documents internes

Le deuxième grand usage consiste à faire travailler l’IA sur vos propres informations : résumer un appel d’offres de quarante pages, extraire les points clés d’une réunion, repérer des écarts dans un tableau de ventes, comparer deux versions d’un contrat. Les assistants récents acceptent des fichiers, et certains, comme Copilot dans Excel ou l’analyse de données de ChatGPT, exécutent de vrais calculs plutôt que de les deviner. La prudence reste de mise : une formule proposée doit être testée, un total doit être recoupé. Pour interroger un ensemble documentaire plus large, comme une base de procédures ou des fiches techniques, la technique du RAG permet de fonder les réponses sur vos documents plutôt que sur la mémoire du modèle, ce qui limite nettement les réponses inventées.

Relation client, prospection et automatisation

Plus l’IA se rapproche du client, plus les garde-fous comptent. Un assistant peut suggérer une réponse à un conseiller, alimenter une foire aux questions ou trier les demandes entrantes, mais une réponse envoyée sans relecture engage l’entreprise. En prospection, l’IA aide à préparer un rendez-vous ou à personnaliser un message, à condition de respecter les règles du RGPD sur la prospection commerciale. Les automatisations, avec des outils comme Make, Zapier ou n8n, vont plus loin en enchaînant des actions sans intervention humaine : classer un e-mail, résumer une pièce jointe, créer une fiche dans un CRM. Les agents IA, capables de planifier et d’exécuter plusieurs étapes, prolongent cette logique. Leur intérêt est réel, leurs risques aussi, et ils exigent des points de contrôle humains clairement définis.

Quel assistant d’intelligence artificielle choisir ?

La question revient dans presque toutes les entreprises : faut-il ChatGPT, Claude, Copilot, Gemini ou Le Chat ? Il n’existe pas de réponse universelle, car ces outils évoluent plusieurs fois par an et leurs écarts de qualité varient selon les tâches. Le choix dépend davantage de votre environnement de travail existant, de vos contraintes de confidentialité et des usages prioritaires que d’un classement abstrait. Une entreprise équipée de Microsoft 365 n’a pas les mêmes options qu’un indépendant qui travaille surtout dans son navigateur. Le tableau suivant résume les points forts généralement reconnus à chaque assistant, sans prétendre départager des outils dont les versions changent rapidement. Les articles comparatifs de la rubrique entrent dans le détail des usages professionnels.

Des forces différentes selon les tâches

Dans la pratique, beaucoup d’utilisateurs avancés combinent deux assistants : l’un pour la rédaction longue ou l’analyse de documents, l’autre pour la recherche d’informations ou la génération d’images. Comparer honnêtement suppose de tester sur ses propres cas plutôt que sur des démonstrations : faire rédiger la même réponse à un client mécontent, résumer le même rapport, analyser le même fichier. Les différences apparaissent alors sur le respect des consignes, la qualité du français, la tendance à inventer ou la capacité à traiter un document long. Ces tests prennent une heure et évitent un choix fait par habitude ou par effet de mode. Ils sont aussi l’occasion de vérifier l’ergonomie pour les collaborateurs les moins à l’aise avec le numérique.

Offres gratuites, individuelles et professionnelles

Chaque éditeur propose plusieurs niveaux : une version gratuite limitée, un abonnement individuel payant et des offres pour les équipes et les grandes entreprises. Pour un usage professionnel, la différence essentielle ne tient pas seulement à la puissance des modèles mais au traitement des données saisies. Les offres destinées aux entreprises prévoient en général que les conversations ne servent pas à entraîner les modèles, ajoutent une administration centralisée des comptes et des engagements contractuels. Microsoft 365 Copilot suppose une licence Microsoft 365 compatible et un abonnement spécifique, tandis que Gemini s’intègre à Google Workspace selon les formules souscrites. Les tarifs et les conditions changent souvent : ils doivent être vérifiés sur le site de l’éditeur au moment de la décision.

Souveraineté et localisation des données

Pour certaines organisations, la provenance de l’outil compte autant que ses performances. Le Chat de Mistral AI, développé par une entreprise française, est souvent cité pour cette raison, notamment par des structures publiques, des professions réglementées ou des entreprises qui manipulent des informations sensibles. La souveraineté ne se résume toutefois pas à la nationalité de l’éditeur : il faut regarder où les données sont hébergées, qui peut y accéder, combien de temps elles sont conservées et ce que prévoit le contrat. Un assistant américain configuré avec une offre entreprise et des garanties claires peut être plus sûr qu’un outil mal paramétré. L’essentiel est de prendre une décision documentée et assumée plutôt que de laisser chaque salarié choisir seul.

Comment utiliser l’IA dans le respect du RGPD et de l’AI Act ?

Le cadre juridique de l’IA n’est pas réservé aux grands groupes. Toute entreprise qui laisse ses salariés utiliser un assistant traite potentiellement des données personnelles, et toute entreprise qui déploie un système d’IA entre dans le champ du règlement européen sur l’intelligence artificielle, l’AI Act. Ces deux textes ne visent pas à interdire les usages courants, mais à les rendre maîtrisés. Les articles de la rubrique consacrés à l’IA et au RGPD, à l’AI Act, à la charte d’utilisation et à la shadow AI proposent une lecture pragmatique du cadre, adaptée à une petite structure qui n’a ni juriste ni délégué à la protection des données à temps plein.

Quelles données confier à un assistant

Le RGPD s’applique dès qu’une information permet d’identifier une personne : un client, un salarié, un patient, un candidat. Coller un tableau de clients nominatif ou le dossier d’un salarié dans un assistant grand public revient à transmettre ces données à un prestataire, avec les obligations que cela implique. La CNIL a publié des recommandations sur le développement et l’usage des systèmes d’IA, qui rappellent les principes de minimisation et de transparence. La règle pratique la plus simple consiste à anonymiser avant de partager : remplacer les noms par des rôles, supprimer les coordonnées, arrondir les montants sensibles. Les paramètres de confidentialité des outils, notamment l’option qui autorise ou non l’usage des conversations pour l’entraînement, doivent être vérifiés compte par compte.

AI Act : ce qui concerne vraiment une PME

Le règlement (UE) 2024/1689 classe les systèmes d’IA selon leur niveau de risque. Certaines pratiques sont interdites, comme la notation sociale. Les systèmes à haut risque, par exemple ceux utilisés pour trier des candidatures ou évaluer la solvabilité d’un client, sont soumis à des obligations lourdes. Les systèmes à risque limité, comme les chatbots, relèvent surtout d’obligations de transparence. La grande majorité des usages bureautiques se situe dans le risque minimal. Pour une PME qui utilise un assistant, l’obligation la plus directe est celle de l’article 4, applicable depuis le 2 février 2025 et réécrit par le règlement (UE) 2026/1744 : l’entreprise doit prendre des mesures pour favoriser la maîtrise de l’IA chez les personnes qui utilisent ces outils. Former, informer et encadrer en constituent la traduction concrète.

Charte interne et shadow AI

La shadow AI désigne l’usage d’outils d’IA par les salariés sans que l’entreprise le sache ou l’encadre : un compte personnel gratuit pour traduire un contrat, une extension de navigateur qui résume les e-mails, une application mobile de transcription. Interdire en bloc fonctionne rarement, car les gains de temps sont trop visibles. Une approche plus réaliste consiste à proposer des outils validés, à fixer quelques règles claires et à les expliquer. Une charte d’utilisation de l’IA tient souvent sur une ou deux pages : outils autorisés, données interdites, relecture obligatoire de tout contenu diffusé, mention éventuelle de l’usage de l’IA, interlocuteur en cas de doute. Elle doit être relue chaque année, car les outils et le cadre évoluent vite.

Comment déployer l’intelligence artificielle dans une TPE ou une PME ?

Les projets d’IA qui échouent dans les petites structures ont souvent le même profil : un abonnement souscrit dans l’enthousiasme, quelques essais, puis un usage qui retombe faute de méthode. À l’inverse, les déploiements réussis partent d’un besoin précis, avancent par étapes et s’appuient sur une montée en compétence des utilisateurs. Suivre une formation IA structurée fait gagner du temps sur la phase de découverte, mais la démarche vaut aussi en autonomie, à partir des guides de cette rubrique. La frise suivante présente une progression en cinq étapes, applicable aussi bien à un cabinet de cinq personnes qu’à une PME de cinquante salariés.

1. Repérer trois à cinq tâches répétitives et chronophages, service par service.
2. Choisir un outil cohérent avec votre environnement (Microsoft 365, Google Workspace ou assistant autonome) et vos contraintes de données.
3. Former les premiers utilisateurs à la formulation des demandes et à la vérification des réponses.
4. Mesurer le temps gagné et la qualité obtenue sur quelques semaines, avec des exemples réels.
5. Encadrer par une charte simple, puis élargir aux autres équipes.

Identifier les tâches à fort potentiel

La bonne question n’est pas « que peut faire l’IA ? » mais « quelles tâches nous prennent du temps sans apporter beaucoup de valeur ? ». Un tour des services suffit souvent à dresser la liste : réponses aux demandes de devis, comptes rendus de chantier, fiches produits, relances d’impayés, synthèses de veille, mise en forme de rapports. On retient en priorité les tâches fréquentes, à faible risque et faciles à vérifier, en écartant pour commencer celles qui touchent à des décisions individuelles ou à des données sensibles. Une entreprise de travaux peut ainsi gagner un temps précieux sur la rédaction des comptes rendus de chantier, tandis qu’un e-commerçant se concentrera sur ses descriptions produits. Cette cartographie des usages sert ensuite de base pour mesurer les résultats.

Apprendre à formuler ses demandes

La qualité d’une réponse dépend directement de la qualité de la demande. Un bon prompt précise le rôle attendu de l’assistant, le contexte de l’entreprise, la tâche exacte, le format de sortie souhaité et, si possible, un ou deux exemples de ce que l’on attend. Demander « écris un e-mail de relance » donne un texte passe-partout ; demander une relance courtoise mais ferme, pour un client fidèle en retard de quinze jours, en moins de cent mots, avec rappel du numéro de facture, donne un texte utilisable. L’itération par petites corrections fait le reste : raccourcir, changer le ton, ajouter un argument. Cette compétence s’acquiert vite et se transpose d’un outil à l’autre, ce qui en fait le meilleur investissement de départ pour toute l’équipe.

Tester, mesurer et généraliser

Avant de généraliser un usage, il faut le tester sur quelques semaines avec des cas réels et noter ce qui change : temps passé, nombre de corrections nécessaires, satisfaction des utilisateurs, erreurs repérées. Ces mesures restent simples, un tableau partagé suffit, mais elles évitent de juger sur une impression. Elles permettent aussi de décider en connaissance de cause s’il faut passer à une offre payante, changer d’outil ou abandonner un usage décevant. La formation des collaborateurs joue ici un rôle décisif : un salarié qui comprend le fonctionnement du modèle, sait formuler une demande et repérer une hallucination tire bien plus de l’outil qu’un utilisateur livré à lui-même. C’est aussi la manière la plus concrète de répondre à l’attente de l’article 4 de l’AI Act.

Questions fréquentes sur l’intelligence artificielle