Ce qu'un dirigeant doit décider avant d'acheter de l'IA

Acheter avant de décider

La sollicitation est permanente. Chaque semaine, un nouvel outil d'IA promet de tout changer : le service client, la rédaction, l'analyse, la prospection. La tentation est grande d'en acheter un, pour ne pas rester à la traîne, pour montrer que l'entreprise avance. Et c'est souvent ainsi que commence la dépense qui ne rapporte rien.

Acheter un outil d'IA sans avoir tranché ce à quoi il doit servir, c'est acheter une réponse à une question qui n'a pas été posée. L'outil arrive, quelques personnes l'essaient, l'enthousiasme retombe, et six mois plus tard l'abonnement court encore sans que personne ne sache dire ce qu'il a apporté. Le défaut n'est pas dans l'outil. Les outils, aujourd'hui, sont bons. Le défaut est dans l'ordre : on a acheté avant d'avoir décidé.

Le marché confirme cet écart. L'adoption est désormais massive, mais le rendement ne suit pas. Avoir de l'IA et en tirer quelque chose sont deux choses distinctes, et la seconde ne s'obtient pas en achetant mieux ni plus tôt.

Or la même enquête montre que la diffusion ne fait pas le résultat : seule une organisation sur trois a dépassé le stade des pilotes, et rares sont celles qui déclarent plus de 5 % d'effet sur leur résultat d'exploitation. Autrement dit, la plupart des entreprises ont acheté quelque chose sans encore savoir dire ce que cet achat leur rapporte. C'est le symptôme d'un achat qui a précédé la décision, non l'inverse.

Retenir cette distinction commande toute la suite. Un outil d'IA ne produit rien par sa seule présence. Il produit un résultat quand il est branché sur un problème précis, nourri de données fiables, et jugé sur un critère mesurable. Tant que ces trois conditions ne sont pas décidées, aucun outil, si bon soit-il, n'a de prise sur l'entreprise. Trois décisions précèdent donc tout achat : quel problème, quelles données, quelle mesure du succès. Elles appartiennent au dirigeant, et à personne d'autre.

Quel problème, précisément

La première décision est la plus mal comprise, parce qu'elle paraît évidente. Un dirigeant sait, croit-il, à quoi l'IA doit servir : améliorer le service client, gagner du temps, mieux vendre. Mais ces formules ne sont pas des problèmes. Ce sont des directions. Un problème, au sens où l'IA peut le traiter, est plus étroit : pas « le service client », mais « le délai de première réponse aux demandes courantes » ; pas « gagner du temps », mais « le temps passé à rédiger un compte rendu ». Un problème nommé, mesurable, borné.

La précision n'est pas un raffinement de méthode. C'est ce qui rend l'outil évaluable. Les déploiements qui rapportent partent tous d'une tâche identifiée avec exactitude. L'assistant de service client de Klarna a été mis sur une tâche précise — traiter les demandes entrantes répétitives — et abat désormais le travail d'environ 700 conseillers. Chez Qonto, l'agent Moshi absorbe 60 % des demandes courantes de ses 600 000 clients TPE et PME. Ces résultats ne viennent pas de la puissance du modèle, mais du fait que la tâche visée était nommée avant d'être outillée.

Le contraste est instructif. « Faire de l'IA dans la R&D » n'aurait mené nulle part ; « produire le premier jet d'un rapport clinique » a produit un résultat que l'on peut chiffrer. La règle vaut pour une entreprise de trente personnes comme pour un grand groupe : plus le problème est resserré, plus l'outil qui le sert devient évident, et plus le résultat devient visible. Un problème vague appelle un outil vague, et un outil vague ne se juge jamais.

Nommer le problème est aussi la meilleure défense face à un vendeur. Un dirigeant qui arrive à une démonstration avec une tâche précise en tête ne se laisse pas éblouir par ce que l'outil sait faire en général ; il vérifie s'il sait faire cette chose-là, sur ses données à lui. Le problème d'abord : l'outil se choisit après, et se choisit seul.

Quelles données, à qui

La deuxième décision est celle qu'on repousse et qu'on regrette. Un projet d'IA ne vaut que ce que valent les données qui l'alimentent. Un problème parfaitement nommé mais privé de données exploitables reste une intention. Avant tout achat, deux questions doivent donc être tranchées : quelles données sont nécessaires, et qui en répond — qui garantit qu'elles existent, qu'elles sont fiables, qu'elles sont disponibles et qu'elles peuvent être utilisées.

C'est là que se cache le coût que la démonstration commerciale ne montre jamais. L'outil s'installe en une heure ; la donnée qui le rend utile se prépare pendant des semaines. Rassembler l'historique, le nettoyer, décider ce qui sort ou non de l'entreprise, s'assurer que la source est à jour : ce travail précède le résultat et n'apparaît sur aucune facture d'abonnement. Le négliger, c'est acheter un moteur sans carburant. La donnée exploitable est une décision de dirigeant, pas un détail technique laissé à plus tard.

La leçon se transpose sans changement d'échelle. Une PME n'a pas besoin de 200 cas ni d'un socle de données de grand groupe. Elle a besoin, pour son unique premier cas, de répondre honnêtement à la question : la donnée qui alimenterait cet outil existe-t-elle, est-elle propre, à qui appartient-elle ? Si la réponse est floue, l'achat est prématuré. Décider des données, c'est parfois découvrir que le problème choisi n'est pas encore mûr — et cette découverte, faite avant l'achat, ne coûte rien ; faite après, elle coûte l'abonnement entier.

Quelle mesure du succès

La troisième décision est celle qu'on saute presque toujours, parce qu'elle oblige à s'engager. À quoi saura-t-on que l'outil a marché ? Le critère de succès doit être chiffré et fixé avant de commencer : un délai, un taux, un nombre d'heures, assorti d'une échéance à laquelle on le regardera. Sans lui, on jugera à l'impression, et l'impression, face à un outil récent et séduisant, penche toujours du côté de l'indulgence.

La mesure n'est pas un contrôle tatillon ; c'est ce qui distingue un investissement d'une dépense. Le rendement de l'IA générative existe et se documente : en moyenne 3,7 dollars pour 1 dollar investi, et jusqu'à 10,3 dollars chez les organisations les plus avancées. L'écart ne tient pas à la technologie, identique pour toutes ; il tient à la discipline de ceux qui ont fixé, avant de payer, ce qu'ils attendaient et à quelle date.

La bonne mesure est concrète et unique. Sur un essai mené auprès de 20 000 agents publics britanniques, un assistant a fait gagner en moyenne 26 minutes par personne et par jour, soit près de deux semaines par an : une grandeur simple, vérifiable, décidée d'avance. Chez Flowserve, l'objectif était le taux de devis livrés à temps ; il est passé d'environ 85 % à 95 %. Dans les deux cas, la question « a-t-on réussi ? » avait une réponse chiffrée parce qu'elle avait été posée avant le premier euro.

Un chiffre fixé d'avance, ou l'on jugera à l'impression — et l'impression pardonne tout.

Ces trois décisions prises, l'achat devient simple. On cherche l'outil qui sert ce problème, sur ces données, vers ce résultat, à cette échéance. L'outil redevient ce qu'il aurait toujours dû être : un moyen, choisi en dernier, une fois la fin décidée. La démonstration commerciale, elle, cesse d'être une tentation pour devenir un simple examen : sait-il faire cela, ou non ?

Là où l'IA ne tient pas

Fixer une mesure suppose de savoir ce que l'outil sait faire — et ce qu'il ne sait pas faire. C'est le versant lucide de la troisième décision. Un outil d'IA excelle sur certaines tâches et se dégrade sur d'autres, souvent sans prévenir, et un dirigeant qui l'ignore fixera des critères hors de portée ou, pire, croira sur parole des résultats faux.

Les faits sont documentés. Un grand cabinet a testé l'IA générative sur 411 participants : les premiers jets étaient nettement plus rapides — jusqu'à 80 % de temps gagné sur certains documents — mais la précision moyenne restait inférieure à celle d'un humain, 3 sur 5 contre 3,5. L'outil accélère le brouillon ; il ne remplace pas le jugement final. Une expérimentation menée sur 758 consultants le confirme : dans le périmètre où l'IA est bonne, les gains sont réels — vitesse en hausse d'environ 25 %, qualité de 40 % ; hors de ce périmètre, la performance recule de 19 %.

Ignorer cette frontière coûte cher, et vite. Un cabinet a remis à un gouvernement un rapport facturé 290 000 dollars australiens contenant des citations fabriquées par l'IA, et a dû procéder à un remboursement partiel. Le défaut n'était pas dans le modèle : il était dans l'absence de mesure et de contrôle avant livraison. Un critère de succès sérieux inclut toujours une vérification humaine, précisément parce que l'outil, sur le mauvais terrain, produit une réponse fausse avec le même aplomb qu'une réponse juste. Savoir où l'IA aide et où elle nuit fait partie de la troisième décision, pas d'une étape ultérieure.

Construire ou acheter

Une fois les trois décisions posées, une question surgit, presque toujours trop tôt : faut-il acheter un outil du marché ou en construire un sur mesure ? Posée avant que le problème, les données et la mesure ne soient tranchés, elle n'a pas de réponse. Construire suppose de savoir exactement quoi construire ; or c'est précisément ce que les trois décisions établissent. Le build-or-buy prématuré est une manière déguisée de reprendre l'achat par l'autre bout : on choisit un mode d'acquisition avant d'avoir choisi ce qu'on acquiert.

Les grands acteurs qui construisent le font après, jamais avant. EY a lancé sa plateforme interne au terme d'un investissement de 1,4 milliard de dollars, avec son propre modèle ; McKinsey a bâti un assistant adossé à plus de 100 000 documents, utilisé par 72 % du cabinet. Ces choix suivent un portefeuille de problèmes déjà cadrés et un socle de données déjà maîtrisé. Ils ne sont pas un point de départ ; ils sont un aboutissement. Pour une PME ou une ETI, imiter ce départ-là reviendrait à financer le carburant avant d'avoir décidé la destination.

Le plus souvent, acheter un outil existant est la bonne réponse — à condition que ce soit la dernière décision, non la première. Les experts-comptables du groupe KPMG Nord ont fait migrer 650 clients vers un logiciel du marché doté d'IA, généralement en deux à trois mois, avec 20 à 30 % de temps gagné en saisie selon les dossiers. L'outil existait, le problème était nommé, les données étaient là : l'achat a suivi, et il a rapporté. La leçon n'est pas « acheter » contre « construire », mais « après » contre « avant ». Construire ou acheter est un arbitrage d'exécution, qui vient une fois les trois décisions closes — jamais à leur place.

Trois décisions, une page

Les trois décisions ne demandent ni budget ni expertise technique. Elles demandent d'être écrites, noir sur blanc, avant la prochaine démonstration commerciale. Ce tableau tient lieu de grille de décision : à gauche ce que le dirigeant tranche, à droite comment il vérifiera que la décision tient.

La force de cette page tient à son ordre. Le problème vient d'abord, parce qu'il commande le reste : pas de données sans savoir pour quoi, pas de mesure sans savoir quoi mesurer. Les données viennent ensuite, parce qu'elles disent si le problème est traitable aujourd'hui ou seulement souhaitable. La mesure vient enfin, parce qu'elle transforme une intention en engagement. Et l'outil, lui, ne figure pas dans le tableau : il n'apparaît qu'une fois les trois lignes remplies.

Une entreprise motivée génère vite dix idées d'IA. La page n'en retient qu'une à la fois, celle dont les trois lignes sont remplies sans mentir. Écrire ce qu'on ne fait pas cette année compte autant que la ligne retenue : la dispersion épuise plus de budgets d'IA que la technique. Les projets français aboutis le confirment — vingt cas menés à leur terme dans des PME et ETI, avec des gains parfois considérables, tous partis d'un problème unique et cadré, non d'un achat d'ampleur.

Avant la prochaine démo

Installer cette discipline ne demande ni recrutement ni dépense. Cela demande une page et un ordre tenu. Voici la méthode qu'un dirigeant de PME ou d'ETI peut appliquer avant sa prochaine démonstration commerciale — et opposer, ensuite, à tout vendeur convaincant.

1. Écrire le problème. Une seule tâche, en une phrase : quel gain visé, exprimé en heures, en délai ou en taux. Si la phrase reste vague, le problème n'est pas mûr.
2. Répondre des données. Lesquelles sont nécessaires, qui en garantit la fiabilité, sont-elles disponibles et propres aujourd'hui. Un flou ici suffit à reporter l'achat.
3. Fixer la mesure. Le chiffre décidé à l'avance qui dira si cela a marché, l'échéance à laquelle on le regardera, et la vérification humaine avant toute livraison.
4. Choisir l'outil en dernier. Comparer les offres à la seule aune de la page : sait-il traiter ce problème, sur ces données, vers ce résultat ? Le reste est du décor.

Cette page transforme un achat d'impulsion en décision d'entreprise. Elle ne remplace pas le jugement du dirigeant : elle le rend opposable. Face à un vendeur d'IA, elle donne la seule chose qui compte — non un avis sur l'outil, mais une grille pour juger de ce qu'il apportera vraiment. La technologie évoluera vite ; ces trois décisions, elles, resteront stables, parce qu'elles reposent sur le problème de l'entreprise et non sur l'outil du moment.

Le message tient en une phrase. On n'achète pas de l'IA : on achète la résolution d'un problème nommé, sur des données détenues, vers un résultat mesuré. Trancher ces trois points avant de payer ne garantit pas le succès, mais l'ignorer garantit la dépense sans retour. C'est le seul ordre qui protège l'argent — et c'est le seul que le dirigeant ne peut déléguer à personne.