Un directeur des opérations m'a montré, fier, son nouveau flux : l'IA répartissait les leads entrants dans l'équipe commerciale, toute seule, en quelques secondes. Joli. Le problème : le formulaire de captation avait six champs optionnels que chaque commercial remplissait à sa façon. Automatiser ça n'a rien rangé ; ça a multiplié par mille le désordre qu'ils avaient déjà, en plus rapide. Deux semaines plus tard, ils l'ont éteint.
Automatiser avec l'IA n'arrange pas un processus : ça l'amplifie
Voici la vérité que presque aucun prestataire ne te dira, parce qu'il est payé pour le contraire : l'automatisation ne corrige pas un processus déficient, elle l'exécute plus vite et en plus grand volume. Si le processus est cassé, l'automatiser te donne les mêmes erreurs, plus tôt et en plus grand nombre. La vraie question n'est donc pas « puis-je automatiser ça avec l'IA ? » —tu peux presque toujours— mais quand ne pas automatiser avec l'IA, celle que personne ne pose pendant la démo.
Les quatre cas où automatiser, c'est jeter l'argent
Tout ne mérite pas un agent. Voici les quatre scénarios où, pour l'avoir implémenté, automatiser avec l'IA revient cher et déçoit :
1. Le processus est cassé ou non conçu
Si personne ne sait expliquer comment on décide aujourd'hui —ce qui entre, ce qui sort, selon quels critères—, il n'y a rien à automatiser : il y a quelque chose à concevoir d'abord. Automatiser un processus indéfini, c'est programmer l'improvisation. L'étape que presque tous sautent, c'est s'asseoir pour dessiner le flux avant de toucher un outil. Sans ce diagnostic, l'automatisation crée plus de travail qu'elle n'en enlève.
2. Le volume n'y est pas
L'automatisation a des coûts fixes : conception, implémentation, maintenance, monitoring. Un processus qui se produit cent fois par jour les amortit sans peine ; un qui arrive une fois par mois, rarement. Avant de monter un agent, fais le calcul ennuyeux : combien de fois ça arrive, combien coûte chaque fois, combien coûterait de le maintenir automatisé. Si les chiffres ne collent pas, un modèle et dix minutes battent un système.
3. Les données ne sont pas fiables
Un agent décide avec ce qu'il lit. Si ton information vit dispersée, périmée ou contradictoire entre les systèmes, l'IA n'arrange pas ça : elle en hérite et le propage avec aplomb. Automatiser sur de mauvaises données, c'est fabriquer des erreurs convaincantes. On range d'abord la source ; on automatise ensuite par-dessus. L'ordre inverse est celui qui remplit les forums de cas « l'IA a inventé des choses ».
4. La décision exige un jugement humain
Il y a des décisions que tu ne veux pas déléguer : une réclamation délicate, une exception avec un gros client, quelque chose à portée légale ou réputationnelle. Là, l'IA ne remplace pas, elle assiste : elle prépare, résume, propose, et une personne décide. Confondre « automatiser » avec « retirer l'humain de tout », c'est l'erreur qui transforme un bon outil en incident. Le bon design automatise le répétitif et escalade vers une personne justement ce qui mérite du jugement.
Le bon ordre : diagnostiquer, concevoir, puis automatiser
Rien de tout ça ne veut dire « n'automatise pas ». Ça veut dire automatiser dans l'ordre qui marche, pas celui que vend la démo. En pratique :
- Diagnostique le processus tel qu'il est aujourd'hui, avec des données : combien de fois il arrive, qui le touche, où il bloque, selon quels critères on décide. C'est l'étape qui sépare automatiser des processus avec l'IA d'acheter un outil et de prier.
- Reconçois avant de toucher l'IA. Retire les champs que personne n'utilise, définis le critère, nettoie la source de données. Un processus simple et clair, c'est celui que l'IA exécute bien ; le tordu, elle le recrache.
- Automatise le répétitif et laisse le jugement à une personne. C'est ce qu'on fait en montant des processus internes avec des agents : l'IA fait le gros œuvre, l'humain décide ce qui compte. Si tu veux qu'on le monte et qu'on le laisse mesuré, c'est l'automatisation des opérations.
Alors, quand faut-il automatiser avec l'IA ?
Quand il est clair, fréquent, adossé à des données fiables et sans jugement humain à chaque étape.
Quand le processus est clair, arrive souvent, s'appuie sur des données fiables et n'exige pas de jugement humain à chaque étape. Là, l'IA brille : répondre au répétitif, extraire des données de documents, déplacer de l'information entre systèmes, rédiger un premier brouillon. La différence entre le projet qui marche et celui qui meurt en démo, ce n'est pas le modèle ni l'outil —presque tous font l'affaire aujourd'hui— : c'est d'avoir fait ses devoirs avant d'automatiser.