L'IA pour les petites entreprises : essor ou effondrement?

L’IA est la plus grande révolution depuis la révolution industrielle!!! L’IA est surestimée et la bulle est sur le point d’éclater!!! Alors, laquelle des deux? Ça ne peut pas être les deux à la fois… ou peut-être que oui? Même si ce n’est pas tout à fait clair pour le moment, une chose est sûre : des milliards de dollars y sont investis. Des milliards et des milliards, même si 95 % des projets pilotes en IA générative échouent, selon un [rapport du MIT](MIT report: 95% of generative AI pilots at companies are failing | Fortune).

Alors, c’est quoi au juste, l’essor ou l’effondrement? Curieusement, c’est un peu des deux. Et pour les petites et moyennes entreprises, c’est même une excellente nouvelle. Voyons pourquoi.

Le cycle de l’engouement continue de tourner

Le cycle de l’engouement (« hype cycle ») est un modèle que la firme de recherche Gartner utilise depuis des décennies pour suivre les technologies émergentes. Voici comment ça fonctionne : une nouvelle technologie apparaît, on n’a jamais rien vu de tel, et elle semble pouvoir tout faire. Mais ensuite, tout le monde embarque dans les attentes exagérées, et la réalité finit par nous rattraper. L’engouement pour la technologie retombe alors dans ce que Gartner appelle « le creux des désillusions ». Les projets sont annulés, les budgets sont coupés. Les médias, toujours obsédés par La Prochaine Grande Nouveauté™, en écrivent la nécrologie. C’est alors que la partie intéressante se produit : les personnes et les organisations qui avaient vraiment compris à quoi sert la technologie continuent tranquillement de l’utiliser. Elles continuent simplement de bâtir avec cette technologie pour créer un avantage stratégique et la faire mûrir, jusqu’à ce qu’elle devienne une technologie fondamentale.

Internet est passé exactement par ce même cycle. L’effondrement des point-com en 2000 ne signifiait pas qu’Internet était une mode passagère, mais ça signifiait bel et bien que pets.com était une mauvaise idée. Les entreprises qui avaient vraiment compris comment utiliser le Web pour accélérer un bon modèle d’affaires ont continué de bâtir et dominent aujourd’hui le marché.

L’IA générative arrive à la fin de son cycle d’engouement et entre dans le creux. Le rapport du MIT mentionné plus tôt a bel et bien démontré que la plupart des projets pilotes d’IA en entreprise n’arrivent pas à générer de rendements mesurables, mais c’est la cause qui est intéressante. L’étude a révélé que le problème était organisationnel, et non technologique.

Alors, à quoi sert vraiment l’IA?

D’abord, il faut clarifier ce qu’on entend par « IA ». Quand on dit que l’IA signifie « intelligence artificielle », on pourrait être pardonné de croire qu’on parle réellement d’une intelligence comparable à celle d’une personne. C’est bien l’objectif, mais ce n’est pas là où on en est actuellement. On appelle parfois cela l’« AGI », ou intelligence générale. Tout l’engouement actuel tourne autour du langage, et on appelle ça un grand modèle de langage, ou LLM (de l’anglais Large Language Model). Certes, le langage est essentiel à l’intelligence, et surtout pour paraître intelligent. C’est toujours à l’humain de fournir la véritable intelligence; le LLM agit comme un processeur de langage.

Cela recadre entièrement ce que c’est et ce à quoi c’est utile. Ce n’est pas un moteur de recherche, une base de données de faits, ni un employé numérique. C’est un processeur de langage, un outil qui prend du langage en entrée et le transforme en un autre langage en sortie, un peu comme un robot culinaire prend des légumes et vous les redonne hachés, mélangés ou en purée.

Ce cadrage montre où l’outil excellera : résumer, rédiger, réécrire, traduire d’un ton ou d’un format à un autre, voire vers une autre langue. Il saura extraire l’essentiel d’un mur de texte impénétrable, ou transformer vos notes brouillonnes en quelque chose de présentable. La plupart des petites entreprises fonctionnent exactement grâce à ce genre de travail langagier. Les courriels de clients, les soumissions, les offres d’emploi, les réponses aux avis, les propositions, les politiques, les publications sur les réseaux sociaux : ça représente une énorme partie de la semaine, et ce n’est presque jamais la raison pour laquelle on a lancé son entreprise en premier lieu.

Cela révèle aussi où il faut être prudent. Un processeur de langage ne connaît pas les choses comme un ouvrage de référence contient des faits. Il génère un langage plausible, quelque chose qui sonne bien. Ça veut dire qu’il faut vérifier les faits, les chiffres, et surtout tout ce qui a un poids légal. On ne demanderait pas à un robot culinaire de planifier son menu. Il ne faut pas confier à un LLM un travail dont on ne peut pas vérifier le résultat.

Les projets d’entreprise qui ont échoué ont surtout ignoré ces réalités. Ils ont demandé à la technologie d’être quelque chose qu’elle n’est pas. Vous n’êtes pas obligés de faire la même erreur.

Obtenir un bon résultat : un briefing complet, pas des mots magiques

La déception envers l’IA se résume à ceci : on tape une demande vague en une ligne, on obtient une réponse générique ou inventée, et on conclut que c’est de la bouillie inutile. Ce serait comme remettre à un nouvel employé une note autocollante disant « occupe-toi de l’affaire du client » et être surpris que le résultat ne ressemble en rien à ce qu’on voulait vraiment.

La solution, ce n’est pas d’utiliser des mots magiques. C’est de donner un briefing complet, tout comme on le ferait pour un employé temporaire compétent, à sa première matinée de travail. On va en bâtir un en quatre parties : la tâche, le rôle, le contexte et les exemples.

Commençons. Faisons la connaissance de Maria, propriétaire d’une entreprise de plomberie et de climatisation de douze employés. Une cliente vient de laisser un avis frustré de trois étoiles : le technicien était excellent, mais le rendez-vous a commencé avec deux heures de retard et personne n’a appelé à l’avance. Maria veut bien répondre, mais elle a onze autres choses à faire avant le dîner.

La tâche : dites exactement ce que vous voulez

La tâche, c’est le livrable, précis et direct. C’est ce qui devrait exister une fois que l’IA a terminé, et qui n’existe pas encore. Les tâches vagues donnent des résultats médiocres. « Aide-moi avec cet avis » pourrait donner une tangente sur l’importance de la gestion de la réputation.

Comparez ceci :

Rédige une réponse publique à cet avis de client, de moins de 120 mots, qui présente des excuses pour l’arrivée tardive, explique que nous avons changé notre processus de répartition, et invite le client à m’appeler directement.

Remarquez tout ce que cette phrase précise : le format (une réponse publique à un avis), la longueur, et les trois points clés à aborder. L’amélioration la plus importante que la plupart des gens peuvent apporter à leurs résultats consiste simplement à terminer la phrase : « Quand ce sera fait, j’aurai un/une ___ que je pourrai utiliser pour ___ »

Le rôle : dites-lui qui être

Un LLM peut écrire avec mille voix différentes, alors dites-lui laquelle est la vôtre. Attribuer un rôle établit d’un seul coup le ton, le vocabulaire et le point de vue :

Tu es la propriétaire d’une petite entreprise familiale de plomberie et de climatisation, et tu écris avec une voix chaleureuse, directe, sans jargon corporatif. Tu assumes tes responsabilités et tu ne sonnes jamais sur la défensive.

Sans cela, Maria obtient les excuses corporatives habituelles : « Nous nous excusons sincèrement pour tout inconvénient que cela aurait pu causer. » Chaque client a lu cette phrase cent fois, et n’y a jamais cru une seule fois. Avec le rôle défini, la réponse ressemble à celle d’une vraie personne qui répond elle-même au téléphone.

Le contexte : donnez-lui ce qu’elle ne peut absolument pas savoir

Voici la partie que le modèle du « processeur de langage » rend évidente : l’IA connaît la langue, mais elle ne sait rien de votre entreprise, de votre client ou de cette situation, à moins que vous lui donniez exactement cette information. Le contexte, c’est l’information de fond qu’un employé de confiance aurait déjà :

Contexte : le client est Dave R., un client fidèle (trois travaux en deux ans). Le retard s’est produit parce qu’un travail précédent a duré plus longtemps que prévu, et notre ancien système de planification n’avait aucun moyen d’aviser le client. Depuis ce mois-ci, nous utilisons des textos automatiques lorsqu’un technicien a plus de 20 minutes de retard. Voici l’avis complet de Dave : [coller l’avis].

C’est le contexte qui transforme un résultat générique en votre résultat. C’est aussi la partie la plus facile à sauter, parce qu’elle donne l’impression d’écrire pour rien. Ce n’en est pas! C’est le vrai travail. Trente secondes à coller du texte valent mieux que quatre rondes de « non, ce n’est pas tout à fait ça ». Et le contexte est la clé de la partie vraiment utile de l’IA qu’on est en train de bâtir ici.

Les exemples : montrez, ne vous contentez pas de dire

La façon la plus rapide de communiquer un style, c’est avec un exemple. Si Maria a une ancienne réponse dont elle était fière, elle l’inclut :

Voici une réponse que j’ai rédigée l’an dernier et qui reflète bien le ton que je veux : « Frank, tu as raison, et je suis désolée. Sans excuses : on n’a pas respecté le délai qu’on t’avait promis. J’ai crédité l’appel de service, et ta prochaine visite d’entretien est à nos frais. Maria »

Un bon exemple vaut mieux que trois paragraphes d’adjectifs. Décrire sa voix comme « amicale mais professionnelle » laisse place à mille interprétations, alors que la montrer n’en laisse qu’une seule. Ça fonctionne aussi pour les formats; montrez-lui une ancienne proposition, une soumission ou une offre d’emploi, et elle reproduira la structure sans qu’on ait à le lui dire.

En combinant ces quatre éléments, l’« expérience IA » de Maria cesse de produire du remplissage insipide et commence à produire une réponse qu’elle publierait vraiment. Le tout en environ deux minutes, avec une relecture rapide avant la publication. Si elle veut la retaper pour s’assurer qu’elle reflète vraiment sa voix — peut-être qu’il y a un mot ou une ponctuation qu’elle n’utiliserait pas — la tâche est terminée en cinq minutes, et elle peut passer à autre chose. Tâche, rôle, contexte, exemples. Le même briefing fonctionnera demain pour l’offre d’emploi, le suivi de soumission et le courriel des heures d’ouverture du temps des Fêtes.

Il faut l’effondrement pour laisser de la place à l’essor

Remarquez maintenant ce que Maria n’a pas fait. Elle n’a pas engagé de consultant ni acheté une plateforme d’entreprise coûteuse. Elle a simplement trouvé une tâche langagière récurrente, briefé correctement l’outil, et gardé pour elle-même le jugement final, la dernière relecture. Voilà à quoi ressemble le côté gagnant du cycle de l’engouement à l’échelle d’une petite entreprise : pas un projet audacieux et risqué, juste une liste grandissante de petites victoires de deux minutes qui en prenaient auparavant vingt. Et toutes ces petites victoires s’additionnent pour faire prospérer une petite entreprise.

Le creux des désillusions, c’est précisément le moment où cet avantage se construit, justement parce que l’engouement est disparu et que personne ne regarde. Ce silence est nécessaire pour bâtir quelque chose qui fonctionne vraiment.

Cet article est le premier d’une série. Dans les prochaines semaines, nous verrons où trouver ces tâches langagières récurrentes dans vos propres activités, comment vérifier efficacement les résultats de l’IA, et comment savoir quand vous êtes prêts à aller au-delà de la fenêtre de clavardage. Chez Synapses Technologies, nous aidons les petites et moyennes entreprises à adapter les technologies d’entreprise à leur réalité, en trouvant l’usage pratique de l’IA, sans l’engouement excessif et au-delà du ressac. C’est ce qu’on fait, alors quand vous serez prêts à trouver votre première petite victoire de deux minutes, on serait ravis de vous aider.