Le CTO de 2people IT a expliqué où l’usage d’AI en entreprise est réellement rentable et où les entreprises perdent de l’argent

Les entreprises demandent de plus en plus à «déployer AI», mais un effet économique n’apparaît pas dans tous les cas, loin de là. Ilya Trokhin, CTO de 2people IT, explique quelles tâches sont réellement rentables et où les réseaux neuronaux restent pour l’instant une expérimentation coûteuse sans retour clair.

Pourquoi les demandes échouent

Selon l’auteur, la plupart des demandes de déploiement commencent non pas par un problème, mais par l’envie de «faire comme tout le monde». Dès la première analyse, on découvre que l’entreprise n’a ni processus formalisé, ni métriques claires, ni structure de données correcte, ni même une façon unique d’exécuter la tâche au sein de l’équipe. Dans une telle situation, AI ne devient pas une couche magique par-dessus : elle ne corrige pas le désordre opérationnel, elle en accélère seulement la reproduction et augmente le coût des erreurs.

AI ne corrige pas le chaos.

Elle l’amplifie à grande échelle.

D’où le principal filtre avant tout pilote : il faut d’abord calculer précisément où l’entreprise perd de l’argent, du temps ou de la qualité. Si les employés agissent différemment à chaque fois, que le flux de tâches est faible et que le résultat ne peut pas être mesuré, il n’y a presque rien à automatiser. Dans ce scénario, le projet se transforme soit en opération d’image, soit en vérification coûteuse d’une hypothèse, sans perspective de rentabilité rapide. L’auteur conduit directement à l’idée qu’il faut d’abord mettre de l’ordre dans les processus, et seulement ensuite ajouter une couche de réseaux neuronaux par-dessus.

Là où l’effet se voit vite

Les cas les plus prévisibles sont ceux où l’on a un grand volume d’opérations similaires, une entrée bien définie et une part notable de travail manuel. C’est précisément dans ces zones que AI produit le plus vite un résultat mesurable : elle réduit le temps de traitement, diminue le nombre d’erreurs et décharge l’équipe des tâches routinières. Il ne s’agit pas de remplacer totalement les spécialistes, mais de scénarios où le modèle prend en charge le travail initial ou préparatoire, tandis qu’une personne n’intervient que pour les exceptions et le contrôle qualité.

• tri des demandes et des e-mails entrants
• extraction de données à partir de contrats, formulaires et autres documents
• réponses aux questions standard du support et routage des demandes
• traitement initial des candidatures et des demandes HR
• préparation de brouillons de documentation, de cas de test et de prototypes en IT

L’article examine séparément un cas lié aux documents : auparavant, un opérateur vérifiait manuellement l’image d’un passeport et reportait les champs dans le système, ce qui prenait du temps et entraînait des erreurs de saisie. Après le déploiement de OCR et de l’extraction automatique des données, le système s’est mis à lire lui-même le nom complet, le numéro du document et la date de naissance, tandis qu’une personne n’intervenait plus que pour les cas litigieux.

Une logique similaire fonctionne aussi dans le support : l’assistant traite les demandes standard, accélère la première réponse et ne transfère que les cas atypiques, là où un collaborateur est réellement nécessaire.

Une autre zone efficace est la routine IT interne. L’auteur écrit que l’équipe utilise AI comme accélérateur pour préparer des brouillons de documentation, générer des cas de test, aider au code review et prototyper rapidement. Ces outils ne peuvent pas encore remplacer totalement un développeur, mais ils réduisent les heures consacrées aux tâches répétitives et aident à lancer des MVP plus vite. Pour les projets commerciaux, cela signifie des délais plus courts et moins de pression sur le budget, surtout dans les premières phases.

Comment calculer la rentabilité

L’auteur propose de ne pas commencer par choisir un modèle ou un fournisseur, mais de passer par un court audit opérationnel et d’évaluer si le processus est prêt pour le déploiement. Il faut d’abord comprendre le coût du processus actuel, puis le volume d’opérations par mois, ensuite repérer le goulet d’étranglement et vérifier si l’entreprise dispose de suffisamment de données pour l’automatisation. Ce n’est que lorsque ces quatre points sont validés que AI cesse d’être une surcouche à la mode et devient un outil à la logique métier claire et à l’effet prévisible.

Là où le volume est faible, le processus instable ou l’entreprise tente de remplacer complètement l’humain, le déploiement cale souvent. L’effet économique n’apparaît que lorsque la solution réduit des coûts précis, accélère le cycle ou diminue le nombre d’erreurs. Si cela ne peut pas s’exprimer en argent, en délais ou en SLA, le projet a très probablement été lancé trop tôt. Dans de telles conditions, une automatisation classique sans réseaux neuronaux apporte parfois davantage de valeur, parce qu’elle coûte moins cher, se déploie plus vite et ne nécessite pas de préparation complexe des données.

Ce que cela signifie

Pour les entreprises, c’est un rappel de plus que AI fonctionne mieux non comme vitrine de l’innovation, mais comme un outil concret pour des processus massifs, répétables et coûteux. Les gains les plus rapides se trouvent aujourd’hui dans les documents, le support, les assistants internes et les tâches routinières des équipes IT, et non dans les tentatives de «tout automatiser d’un coup».