Jachère

Les hallucinations n'ont pas disparu : ce que révèle la prod

hello@jachere.fr (Romain Vialatte) — Fri, 29 May 2026 00:00:00 GMT

Le récit qu’on entend partout en 2026 est rassurant : les modèles sont devenus tellement bons que les hallucinations, ces réponses fausses énoncées avec aplomb, ne seraient plus qu’un résidu en voie de disparition. C’est faux. Pas faux au sens où rien n’a progressé, faux au sens où la réalité de production est plus retorse que la courbe de progrès qu’on nous montre. Et la nuance, ici, n’est pas académique. Elle décide si une PME met un assistant au contact de ses clients ou de ses contrats sans filet.

Disons-le simplement, parce que c’est mon métier de le regarder de près : sur les tâches faciles, les modèles hallucinent peu, et c’est vrai. Sur les tâches qui comptent vraiment en production, la connaissance factuelle, le raisonnement ouvert, le cas limite, ils hallucinent encore, parfois plus qu’avant. Le problème n’a pas été résolu. Il a été déplacé, contenu, mieux mesuré, mais pas supprimé. Voici ce que la production révèle, et ce qu’on en fait.

Le paradoxe des modèles qui raisonnent

L’intuition voudrait qu’un modèle plus puissant, plus « raisonneur », se trompe moins. La réalité observée en 2025 a pris tout le monde à contre-pied. Sur le propre benchmark factuel d’OpenAI, PersonQA, le modèle de raisonnement o3 a halluciné dans environ 33 % des cas, soit le double de son prédécesseur, et le modèle o4-mini a fait pire encore, autour de 48 %. Des modèles vendus comme plus intelligents, qui se trompent davantage sur des questions factuelles précises.

L’explication tient à la mécanique même du raisonnement étendu. Quand un modèle déroule une longue chaîne de pensée, il comble les trous de son raisonnement par des éléments plausibles. Plus il génère d’étapes intermédiaires, plus il a d’occasions d’introduire une affirmation inventée mais cohérente avec le fil. Le raisonnement, qui aide sur les problèmes logiques, devient une fabrique de confabulations sur les questions de fait pur. Ce n’est pas un bug d’une version, c’est une tension de conception.

La leçon pour qui déploie : « le dernier modèle est meilleur » ne signifie pas « le dernier modèle hallucine moins sur mon usage ». Il faut vérifier, sur sa tâche, pas se fier au nom.

Ce que les benchmarks disent, et ce qu’ils cachent

Les chiffres globaux d’hallucination sont devenus impressionnants, à condition de lire ce qu’ils mesurent. Sur les tâches de résumé ancré, où le modèle doit s’en tenir à un texte fourni, les meilleurs modèles sont passés sous les 1,5 %, parfois sous le pour cent, là où ils étaient à plusieurs pour cent un an plus tôt. C’est ce chiffre-là, autour de 1 %, qu’on agite pour dire que le problème est réglé.

Mais le même modèle qui obtient 0,7 % en résumé ancré peut dépasser 9 % sur des questions de connaissance générale, et franchir les 33 % sur du rappel factuel en domaine ouvert. Un benchmark mesure une situation précise. Résumer un document que je te donne, c’est facile et vérifiable. Répondre de mémoire à une question dont la réponse n’est nulle part sous les yeux, c’est exactement là où le modèle invente. Confondre les deux, c’est lire le score le plus flatteur et le coller sur l’usage le plus risqué.

C’est le piège de communication le plus courant en 2026. Un fournisseur cite un taux d’hallucination d’1 %. Vrai, sur sa tâche de mesure. Sans rapport avec votre cas si vous lui demandez de répondre librement à des clients sur des informations qui ne sont pas dans un document fourni. Le seul taux qui vous concerne est celui qu’on mesure sur vos données, dans votre usage. Tout le reste est du décor.

L’inévitabilité, prise au sérieux

Reste la question de fond : est-ce un défaut qu’on corrigera, ou une limite qu’on devra gérer indéfiniment ? Deux travaux convergents invitent à pencher vers la seconde réponse.

En 2024, des chercheurs ont avancé un argument formel : l’hallucination serait une limite innée des grands modèles de langage tels qu’on les construit, pas un accident qu’on élimine en ajoutant des données ou des paramètres. La démonstration est discutée, comme toute démonstration de ce type, mais elle pose une borne théorique sérieuse.

En 2025, OpenAI a apporté une explication plus terre à terre dans un texte intitulé Why Language Models Hallucinate : on entraîne et surtout on évalue les modèles d’une manière qui récompense le fait de deviner. Un modèle qui répond « je ne sais pas » est pénalisé par les benchmarks comme s’il s’était trompé, alors qu’un modèle qui tente une réponse au hasard a une chance de tomber juste et d’être récompensé. On a donc, sans le vouloir, sélectionné des modèles qui préfèrent l’assurance à l’honnêteté. L’hallucination n’est pas seulement un défaut technique, c’est aussi le produit d’un système d’évaluation qui valorise l’aplomb.

Tant qu’on note un modèle comme on note un candidat qui ne doit jamais laisser une question blanche, on obtient un modèle qui devine plutôt qu’il n’avoue son ignorance.

Que l’inévitabilité soit théorique ou simplement structurelle, la conséquence pratique est la même : on conçoit en supposant que l’hallucination reste, pas en attendant qu’elle parte.

Le RAG aide, le RAG ne guérit pas

La parade la plus efficace connue est le RAG, qui consiste à donner au modèle, au moment de répondre, les documents pertinents de votre propre base, pour qu’il s’appuie dessus plutôt que sur sa mémoire statistique. Bien fait, le RAG réduit fortement les inventions, jusqu’à 71 % selon certains agrégats. C’est la meilleure intervention à disposition d’une PME, et elle est accessible.

Mais elle ne ramène pas le taux à zéro, et elle déplace le problème plus qu’elle ne le supprime. Si la recherche documentaire ramène le mauvais passage, ou un passage périmé, le modèle produit une réponse fausse avec exactement le même aplomb qu’une réponse juste. Le RAG ne corrige pas une base de connaissances en désordre, il la propage. Une entreprise dont la documentation est contradictoire, datée ou mal rangée n’obtiendra pas un assistant fiable en branchant un RAG dessus : elle obtiendra un assistant qui cite avec assurance ses propres incohérences. C’est la même histoire que partout en IA, racontée ici sous un autre angle : la qualité de la sortie ne dépassera jamais la qualité de ce qu’on met en entrée.

Ce que ça impose en production pour une PME

Rien de tout cela n’est une raison de renoncer à l’IA. C’est une raison de l’architecturer correctement. Trois principes tiennent en production.

Le premier : réserver l’autonomie aux tâches à faible enjeu et vérifiables. Un assistant qui résume un document fourni, propose un brouillon, classe une demande, peut tourner avec une supervision légère. La nature de la tâche borne le coût d’une erreur.

Le deuxième : garder un humain dans la boucle partout où une erreur coûte cher. Réponse juridique, engagement contractuel, conseil financier, information médicale, tout ce qui sort de l’entreprise sous sa responsabilité passe par une relecture. L’étude de Stanford sur les usages juridiques l’a montré sans ménagement : même les outils spécialisés se trompent à des taux qui interdisent la confiance aveugle. Des professionnels ont déjà été sanctionnés pour avoir déposé des écritures citant des décisions de justice inventées par un modèle. Le coût d’une hallucination non rattrapée n’est pas théorique.

Le troisième : mesurer sur ses propres données. Le seul taux d’erreur qui compte est celui qu’on observe sur ses vrais cas, pas le score de benchmark du fournisseur. Et on raisonne en valeur absolue : 1 % d’erreurs sur dix mille réponses engageantes par mois, c’est cent erreurs à rattraper, pas un détail. La question n’est jamais « le taux est-il bas », c’est « combien d’erreurs, et qui les intercepte avant qu’elles ne sortent ».

C’est exactement la discipline que nous défendions en autopsiant les 80 % de projets IA morts en PME et en démontant le marketing du « ChatGPT pour PME » : la technologie n’est pas le problème, c’est l’absence de cadre autour d’elle. L’hallucination est le rappel le plus net que l’IA en production se conçoit avec ses défauts en tête, pas contre eux.

La forêt de la couverture de cet article est noyée dans la brume. On distingue les premiers arbres, on devine les suivants, et au fond on ne voit plus rien, sauf qu’on croit voir. C’est une bonne image d’un modèle de langage : net et fiable au premier plan, plausible et trompeur dès qu’on s’éloigne de ce qu’il sait vraiment. Le travail de l’ingénieur, et la prudence du dirigeant, consistent à savoir où s’arrête le premier plan.

Automatiser moins pour travailler mieux

hello@jachere.fr (Sophie Lestrange) — Wed, 27 May 2026 00:00:00 GMT

Note de transparence : ce journal est édité par ARCKONE, agence IA active sur ce marché. Voir mentions légales.

L’étape qu’on automatise pour ne pas la regarder

Il existe une scène ordinaire dans les entreprises qui veulent « faire de l’IA ». On ouvre un processus. On le trouve lent, sale, plein d’exceptions. Quelqu’un propose alors de brancher un modèle dessus.

Très bien. Mais rarement quelqu’un demande : pourquoi ce processus existe-t-il encore sous cette forme ?

C’est pourtant la question la plus rentable. Une validation qui ne valide rien, une ressaisie dont personne ne connaît l’origine, un tableau de suivi que personne ne lit, une réunion créée pour compenser l’absence de décision : tout cela peut être automatisé. Tout cela peut aussi être supprimé.

Le second choix coûte moins cher et vieillit mieux.

La vitesse n’est pas une vertu quand la direction est mauvaise

L’automatisation est séduisante parce qu’elle transforme une absurdité lente en absurdité rapide. C’est presque indécent de facilité. Le formulaire inutile se remplit seul. Le mail rituel se rédige seul. Le tableau mensuel se met à jour seul. Le travail ressemble soudain à un système.

Mais un système n’est pas forcément une organisation intelligente. Parfois, c’est seulement un décor technique posé sur une fatigue ancienne.

L’IA aggrave ce travers parce qu’elle rend l’absurde plus acceptable. Si une tâche pénible devient invisible, elle cesse de provoquer la honte nécessaire à sa suppression. On ne se demande plus pourquoi quelqu’un devait produire ce document. On se félicite que le document sorte sans bruit.

La question utile n’est pas « peut-on automatiser ? ». Presque toujours, oui. La question utile est « que protège cette automatisation ? ».

Ce que les mauvais projets IA conservent

Les mauvais projets IA ne naissent pas seulement de mauvais modèles. Ils naissent d’une indulgence excessive pour l’existant.

On garde les mêmes validations parce que « c’est comme ça ». On garde les mêmes champs parce qu’ils sont dans l’ERP. On garde les mêmes rapports parce qu’un ancien directeur les demandait en 2018. On garde les mêmes exports Excel parce que l’organisation a appris à vivre avec sa propre déformation.

Puis on demande à l’IA de lubrifier tout cela.

La promesse est presque toujours formulée poliment : gain de productivité, réduction de charge, modernisation du back-office. Traduction moins polie : nous n’avons pas le courage de supprimer ce qui ne sert plus, donc nous allons payer une machine pour le faire plus vite.

Automatiser après avoir retiré

Il y a une méthode plus lente, plus désagréable, meilleure.

Avant d’automatiser une tâche, il faut tenter de la tuer.

Trois questions suffisent souvent :

Que se passe-t-il si cette étape disparaît pendant deux semaines ?
Qui utilise réellement le résultat produit ?
Quelle décision devient impossible sans cette étape ?

Si les réponses sont vagues, l’automatisation est prématurée. Une tâche sans utilisateur clair n’est pas une candidate à l’IA. C’est une candidate à la disparition.

Si les réponses sont solides, alors seulement la technologie devient intéressante. Non pour sauver le processus, mais pour le rendre plus net : moins de friction, moins d’erreurs, moins de mémoire humaine gaspillée.

L’exemple banal de la facture

Prenons une facture fournisseur. Une entreprise peut imaginer un agent IA qui lit le PDF, extrait les lignes, classe la dépense, vérifie le bon de commande, relance le responsable, prépare le paiement et écrit au comptable.

C’est possible.

Mais avant cela, il faudrait regarder la chaîne. Pourquoi trois personnes valident-elles une facture de 84 € ? Pourquoi le bon de commande est-il rempli après la livraison ? Pourquoi le fournisseur envoie-t-il encore des factures à une adresse personnelle ? Pourquoi le responsable corrige-t-il chaque mois le même libellé ?

L’IA peut aider sur les exceptions. Elle ne devrait pas servir à cacher que le circuit est mal dessiné.

La meilleure automatisation d’une facture n’est parfois pas un modèle. C’est une règle : sous 100 €, fournisseur récurrent, montant conforme, validation mensuelle groupée. Ou une adresse unique. Ou un référentiel fournisseur propre. Très peu de magie. Beaucoup d’économie.

La sobriété n’est pas la nostalgie

Il serait facile de caricaturer cette position en refus de technologie. Ce serait confortable et faux.

La sobriété opérationnelle n’est pas le retour au papier. Ce n’est pas la haine des modèles. Ce n’est pas une posture d’artisan triste face au progrès. C’est une hygiène avant ajout.

Une organisation sobre ne rejette pas l’automatisation. Elle la retarde jusqu’au moment où le problème a été suffisamment compris pour ne pas automatiser sa partie malade.

Elle sait qu’un système simple, explicable et un peu manuel peut être supérieur à un système autonome, fragile et incompris. Elle sait aussi qu’une très bonne automatisation a souvent l’air modeste : elle enlève trois gestes, pas trente slides.

La vraie promesse

La promesse sérieuse de l’IA dans les PME n’est pas de remplacer le jugement. Elle est de rendre certaines tâches suffisamment lisibles pour que le jugement revienne au bon endroit.

Moins de copie. Moins de relance. Moins de classement. Moins de bruit. Mais aussi moins de processus inutiles qu’on conserve par paresse institutionnelle.

Automatiser moins n’est pas ralentir. C’est refuser de donner une longue vie technique à ce qui aurait dû mourir organisationnellement.

Il y a des machines très puissantes. Elles méritent mieux que de servir de prothèse à nos vieux formulaires.

Ces agences IA qui vendent du Zapier déguisé en IA

hello@jachere.fr (Antoine Reverdy) — Tue, 19 May 2026 00:00:00 GMT

Note de transparence : ce journal est édité par ARCKONE, agence IA active sur ce marché. Voir mentions légales.

Le boom des « agents IA » sur le marché agence en 2026

Le mot « agent IA » est sur tous les sites d’agence depuis un an. Gartner annonce que 40% des applications d’entreprise embarqueront des agents IA spécifiques fin 2026, contre moins de 5% début 2025. Le chiffre est spectaculaire et il a déclenché une course commerciale prévisible : tout le monde se met à vendre des agents.

Le problème, c’est que le mot « agent » est devenu un raccourci marketing. On le trouve dans des devis qui décrivent en réalité un automation Zapier classique, parfois enrichie d’un appel API à GPT-4 quelque part au milieu du pipeline. Et facturé en conséquence.

Cet article n’est pas un règlement de comptes. C’est une grille de lecture pour acheteur lucide. Il a une jumelle, Les agences IA françaises qui méritent qu’on en parle, qui se concentre sur les acteurs sérieux. Ici, on travaille la grammaire. Comment distinguer un agent IA d’un Zap repeint. Et pourquoi cette distinction n’a rien d’académique : elle a des conséquences directes sur le coût, la fiabilité, la maintenabilité de ce que vous achetez.

La grammaire technique : ce qu’est vraiment un agent IA

Anthropic, qui édite Claude, a publié fin 2024 un texte de référence intitulé Building Effective Agents. La distinction y est posée sèchement.

Workflow : système où les LLM et les outils sont orchestrés à travers des chemins de code prédéfinis.

Agent : système où le LLM dirige dynamiquement ses propres processus et son usage d’outils, en gardant le contrôle de la manière dont il accomplit la tâche.

Cette définition n’est pas un point de vue. C’est devenu le consensus de l’industrie. OpenAI dit la même chose dans la documentation de son Agents SDK : un agent est un LLM équipé d’instructions et d’outils, qui décide seul des prochaines étapes en se basant sur le raisonnement du modèle. LangChain, avec LangGraph, parle d’un framework d’orchestration bas niveau pour des agents « long-running et stateful », c’est-à-dire qui durent et qui maintiennent un état.

Quatre briques techniques caractérisent un vrai agent en 2026.

Un LLM avec capacité de reasoning. Un modèle qui ne se contente pas de générer du texte, mais qui choisit, à chaque tour, l’action suivante en fonction de ce qui s’est passé avant.

Des outils branchés au LLM. Des fonctions exposées au modèle avec un schéma typé. Le LLM décide quand et comment les appeler. Pas l’humain qui a écrit le workflow.

Un état persistant. Mémoire courte (contexte de tâche, historique d’exécution) et mémoire longue (vector stores, knowledge bases). Sans état, pas d’agent : juste une suite d’appels sans cohérence.

Une boucle de contrôle. L’agent observe le résultat de chaque action, re-raisonne, ajuste. Il s’arrête quand la tâche est faite, pas après N étapes codées en dur.

Les frameworks de référence en 2026 sont LangGraph (orchestration stateful, checkpointing, human-in-the-loop), CrewAI (agents collaboratifs avec rôles, tâches, mémoire), l’OpenAI Agents SDK (agents avec handoffs et guardrails) et quelques alternatives comme AutoGen. Une agence sérieuse en cite au moins un quand on lui demande sur quoi elle construit.

La grammaire commerciale : ce que beaucoup d’agences appellent agent IA

Voici ce qu’on retrouve souvent dans les devis facturés « agent IA » à quinze, vingt ou trente mille euros pour une PME.

Un trigger Zapier sur un événement (nouveau lead dans le CRM, nouveau mail dans la boîte support, nouvelle ligne dans Airtable).

Une chaîne de steps dans Zapier, Make ou n8n. Chaque step est un appel d’API conditionnel : si telle valeur, alors telle branche.

Un step au milieu qui appelle l’API d’OpenAI ou d’Anthropic avec un prompt fixe. Le modèle reçoit des données, génère un texte, le pipeline continue.

Une sortie : un email, un Slack, une fiche CRM mise à jour, un PDF généré.

Techniquement, c’est un workflow conditionnel avec un appel LLM intercalé. Anthropic l’appelle un prompt chaining, premier des six patterns décrits dans Building Effective Agents, et le plus basique. Ce n’est pas un agent. Il n’y a pas de boucle de reasoning. Le LLM ne décide rien : il remplit un champ. Le chemin est rigide, codé en dur dans l’interface no-code. Si la donnée d’entrée ne ressemble pas à ce qui était prévu, le workflow casse ou produit n’importe quoi.

Ce qui pose problème, ce n’est pas l’outil. Zapier, Make et n8n sont d’excellents outils pour ce qu’ils font. Zapier eux-mêmes ont depuis lancé une vraie offre Agents, distincte des Zaps classiques, justement parce qu’ils savent que c’est deux catégories différentes. Le problème, c’est l’étiquette. Vendre un workflow Zapier au prix et sous le nom d’un système agentique, c’est de la confusion sémantique facturée au client.

Pourquoi la différence compte

Trois raisons concrètes.

La fiabilité opérationnelle. Une enquête VentureBeat publiée début 2026 a sondé 200 responsables IT en charge de déploiements multi-agents. Seuls 12% de ces systèmes ont passé une revue opérationnelle complète. Autrement dit, 88% des systèmes vendus comme multi-agents en production ne sont pas réellement audités, monitorés, gouvernés. Quand l’agence vous vend de l’agentique, demandez-lui qui passe la revue opérationnelle, et avec quels critères. Si la réponse est vague, vous êtes du côté des 88%.

Le coût d’exécution. Les architectures multi-agents consomment, selon les mesures de Nite Agent sur leurs déploiements 2026, environ 15 fois plus de tokens qu’une simple conversation LLM. Un workflow Zapier avec un appel GPT, ça coûte quelques centimes par exécution. Un vrai agent qui raisonne en boucle, c’est dix à cent fois plus, parfois davantage si le modèle utilisé est Claude Opus ou GPT-5. Si vous payez le prix d’un agent mais que l’agence vous facture la consommation API d’un Zap, c’est qu’il n’y a pas d’agent. Inversement, si la facture API explose mystérieusement, c’est qu’il y a peut-être un agent réel, et il faut l’auditer.

Le déterminisme. Un workflow est déterministe : mêmes entrées, mêmes sorties. Un agent est non-déterministe : il choisit son chemin. C’est une force pour des tâches floues (synthèse, recherche, classification ouverte) mais une faiblesse pour des tâches qui doivent être reproductibles (facturation, calcul réglementaire, génération de documents légaux). Vendre un agent là où il faudrait un workflow, c’est introduire de la variance dans un endroit où elle n’a rien à faire. L’inverse, vendre un workflow là où il faut un agent, c’est promettre de l’adaptabilité qu’on n’a pas.

Cinq questions techniques à poser en évaluation fournisseur

À utiliser tels quels, sans excuse, en réunion commerciale ou par mail avant signature.

1. Sur quel framework agent construisez-vous ?

Réponses crédibles : LangGraph, CrewAI, OpenAI Agents SDK, AutoGen, développement custom Python avec gestion d’état explicite. Réponses qui ne sont pas crédibles pour de l’agentique : « Zapier », « Make », « n8n » seuls, « notre plateforme propriétaire low-code » sans détail technique.

2. Comment gérez-vous l’état de l’agent entre les étapes ?

Réponses crédibles : checkpointing (LangGraph), sessions persistantes (OpenAI Agents SDK), vector store branché, base de données dédiée. Réponse qui doit alerter : « on stocke dans Airtable » comme seule réponse. Si l’état tient dans une table, c’est probablement un workflow, pas un agent.

3. Comment le LLM décide-t-il quelle action exécuter ensuite ?

Réponses crédibles : tool calling natif du modèle, ReAct loop, structured output qui pilote le routing. Réponse qui doit alerter : « le LLM remplit un champ et après le workflow continue selon des conditions no-code ». C’est du prompt chaining, pas un agent.

4. Quels guardrails et quels tests de non-régression avez-vous ?

Un vrai système agentique en production a des guardrails (validation des entrées et sorties, parfois en parallèle de l’agent), un système d’évaluation des sorties, un suivi des drifts de performance. Si la réponse est « on teste à la main avant livraison », ce n’est pas production-ready au sens où l’entendent Anthropic, OpenAI ou les frameworks LangChain.

5. Quelle est la consommation moyenne en tokens et le coût API par exécution ?

Une agence qui maîtrise son agent connaît ce chiffre. Pas exactement, mais en ordre de grandeur. Si on vous répond « c’est inclus dans le forfait sans détail », demandez à voir les logs de consommation OpenAI ou Anthropic. Si on refuse, vous savez ce que vous achetez.

Cas où le no-code workflow est en fait le bon choix

Il faut être net : tout n’est pas à mettre dans un agent. Anthropic le dit elle-même dans Building Effective Agents : utilisez un agent seulement quand vous ne pouvez pas prédire le nombre d’étapes nécessaires ou quand vous ne pouvez pas pré-coder le chemin. Sinon, un simple appel LLM optimisé avec retrieval suffit.

Cas typiques où un workflow no-code avec appel LLM est le bon choix :

Résumé périodique d’un flux de données (synthèse hebdo des leads, digest des tickets support, rapport d’activité automatique).
Classification d’entrée sur un nombre fini de catégories connues (router un mail vers la bonne équipe, prioriser un lead).
Génération de contenu à structure stable (réponse type, message de bienvenue personnalisé, rappel de paiement).
Extraction d’information d’un document à format prévisible (parsing d’une facture, d’un CV, d’un contrat type).

Pour ces cas, un Zap, un Make ou un n8n avec un step LLM bien prompté fait le travail. Ça coûte cent fois moins cher qu’un agent custom et c’est plus fiable. Une agence honnête vous le dit. Une agence opportuniste vous vend un agent.

Cas où il faut un vrai système agentique :

Recherche autonome sur un sujet ouvert (veille concurrentielle qui explore et décide quoi creuser).
Résolution de tickets support complexes où la suite des actions dépend de ce que le client répond et des outils consultés.
Assistants métier qui combinent plusieurs systèmes (CRM, ERP, documentation interne) avec un raisonnement long.
Investigation, audit, debug qui demandent d’enchaîner outils et hypothèses sans chemin prédéfini.

La frontière n’est pas mystérieuse : si vous pouvez écrire le flowchart complet sur une feuille A4, c’est un workflow. Si le flowchart dépend d’observations en cours d’exécution et ne tient pas sur la feuille, c’est un terrain d’agent.

Grille de lecture du devis avant signature

Six points à passer en revue, dans l’ordre.

Le vocabulaire. Le devis utilise-t-il « agent IA » comme bullet marketing ou comme description technique ? Si le mot apparaît une fois en titre et plus jamais dans le détail technique, alerte.

La stack annoncée. Quelle stack technique est nommée ? Un devis crédible nomme au moins un framework agent (LangGraph, CrewAI, OpenAI Agents SDK), un modèle (Claude Sonnet 4.5, GPT-5, Mistral Large), une infrastructure (Cloudflare Workers AI, AWS Bedrock, hébergement custom). Pas nommer, c’est masquer.

La gouvernance. Le devis prévoit-il monitoring, observabilité, guardrails, gestion des coûts API ? Si oui, c’est sérieux. Si la livraison s’arrête à « mise en production », l’agence vous laisse seul avec un système qu’elle ne sait pas opérer.

La part de no-code. Quel pourcentage du système est en Zapier / Make / n8n et quel pourcentage est en code custom ? Pas un jugement de valeur : une question de transparence. Un système 100% Zapier vendu comme custom agent est un mensonge. Un système 80% Zapier honnêtement présenté comme automation no-code avec touche IA est une bonne affaire, si le prix correspond.

Les coûts récurrents. Les coûts API sont-ils chiffrés ou « à voir selon usage » ? Un fournisseur qui ne sait pas estimer la consommation ne maîtrise pas son architecture.

Les références client comparables. L’agence cite-t-elle des déploiements similaires en taille et en complexité ? Pas des logos, des cas. Sans cas concret, on est dans la promesse.

La grille tient en une question

Au fond, tout se résume à une seule chose : le LLM décide-t-il, ou remplit-il un champ ?

Si le LLM décide (quel outil appeler, quand s’arrêter, dans quel ordre explorer), c’est un agent, et ça vaut le prix d’un agent.

Si le LLM remplit un champ entre deux conditions no-code, c’est un workflow avec appel LLM, et ça vaut le prix d’un Zapier prémium plus une journée de prompt engineering.

Le marché 2026 vend trop souvent le second au prix du premier. La grille ci-dessus n’empêche pas le mensonge. Elle le rend coûteux à porter.

ISO 42001 et AI Act: la confusion qui coûte cher aux PME

hello@jachere.fr (Romain Vialatte) — Mon, 18 May 2026 00:00:00 GMT

Note de transparence : ce journal est édité par ARCKONE, agence IA active sur ce marché. Voir mentions légales.

Le nouveau produit miracle vendu aux PME

Depuis début 2026, un nouveau slogan tourne dans les decks commerciaux: “Sans ISO 42001, vous ne serez pas conformes à l’AI Act”.

Ce slogan est pratique pour vendre vite. Il est aussi trompeur.

Le problème n’est pas ISO 42001. Le problème, c’est de présenter une norme de management comme un passeport automatique de conformité réglementaire. Une PME qui signe sur cette base achète souvent un livrable documentaire, pas une réduction réelle de risque.

Ce que le cadre européen dit vraiment

La Commission européenne rappelle deux points que beaucoup omettent dans les pitchs.

Les standards harmonisés en soutien de l’AI Act sont développés dans le cadre CEN-CENELEC.
Leur application reste volontaire, même si elle apporte une présomption de conformité.

C’est un point de méthode fondamental. “Volontaire” ne veut pas dire “inutile”. Cela veut dire que la conformité peut être démontrée par d’autres voies robustes.

En mai 2026, le Conseil et le Parlement ont en plus confirmé un ajustement du calendrier sur certaines obligations high-risk, précisément parce que la mise à disposition des outils de support et standards reste un facteur opérationnel.

Le signal envoyé est clair: l’Europe cherche une mise en oeuvre praticable. Pas un concours de certificats.

Ce qu’est ISO 42001, sans folklore

ISO définit 42001 comme un standard international de système de management IA.

Autrement dit, ISO 42001 organise:

la gouvernance,
les rôles,
les processus de contrôle,
l’amélioration continue,

sur l’ensemble du cycle de vie IA.

C’est utile quand l’organisation a déjà une complexité réelle.

Ce n’est pas, en soi, une preuve que vos cas d’usage sont bien qualifiés juridiquement, ni que vos obligations sectorielles sont couvertes en détail.

Erreur classique

Confondre un système de management transversal avec une preuve complète de conformité article par article. Les deux se complètent, mais ne se remplacent pas.

Pourquoi la confusion coûte cher

Le coût ne se limite pas à la facture d’audit.

Il y a trois coûts cachés.

1) Coût de priorisation

Une PME dépense d’abord sur la certification et reporte la cartographie réelle de ses usages IA.

Résultat: beaucoup de papier, peu de décisions.

2) Coût d’opportunité

Le budget conformité absorbe du cash qui devrait financer des contrôles utiles immédiatement:

inventaire des usages,
revue contractuelle fournisseurs,
gouvernance des jeux de données,
journalisation des incidents,
formation des équipes exposées.

3) Coût d’illusion

La direction pense “on est couverts” et ralentit les chantiers qui, eux, répondent aux risques concrets.

C’est la pire forme de dette réglementaire: une dette qui donne un faux sentiment de sécurité.

Le bon ordre de travail pour une PME

Pour une équipe de direction, l’ordre logique tient en cinq étapes.

Inventorier les usages IA réellement en production ou en pré-production.
Qualifier les usages sensibles par domaine métier et impact potentiel.
Identifier les obligations applicables en priorité, pas "tout le règlement" d'un bloc.
Mettre en place les contrôles minimaux opérationnels et traçables.
Décider ensuite si un cadre type ISO 42001 apporte un gain réel de gouvernance.

Ce séquencement paraît banal. C’est justement pour ça qu’il fonctionne.

Commission européenne - standardisation AI Act, vérifié le 23 mai 2026

Quand ISO 42001 est un bon investissement

ISO 42001 peut devenir rentable dans trois cas.

Portefeuille multi-usages: plusieurs produits IA, plusieurs équipes, plusieurs prestataires.
Pression client forte: appels d’offres exigeant un cadre formel de gouvernance.
Besoin de discipline interne: direction qui veut des rôles, des preuves et un rythme d’audit stable.

Dans ces cas, la norme agit comme un cadre d’orchestration. Pas comme un joker juridique.

Signal utile

Structure

Rôles, politiques, cycle PDCA, revues périodiques.

Limite

Pas auto-conformité

Ne remplace pas l'analyse réglementaire ciblée.

Risque PME

Timing

Trop tôt: coût élevé et effet opérationnel faible.

Décision saine

Après cartographie

Commencer par les usages réels, pas par le label.

Ce que les vendeurs de conformité ne disent pas assez

Le marché ne ment pas toujours. Mais il simplifie trop.

Oui, la norme peut aider.

Non, elle n’efface pas les questions difficiles:

quels cas d’usage sont réellement sensibles,
qui est responsable en cas d’incident,
quels tests prouvent la robustesse,
quels journaux prouvent la traçabilité,
quelle gouvernance couvre les fournisseurs tiers.

C’est ce travail-là qui réduit le risque. Le certificat, au mieux, l’encadre.

Verdict

En 2026, la mauvaise question est: “Faut-il ISO 42001 tout de suite ?”

La bonne question est: “Notre exposition IA justifie-t-elle un système de management certifiable maintenant, ou d’abord une mise à niveau opérationnelle ciblée ?”

Une PME qui répond honnêtement à cette question économise souvent plusieurs mois et plusieurs milliers d’euros.

Et surtout, elle traite ses vrais risques au lieu d’acheter un sentiment de conformité.

« ChatGPT pour PME » : l'arnaque polie de 2026

hello@jachere.fr (Camille Ferrand) — Tue, 12 May 2026 00:00:00 GMT

Note de transparence : ce journal est édité par ARCKONE, agence IA active sur ce marché. Voir mentions légales.

Le marché de « ChatGPT pour PME » en 2026

Tapez « ChatGPT pour PME » dans Google. Vous obtiendrez en quelques secondes des centaines de formations à 1 500 €, des packs d’agences à 8 000 €, des livres blancs gratuits contre un email, des LinkedInfluenceurs qui vendent des « secrets » par carrousels, et des startups qui ont juste rebadgé « assistant virtuel » en « copilote IA ». Toutes promettent la même chose : votre PME va « passer à l’IA » en signant ce devis.

C’est l’industrie la plus visible du marché IA français en 2026. Aussi visible que la fonte des projets qu’elle laisse derrière. Selon Gartner, au moins 30% des projets d’IA générative seront abandonnés après POC fin 2025 pour cause de qualité de données insuffisante, contrôle des risques absent, coûts qui dérapent ou valeur métier floue. RAND Corporation va plus loin : plus de 80% des projets IA en organisation ne passent pas en production, soit le double du taux d’échec des projets IT sans IA.

Cet article n’attaque pas ChatGPT, qui est un excellent outil. Il attaque le discours commercial qui en fait une promesse de transformation. La nuance n’est pas pédante. Elle conditionne le ROI.

Confusion 1 : l’outil n’est pas le projet

ChatGPT est un outil grand public. Comme Word, comme Excel, comme Slack. Il s’utilise individuellement, à la souris, avec une boîte de dialogue. Un salarié bien formé en tire un gain de productivité réel, documenté par BCG dans AI at Work 2025 : plus de trois quarts des managers déclarent utiliser de la GenAI plusieurs fois par semaine, contre 51% chez les opérationnels. C’est un outil de knowledge worker.

Un projet IA en entreprise, c’est autre chose. C’est :

Un processus métier identifié (relance client, devis, qualification de leads, support N1, contrôle qualité, prévision de stock).
Une chaîne de traitement qui s’exécute sans intervention humaine, ou avec un humain dans la boucle aux seuls points utiles.
Des données structurées en amont, un système qui les ingère, un livrable en sortie qui rentre dans un système existant (CRM, ERP, GED).
Un coût d’exploitation mensuel, un coût de maintenance, un responsable désigné, une métrique de succès.

L’outil coûte environ 25 $ par mois et par utilisateur. Le projet coûte entre 20 000 et 200 000 € selon la profondeur. Confondre les deux n’est pas une faute de débutant : c’est l’enjeu commercial central du marché « ChatGPT pour PME ».

Quand une agence vous vend « l’IA pour votre PME » pour 8 000 € et que vous ressortez avec un compte ChatGPT Team partagé, trois prompts gabarits et un PDF de 30 pages, vous avez payé l’équivalent de plusieurs années d’abonnement pour ce qu’OpenAI vend nu à 25 $ par mois.

Confusion 2 : le POC n’est pas la production

La deuxième confusion, plus subtile, sépare la démo de la production. Une démo IA réussit toujours. C’est sa fonction. Elle s’exécute en environnement contrôlé, sur trois exemples choisis, en démonstration linéaire. Le client fait « waouh ». La salle applaudit.

La production, c’est le moment où le système doit traiter 1 200 dossiers par mois, dont 200 cassent un cas limite non prévu, dont 30 contiennent une donnée mal saisie, dont 5 viennent d’un client qui exige une réponse RGPD particulière. Les démos s’effondrent là où la production commence.

Gartner pose le chiffre : 30% des projets gen-AI abandonnés après POC. S&P Global Market Intelligence va plus loin avec une enquête plus récente sur 1 006 répondants : 42% des organisations abandonnent la majorité de leurs initiatives IA, contre 17% un an plus tôt. L’organisation moyenne jette 46% de ses POC avant mise en production.

Les agences « ChatGPT pour PME » vendent une démo. C’est sincère, c’est souvent bien fait, c’est parfois utile pour mobiliser une équipe. Mais c’est au mieux 30% du chemin vers un projet en production. Les 70% restants, personne ne les vend en formation. Ils s’appellent : ingestion de données, gestion d’exceptions, intégration au SI, support utilisateur, gouvernance, formation continue, et surtout : conduite du changement opérationnel.

Si l’offre que vous regardez ne mentionne aucun de ces points, vous achetez une démo qui rejoindra le cimetière des 30 à 80% selon les sources.

Confusion 3 : la démo n’est pas le ROI

KPMG France a publié en 2025 un chiffre qui colle au front : 73% des PME ayant déployé un projet IA ne savent pas calculer leur ROI. C’est-à-dire qu’elles ont signé, déployé, payé, mais n’ont aucune méthode pour dire si ça a servi.

Le Baromètre France Num 2025 (enquête sur 11 021 entreprises répondantes, 3 043 PME et 7 978 TPE, mars-avril 2025) montre une adoption qui double en un an : 26% des TPE-PME déclarent utiliser au moins un outil d’IA en 2025, contre 13% en 2024. Le taux monte à 34% chez les PME. L’enthousiasme est réel. Le ROI mesuré, lui, ne l’est pas.

Le rapport OCDE de décembre 2025 sur l’adoption IA dans les PME ajoute une donnée gênante : parmi les PME utilisant de la GenAI, seules 29% l’utilisent dans leurs activités cœur. Les 71% restants s’en servent pour des tâches périphériques. C’est utile, mais ça ne déplace pas la courbe de résultat opérationnel.

ROI inconnu + usage périphérique = facture régulière pour un bénéfice non mesurable. C’est exactement le terrain où prospère le marketing « ChatGPT pour PME ». Si personne ne mesure, personne ne peut contester.

Anatomie du pitch arnaque : 5 signaux

Voici cinq signaux à reconnaître dans une offre « ChatGPT pour PME ». Aucun n’est en lui-même rédhibitoire. Trois sur cinq, l’offre est probablement creuse. Cinq sur cinq, fuyez.

1. Le titre marketing fait référence à un outil, pas à un processus. « ChatGPT pour PME », « L’IA pour votre entreprise », « Devenez expert GenAI ». Aucun verbe d’action métier. Aucun processus visé. Une offre sérieuse parle de « automatiser la qualification de leads entrants », « réduire le temps de devisage de 40% », « générer la première version d’un rapport de chantier en 5 minutes ». L’outil est un moyen, jamais le sujet.

2. Le prix est rond et sans variable. 8 000 €, 12 000 €, 25 000 €. Un projet IA réel se chiffre par phases : cadrage, prototype, intégration, mise en production, exploitation. Un prix unique signifie soit qu’il n’y a qu’une phase (cadrage déguisé en projet), soit que toutes les variables ont été lissées au point de devenir fictives.

3. Aucune mention des données. La donnée est le premier facteur d’échec listé par RAND et par Gartner. Une offre qui n’aborde pas la qualité, la disponibilité, le format ou la gouvernance de vos données n’a pas regardé votre cas. Elle vendra le même livrable au comptable, au plombier et au cabinet d’architectes.

4. Le « cas client » est anonyme ou évasif. « Une PME industrielle de 80 personnes a réduit son temps de devisage de 50% ». Pas de nom, pas de secteur précis, pas de durée, pas de méthode de mesure. Soit le client n’existe pas, soit il existe mais le chiffre est biaisé, soit la prestation a échoué et n’est pas signable. Une référence publique nommée, c’est le minimum.

5. Le mot ROI n’apparaît pas dans la proposition. Ou alors il apparaît comme slogan, jamais comme indicateur chiffré contractualisé. Une offre qui ne s’engage sur aucune métrique de réussite quantifiée délègue 100% du risque au client. C’est commode pour le prestataire, ruineux pour la PME.

Voir aussi notre autopsie des 80% de projets IA morts en PME pour comprendre pourquoi ces patterns convergent vers le même résultat.

Le rare cas où « formation ChatGPT » a vraiment du sens

Il faut être honnête. Toutes les offres « ChatGPT pour PME » ne sont pas des arnaques polies. Une formation honnête, à 800 ou 1 500 €, qui apprend à une équipe à utiliser ChatGPT Team correctement, fait sens dans trois cas précis :

Acculturation initiale. L’entreprise n’a jamais touché à un outil GenAI. Un demi-journée de formation pour 10 personnes débloque l’usage individuel et fait remonter naturellement les premiers cas d’usage métier. C’est de la formation, pas un projet. Le coût est minime, le ROI est en productivité diffuse.
Cadre de gouvernance. L’entreprise veut autoriser ChatGPT sans laisser ses salariés copier-coller des données client dans des comptes personnels. Une formation qui définit les usages autorisés, les comptes pro à utiliser, les données interdites, c’est utile et défensif.
Onboarding d’un projet futur. L’entreprise prépare un projet IA réel dans 6 mois et veut monter le niveau d’aisance général. La formation devient la phase 0 d’un parcours plus large.

Dans ces trois cas, la formation est vendue pour ce qu’elle est : une formation, pas une transformation. Le client repart avec des compétences, pas avec une promesse de ROI. Le prestataire n’a pas survendu. L’arnaque polie commence quand cette même formation est vendue comme si elle remplaçait un projet métier.

Méthode pour différencier outil, projet, ROI avant de signer

Quatre questions à poser à toute offre IA, à recopier dans un mail avant de signer. Le silence ou la périphrase sur l’une est en soi une réponse.

Question 1 : « S’agit-il d’une formation à un outil, d’un audit de faisabilité, ou d’un projet métier livré en production ? » Trois réponses possibles, trois métiers différents, trois prix différents. Un prestataire qui ne sait pas répondre vend un mélange volontairement flou.

Question 2 : « Quel est le processus métier ciblé et quelle est la métrique de succès, mesurée comment ? » Pas « gain de productivité ». Pas « efficacité ». Une métrique chiffrée : nombre de devis produits par semaine, taux de tickets résolus en N1, durée moyenne de traitement, taux d’erreur. Avec méthode de mesure documentée.

Question 3 : « Combien coûte l’exploitation mensuelle au-delà du projet ? » Une IA en production coûte tous les mois : API, hébergement, supervision, maintenance, support, formation continue. Un prestataire qui n’a pas chiffré ces lignes n’a pas pensé la production. Ordre de grandeur réaliste : 15 à 40% du coût du projet par an, en récurrent.

Question 4 : « Qui sera responsable du projet 6 mois après la livraison, côté nous et côté vous ? » Si la réponse est « personne désigné chez vous » et « vous nous appelez en cas de problème » côté prestataire, le projet entre dans la catégorie des 30 à 80% qui meurent. La gouvernance d’exploitation n’est pas une option, c’est ce qui distingue un projet vivant d’un POC enterré.

Le marché « ChatGPT pour PME » n’est pas une fraude. C’est plus inconfortable : c’est un marché légal qui vit d’une confusion sémantique qu’il a intérêt à entretenir. L’outil, le projet, le ROI : trois choses distinctes qu’il fusionne dans le même brief commercial. La sortie n’est pas dans la diabolisation de ChatGPT, qui reste un excellent outil. Elle est dans la séparation rigoureuse des trois plans, et dans le refus méthodique de signer toute proposition qui les confond.

Les chiffres de Gartner, RAND, S&P, KPMG et France Num convergent vers la même conclusion : sans cette discipline, deux PME sur trois ne pourront pas mesurer ce qu’elles auront obtenu de leur dépense IA en 2026. Ce n’est pas une fatalité. C’est juste ce qui arrive quand on achète un outil en croyant acheter un projet.

80% des projets IA en PME sont déjà morts en 2026

hello@jachere.fr (Camille Ferrand) — Fri, 08 May 2026 00:00:00 GMT

Le chiffre qui circule, et d’où il vient

« 80% des projets IA en entreprise échouent. » Vous l’avez forcément vu passer. La source la plus citée est l’étude RAND Corporation (2024) qui pointait que 80% des projets IA en organisation ne passent pas en production utile. Gartner a sorti des chiffres similaires entre 2023 et 2025, KPMG France a publié en 2025 que 73% des PME françaises ayant déployé un projet IA ne savent pas calculer leur ROI, et S&P Global Market Intelligence en mars 2025 affirme que 42% des entreprises abandonnent la plupart de leurs initiatives IA, contre 17% l’année précédente.

Bref, le chiffre exact varie selon la définition d’« échec », mais l’ordre de grandeur est solide. On peut le résumer ainsi :

Sur 10 projets IA démarrés en PME en 2026, en moyenne 2 produiront une valeur durable. Les 8 autres seront abandonnés, oubliés, ou maintenus en vie artificielle parce que personne n’ose dire qu’ils sont morts.

Pourquoi cet article n’est pas un de plus

Beaucoup d’articles expliquent « comment réussir son projet IA ». Celui-ci explique d’où vient le taux d’échec et comment savoir, avant de démarrer, si votre projet est dans les bons 20% ou dans les 80% perdus.

Plus utile, parce que le meilleur moyen de ne pas échouer, c’est de ne pas démarrer un projet déjà mort à la naissance.

Les 6 patterns d’échec qu’on a vus se répéter

Pattern 1 : « On a vu un démo, on veut la même »

Le PDG voit chez son fournisseur une démo de chatbot impressionnante. Six mois plus tard, il a un chatbot qui hallucine sur 30% des questions et que personne n’utilise. La cause : pas de question business derrière la démo, juste de l’enthousiasme.

Signal d’alerte : le projet est défini en disant « on veut faire X (technologie) », pas « on a Y problème ».

Pattern 2 : Le projet « pour cocher la case IA »

Le conseil d’administration demande « où est notre stratégie IA ? ». La direction lance vite un projet pour avoir quelque chose à montrer. Le projet n’a pas de sponsor opérationnel motivé, pas de KPI mesurable, pas de budget pérenne.

Signal d’alerte : aucun manager opérationnel n’est dans le copil. C’est porté uniquement par la DG, la DSI ou la « transformation ».

Pattern 3 : Les données sont un mensonge

Le projet est cadré sur l’hypothèse que les données existent, sont propres, sont accessibles. La réalité : 18 systèmes différents, des doublons, des formats incohérents, des champs vides à 40%, et personne ne sait qui est propriétaire de la base CRM.

Signal d’alerte : aucun audit data n’a été fait avant le devis IA. Le prestataire dit « on s’occupera des données en chemin ».

Pattern 4 : La sous-estimation du change management

L’outil IA est livré, il marche techniquement, personne ne l’utilise. Les opérationnels n’ont pas été impliqués, ne voient pas leur intérêt, ou pire, voient l’outil comme une menace.

Signal d’alerte : aucune ligne « accompagnement utilisateur » dans le budget. Aucune personne du métier dans l’équipe projet.

Pattern 5 : Le sur-cadrage à 200 pages

Le cabinet de conseil arrive avec une étude de 200 pages, 47 cas d’usage priorisés en matrice 2×2, et une roadmap sur trois ans. Le PDG signe, paye 80k€ pour l’étude, et puis… rien. Aucun de ces cas n’est jamais lancé parce qu’aucun n’est assez petit pour démarrer rapidement.

Signal d’alerte : la phase d’étude coûte plus de 30% du budget projet total.

Pattern 6 : Le projet trop ambitieux dès le démarrage

« On veut un agent IA qui fait tout le service client ». Budget 80k€, délai 6 mois, scope élastique. Au bout de 8 mois, il y a un POC qui marche sur 3 cas et plante sur les 47 autres. Le projet est silencieusement abandonné.

Signal d’alerte : le périmètre couvre plus de 3 processus distincts, et personne ne sait dire ce qui doit être livré au mois 2.

Le test à 5 questions pour savoir si votre projet est dans les 20% utiles

Si vous répondez « non » à plus de deux de ces questions, votre projet a plus de chances d’être dans les 80% morts.

Pouvez-vous décrire le problème en une phrase, sans mentionner l’IA ? Si la phrase commence par « on veut faire de l’IA pour… », c’est mauvais. Si elle commence par « on perd X heures par semaine sur Y et on veut ramener ça à Z », c’est bon.
Avez-vous un sponsor opérationnel qui souffre vraiment du problème ? Pas un sponsor DG par devoir. Une personne du métier qui dit « j’en peux plus, aidez-moi ».
Avez-vous regardé vos données ? Vraiment ? Pas une affirmation : un audit. Quelqu’un a ouvert les bases, regardé la qualité, mesuré la complétude.
Le scope du premier livrable tient-il en deux semaines de travail ? Si non, redécouper. Un projet IA qui ne peut pas livrer quelque chose d’utile en 2 semaines est trop gros pour démarrer.
Avez-vous prévu qui maintient après livraison, et avec quel budget ? Si la réponse est « on verra », c’est qu’il n’y aura personne, et le projet mourra au mois 6.

L’effet pervers du chiffre « 80% »

Un dirigeant qui lit « 80% des projets échouent » peut conclure deux choses :

Mauvaise conclusion : « donc on attend, on ne lance rien. » Cela mène à 100% d’échec (par non-existence).
Bonne conclusion : « donc il faut sélectionner brutalement ce qu’on lance et abandonner sans regret ce qui s’avère mauvais en cours de route. »

Le vrai problème en PME n’est pas de faire trop peu d’IA. C’est d’engager des projets mal cadrés qu’on n’a pas le courage d’arrêter. Un projet qui meurt à 80k€ après 9 mois est dix fois plus coûteux qu’un projet tué proprement à 10k€ après 3 semaines de POC honnête.

Ce qui distingue les 20% qui passent

Trois marqueurs reviennent systématiquement sur les projets qui finissent en production utile :

Un commanditaire métier qui souffre. Pas la DG, pas la DSI : la personne qui perd vraiment du temps tous les jours sur le problème ciblé.
Un premier livrable mesurable en deux semaines. Pas un POC, pas un pilote : un truc utile, même petit, livré dans la main d’un utilisateur réel avant la fin du mois.
Un budget maintenance écrit dès la signature. Si la ligne n’existe pas, le projet meurt au mois 12 quand le prestataire est parti.

Si ces trois marqueurs sont absents au moment du devis, refusez ou redécoupez. C’est le meilleur arbitrage qu’un dirigeant puisse rendre en 2026.

Les coûts cachés d'un projet IA en PME : la facture après le devis

hello@jachere.fr (Élise Marchessou) — Wed, 29 Apr 2026 00:00:00 GMT

Note de transparence : ce journal est édité par ARCKONE, agence IA active sur ce marché. Voir mentions légales.

Le devis qu’on signe et la facture qu’on paye

Un dirigeant reçoit trois propositions. Toutes gravitent autour de 8 000 € pour « un assistant IA branché sur les commandes clients ». Il choisit la moins chère, signe, démarre. Neuf mois plus tard, il a payé 35 000 €, le système marche par éclats, l’usage stagne, et la maintenance n’est même pas encore commencée.

Cette histoire n’est pas anecdotique. Elle est mécanique. Le devis initial ne couvre presque jamais les vraies couches de coût d’un projet IA en PME, parce que ces couches sont soit invisibles au moment du pitch, soit volontairement minimisées pour gagner la signature. Le résultat est partout le même : 42% des entreprises abandonnent désormais la majorité de leurs initiatives IA, contre 17% un an plus tôt, selon S&P Global Market Intelligence sur un échantillon de 1 006 décideurs IT et métier. Gartner prédit qu’au moins 30% des projets d’IA générative seront abandonnés après le proof of concept fin 2025, en grande partie à cause de l’escalade des coûts et de la qualité de données insuffisante.

Cet article n’est pas un listicle de bonnes pratiques. C’est une décomposition économique du vrai coût total de possession d’un projet IA en PME. Quatre couches, presque jamais détaillées dans un devis, qui expliquent l’écart entre le chiffre affiché et la facture finale.

Pour qui veut le contexte amont de cette analyse, 80% des projets IA en PME sont déjà morts en 2026 pose le pourquoi macro. Cet article répond à la question budgétaire : combien ça coûte vraiment, et quelles lignes sont systématiquement absentes des propositions commerciales.

Couche 1 : la préparation des données, 30 à 60% du budget caché

C’est la couche la plus connue et pourtant la plus systématiquement sous-évaluée. Toutes les études sectorielles convergent : la préparation des données absorbe 60 à 80% du temps d’un projet IA, avant même que le moindre modèle soit entraîné ou que le moindre prompt soit testé. Les data scientists eux-mêmes déclarent passer environ 60% de leur temps sur le nettoyage et 19% sur la collecte, soit près de 80% sur la donnée plutôt que sur le modèle.

Plusieurs synthèses 2024-2025 convergent (Anaconda State of Data Science, IBM, Forrester) : la préparation des données reste le poste numéro un de consommation de temps dans les projets IA en entreprise.

En PME, la situation est généralement pire que la moyenne. Les données existent rarement dans un état exploitable : CRM peuplé à la main avec des règles différentes selon les commerciaux, ERP qui contient trois manières d’écrire le même fournisseur, base produits sans nomenclature, exports Excel qui ont remplacé un vrai outil il y a quatre ans. Le prestataire honnête fera un audit data avant de chiffrer. Le prestataire pressé dira « on s’occupera des données en chemin ». La phrase coûte cher.

Concrètement, sur un projet PME à 30 000 € au total :

Si le devis dit « 5 jours de préparation données » et que les données sont en réalité éclatées sur 8 sources, vous payerez 15 à 25 jours.
Si la donnée nominative est partout et qu’aucun audit RGPD n’a été prévu, ajoutez un poste juridique et une refonte des champs sensibles.
Si la complétude est à 40% sur les champs critiques (cas typique d’un CRM PME), vous payerez soit une campagne de ressaisie, soit une dégradation durable des performances du modèle.

Le Baromètre France Num 2025, conduit auprès de 11 021 entreprises dont 3 043 PME, rapporte que 40% des dirigeants déclarent des dépassements de budget sur leurs projets numériques, et que les projets IA custom sur des données stratégiques peuvent dépasser 100 000 €. Ce n’est pas le modèle qui coûte, c’est ce qu’il faut faire à la donnée avant qu’il puisse l’avaler.

Couche 2 : l’itération sur les prompts, une R&D non chiffrée

Le devis classique parle d’un nombre de jours pour « développer l’assistant ». Ce que cette ligne masque, c’est qu’un projet d’IA générative n’est pas du développement linéaire. C’est de la R&D appliquée. On rédige un prompt, on le teste sur 50 cas, on découvre 12 cas où le modèle hallucine, on retravaille, on retest. On change de modèle parce que le nouveau Claude est meilleur sur ce cas précis. On refait une passe de tests. On découvre qu’un edge case casse tout. On itère.

Calcul Jachère : un projet PME typique mobilise 3 à 8 cycles d’itération sur les prompts entre POC et production utile. À 1 jour par cycle, cela représente une ligne budgétaire de 3 000 à 8 000 € rarement isolée dans un devis.

Cette couche est invisible parce qu’elle n’a pas de nom propre dans les propositions commerciales. Elle est enfouie dans « développement », « intégration » ou « POC ». Mais elle représente facilement 20 à 30% du temps réel d’un projet IA générative. Pour un système qui doit travailler sur des contrats, sur du texte juridique, sur des données métier spécifiques, le ratio monte plus haut.

L’effet pervers est que cette couche d’itération est aussi celle qui décide de la qualité finale. Un projet livré sans tests robustes sur les cas limites est un projet qui hallucinera en production. Le dirigeant verra alors la facture continuer à monter post-livraison, pour les corrections que personne n’avait budgétées.

BCG, dans son rapport AI at Work 2025 (10 600 répondants, 11 pays), observe que 85% des dirigeants ont augmenté leur investissement IA en 2025, mais que seulement 37% peuvent démontrer un ROI clair. L’écart entre investissement et valeur s’explique en grande partie par ce que les devis ne nomment jamais : les cycles d’itération nécessaires pour passer d’un modèle qui marche en démo à un modèle qui tient en production.

Couche 3 : maintenance et mises à jour, 15 à 25% par an

C’est la couche dont on ne parle jamais en pitch parce qu’elle vient après la signature, après la livraison, après la photo de fin de projet. Elle est pourtant la plus mécanique des quatre.

Les modèles dérivent. Les données d’entrée changent. Les API des fournisseurs évoluent. OpenAI déprécie une version. Anthropic publie un nouveau modèle qui change le comportement attendu. La base de connaissance métier s’enrichit et doit être réindexée. Les utilisateurs trouvent des cas non couverts qu’il faut traiter. Quelqu’un doit s’occuper de tout ça, en continu.

L’ordre de grandeur converge dans la littérature secteur : entre 15 et 25% du coût de build initial par an, en mode opérationnel courant. Pour un déploiement à 30 000 €, cela représente 4 500 à 7 500 € par an, hors évolutions fonctionnelles. Pour un déploiement à 100 000 €, on est entre 15 000 et 25 000 € par an, donc l’équivalent d’un demi-équivalent temps plein sur cinq ans.

Plusieurs analyses 2024-2025 convergent autour de 15-25% annuel (phData, Qarbon IT, Riseup Labs). Pour les déploiements lourds avec modèles fine-tunés, la fourchette monte jusqu’à 30%.

Le rapport OCDE 2025 sur l’adoption de l’IA par les PME confirme l’angle mort : 39% des entreprises citent les coûts de maintenance comme principal frein à l’approfondissement de leur usage de l’IA, devant les coûts matériels (37%) et juste après le manque de temps de formation (38%). En clair : ce qui freine l’IA en PME, ce n’est pas le coût d’entrée. C’est le coût d’après.

La conséquence économique est nette : un projet IA qui ne réserve pas dès la signature une ligne pluriannuelle de maintenance est un projet condamné à dériver, à se dégrader, et à être abandonné dans les 18 mois. Et la facture cachée, ici, ce n’est pas le coût de maintenance lui-même. C’est le coût d’avoir investi 30 000 € dans un système qui finit par être mis à la corbeille parce que personne ne l’a maintenu.

Couche 4 : dette technique et switching cost

C’est la couche la plus invisible et probablement la plus coûteuse à long terme. Elle se manifeste quand le dirigeant prend deux décisions apparemment banales :

Changer de fournisseur LLM parce que le prix a doublé ou que les performances ont basculé sur un concurrent.
Internaliser ou réinternaliser une partie du système développée initialement par un prestataire.

Dans les deux cas, le devis initial n’a pas chiffré le coût de sortie. Or ce coût existe. Les prompts optimisés sur GPT-4 ne fonctionnent pas tels quels sur Claude ou Gemini : la portabilité d’un prompt entre modèles est largement un mythe entretenu. Chaque modèle a ses forces, ses ratés, ses structures préférées. Un système conçu autour d’un seul fournisseur est de fait verrouillé.

L’API de tool use d’OpenAI ne fonctionne pas comme l’API de tool use d’Anthropic. Les formats JSON acceptés diffèrent. Les comportements de sélection d’outils ne sont pas identiques. Migrer d’un fournisseur à l’autre ne se résume pas à changer une clé d’API. C’est une refonte partielle de l’intégration. Toute organisation qui a fine-tuné un modèle chez un fournisseur, intégré ses retours d’outils dans un format propriétaire, ou bâti son orchestration sur une API spécifique, fera face à un coût significatif de migration le jour où le fournisseur augmente ses prix, déprécie son API ou pivote stratégiquement.

Le rapport OCDE 2025 nuance : pour les usages d’IA générative basés sur des outils grand public, le coût n’est pas le principal frein. C’est le cas pour les usages superficiels (rédaction, brainstorming). Le verrouillage devient critique dès que le projet implique du fine-tuning, des intégrations métier, ou de la donnée propriétaire.

Le fine-tuning, en particulier, est un point de bascule. Un modèle fine-tuné chez OpenAI n’est pas exportable. Si vous avez investi 20 000 € à entraîner GPT-4 sur vos données métier et que vous voulez basculer sur Anthropic, vous repayez l’opération. La même logique vaut pour les intégrations propriétaires : un agent construit autour de l’écosystème Microsoft Copilot n’est pas trivialement portable vers un agent construit sur un autre socle.

La dette technique d’un projet IA mal cadré ressemble à celle d’un projet IT classique, en plus rapide. Chaque court-circuit (« on prend juste cette API, on fera mieux plus tard ») devient une ligne d’engagement difficile à dénouer dans 18 mois.

Pourquoi les agences ne parlent jamais de ces couches en pitch

La question n’est pas morale. Elle est structurelle. Une agence qui chiffrerait honnêtement les quatre couches en pitch présenterait un devis trois fois plus élevé que ses concurrents qui n’en chiffrent qu’une. Elle perdrait la signature. Donc personne ne chiffre, et tout le monde sous-estime au démarrage.

Le mécanisme est simple :

Le devis sert à gagner la signature, pas à décrire le coût réel. Le coût réel se révèle en exécution, à coup de devis complémentaires ou de glissements de scope acceptés par lassitude.
Le dirigeant compare des chiffres apparemment comparables. Trois devis à 8 000 €, 12 000 € et 15 000 € paraissent comparables. En réalité, les périmètres et les couches couvertes ne sont jamais les mêmes. Le moins-disant gagne, mais le moins-disant est aussi celui qui facturera le plus en avenants.
Les couches invisibles sont par construction non chiffrables au moment du devis. Tant qu’un audit data n’a pas été fait, on ne sait pas combien coûtera la préparation. Tant que les cas limites n’ont pas été testés, on ne sait pas combien d’itérations seront nécessaires. Le prestataire honnête le dit. Le prestataire pressé écrit un chiffre rond et croise les doigts.
La culture du forfait tout compris achève l’asymétrie. En PME, le dirigeant préfère un chiffre unique à une décomposition fine. Le prestataire le sait et adapte. La transparence des couches est punie par le marché.

L’étude RAND de 2024, fondée sur 65 entretiens structurés avec des data scientists et ingénieurs expérimentés, a documenté que 80% des projets IA en organisation ne passent pas en production utile, soit deux fois plus que le taux d’échec des projets IT classiques. Les causes racines tournent souvent autour d’un mauvais cadrage économique amont : on a chiffré le modèle, jamais ce qu’il fallait autour.

La méthode : calculer le vrai TCO avant de signer

Le seul antidote à cette dynamique, c’est de forcer le chiffrage explicite des quatre couches avant la signature, et de refuser tout forfait global qui ne distingue pas. Voici une grille opérationnelle que n’importe quel dirigeant peut imposer à n’importe quel prestataire IA.

Demander quatre lignes séparées dans le devis :

Préparation des données. Inclut l’audit initial, le nettoyage, la structuration, l’éventuelle ressaisie. Doit être chiffrée après une séance d’audit, pas avant. Si elle est forfaitisée à 5 jours sans audit, refuser ou exiger un audit préalable séparé.
Modèle et itération. Inclut le développement du système (prompts, chaîne, intégrations LLM) et les cycles d’itération nécessaires pour passer du POC à un livrable fiable. Doit prévoir une enveloppe de tests sur cas limites, pas juste un POC qui marche sur trois exemples.
Intégration aux outils existants. Connexion au CRM, à l’ERP, au site, à l’outil métier. C’est la couche la plus souvent absente des pitchs « assistant IA » qui pourtant ne servent à rien tant qu’ils ne sont pas dans le flux de travail réel.
Maintenance annuelle, sur 3 ans. Pas un engagement vague de « support », un montant chiffré par an avec ce qu’il couvre : monitoring, dérive modèle, mise à jour API fournisseur, ajout raisonnable de cas d’usage.

Trois questions de filtrage avant signature :

Si je décide de basculer de fournisseur LLM dans 18 mois, quel est le coût estimé de migration ? Un prestataire qui répond « zéro, tout est abstrait derrière une couche d’API » ment ou n’a pas réfléchi. Un prestataire qui répond « entre 25 et 40% du coût de build initial, selon le niveau de fine-tuning » est honnête.
Quelles sont les trois lignes les plus susceptibles de glisser en cours de projet, et de combien ? Un prestataire sérieux a une réponse documentée. Un prestataire évasif révèle son inexpérience ou son intérêt à ne pas l’évoquer.
Quel est le plan si la qualité des données s’avère pire que prévu ? La bonne réponse n’est pas « on s’en occupera ». La bonne réponse est « on stoppe, on rechiffre, on décide ensemble si on continue ou si on redécoupe ».

Le vrai TCO d’un projet IA en PME, sur trois ans, est rarement inférieur à 2,5 à 4 fois le devis initial typique. Ce n’est pas une fatalité. C’est une conséquence de la manière dont les couches sont chiffrées, ou plutôt ne le sont pas. Le dirigeant qui force la décomposition avant de signer n’évite pas tous les dérapages. Il les rend prévisibles, comparables, arbitrables. C’est déjà beaucoup.

Refuser un projet IA quand les quatre couches ne sont pas explicitement sur la table est, en 2026, l’un des meilleurs arbitrages économiques qu’un dirigeant de PME puisse rendre. Le coût d’un projet refusé est faible. Le coût d’un projet mal cadré qui meurt à 35 000 € au mois 9 est toujours payé deux fois : une fois en cash, une fois en énergie d’équipe.

Les agences IA françaises qui méritent qu'on en parle

hello@jachere.fr (Antoine Reverdy) — Wed, 22 Apr 2026 00:00:00 GMT

Pourquoi un nouveau classement

Il y a déjà cent annuaires d’agences IA en France. Tous se ressemblent : 50 acteurs, une fiche par acteur, peu de différenciation, jamais de jugement parce que chacun pourrait être un futur client de la plateforme.

Ce papier ne prétend pas être exhaustif. Au contraire. On en sélectionne sept, on dit ce qu’on en pense, et on assume.

Sont exclus volontairement : les filiales françaises de cabinets américains (McKinsey QuantumBlack, BCG GAMMA, Bain Vector), les ESN historiques qui ont ajouté « IA » à leur nom (Atos, Capgemini hors Invent, Sopra Steria) et les intégrateurs Salesforce/MS Dynamics qui font surtout du conseil applicatif.

Les sept que nous suivons vraiment

Octo Technology

L’historique du conseil tech-savvy français. Pas une « agence IA » au sens strict, mais une boutique tech d’élite qui a une practice ML solide depuis des années. Repris par Accenture en 2017 mais a gardé son ADN.

Ce qu’on aime : la qualité technique, le ton « ingénieur » des publications (la « culture du juste assez »), l’absence de bullshit commercial dans les contenus publics. Ce qu’on aime moins : depuis le rachat Accenture, certains profils seniors sont partis, et la grille tarifaire ressemble de plus en plus à celle d’un grand cabinet. Bon choix si : grande entreprise française avec besoin d’industrialiser du ML, vous voulez du sérieux sans payer du McKinsey.

Theodo

Mid-market technique français, ~700 personnes, fortes practices web et data. Pas une boutique IA pure, mais ils ont monté une vraie expertise IA appliquée au produit.

Ce qu’on aime : la culture produit (TDD, agile pour de vrai, pas en PowerPoint), la transparence sur les tarifs, le contenu technique de qualité. Ce qu’on aime moins : très centré sur le développement produit, moins sur le conseil stratégique en amont. Bon choix si : vous avez un produit digital et voulez y intégrer de l’IA proprement.

Hubvisory

Cabinet conseil produit fondé en 2019 à Paris, croissance rapide, ~150 personnes. Spécialisé product management et désormais IA appliquée au produit.

Ce qu’on aime : l’approche produit-first (et non techno-first), le contenu pédagogique de qualité, la diversité des secteurs couverts. Ce qu’on aime moins : tarification consultante parisienne, attention au ratio juniors/seniors selon le projet. Bon choix si : transformation produit avec composante IA, scale-up ou ETI.

Niko Studio

Boutique IA parisienne plus petite, taille humaine. Forte communication sur LinkedIn. Spécialisée IA générative appliquée.

Ce qu’on aime : la rapidité d’exécution affichée, le ton direct sur les réseaux, la spécialisation sur le LLM (pas de dispersion). Ce qu’on aime moins : très jeune (méfiance sur les références long terme), parfois trop alignée sur le hype « agents IA » sans recul. Bon choix si : vous avez un POC IA générative à monter vite et bien fait, sans budget grand groupe.

ConvictionsRH

Spécialisée RH, mais a monté une practice IA appliquée aux fonctions RH (recrutement, formation, GPEC) qui est aujourd’hui une des plus solides en France sur cette niche.

Ce qu’on aime : la spécialisation verticale assumée, la connaissance fine des contraintes réglementaires RH (RGPD, AI Act haut risque, droit du travail). Ce qu’on aime moins : ne couvre que le périmètre RH, donc pas pertinent si votre besoin est ailleurs. Bon choix si : DRH d’ETI ou grand groupe avec ambition IA sur le périmètre humain. Probablement le meilleur sur ce créneau en France.

Onepoint

Cabinet conseil techno français, ~3000 personnes. Practice IA significative mais noyée dans une offre conseil plus large.

Ce qu’on aime : la taille permet des projets ambitieux, la couverture sectorielle large. Ce qu’on aime moins : c’est un grand cabinet, donc tout ce que ça implique : process commercial long, équipes-projet rotatives, profils juniors-en-mission, factures lourdes. Bon choix si : grand compte avec besoin de portage industriel.

Capgemini Invent

Branche conseil de Capgemini. Souvent confondue avec le reste de Capgemini, à tort : Invent a une vraie identité conseil stratégique. Practice IA forte.

Ce qu’on aime : la profondeur sectorielle (industrie, énergie, public), les références internationales. Ce qu’on aime moins : prix grand cabinet français, durée des cycles commerciaux. Bon choix si : grande entreprise ou administration avec besoin stratégique structurant.

Les trous dans la raquette française

Plusieurs niches sont sous-servies en France en 2026.

1. Les PME 5-50 personnes

Quasiment aucune agence IA française ne cible vraiment les TPE-PME en bas de fourchette. C’est trop petit en panier moyen pour les acteurs cités. Résultat : le marché PME est laissé aux freelances et aux solos. Bon pour les TJM, problématique pour la continuité de service.

2. Les métiers techniques de niche

L’IA appliquée à des secteurs comme la construction, le bois, le bureau d’études en génie civil, la métrologie industrielle, est très peu couverte par les agences généralistes parisiennes. Trop petit, trop spécialisé.

3. Le francophone hors France

Belgique, Suisse romande, Luxembourg, Québec : marchés francophones où les agences françaises n’ont souvent pas de présence locale. Belges et Suisses n’ont pas envie de payer un TJM parisien + déplacements.

Méthode de sélection

Critères d’inclusion :

Présence française active (siège ou bureau, pas juste représentation commerciale).
IA / ML comme expertise centrale ou très significative.
Au moins 3 ans d’existence ou pedigree fondateur fort.
Références clients publiques vérifiables.

Critères d’exclusion :

Acteurs uniquement formation IA (Le Wagon, Jedha) : autre métier.
Pure-players GenAI dévoyés en éditeurs SaaS : autre catégorie.
Filiales américaines (couverts dans le panorama international à venir).

Mises à jour

2026-04-22 — Publication initiale.
Réévaluation prévue à l’automne 2026 sur la base des publications publiques et des retours lecteurs reçus à l’adresse de la rédaction.

Le ROI réel de NE PAS faire d'IA dans certains cas

hello@jachere.fr (Élise Marchessou) — Sat, 04 Apr 2026 00:00:00 GMT

L’asymétrie cognitive du « projet pas lancé »

Quand un projet IA réussit, on en parle. Article LinkedIn, étude de cas, prix de l’innovation. Quand il échoue, on l’enterre discrètement. Quand on ne le lance pas, personne ne sait qu’il aurait pu exister, donc personne n’en calcule la valeur.

Cette asymétrie biaise systématiquement les décisions des dirigeants. La peur de « rater le coche » est mesurable parce que palpable. La sagesse de « ne pas s’engager » est invisible parce qu’elle ne produit ni récit, ni KPI affichable.

L’objet de cet article : rendre visibles quatre situations où la non-action est la meilleure action.

Cas 1 : votre métier a une faible répétabilité

L’IA, au sens machine learning ou LLM en production, est rentable quand elle automatise des décisions ou des tâches récurrentes. Si votre cas d’usage tombe à 12 itérations par an, le ROI mathématique ne peut pas fonctionner.

Exemple chiffré

PME services pro, 25 personnes. Demande : un agent IA pour générer automatiquement les comptes-rendus de réunions stratégiques avec les clients VIP.

Volume : 35 réunions / an
Temps actuel par CR : 2h
Temps annuel actuel : 70h
Coût horaire chargé chargé de mission : 70€
Coût annuel actuel : 4900€
Coût projet IA (cadrage + dev + intégration vocal-to-text + LLM) : 18000€ première année
Maintenance : 3000€/an
Gain de temps espéré (réaliste) : 40% donc 28h récupérées
Valeur récupérée annuelle : 1960€

Bilan année 1 : -19040€. Bilan cumulé année 3 : -29320€. Le projet sera abandonné avant 18 mois.

Décision rationnelle

Ne pas lancer. Acheter un abonnement à un outil de transcription standard (Otter, Notta, Krisp) à 200€/an. Demander aux chargés de mission de relire et structurer en 30 minutes. Coût total : 200€ + 17h récupérées = solution satisfaisante à 1500€/an net.

Combien vaut le « non »

L’année 1, le « non » vaut 17500€ (économie sur le projet abandonné). Sur 3 ans, le « non » vaut 27900€. C’est invisible, mais c’est de l’argent réel.

Cas 2 : vos données ne sont pas en état, et vous n’avez pas le temps de les y mettre

L’IA appliquée aux données internes (RAG, classification, prédiction, recommandation) ne fonctionne que si les données sources sont propres, structurées, à jour, accessibles. La plupart des PME découvrent au mois 3 d’un projet IA que leurs données sont un désordre.

Quand le client n’a ni budget ni envie de financer la remise en ordre des données (qui peut représenter 6 à 12 mois de travail), la bonne décision n’est pas « démarrons l’IA quand même ». C’est « ne démarrons pas ».

Le scénario classique

Une agence accepte le projet sans audit data préalable, parce que le client veut commencer vite. Les six premiers mois, l’équipe découvre des trous dans les données, des doublons, des conflits de référentiel. Le client trouve que ça coûte cher pour pas grand-chose. La relation pourrit. Le projet meurt au mois 9 avec 60k€ de facture et zéro IA en production.

La bonne réponse

« Avant de parler IA, il faut qu’on travaille votre socle de données. 3 à 6 mois de chantier, 25 à 50k€, sans IA. Si vous n’avez pas l’envie de faire ça maintenant, on attend que vous l’ayez. »

90% des prospects refusent. C’est OK. Les 10% qui acceptent deviennent des clients sur 5 ans.

Cas 3 : votre vrai goulot d’étranglement n’est pas un goulot informatique

Beaucoup de dirigeants viennent voir une agence IA en pensant que l’IA va résoudre un problème qui est en fait organisationnel, humain, ou stratégique. L’IA ne soigne pas une équipe désorganisée, ni un manque de clarté sur l’offre, ni une rotation excessive du personnel.

Cas observé (anonymisé)

Cabinet d’avocats, 12 collaborateurs. Demande : un assistant IA pour analyser les dossiers entrants et faire un pré-tri.

Lors du cadrage, on découvre que le vrai problème est : pas de processus documenté de qualification de dossier, deux associés en désaccord sur les critères, un secrétariat sous-dimensionné, et trois associés qui font tous le pré-tri en doublon. L’IA mettrait un cataplasme sur une jambe de bois.

La bonne réponse

« On pense que l’IA n’est pas la première chose à régler. Posez-vous entre associés, mettez vos critères au clair, embauchez un junior en secrétariat. Refaites le point dans 6 mois, on verra si l’IA a alors du sens. »

Le cabinet a embauché. Six mois plus tard, ils n’ont plus eu besoin de projet IA. Économie : 35k€. La facture de la rédaction conseil : 0€. La réputation auprès du cabinet : durablement bonne.

Cas 4 : le coût d’abandon perçu est inférieur au coût d’usage projeté

Sur les SaaS IA en abonnement (ChatGPT Enterprise, Microsoft 365 Copilot, Notion AI), le piège est différent. Le coût unitaire est faible (25 à 50€/utilisateur/mois). Tout le monde signe sans calculer.

Le calcul qu’on ne fait pas

PME 40 personnes, déploiement Microsoft 365 Copilot pour 30 utilisateurs.

Coût annuel : 30 × 30€ × 12 = 10800€
Temps de formation initial : 1h par utilisateur, soit 30h
Coût de formation : 2100€
Temps d’adoption réelle observé : 8 semaines, pendant lesquelles la productivité baisse de 5-10% (apprentissage)
Coût d’adoption : ~6000€
Coût engagé année 1 : 18900€

Gain mesuré (études internes Microsoft elles-mêmes, à prendre avec prudence) : 15-25% de productivité sur les tâches éligibles. Mais sur les PME, les retours réels indiquent souvent un taux d’usage actif de 30-40% au bout de 6 mois. Donc le gain réel est divisé par 2-3.

Si le gain réel est inférieur à 19000€/an, la perte sèche est documentable. Mais personne ne fait ce calcul.

La bonne réponse

« Ne déployez pas Copilot à 30 utilisateurs. Déployez-le à 5 utilisateurs volontaires et motivés pendant 3 mois. Mesurez. Si le ROI est démontré, étendez. Sinon, désabonnez. »

Le « non » coûte 1800€/an au lieu de 18900€.

La méthode du « non utile »

Voici comment systématiser cette posture, que vous soyez dirigeant ou prestataire.

Pour le dirigeant

Avant tout projet IA, écrivez sur une feuille « si nous ne lançons pas ce projet, voici ce qui se passe ». Si la réponse est « pas grand-chose », le projet n’est probablement pas nécessaire.
Calculez le coût d’opportunité du « non ». Argent non dépensé + temps direction non engagé + risque d’échec évité.
Demandez à votre prestataire les cas où il a refusé une mission récemment. Si la réponse est « jamais », méfiance.

Pour le prestataire

Quantifiez le bénéfice attendu en euros avant de signer. Si le chiffre ne tient pas la route, dites-le.
Refusez les missions qui vous semblent perdues d’avance. Le coût en réputation d’un échec est supérieur au cash de la facture.
Mesurez puis publiez votre taux de refus. C’est un des rares indicateurs honnêtes de discipline éditoriale d’une agence. Quand il est inférieur à 10%, il y a probablement un problème de filtre.