Choisir une IA pour sa TPE à partir de ses données

Pour choisir une IA dans une TPE, ne partez ni d’une marque ni d’une démonstration générale. Définissez une tâche étroite, déterminez quelles données elle exige, préparez un résultat de référence et limitez l’accès de l’outil à ce qui est strictement nécessaire.

La décision doit ensuite reposer sur quatre éléments vérifiables : confidentialité, qualité utile, coût total et réversibilité. Si le test exige des informations que l’entreprise n’est pas autorisée à transmettre au fournisseur, il faut employer des données fictives ou correctement anonymisées, choisir un autre mode de déploiement, ou écarter l’outil.

Transformer le besoin en une tâche testable

Un objectif comme « gagner du temps avec l’IA » ne permet pas de comparer des solutions. Choisissez une opération répétée dont vous savez reconnaître le résultat attendu : résumer un compte rendu, extraire les échéances d’un document, préparer le brouillon d’une réponse ou classer des demandes simples.

Décrivez l’entrée, la sortie attendue, la personne responsable et les décisions que l’outil ne doit jamais prendre seul. Le parcours de la CNIL pour les TPE et PME place l’identification d’un besoin concret avant le choix d’une solution et invite à prévenir la perte de savoir comme la dépendance.

Constituez ensuite un petit corpus stable avec des cas ordinaires, quelques cas difficiles et un résultat de référence préparé sans l’outil. Soumettez les mêmes éléments et les mêmes consignes à chaque solution : changer simultanément la tâche, les données ou les instructions rendrait la comparaison inexploitable.

Fixer la règle des données avant de créer un compte

Classement préalable des données d’une TPE, avec seuls les exemples autorisés et anonymisés admis dans l’essai d’IA.

Classez les informations nécessaires en trois catégories : publiques, internes non sensibles, puis personnelles, confidentielles ou stratégiques. Pour chacune, indiquez si elle peut être saisie telle quelle, seulement après anonymisation, ou jamais transmise pendant l’essai.

Une formule commerciale sur la protection des données ne suffit pas. Consultez la documentation et les conditions contractuelles pour savoir si les requêtes et fichiers sont enregistrés, réutilisés par le fournisseur, accessibles à des sous-traitants, transférés hors de l’Union européenne et supprimables avec l’historique ou le compte.

La FAQ de la CNIL sur l’IA générative précise que le mode de déploiement dépend du cas d’usage et des données fournies : un service grand public peut être envisagé pour un usage non confidentiel avec des garanties adaptées, tandis que les données personnelles ou les documents sensibles appellent des mesures techniques et contractuelles plus exigeantes.

Une réponse absente ou ambiguë doit être consignée comme un risque, non interprétée comme une garantie. Retirer seulement le nom d’une personne ne constitue pas toujours une anonymisation : les autres détails du dossier peuvent encore permettre de la reconnaître.

Construire une fiche d’essai de deux semaines

La durée de deux semaines est un cadre pratique, pas une garantie de performance. Elle est assez courte pour éviter qu’un essai informel ne devienne un usage permanent, tout en laissant le temps de répéter la même tâche et d’observer le travail réel de correction.

Tâche ciblée : une opération, son volume habituel et le résultat attendu.
Données autorisées : catégories admises, anonymisation requise et informations interdites.
Référence : exemples identiques pour tous les outils et résultat validé en interne.
Qualité : exactitude, omissions, respect du format et temps de correction.
Coût total : abonnement, consommation, paramétrage, formation, contrôle et intégration.
Validation humaine : responsable, points de contrôle et décisions exclues de l’automatisation.
Sortie : moyens d’exporter les contenus utiles, de supprimer les données selon les possibilités contractuelles et de revenir à une solution de remplacement.
Décision : adopter, prolonger sous conditions ou abandonner, avec un motif consigné.

Durant la première semaine, exécutez le corpus de référence et notez chaque défaut. La seconde sert à vérifier la régularité sur des cas comparables, à mesurer la correction humaine et à essayer concrètement les fonctions d’export et de suppression annoncées par le fournisseur.

Placer la validation humaine là où l’erreur coûte

Validation humaine d’un document préparé par une IA, avec correction d’un montant et d’une échéance avant approbation.

La validation ne consiste pas en une approbation automatique ajoutée à la fin du processus. Elle doit viser les erreurs qui auraient une conséquence réelle : montant incorrect dans un devis, échéance omise, fait inventé, information confidentielle divulguée ou réponse inadaptée à un client.

Pour chaque sortie, relevez le temps nécessaire pour détecter et corriger les défauts. Un texte produit rapidement mais relu ligne par ligne peut revenir plus cher qu’une méthode initialement plus lente. Une première version imparfaite peut néanmoins rester utile si ses erreurs sont repérables, faciles à corriger et sans effet automatique.

Conservez la consigne, la sortie obtenue et la correction humaine. Ce journal permet de vérifier si la qualité se répète, de transmettre la méthode à un autre collaborateur et d’éviter que le savoir-faire reste enfermé dans le compte d’une seule personne.

Noter l’outil sans masquer un critère éliminatoire

Attribuez à chaque axe une note de 0 à 2 : non démontré, acceptable sous condition ou satisfaisant. La confidentialité demeure éliminatoire : une bonne moyenne ne compense pas une politique indéterminée de réutilisation des données. Pour la qualité, jugez le résultat après correction ; pour le coût, ajoutez le temps de contrôle ; pour la réversibilité, vérifiez réellement l’export et les modalités de suppression.

Avant de financer une intégration complexe, demandez-vous si une fonction déjà présente dans vos logiciels ou un service autonome répond au besoin. L’approche progressive de France Num commence par les outils grand public, passe ensuite par leur connexion aux logiciels existants et ne réserve le projet dédié qu’aux besoins qui le justifient ; elle demande aussi une validation humaine systématique des résultats.

La décision finale doit pouvoir tenir en une phrase : cet outil est autorisé pour cette tâche, avec telles catégories de données, sous tel contrôle et dans telle limite de coût. Si une condition change, l’usage doit être réévalué au lieu de laisser l’essai se transformer en dépendance silencieuse.

Choisir une IA pour sa TPE : commencez par les données, pas par la marque