Fin 2025, 55 % des TPE-PME françaises déclaraient utiliser l'IA générative. Mais seulement 17 % s'en servaient régulièrement. Cet écart — plus d'un dirigeant sur deux qui essaie, moins d'un sur cinq qui en tire quelque chose — est le vrai sujet. Voici les cinq usages qui franchissent la barre, et comment décider si le vôtre en fait partie.
Le problème n'est pas l'adoption, c'est l'abandon
Deux chiffres officiels, publiés à six mois d'intervalle, racontent la même histoire vue de deux côtés.
L'INSEE, dans son édition de juillet 2026, compte 18 % des entreprises françaises de 10 salariés et plus qui utilisent au moins une technologie d'IA en 2025 — contre 10 % en 2024 et 6 % en 2023. Le tri par taille est brutal : 15 % chez les 10-49 salariés, 31 % chez les 50-249, 58 % au-delà de 250. Autrement dit, plus l'entreprise est petite, plus l'IA reste une rumeur.
Le baromètre Bpifrance Le Lab – Rexecode de janvier 2026 mesure autre chose : l'usage réel d'outils d'IA générative, ChatGPT compris. Il trouve 55 % des TPE-PME fin 2025, contre 31 % un an plus tôt. Progression spectaculaire. Sauf que le détail dit l'inverse : 17 % d'usage régulier, 37 % d'usage occasionnel. La majorité de ces 55 %, ce sont des gens qui ont ouvert un onglet, testé trois questions, trouvé ça impressionnant, et ne l'ont jamais rouvert dans le cadre du travail.
Ce n'est pas un problème de technologie. C'est un problème de choix de terrain. Un outil généraliste posé sur un poste de travail, sans accroche avec les données et les processus de l'entreprise, produit une démonstration — pas un gain. Le passage de l'occasionnel au régulier se joue sur un seul critère : est-ce que l'IA a été branchée sur une tâche qui revient, ou est-ce qu'on l'a laissée en libre-service ?
Le filtre à appliquer avant de choisir un usage
Avant de regarder la liste des cinq usages, voici le crible. Un usage d'IA rapporte quand il coche les quatre critères à la fois :
- La tâche revient. Plusieurs fois par semaine, idéalement par jour. Une tâche annuelle, même pénible, ne remboursera jamais son automatisation.
- Elle est chronophage mais pauvre en décision. Recopier, classer, reformuler, chercher : beaucoup de minutes, peu d'arbitrage. C'est le terrain naturel de l'IA.
- Une erreur se voit et se rattrape. Un montant de facture mal lu est détecté au rapprochement bancaire. Un diagnostic de sécurité erroné, non. La première catégorie est automatisable dès aujourd'hui, la seconde non.
- Quelqu'un reste dans la boucle. L'IA prépare, un humain valide. Le jour où vous supprimez la validation pour gagner encore un peu de temps, vous transformez un outil de productivité en générateur d'incidents.
Trois critères sur quatre ne suffisent pas. C'est précisément ce qui distingue les projets qui tiennent au bout de six mois de ceux qui finissent en démo oubliée.
Usage 1 — La saisie des documents entrants
C'est le point de départ le plus rentable dans une PME, et de loin. Factures fournisseurs, bons de livraison, bons de commande, relevés : des documents qui arrivent en PDF ou en scan, et que quelqu'un retape dans le logiciel de gestion.
La lecture automatique de documents n'est pas nouvelle — l'OCR existe depuis vingt ans. Ce qui a changé, c'est la tolérance au désordre. Les anciens outils exigeaient un gabarit par fournisseur et cassaient au moindre changement de mise en page. Les modèles actuels lisent un document qu'ils n'ont jamais vu, extraient le numéro, la date, le montant HT, la TVA, les lignes, et rendent des données structurées prêtes à intégrer.
Le calcul est simple à faire chez vous. Comptez le nombre de factures fournisseurs traitées par mois, multipliez par le temps de saisie moyen — entre 3 et 5 minutes quand c'est fait proprement, contrôle inclus. Une PME de négoce qui traite 400 factures par mois y consacre entre 20 et 33 heures. Une automatisation qui en absorbe 80 % avec relecture des cas douteux libère l'équivalent de deux à quatre jours de travail mensuels, tous les mois.
Deux conditions pour que ça marche : un seuil de confiance qui envoie les documents incertains vers une file de validation humaine plutôt que de deviner, et une intégration directe dans le logiciel comptable ou l'ERP. Une extraction qui produit un tableur que quelqu'un doit ensuite recopier n'a rien automatisé du tout.
Usage 2 — Le brouillon de réponse aux demandes récurrentes
Attention au malentendu : il ne s'agit pas de mettre un chatbot sur votre site. Il s'agit d'outiller les gens qui répondent déjà.
Dans la plupart des PME, 60 à 80 % des demandes entrantes sont des variantes d'une quinzaine de questions : où en est ma commande, avez-vous ce produit en stock, quel est le délai, pouvez-vous renvoyer la facture, comment retourner un article. Ces réponses existent déjà, dispersées dans les historiques de mails de trois personnes.
Le montage utile : l'IA lit le mail entrant, va chercher l'information réelle dans vos systèmes — le statut de commande dans l'ERP, le stock dans le catalogue — et rédige un brouillon de réponse que le collaborateur relit, corrige et envoie. Il ne part rien sans validation.
Le gain se mesure en temps de traitement par demande, et il est régulier : on passe typiquement de 6-8 minutes à 2-3 minutes par mail. Sur un service qui traite 60 demandes par jour, c'est trois à quatre heures récupérées quotidiennement, sur du travail que personne n'aime faire.
Le piège classique est de vouloir sauter l'étape de validation dès le deuxième mois. Résistez-y au moins un an, le temps d'avoir des statistiques sur les corrections apportées. Ce sont ces corrections qui vous diront quelles catégories de demandes peuvent réellement passer en automatique.
Usage 3 — Retrouver l'information dans vos propres documents
Toute PME de plus de dix ans accumule le même gisement : cahiers des charges, contrats, comptes rendus, procédures qualité, notices techniques, échanges de mails. L'information existe. Personne ne sait où.
La recherche documentaire assistée par IA répond en langage courant sur ce corpus — « quelle garantie a-t-on donnée au client X sur les pièces d'usure ? », « quelle est la procédure de retour pour un produit hors garantie ? » — en citant les documents d'origine. C'est cette citation qui fait la différence entre un outil professionnel et un générateur de suppositions : on doit pouvoir remonter à la source et vérifier.
C'est l'usage dont on sous-estime le plus la valeur, parce que le temps perdu à chercher est invisible. Il n'apparaît sur aucune ligne comptable. Il se voit quand un commercial engage l'entreprise sur des conditions qui contredisent un contrat signé trois ans plus tôt, que personne n'a retrouvé à temps.
Question systématique du dirigeant, et elle est légitime : mes documents vont-ils partir chez un éditeur américain ? Non, si l'architecture est correcte. On peut faire fonctionner ce type de moteur avec un hébergement européen, ou entièrement sur un serveur que vous contrôlez pour les corpus sensibles. C'est un arbitrage de conception, à poser au cadrage — pas une fatalité.
Usage 4 — La production des documents commerciaux répétitifs
Devis structurés, propositions commerciales, réponses à consultation, fiches produits, comptes rendus de visite : des documents qui reprennent 70 % d'un fonds commun et 30 % de spécifique.
Ici, l'IA rédige la trame à partir des éléments du dossier — l'historique client dans le CRM, les références produits, les conditions applicables — et le commercial travaille sur la partie qui compte : l'argumentation et le prix. Une proposition qui demandait deux à trois heures se prépare en quarante minutes, et surtout, elle part le jour même plutôt que le vendredi suivant.
C'est un usage à double détente, et le second effet vaut souvent plus que le premier. Le gain de temps est réel, mais le vrai bénéfice est le délai de réponse. Dans beaucoup de secteurs, répondre en 24 heures plutôt qu'en cinq jours change le taux de transformation davantage que le prix affiché.
La condition d'échec est connue : si l'IA n'a pas accès aux données réelles du dossier, elle produit du texte générique que le client reconnaît immédiatement. Un document commercial générique est pire que pas de document. C'est l'accès aux données, pas le modèle, qui fait la qualité du résultat.
Usage 5 — Le nettoyage et l'enrichissement des données
Moins spectaculaire que les autres, mais c'est souvent celui qui débloque tout le reste.
Catalogue produit avec des désignations incohérentes d'un fournisseur à l'autre, base clients avec des doublons et des raisons sociales approximatives, fiches sans description ni catégorie : ces chantiers étaient jusqu'ici arbitrés entre « on embauche un stagiaire » et « on ne le fait pas ». Une IA normalise, catégorise, détecte les doublons et rédige les descriptions manquantes à une échelle qui n'était pas atteignable manuellement.
Un catalogue de 15 000 références nettoyé par une personne, c'est plusieurs mois. Assisté, c'est quelques jours de traitement plus une relecture ciblée sur les cas signalés comme incertains.
Et c'est un préalable au reste. Une IA branchée sur des données sales produit des résultats sales, avec l'assurance en plus. Si vos données sont en mauvais état, commencez par là — c'est aussi le chantier le moins risqué pour se faire une première idée de ce que l'outil sait faire.
Trois usages qui déçoivent presque toujours
Autant le dire franchement, ça évite six mois perdus.
- Le chatbot public en vitrine. Coûteux à cadrer, exposé aux réponses fausses, et il traite mal ce qui compte vraiment — les demandes qui sortent du cadre prévu. Le même budget sur l'assistance interne aux équipes rapporte plus, plus vite, et sans risque d'image. Depuis août 2026, il doit en plus s'annoncer comme IA au titre du règlement européen, ce qui ajoute une contrainte de conformité à un usage déjà fragile.
- La « stratégie IA » d'entreprise. Un séminaire, un consultant, une feuille de route à dix-huit mois, aucun processus modifié. Un usage mis en production dans le trimestre vous apprendra plus sur votre entreprise que n'importe quel schéma directeur.
- L'agent autonome qui décide seul. Passer commande, appliquer une remise, valider un paiement sans humain. La technologie sait le faire ; votre organisation n'est presque jamais prête à en assumer les erreurs. Gardez la validation humaine tant que vous n'avez pas un an de statistiques sur le taux de correction.
Comment chiffrer avant de vous lancer
Une grille tient en trois lignes, et se remplit avec les gens qui font le travail :
- Volume × durée unitaire × coût horaire chargé = le coût annuel actuel de la tâche.
- Part automatisable = ce que l'IA absorbe réellement, validation humaine déduite. Comptez 60 à 80 %, jamais 100 %.
- Coût du projet = mise en place, intégration à vos outils, plus un coût de fonctionnement mensuel (consommation des modèles, hébergement, maintenance) qu'il ne faut surtout pas oublier dans le calcul.
Sur ce type de chantier, la règle de décision que j'applique est simple : si le retour sur investissement n'est pas atteint en moins de douze mois, le sujet est mal choisi. Les bons usages en PME se remboursent en six à neuf mois. Un projet qui promet un retour à trois ans repose sur des hypothèses que personne ne pourra vérifier — et il sera abandonné avant.
Par où commencer concrètement
Le format qui fonctionne est un pilote court, cadré, sur un seul usage :
- Semaine 1 — observer. Passer une journée avec les personnes qui font la tâche, mesurer les volumes et les durées réelles. Ce qui est mesuré diffère presque toujours de ce qui était estimé.
- Semaines 2 à 4 — construire une version restreinte : un type de document, un fournisseur, une catégorie de demandes. Assez pour être utilisée réellement, assez petite pour être jetée sans regret.
- Semaines 5 et 6 — mesurer sur du volume réel. Taux de traitement automatique, taux de correction, temps effectivement gagné. Puis décider : on étend, on ajuste, ou on arrête.
Budget d'un pilote de ce format dans une PME : quelques milliers d'euros. C'est le prix d'une réponse fiable à la question « est-ce que ça marche chez nous », et c'est très inférieur au coût d'un déploiement lancé sur une conviction.
Une remarque sur le contexte régional, parce qu'elle revient dans presque toutes les conversations que j'ai dans l'Artois et le bassin minier. Le tissu local — négoce, sous-traitance industrielle, logistique, distribution spécialisée — est exactement celui où les usages 1, 4 et 5 rapportent le plus : beaucoup de documents entrants, beaucoup de références, des équipes administratives réduites. Et c'est aussi ce tissu qui est le plus loin de l'IA aujourd'hui, si l'on en croit les 15 % d'adoption chez les 10-49 salariés. L'écart entre le potentiel et la réalité y est plus large qu'ailleurs. Ce n'est pas une mauvaise nouvelle : ça veut dire que les gains les plus faciles sont encore disponibles.
Conclusion
La question « faut-il faire de l'IA » n'a pas de réponse utile. La bonne question est : quelle tâche, chez nous, coche les quatre critères ? Si vous n'en trouvez aucune, ne forcez pas — l'INSEE relève que 71 % des entreprises non utilisatrices invoquent l'absence d'utilité, et une partie d'entre elles a simplement raison. Si vous en trouvez trois, prenez celle où le temps perdu est le plus facile à mesurer, et commencez par elle.
Ce qui sépare les 17 % qui utilisent l'IA régulièrement des 38 % qui l'ont juste essayée n'est ni le budget ni l'outil retenu. C'est d'avoir branché l'IA sur un processus existant, avec les données réelles de l'entreprise, plutôt que de l'avoir posée à côté en espérant que quelqu'un s'en empare.
Vous voulez identifier l'usage qui rapporterait le plus chez vous, et savoir ce qu'il coûterait ? Voici comment je travaille, et vous pouvez me contacter pour en parler — le premier échange sert à trancher si le sujet vaut le coup, y compris quand la réponse est non.
Sources
- Les technologies de l'information et de la communication dans les entreprises en 2025 — Insee Première n° 2120, juillet 2026
- 82ᵉ baromètre semestriel de conjoncture des TPE-PME — Bpifrance Le Lab / Rexecode, janvier 2026
- Usage de l'IA générative dans les TPE-PME — Bpifrance Le Lab
- AI Act article 50 : les obligations de transparence applicables depuis le 2 août 2026
