Il y a une conversation que nous avons souvent avec des clients potentiels. Ils nous appellent avec une idée précise : « nous voulons appliquer l'IA à ce processus ». Nous écoutons, posons des questions, regardons les données. Et, dans plus de cas que nous le voudrions, nous finissons par dire la même chose : ici, ce n'est pas le bon endroit.
Ce n'est pas le bon endroit parce que l'IA ne résoudra pas le problème. Ou parce qu'elle le résoudra moins bien que ce qui existe déjà. Ou parce que le coût de construction et de maintenance sera plus élevé que le bénéfice. Nous le disons avec des arguments techniques et de business, pas comme posture commerciale.
Cet article parle de cela : des cas où il ne faut pas mettre d'IA, de pourquoi il est si difficile de le dire ouvertement, et comment identifier si votre cas entre dans l'un de ces scénarios avant d'investir du temps et du budget dans quelque chose qui ne fera pas de différence réelle.
Pourquoi il est si difficile de dire « non » à un projet d'IA
Nous vivons une époque étrange. La pression pour « faire quelque chose avec l'IA » arrive de partout : conseils d'administration qui lisent des articles dans Forbes, concurrents qui annoncent des initiatives sur LinkedIn, agences qui promettent des transformations complètes avec trois prompts. La question cesse d'être « est-ce que cela résout un problème ? » et devient « pourquoi ne le faisons-nous pas encore ? ».
Dans ce contexte, un cabinet de conseil qui dit « ce n'était pas nécessaire » sonne mal. Cela sonne comme un manque d'ambition, comme une ignorance. Et pourtant, c'est exactement le contraire : dire non exige de comprendre le problème mieux que celui qui vend le oui par défaut.
Notre position est claire. L'IA est un outil très puissant pour certains types de problèmes, et un très mauvais investissement pour d'autres. Distinguer les deux est la première étape sérieuse d'un projet ; sauter cette étape, c'est commencer une rénovation sans regarder les fondations.
Les cinq cas où nous ne recommandons pas d'appliquer l'IA
À partir de notre expérience avec des projets propres et des révisions d'approches d'autrui, voici les cinq scénarios où, encore et encore, nous avons vu que l'IA n'apporte pas de valeur :
1. Quand le processus fonctionne déjà bien avec des règles déterministes. Si vous avez un système de règles claires qui couvre 95 % des cas et qui n'échoue que dans des situations extrêmes, ajouter de l'IA empire presque toujours l'ensemble. L'IA introduit de l'imprévisibilité : elle peut prendre des décisions différentes dans des contextes similaires, requiert un suivi et une évaluation constants, et oblige à maintenir un nouveau type d'infrastructure. Si un tableur bien conçu ou un script Python avec cinq conditions résout le problème, laissez-le ainsi.
2. Quand le volume ne justifie pas le coût opérationnel. Chaque appel à un modèle d'IA a un coût : en temps, en argent, en latence. Si le processus s'exécute cinquante fois par an, l'automatiser avec de l'IA c'est construire une grue pour déplacer une boîte. Le temps économisé en exécution ne compensera pas le temps et l'argent investis dans la mise en place et la maintenance du système. Il existe un seuil minimum de fréquence ou de complexité en dessous duquel cela ne sera jamais rentable.
3. Quand vous n'avez pas de données propres qui apportent un contexte réel. L'une des promesses les plus attrayantes de l'IA est qu'elle comprend votre business. Mais elle ne le comprend que si nous lui donnons les bonnes pièces. Si votre entreprise n'a pas de données structurées, d'historiques consolidés ou de documentation traitée des connaissances internes, ce que vous aurez sera un système qui donne des réponses génériques avec votre marque devant. Ce n'est pas de la différenciation, c'est du papier peint.
4. Quand la décision a des conséquences réglementaires ou juridiques importantes. Décider qui obtient un crédit, qui passe un contrôle de compliance, qui figure sur une liste de risques. Dans des secteurs régulés comme la finance ou l'audit, il y a des décisions qui requièrent une explicabilité complète, une traçabilité et une acceptation explicite de responsabilité. Les modèles actuels d'IA n'offrent pas ces garanties de manière native. Vous pouvez utiliser l'IA comme support (préparer des données, détecter des patrons, générer des brouillons), mais la décision finale doit rester entre des mains humaines avec des critères explicites. Si le processus que vous voulez automatiser est la décision, et non le support, l'IA n'est pas la réponse.
5. Quand l'objectif réel est « faire quelque chose avec l'IA » et non résoudre un problème concret. C'est le cas le plus fréquent et le plus difficile à détecter de l'intérieur de l'entreprise. Il apparaît quand le projet démarre par pression externe (conseil d'administration, presse, concurrence) et non par un besoin identifié par les équipes opérationnelles. Le résultat est généralement un pilote qui ne quitte jamais la phase de test, un coût que personne ne veut expliquer et une équipe qui perd confiance en la technologie. Si vous ne pouvez pas décrire le problème en une phrase avant d'introduire le mot « IA », vous n'êtes pas encore prêt pour un projet d'IA.
Comment savoir si votre cas correspond à l'un d'eux
Au moment d'évaluer un projet, nous posons trois questions préalables. Appliquez-les vous-même avant de chercher un budget :
Question 1 : si demain l'IA cessait d'exister, voudriez-vous encore résoudre ce problème ? Si la réponse est non, le projet ne naît pas d'un besoin réel. Il naît d'une mode. Attendre.
Question 2 : pouvez-vous décrire le résultat attendu avec une métrique concrète ? « Réduire le temps de révision des factures de 4 heures à 30 minutes » est une métrique. « Moderniser le département » ne l'est pas. Sans métrique il n'y a pas de projet : il y a un souhait.
Question 3 : avez-vous quelqu'un en interne qui puisse valider si le système fonctionne ou non ? Un système d'IA en production nécessite un suivi, des ajustements et des décisions techniques périodiques. Si à l'intérieur de l'entreprise il n'y a personne capable d'évaluer si le système fait ce qu'il doit faire, le projet dépend à 100 % du fournisseur. C'est du risque, pas de l'autonomie.
Notre position
Chez MindRise, nous avons dit non à plusieurs projets cette dernière année. Pas parce qu'il n'était pas techniquement possible de les monter, mais parce que le client n'allait pas en sortir gagnant. C'est, probablement, la décision la plus rentable que nous ayons prise : prioriser les projets où l'IA fait une différence réelle, où nos heures apportent une valeur mesurable, et où le client repart convaincu que l'investissement en valait la peine.
La question la plus précieuse que vous pouvez vous poser avant de démarrer un projet d'IA n'est pas « comment appliquer l'IA ici ? ». C'est « ai-je réellement un problème que l'IA résout mieux que toute autre solution disponible ? ». Si la réponse est oui, parlons-en. Sinon, nous sommes contents d'en avoir parlé quand même.
Si vous doutez de savoir si votre cas entre dans l'un des scénarios de cet article, écrivez-nous. Nous vous donnerons une évaluation honnête lors d'un premier appel, sans engagement. Parfois, le meilleur conseil est de confirmer que vous n'avez pas besoin d'un cabinet de conseil.