Choisir une solution IA pour PME : méthode, pilote et preuves

Pour choisir une solution IA pour une PME, ne commencez ni par un classement d’outils ni par une démonstration commerciale. Commencez par une tâche réelle, sa performance actuelle et les erreurs que l’entreprise refuse de déléguer. Comparez ensuite deux ou trois solutions avec les mêmes données, les mêmes scénarios et la même règle de décision.

La méthode tient en huit preuves : besoin → ligne de base → données → intégration → évaluation → exploitation → coût → sortie. Une solution ne mérite un déploiement que si elle améliore la tâche complète, reste contrôlable dans les cas imparfaits et peut être remplacée sans perdre les données ni le fonctionnement métier. Le catalogue d’un organisme public, la popularité d’un modèle ou la qualité d’une démo peuvent aider à constituer une liste. Ils ne remplacent pas ce dossier de preuve.

Pourquoi un catalogue ne choisit pas à la place de l’entreprise

Le 30 juillet 2026, la Direction générale des Entreprises (DGE) et Hub France IA ont publié un catalogue de 88 entreprises proposant des solutions adaptées aux PME et ETI. Le document couvre des copilotes métier, des plateformes de recherche dans les connaissances, l’automatisation de la relation client, l’analyse documentaire ou encore le contrôle qualité industriel.

Ce signal est utile : il montre qu’une PME peut chercher au-delà des assistants généralistes et identifier des acteurs capables de déployer et maintenir une solution. Mais le catalogue officiel présente surtout les acteurs et leur proposition. Il ne connaît ni vos données, ni vos exceptions, ni votre architecture, ni la valeur économique d’une réponse correcte.

France Num met aussi à disposition une cartographie de fournisseurs IA français, filtrable par technologie, secteur, fonction métier et localisation. Elle facilite la découverte. La sélection commence après : lorsque plusieurs candidats doivent résoudre le même problème sous les mêmes contraintes.

Cette distinction évite deux erreurs. La première consiste à transformer un annuaire en palmarès. La seconde consiste à choisir la solution qui produit la démonstration la plus spectaculaire alors que la tâche quotidienne dépend surtout de données incomplètes, de droits d’accès, de délais et de reprises manuelles.

Si l’entreprise doit encore choisir le processus, construire sa ligne de base et vérifier ses données, commencez par préparer le Diag Data IA Bpifrance. Ce diagnostic intervient avant la sélection : il doit rendre le cas d’usage et la prochaine décision assez précis pour comparer ensuite des solutions.

La matrice Zence des huit preuves

Une fonctionnalité IA doit payer son loyer. Pour le vérifier, remplissez une ligne par cas d’usage, pas une ligne par outil. Le même candidat peut être pertinent pour une tâche peu sensible et inacceptable pour une décision qui affecte un client ou un salarié.

Preuve	Question à trancher	Artefact attendu	Signal d’arrêt
Besoin	quelle tâche complète doit devenir plus simple, plus fiable ou plus mesurable ?	scénario actuel, responsable et résultat attendu	la solution cherche encore son problème
Ligne de base	comment la tâche fonctionne-t-elle aujourd’hui ?	temps, volume, erreurs, reprises et coût observés	aucun avant/après ne pourra être calculé
Données	quelles entrées sont nécessaires et peuvent-elles être utilisées ?	inventaire, sensibilité, qualité, durée et droits	données interdites, insuffisantes ou non maîtrisées
Intégration	où l’IA lit-elle et où écrit-elle ?	schéma des échanges, permissions et modes dégradés	doubles saisies ou droits trop larges
Évaluation	comment reconnaître une sortie acceptable ?	jeu de test, seuils, erreurs critiques et revue humaine	la qualité repose sur quelques exemples choisis
Exploitation	qui surveille, corrige et met à jour ?	rôles, alertes, support et procédure d’incident	personne ne possède la qualité après le lancement
Coût	combien coûte le service complet sur la durée ?	licences, usage, intégration, contrôle, formation et maintenance	le prix de l’abonnement masque le coût réel
Sortie	comment arrêter ou changer de fournisseur ?	export, documentation, suppression, repli et test de reprise	les données ou le processus restent captifs

Cette matrice complète notre guide pour cadrer un agent IA en entreprise. Ce dernier traite surtout la mission, les permissions, la validation et le retrait d’un système capable d’agir. Ici, la décision intervient plus tôt : faut-il acheter cette solution, la connecter, la tester ou l’écarter ?

Si le cas d’usage interroge des données et des indicateurs, stabilisez d’abord le sens de la mesure. Le guide pour préparer les données d’un agent IA relie chaque question à une source, une définition, un droit et un résultat de référence avant la comparaison des outils.

Éliminer les mauvais candidats avant la démonstration

Une comparaison efficace commence par quelques critères éliminatoires. Ils évitent de consacrer trois réunions à un produit qui ne pourrait de toute façon pas entrer dans le système d’information.

Le besoin reste trop large

« Gagner du temps avec l’IA » ne permet pas de choisir. « Classer les demandes entrantes, proposer un résumé et laisser le responsable affecter le dossier » décrit une action, un début, une fin et une validation. Si l’équipe ne sait pas nommer la tâche, elle doit encore simplifier le processus avant de l’automatiser.

Le traitement des données reste indémontrable

La fiche CNIL pour choisir une solution d’IA générative invite notamment à examiner le besoin, la gestion des données, la fiabilité du fournisseur, les personnes concernées et le budget complet. Demandez des réponses contractuelles sur les données saisies : finalité, réutilisation éventuelle, sous-traitants, localisation, conservation, suppression et export.

Une réponse marketing comme « vos données sont sécurisées » ne suffit pas. Elle doit devenir une configuration vérifiable et une responsabilité attribuée.

La solution exige des permissions disproportionnées

Un outil chargé de résumer des documents n’a pas automatiquement besoin d’écrire dans le CRM, d’envoyer des messages ou de consulter l’ensemble des espaces partagés. Commencez par le droit minimal, puis ouvrez une permission lorsque le scénario et son contrôle le justifient.

La qualité ne peut pas être testée

Une démo préparée montre ce que le fournisseur sait faire dans de bonnes conditions. Un pilote doit montrer ce qui se passe avec les dossiers ambigus, incomplets, longs, contradictoires ou hors périmètre. Si le candidat refuse un jeu de test représentatif, aucune promesse ne compense cette inconnue.

La sortie n’existe que dans le contrat commercial

« Export disponible » ne dit pas ce qui sort, dans quel format, avec quelles relations ni dans quel délai. Demandez un échantillon d’export et faites reconstruire une petite partie du processus hors de l’outil. Notre guide sur la réversibilité cloud et SaaS détaille ce test de sortie.

Construire une shortlist comparable

Une liste de deux ou trois candidats suffit généralement pour apprendre. Au-delà, l’équipe compare des interfaces et des promesses au lieu de vérifier la tâche. Remettez à chaque fournisseur le même brief :

1. Décrire la tâche, ses utilisateurs, son volume et ses exceptions.
2. Fournir un échantillon de données anonymisées ou synthétiques représentatives.
3. Fixer les actions autorisées, interdites et soumises à validation.
4. Nommer les erreurs critiques, les seuils acceptables et le responsable de la revue.
5. Cartographier les outils à connecter, les données écrites et le mode de repli.
6. Chiffrer séparément licences, consommation, intégration, formation, support et sortie.
7. Demander un export testable, les engagements de suppression et les dépendances techniques.

Cette trame permet de comparer un SaaS spécialisé, un outil no-code et un développement propre sans leur demander de se ressembler. Le choix entre logiciel standard, no-code et sur mesure dépend ensuite de l’avantage métier, du coût du changement et du niveau de maîtrise nécessaire.

Tester sur une tâche complète, pas sur une série de prompts

Un pilote utile doit pouvoir échouer. Sa fonction n’est pas de prouver que l’IA fonctionne ; elle est de révéler les conditions dans lesquelles la solution mérite ou non d’être exploitée.

Prenons un exemple explicitement fictif. Une PME reçoit des demandes de maintenance par e-mail. Elle veut proposer une catégorie, un niveau de priorité et un résumé avant affectation humaine. La solution ne doit ni répondre au client ni modifier le planning.

Le jeu de test contient des demandes simples, des pièces jointes manquantes, des urgences supposées, des doublons, des données personnelles et des messages hors contrat. Pour chaque cas, l’équipe conserve la décision humaine de référence. Elle mesure ensuite :

• la part de dossiers correctement classés ;
• les erreurs critiques, par exemple une urgence sous-évaluée ;
• le temps total avec relecture, pas le temps de génération seul ;
• la fréquence des corrections et leur cause ;
• le taux de refus utile lorsque la solution ne sait pas ;
• la capacité à reprendre manuellement sans perdre le dossier.

Une moyenne globale peut masquer l’essentiel. Une solution correcte dans 95 % des cas peut rester inutilisable si les 5 % restants concentrent les situations dangereuses. Les seuils doivent donc distinguer erreurs acceptables, erreurs coûteuses et erreurs interdites.

Le canvas de preuve produit aide à fixer l’hypothèse, le parcours minimal, le signal de réussite et la condition d’arrêt avant le pilote.

Construire un jeu d’évaluation qui résiste à la démonstration

Le jeu d’évaluation est le même pour chaque candidat et reste figé pendant la comparaison. S’il change après chaque résultat décevant, l’équipe ne compare plus des solutions : elle adapte progressivement l’examen au meilleur démonstrateur. Constituez-le avant l’essai avec des dossiers récents, nettoyés et autorisés, puis séparez les exemples de réglage des exemples réservés à la décision finale.

Un bon jeu ne cherche pas à reproduire statistiquement toute l’activité dès le premier jour. Il couvre d’abord les décisions qui changent l’acceptabilité : cas courant, cas incomplet, exception connue, entrée hors sujet, donnée sensible, instruction contradictoire et situation qui doit déclencher un refus. Pour chaque dossier, écrivez le résultat attendu, la marge de variation acceptable et l’erreur qui impose un arrêt. Cette référence doit être relue par la personne qui possède réellement le processus, pas uniquement par l’équipe technique ou le fournisseur.

Évaluez ensuite la sortie sans connaître le nom du candidat lorsque c’est possible. Une relecture en aveugle limite l’effet de préférence pour l’interface, la marque ou la qualité de la présentation commerciale. Elle distingue aussi plusieurs dimensions souvent confondues : une réponse peut être bien écrite mais factuellement fausse, exacte mais inutilisable, ou correcte sans expliquer sur quelle information elle s’appuie.

Documentez au moins cinq lectures : exactitude, complétude, respect des règles, effort de correction et capacité à reconnaître l’incertitude. Pour une tâche à conséquence élevée, ajoutez une catégorie séparée pour les erreurs interdites. Une note moyenne ne doit jamais compenser une violation de droit d’accès, une divulgation de donnée, une décision discriminatoire ou l’exécution d’une action que le pilote devait seulement proposer.

Enfin, rejouez une partie du jeu après une modification du fournisseur, du modèle, du connecteur ou des instructions. La qualité d’une solution IA n’est pas une certification acquise une fois. Le jeu d’évaluation devient un actif d’exploitation : assez court pour être rejoué, assez représentatif pour détecter une régression et assez documenté pour être repris par une autre personne.

Séparer le pilote de la future production

Un pilote peut fonctionner avec un export manuel, un petit nombre d’utilisateurs et une surveillance quotidienne. La production doit absorber le volume, les absences, les changements de données, les mises à jour du service et les incidents. Avant le go, listez ce que l’équipe a volontairement simplifié pendant l’essai. Chaque simplification devient soit un travail à terminer, soit une limite permanente annoncée aux utilisateurs.

Vérifiez notamment la gestion des identités, la séparation des rôles, la traçabilité des actions, la reprise après erreur, le support et la capacité à revenir au processus précédent. Une validation humaine ne protège rien si la personne n’a ni le temps, ni les informations, ni le pouvoir de refuser. Mesurez donc son effort dans les conditions de volume prévues, y compris lors des périodes chargées.

La décision de production doit aussi nommer un propriétaire métier et un propriétaire technique. Le premier répond de la qualité du résultat et des règles du processus. Le second répond de l’intégration, des accès, des alertes et de la continuité. Le fournisseur peut assister les deux ; il ne doit pas devenir le seul acteur capable de comprendre pourquoi le système agit, comment l’arrêter ou comment en extraire les données.

Fixez enfin une première date de revue avant le lancement. Elle doit permettre de comparer l’usage réel à la ligne de base, de regarder les corrections, les refus et les incidents, puis de décider si le périmètre s’élargit, reste limité ou disparaît. Sans cette date, un pilote techniquement disponible devient facilement une dépendance permanente avant d’avoir prouvé sa valeur.

Adapter la sécurité et les données au cas d’usage

La CNIL recommande de partir d’un besoin concret, d’encadrer les usages autorisés et interdits et de tenir compte des limites du système. Ses questions-réponses sur le déploiement d’une IA générative distinguent notamment les usages non confidentiels et ceux qui mobilisent des données personnelles ou des documents sensibles.

Cela ne signifie pas que toute PME doit héberger son modèle elle-même. Le niveau d’exigence doit suivre la donnée, l’effet produit et l’exposition. Un assistant utilisé pour reformuler un texte public n’appelle pas la même architecture qu’un système connecté aux dossiers de clients ou à des décisions RH.

Les recommandations de sécurité de l’ANSSI pour les systèmes d’IA générative apportent un cadre complémentaire sur l’architecture, les accès et le déploiement. Pour la sélection, traduisez ce cadre en questions concrètes : séparation des environnements, authentification, journalisation, secrets, mises à jour, incidents et dépendances.

La conformité ne se résume pas à cocher une case. Elle devient un ensemble de choix visibles dans le produit, le contrat et l’exploitation.

Calculer le coût du service complet

Le prix affiché par utilisateur est rarement le coût de la décision. Comparez au minimum :

• les licences fixes et la consommation variable ;
• la préparation et le nettoyage des données ;
• les connecteurs, l’authentification et les permissions ;
• la création puis la maintenance du jeu d’évaluation ;
• le temps de relecture humaine ;
• la formation et la littératie IA des personnes concernées ;
• le support, la surveillance et le traitement des incidents ;
• l’export, la migration et la remise en état du processus à la sortie.

Le bon calcul compare ce total à la ligne de base : temps réellement économisé, erreurs évitées, capacité supplémentaire ou décision mieux protégée. Une économie théorique disparaît vite si l’équipe doit corriger chaque sortie, ressaisir les données ou maintenir un connecteur fragile.

Décider : déployer, corriger, limiter ou arrêter

La fin du pilote doit produire une décision écrite. Quatre issues sont légitimes.

Décision	Quand la prendre	Action suivante
Déployer progressivement	la qualité, le coût, les données et l’exploitation satisfont les seuils	ouvrir à un groupe limité, surveiller puis élargir
Corriger le pilote	l’hypothèse reste utile mais un écart localisable bloque	modifier une donnée, un droit, une intégration ou un contrôle
Limiter l’usage	la solution aide sur une partie sûre de la tâche	conserver l’assistance et interdire l’action risquée
Arrêter	la valeur n’est pas démontrée ou la dépendance reste excessive	documenter l’apprentissage, supprimer les données et revenir au repli

Arrêter un pilote n’est pas un échec si l’entreprise évite un déploiement coûteux et conserve ce qu’elle a appris. Le Lean économise l’incertitude, pas la qualité.

Les questions à poser avant de signer

Avant tout engagement, demandez des réponses démontrables à ces questions :

• Quel cas d’usage précis la solution refuse-t-elle ?
• Quelles données sont conservées, réutilisées ou transmises à des sous-traitants ?
• Comment les permissions sont-elles limitées et révoquées ?
• Comment mesure-t-on les erreurs sur notre propre jeu de test ?
• Que se passe-t-il lorsque le modèle, le prix ou une API change ?
• Qui traite un incident et dans quel délai ?
• Que peut-on exporter avec les relations, journaux et configurations utiles ?
• Comment supprimer les données et prouver cette suppression ?
• Quel mode dégradé maintient la tâche si le service devient indisponible ?

Une solution IA pour PME se choisit donc comme un composant de produit, pas comme une nouveauté à adopter. Définissez la tâche, rendez la qualité mesurable, testez les conditions imparfaites et prouvez la sortie avant d’industrialiser.

Zence accompagne les projets de logiciel métier sur mesure en gardant le choix de la solution proche du besoin, des données et de l’exploitation. Un premier cadrage peut se limiter à une tâche, trois candidats, un jeu de test et une décision go/no-go.

Sources

• DGE — Catalogue de solutions d’IA adaptées aux PME et ETI, publié le 30 juillet 2026.
• France Num — Cartographie des startups et fournisseurs IA, publié le 18 mars 2026.
• CNIL — Choisir parmi les solutions d’IA générative, fiche pratique pour TPE et PME.
• CNIL — Questions-réponses sur l’utilisation d’un système d’IA générative, recommandations de déploiement.
• ANSSI — Recommandations de sécurité pour un système d’IA générative, publié le 29 avril 2024.