Quand une entreprise lance un projet d'intelligence artificielle, la discussion commence par l'outil. Logique — c'est la partie la plus visible. Mais dans la réalité, l'IA représente à peine 5% du travail. Le reste ? Les processus, les données, l'organisation.
Les entreprises qui réussissent leurs projets IA commencent rarement par "quel outil on utilise?". Elles commencent par "comment le travail se fait vraiment maintenant? Quelles données on a? Comment on organise le changement?".
Les projets qui commencent par l'outil échouent. Les projets qui commencent par les processus réussissent.
En résumé : Dans un projet IA, 95% du travail se situe avant même de toucher à l'outil. Ça commence par comprendre vos processus métier, structurer vos données, organiser le changement dans l'équipe. L'IA vient en dernier. Elle est juste le catalyseur d'un processus bien pensé.
C'est psychologique. L'IA est impressionnante. ChatGPT, Claude, Gemini — tous font du buzz. Donc quand tu dis "on va faire un projet IA", tout le monde pense à "quel outil on utilise?".
Puis le projet démarre : tu achètes une licence SaaS, tu fais un POC qui marche sur 3 cas de test, et… rien ne passe en production. Ou ça passe mais personne l'utilise. Ou ça crée du chaos opérationnel parce que personne ne savait comment ça s'intégrait au processus.
Pourquoi ? Parce que tu as oublié les 95% du travail qui vient avant.
Cas réel :
Un cabinet a acheté une solution IA de "génération de rapports clients" (classique). Ils ont mis 6 mois sur l'outil. En mise en prod? Les consultants refusaient d'utiliser parce que le processus n'avait pas changé, c'était juste un truc de plus à faire. L'IA n'a jamais décollé. Coût: 80K€ + 6 mois perdus. La vraie question aurait dû être: "Comment on produit les rapports aujourd'hui? Pourquoi c'est lent? Qu'est-ce qu'on changerait dans le processus si on avait du temps?"
40% : Humain & Organisation — Avant de coder quoi que ce soit, tu dois comprendre comment le travail se fait réellement. Quels sont les processus? Les règles métier? Les freins cachés? Comment tu organises le changement pour que les équipes ne résistent pas? C'est là que vient la vraie valeur.
55% : Technique & Opérationnel — Les données (tu en as? de quelle qualité?), l'infrastructure (comment tu la branche?), la sécurité (comment tu sécurises?), le monitoring (tu sais quand ça casse?). Sans ça, l'IA est juste un démonstrateur.
5% : L'IA — Le modèle, l'outil, le prompt. C'est impressionnant, mais ça vient en dernier. Et honnêtement? 80% du temps, le choix du modèle est une décision mineure comparée au reste.
Comment le travail se fait réellement? (pas comment il devrait se faire). Où sont les freins? Les tâches répétitives? Les données dispersées?
👉 Avant d'utiliser l'IA, clarifie le processus. Ça paraît stupide, mais c'est là qu'on gagne 80% du temps.
T'as les données? Elles sont où? De quelle qualité? Comment tu les accèdes? Comment tu les structures? Comment tu les sécurises?
👉 La plupart des projets échouent ici. Pas assez de données, ou elles sont sales, ou personne ne sait où elles sont.
Maintenant que tu sais comment ça marche, que tu as les données, et que l'infra est prête: quelle IA pour quelle tâche? ChatGPT? Claude? Un modèle custom?
👉 À ce stade, le choix est facile. Parce que tu as clarifié le problème réel.
C'est notre DNA : "mettre les efforts au bon endroit". Quand on audite un projet IA en PME, on ne pose jamais la question "quel outil?" en premier.
On pose : "Comment tu fais ce travail aujourd'hui? Ça prend combien de temps? Pourquoi? Qu'est-ce qui change si on avait un assistant IA efficace?"
Puis : "Quelles données tu as pour nourrir l'IA? Elles sont où? Comment tu les accèdes?"
En dernier : "OK, voici l'IA qu'on utilise." C'est souvent un détail à ce stade.
Cas réel (cette fois, ça marche) :
Un BE a mis 2 mois sur ses processus de génération devis. Deux mois. Juste à clarifier: comment ça se fait? Qui intervient? Quelles sont les règles? Où sont les variantes? Une fois ça clair, on a mis une IA. 3 semaines de boulot. Résultat: devis générés en 1h au lieu de 8h. Et les commerciaux adoptent parce qu'on a d'abord changé le processus, pas imposé un outil.
Avez-vous clarifié votre processus avant de choisir l'IA?
Si non, vous commencez mal. Prenez 2-3 semaines pour mapper vraiment comment le travail se fait.
Avez-vous structuré vos données?
Elles sont dispersées? En Excel? Non-structurées? C'est 50% du projet. Pas d'IA sans données propres.
Avez-vous anticipé comment vos équipes vont adapter leurs rôles?
Si c'est vague, le projet va échouer en prod même si l'IA marche techniquement.
L'IA c'est 5% du projet. Le reste c'est la clarté processus, la qualité données, l'organisation du changement.
Les projets IA qui commencent par l'outil échouent. Ceux qui commencent par les processus réussissent.
40% du boulot = comprendre comment ça marche réellement. 55% = préparer les données et l'infra. 5% = l'IA.
La plupart des échecs, c'est pas l'IA qui marche pas. C'est l'IA qu'on a pas intégrée dans un bon processus.
Un processus clarifié + données propres + équipe alignée = l'IA qui marche dès le jour 1.
"Quel outil on utilise?" ou "Comment on optimise ce processus?"
Leando audite vos processus d'abord, vos données ensuite, puis recommande l'IA (si c'est pertinent). Pas l'inverse.