On voit beaucoup de preuves de concept séduisantes. En quelques minutes, un agent IA trie des messages, résume un dossier ou prépare une réponse. Mais en PME, la vraie question arrive juste après : est-ce que cela tient dans le temps, avec de vraies données, de vraies contraintes, et de vraies responsabilités ? Mon point de départ est simple : un agent IA n'est utile que s'il règle un problème concret, sans faire perdre la main aux équipes. Passer de l'essai à la production demande donc une méthode sobre, rigoureuse et compréhensible par tous.
1. Partir d'un cas d'usage précis, pas d'un outil
La première erreur consiste à lancer un agent parce que la technologie semble prometteuse. En pratique, je recommande de partir d'une tâche répétitive, documentée, et suffisamment stable. Il faut pouvoir répondre à trois questions : quel problème on traite, qui utilise l'agent, et comment on vérifie qu'il aide vraiment. Sans cela, on fabrique une démonstration, pas un service utile.
Exemple concret : dans une activité liée à la relation usager, un agent peut aider à classer les demandes entrantes par thème : eau, déchets, mobilité, énergie. Ce tri peut faire gagner du temps aux équipes, à condition que les catégories soient définies avec elles, que les cas ambigus remontent vers un humain, et que la réponse finale ne parte jamais sans validation quand elle engage une décision sur une personne. L'humain garde la main, toujours.
2. Encadrer l'agent par des règles simples et explicites
Une preuve de concept fonctionne souvent parce qu'elle évolue dans un cadre artificiel. En production, l'agent doit être borné. Qu'a-t-il le droit de faire ? Sur quelles sources peut-il s'appuyer ? Que doit-il refuser ? Qui contrôle ses sorties ? Ces règles doivent être écrites noir sur blanc. C'est un sujet d'utilité, mais aussi de responsabilité.
Je conseille de formaliser au minimum :
- le rôle exact de l'agent ;
- les données qu'il peut utiliser ;
- les actions interdites ;
- les cas qui doivent être transmis à un humain ;
- la personne responsable côté métier.
Exemple concret : pour un agent qui aide à traiter des signalements sur la propreté ou les dépôts sauvages, on peut l'autoriser à reformuler, catégoriser et préparer une fiche de traitement. En revanche, il ne décide ni d'une suite administrative, ni d'une qualification sensible, ni d'une réponse personnalisée lorsqu'un habitant conteste une situation. Là encore, l'équipe métier arbitre.
3. Préparer les données, la sécurité et la souveraineté dès le début
Beaucoup de projets se bloquent non pas à cause du modèle, mais à cause des données et de la sécurité. Si les documents sont mal rangés, contradictoires ou obsolètes, l'agent produira des réponses fragiles. Si les flux ne sont pas sécurisés, on crée un risque inutile. Pour moi, un projet sérieux doit intégrer très tôt la maîtrise des données, la traçabilité et la cybersécurité.
Concrètement, cela veut dire : choisir les bonnes sources, nettoyer ce qui doit l'être, limiter les accès, journaliser les usages, et vérifier où vont les données. Selon les cas, des solutions open source ou un hébergement maîtrisé peuvent être plus cohérents qu'un service opaque. Ce n'est pas une posture idéologique. C'est du bon sens.
Exemple concret : dans un contexte énergie, un agent peut aider à synthétiser des relevés, des comptes rendus d'intervention ou des demandes internes pour préparer un suivi. Mais si ces documents contiennent des informations sensibles sur des sites, des équipements ou des personnes, il faut cadrer les accès, anonymiser quand c'est nécessaire, et éviter toute circulation non maîtrisée. La sécurité ne vient pas après. Elle fait partie du projet.
4. Passer en production avec une supervision continue
Le passage en production n'est pas une ligne d'arrivée. C'est le début d'un pilotage. Un agent IA doit être observé, corrigé et réévalué régulièrement. Les équipes métier doivent pouvoir signaler les erreurs, comprendre pourquoi une sortie pose problème, et ajuster les consignes. C'est aussi un sujet d'acculturation : plus les utilisateurs comprennent l'outil, mieux ils l'emploient.
Je propose souvent une mise en service progressive :
- phase de test sur un périmètre limité ;
- revue des erreurs avec les utilisateurs ;
- ajustement des sources et des règles ;
- déploiement encadré ;
- revues régulières d'usage et de qualité.
Exemple concret : pour un agent qui aide à orienter des demandes liées à des publics fragiles, la vigilance doit être renforcée. Si un message évoque une difficulté financière, une situation de vulnérabilité ou une urgence humaine, l'agent ne doit jamais se substituer à l'écoute et au jugement d'un professionnel. Mon expérience de terrain me rend ce point non négociable : l'IA peut aider à repérer, organiser, préparer. Elle ne doit pas décider seule quand des personnes sont en jeu.
Ma conviction est simple : un agent IA en PME devient vraiment utile quand il s'inscrit dans un cadre clair, responsable et maîtrisé. Utile, parce qu'il répond à un besoin réel. Responsable, parce que l'humain garde la main et que les règles sont explicites. Souverain et sécurisé, parce que les données, les accès et les risques sont traités dès le départ. C'est cette approche concrète que je défends dans mes missions et dans mes actions d'acculturation : moins d'effet vitrine, plus de services fiables.