Intelligence artificielle en PME : ce qui marche, ce qui déçoit, et par où commencer

Un projet d’intelligence artificielle peut échouer dans une PME pour une raison qui n’a rien à voir avec l’IA : la donnée n’était pas prête.

Une prévision des ventes a besoin d’un historique de ventes fiable. Un assistant qui répond aux clients a besoin de réponses écrites quelque part. Une détection d’anomalies de caisse a besoin d’une caisse qui enregistre. Quand ces fondations manquent, l’IA ne comble pas le vide : elle le révèle, en produisant avec aplomb des résultats faux.

Ce guide sépare ce qui fonctionne aujourd’hui pour une entreprise camerounaise, ce qui déçoit souvent, ce que cela coûte, et les règles à respecter sur vos données.

L’ordre qui compte : données, processus, puis IA

Avant d’évaluer un outil, posez trois questions, dans cet ordre.

La donnée existe-t-elle ? Pas « pourrions-nous la produire », mais : est-elle enregistrée aujourd’hui, sous une forme exploitable, avec assez d’historique ? Un an de ventes bien saisies vaut mieux que cinq ans de cahiers.

Le processus est-il stable ? Automatiser un processus qui change chaque semaine revient à automatiser le désordre. Stabilisez d’abord.

La décision est-elle réellement prise ? Si personne ne lit le rapport actuel, un rapport plus intelligent ne changera rien. L’IA amplifie une décision ; elle n’en crée pas.

Si vous répondez non à l’une de ces questions, vous gagnerez davantage à structurer vos opérations — c’est le rôle d’un logiciel de gestion ou d’un CRM — qu’à acheter un outil d’IA.

Cinq usages qui fonctionnent aujourd’hui

1. Lire les factures et les bons de livraison

Factures fournisseurs, bons de livraison, relevés : la lecture automatique de documents fait gagner des heures de saisie, et chaque ligne extraite se vérifie contre le document d’origine. C’est souvent le meilleur premier projet, justement parce que le résultat est contrôlable.

2. Préparer les réponses WhatsApp

Prenons deux messages reçus un soir par un commerce de Douala :

• « Bonsoir, le carton d’huile de 5 litres là, c’est à combien ? Vous livrez à Makepe ce soir ? »
• « Good evening, una get the 25 kg bag of rice? How much? Una fit deliver for Molyko today? »

Un assistant branché sur votre catalogue et vos règles de livraison propose une réponse : prix du catalogue, zone de livraison couverte ou non, frais prévus, question de clôture (« Je vous en réserve un ? »). L’employé relit, corrige si besoin, et envoie. Le délai de réponse baisse, et la relation reste humaine.

Pour relier WhatsApp à votre catalogue et à vos commandes, voir Nematek One WhatsApp Commerce.

3. Prévoir le réapprovisionnement

Sur des articles qui tournent régulièrement, une prévision statistique simple donne à l’acheteur une base chiffrée, qu’il ajuste avec ce qu’il sait du marché. Elle demande un historique de ventes propre et un stock qui reflète la réalité.

4. Repérer les anomalies de caisse

Écarts de caisse, remises inhabituelles, annulations répétées, retours anormaux : ces signaux se détectent automatiquement. L’outil ne conclut rien ; il attire l’attention d’un humain sur ce qui mérite un regard.

5. Aider à rédiger

Comptes rendus, réponses types, traductions entre le français et l’anglais, fiches produits. Le gain de temps est réel et le risque faible, à condition qu’un humain relise avant diffusion.

L’IA change aussi la façon dont vos clients vous cherchent. Notre guide du Mode IA de Google montre comment s’en servir, et ce qui permet à une entreprise d’apparaître dans ses réponses.

Trois usages qui déçoivent souvent

Le chatbot autonome en première ligne. Sans base de connaissances tenue à jour, il invente. Un client qui reçoit un prix faux coûte plus cher que le temps économisé.

La « prédiction » sans historique. Prédire la demande d’un produit lancé il y a deux mois n’est pas un problème d’IA : c’est une absence de données.

Le tableau de bord intelligent posé sur des données fausses. Il donne à des chiffres douteux une apparence de rigueur. C’est le pire des deux mondes.

Ce que l’IA coûte réellement

Le prix de l’outil est rarement le poste principal. Le budget réel comprend :

• la préparation des données : nettoyage, structuration, historique — souvent le poste le plus lourd ;
• l’intégration aux systèmes existants, pour lire et écrire au bon endroit ;
• la consommation : les services d’IA se facturent à l’usage, souvent en dollars ou en euros, et le coût suit le volume traité ;
• la supervision humaine, au moins au démarrage ;
• la maintenance : les processus évoluent, les modèles changent, les résultats dérivent.

Estimez la consommation mensuelle réelle avant de vous engager, pas après le premier pic d’usage. Un budget qui ne prévoit que l’abonnement est un projet mal cadré.

Pour les prix des principaux modèles et un exemple chiffré en FCFA, voir notre guide des LLM.

Vos données : la loi camerounaise, le RGPD et l’AI Act

Quelles données sortent de l’entreprise ? Un service d’IA hébergé à l’étranger traite ce que vous lui envoyez. Fichiers clients, données de santé, salaires : chaque catégorie mérite une décision écrite.

Si vous vendez à des personnes qui se trouvent dans l’Union européenne, par exemple à la diaspora en France ou en Belgique, le RGPD peut s’appliquer même sans établissement en Europe (article 3). De même, l’AI Act, le règlement européen sur l’intelligence artificielle, vise aussi les entreprises situées hors de l’Union lorsque les sorties de leur système d’IA sont utilisées dans l’Union (article 2).

Deux règles de bon sens complètent ces textes. Qui est responsable du résultat ? Une recommandation produite par un modèle engage l’entreprise qui l’applique. Le résultat est-il vérifiable ? Un système dont personne ne peut expliquer la sortie ne devrait pas décider seul d’un refus de crédit ou d’un licenciement. Le NIST AI Risk Management Framework propose un cadre adaptable à la taille de l’organisation.

Les réalités locales qui changent la donne

Le bilinguisme est un atout. Vos clients écrivent en français, en anglais, en pidgin, et souvent dans un mélange des trois. L’aide à la rédaction et à la traduction se rentabilise donc vite, à condition de tester sur vos vrais messages.

Des volumes modestes suffisent. Une PME n’a pas besoin de « big data » : deux ans de ventes propres permettent des prévisions utiles. Le frein, c’est la qualité, pas le volume.

La connexion impose une architecture. Un processus critique qui dépend d’un service distant s’arrête quand la connexion tombe. Prévoyez toujours le mode dégradé : que fait l’équipe pendant l’indisponibilité ?

Démarrer en 90 jours

Semaines 1 à 3 — choisir un seul processus. Celui qui consomme le plus d’heures répétitives et dont le résultat se vérifie. Mesurez le temps passé aujourd’hui : sans cette mesure, vous ne saurez jamais si le projet a réussi.

Semaines 4 à 8 — préparer les données et prototyper. Sur vos données réelles, jamais sur un jeu de démonstration. Comparez la sortie de l’outil au travail humain sur le même échantillon.

Semaines 9 à 12 — déployer avec supervision. L’humain garde la validation finale. Mesurez à nouveau et comparez.

Si le gain n’est pas mesurable au bout de 90 jours, arrêtez et changez de cas d’usage. C’est de la rigueur, pas un échec.

Cadrer votre premier cas d’usage

L’étape utile n’est pas de choisir une technologie : c’est d’identifier le processus répétitif dont le coût se mesure et dont le résultat se vérifie.

Nous accompagnons ce cadrage dans nos services IA et automatisation et conseil et développement IA. Voir aussi Automatisation, BI & Intégrations Nematek, ou demandez une évaluation gratuite.