IA en entreprise : pourquoi tant de sociétés belges n’exploitent qu’une fraction de sa puissance
Le vrai obstacle n’est pas l’outil, mais l’absence de socle de données
Beaucoup d’entreprises belges ont désormais accès aux mêmes outils d’intelligence artificielle que les plus grands groupes technologiques. Pourtant, la majorité d’entre elles n’en utilise qu’une fraction infime du potentiel réel. Ce n’est pas faute d’ambition, mais faute d’avoir construit le socle de données qui permettrait à l’IA de produire autre chose qu’un résultat générique.
Constat : l’IA réduite à de l’automatisation classique
Dans la plupart des sociétés belges, l’intelligence artificielle est aujourd’hui cantonnée à des tâches qu’un logiciel métier classique aurait tout aussi bien pu exécuter : trier des factures selon une règle fixe, envoyer un e-mail type après une commande, classer des documents dans un dossier prédéterminé. Ce sont des processus cadrés et routiniers, de l’automatisation au sens le plus traditionnel du terme, simplement habillés du mot intelligence artificielle parce que l’outil utilisé pour les exécuter en contient la technologie. La confusion est réelle : un système qui applique une règle fixe, une condition qui déclenche toujours la même action, n’apprend rien et ne s’améliore pas avec l’usage, contrairement à un modèle entraîné sur les données propres de l’entreprise, capable de repérer des schémas qu’aucune règle écrite à l’avance n’aurait anticipés.
Causes : un socle de données absent et des fondamentaux techniques méconnus
Le premier obstacle est purement quantitatif. Pour qu’un modèle d’IA produise une analyse ou une prédiction fiable sur un processus donné, un type de vente, un profil client ou un schéma de commande, il faut généralement disposer de plusieurs milliers d’exemples de ce même processus. Or la majorité des sociétés belges, tous secteurs confondus, n’atteignent même pas le millier d’enregistrements structurés pour un seul et même principe de vente : les données existent, mais dispersées entre des boîtes mail, des tableurs isolés et des logiciels métier qui ne communiquent pas entre eux.
Le second obstacle tient au nombre de variables, pas seulement au nombre de lignes. Une entreprise qui dispose de mille commandes mais n’a jamais renseigné le canal d’acquisition, la durée du cycle de vente ou le motif d’un refus ne donne à l’IA qu’une image plate de son activité. Sans ces variables, l’outil ne peut ni détecter pourquoi certains clients achètent davantage, ni anticiper un changement de comportement. Il se contente de répéter la moyenne de ce qu’il voit, faute d’angles d’analyse supplémentaires à croiser.
Le troisième obstacle est une méconnaissance des fondamentaux techniques qui permettent justement de constituer ce socle. Demandez à la plupart des équipes dirigeantes ce qu’est un dépôt Git, l’outil qui sert précisément à organiser, versionner et centraliser les données et le code d’un projet, et la réponse est généralement le silence. Il en va de même pour les notions d’itération, qui consiste à ré-entraîner un modèle au fur et à mesure que de nouvelles données arrivent, de nettoyage des données, qui consiste à retirer les doublons et corriger les formats incohérents, ou de système multi-agent, où plusieurs IA spécialisées se répartissent une tâche complexe. Sans ce premier niveau de culture technique, il est structurellement impossible de préparer une base de données exploitable, quel que soit le budget consacré à l’outil lui-même.
Conséquences : une puissance de calcul ramenée à un simple gain de temps
Cette absence de socle entretient une perception erronée mais très répandue : l’IA serait un simple gadget, un jouet qui fait gagner quelques minutes sur une tâche répétitive, comme rédiger un e-mail, résumer un document ou générer une image. Cette vision n’est pas fausse en soi, mais elle réduit un outil de calcul à haute puissance au rôle d’un correcteur orthographique un peu plus sophistiqué.
La réalité est inverse : bien nourrie, une IA ne se contente pas d’automatiser ce qu’une entreprise fait déjà, elle sert à en augmenter le volume, avec plus de clients identifiés, plus de commandes anticipées et plus d’opportunités de vente détectées avant qu’un concurrent ne les voie. La différence tient uniquement à la quantité et à la qualité des données fournies en amont : c’est un levier de croissance, pas un outil de confort.
Solution : construire d’abord le socle de données, avant l’outil
Concrètement, la première étape ne consiste pas à choisir un outil d’IA, mais à mettre en place un dépôt Git pour centraliser et structurer les données de l’entreprise, puis à identifier les deux meilleures sources déjà disponibles pour la nourrir. Pour la quasi-totalité des sociétés, ce sont l’historique complet des e-mails échangés avec les clients et fournisseurs, et l’historique des commandes, achats et ventes : deux gisements que presque toutes les entreprises accumulent depuis des années sans jamais les exploiter. Quand elles existent, les transcriptions d’appels téléphoniques, obtenues en convertissant la voix en texte, complètent utilement ce socle, mais restent rares : peu de sociétés belges enregistrent systématiquement leurs communications vocales. Emails, commandes et communications officielles suffisent déjà à construire une base de données solide, sans investissement technique lourd, pour permettre à l’IA de commencer à créer des FAQ pertinentes ou à mieux comprendre l’activité réelle de l’entreprise.
C’est précisément la démarche que Selion met en place pour ses clients. Un audit initial permet d’identifier les données réellement disponibles et leur état. Ces données sont ensuite collectées et intégrées dans des pipelines structurés, puis analysées à grande échelle, y compris sur plusieurs millions de conversations lorsque ce volume existe. Cette analyse permet d’en extraire les informations les plus utiles pour construire des FAQ, aussi bien à usage interne qu’à destination des clients externes, et de mieux comprendre comment l’information circule dans l’entreprise afin de l’améliorer en continu.
Ce travail ne se limite pas à une mise en place ponctuelle. L’objectif est de rendre la collecte et l’analyse récurrentes et automatisées, pour alimenter en continu la base de connaissances de l’entreprise. Cette base sert ensuite à former le personnel interne et les nouveaux arrivants, et à répondre aux clients sur l’ensemble des canaux : emails, site internet, et parfois la téléphonie lorsque l’entreprise souhaite aller jusque-là. L’objectif final est de documenter l’essentiel de l’activité de l’entreprise pour pouvoir le restituer aussi bien en interne qu’en externe.
Une part importante de ce travail consiste à filtrer ce qui ne doit jamais sortir de l’entreprise. Les mots de passe, les clés de sécurité et toute information sensible sont exclus avant toute exploitation des données, tout comme les échanges qui ne concernent pas des questions générales destinées à être partagées.
Sur le principe, ce projet reste simple à démarrer : il suffit de collecter les données existantes. Les entreprises qui n’ont pas les compétences internes pour aller plus loin peuvent faire appel à Selion, qui prend en charge l’ensemble de la démarche, avec un résultat généralement livré dans le mois.
📋 En résumé
| Point identifié | Réalité observée | Piste d’action |
|---|---|---|
| IA réduite à de l’automatisation | Confusion avec un système à règles fixes, qui n’apprend pas | Distinguer clairement règles automatisées et modèle entraîné sur données |
| Socle de données insuffisant | Souvent moins de 1000 entrées structurées par processus, peu de variables renseignées | Centraliser emails, commandes, achats/ventes dans un dépôt structuré |
| Fondamentaux techniques méconnus | Git, itérations, nettoyage des données, multi-agent : concepts inconnus en interne | Se former ou se faire accompagner sur ces bases avant d’investir dans l’outil |
| IA vue comme un gain de temps | Perception d’un simple outil de confort plutôt que d’un levier de croissance | Orienter l’usage vers l’augmentation du volume clients/commandes |
