Djeny Mainvil MSc.
Analyste BI & Économiste | Maîtrise 2X en Intelligence d’affaires et Sciences économiques | Power BI • SAS/R • Data Modeling • Dashboarding | Passionnée par les données, la performance et la prise de décision.
Selon l’OCDE, un système d’IA est un système capable d’inférer, à partir de données, des prédictions, recommandations ou décisions influençant un environnement réel ou virtuel.
Aujourd’hui, le terme « Intelligence Artificielle » est devenu un véritable mot-valise. Pour beaucoup, l’IA se résume à ChatGPT, aux chatbots, à la génération de texte ou encore à l’optimisation logistique. Ces exemples donnent une vision d’ensemble du sujet, mais restent souvent fragmentés. Toutefois, investir sans distinguer clairement les différents types d’IA, leurs objectifs réels et leurs implications stratégiques peut conduire à des choix inefficaces, voire risqués.
L’IA n’est donc pas une machine qui « pense » ; c’est un système qui apprend à produire des résultats à partir de données. En d’autres termes, c’est une technologie conçue pour exécuter des tâches qui nécessiteraient normalement une forme d’intelligence humaine, en s’appuyant sur des modèles mathématiques et probabilistes avancés.
De plus, il est important de comprendre que l’IA ne se divise pas selon une seule logique. Les experts la classifient généralement selon trois angles complémentaires : par niveau d’intelligence (ANI, AGI, ASI), par famille technologique (symbolique, probabiliste, apprentissage automatique, apprentissage profond) et par usage métier (prédictive, prescriptive, générative, agentique, etc.). Ces différentes lectures permettent de distinguer ce qui relève de la capacité théorique, de l’architecture technique et de l’application concrète en entreprise.
Toutefois, pour garder une vision stratégique claire et applicable aux organisations, cet article se concentre sur les grandes familles technologiques et leurs usages métier les plus pertinents : IA prédictive, prescriptive, générative, agentique, émotionnelle et explicable. L’objectif est de relier la technologie à la prise de décision, plutôt que de rester uniquement dans une classification académique.
IA Prédictive (Machine Learning) : Anticiper pour mieux décider
L’IA prédictive repose sur l’apprentissage automatique (Machine Learning). Elle analyse des données historiques afin d’identifier des schémas récurrents, puis calcule des probabilités futures à partir des tendances observées. Aujourd’hui, c’est la forme d’intelligence artificielle la plus répandue en entreprise. Concrètement, elle soutient la prise de décision stratégique en réduisant l’incertitude.
- Quel client présente un risque élevé de désengagement ou de départ ?
- Quelle demande anticiper pour le prochain trimestre ?
- Quel prospect a la plus forte probabilité de conversion ?
Des entreprises comme Netflix utilisent le machine learning pour recommander du contenu personnalisé en fonction des comportements d’utilisation. Dans l’univers CRM, des plateformes comme Salesforce intègrent des systèmes de scoring prédictif afin d’aider les équipes commerciales à prioriser les opportunités les plus prometteuses. Toutefois, ce type d’IA ne remplace pas le décideur : il améliore la qualité des décisions en fournissant une estimation probabiliste structurée.
Comme l’a souligné Layla Nasr, CEO de Makila AI, lors du Sommet de l'innovation TECH RH (2026) : « Il n’y a pas d’IA magique, il faut toujours l’humain pour valider que les résultats ont du sens. »
Pour une PME, l’IA prédictive représente souvent un point d’entrée stratégique : les gains sont mesurables (amélioration des revenus, réduction du churn, meilleure allocation des ressources) et le retour sur investissement est généralement plus rapide. Mais lorsque les décisions deviennent systémiques, impliquent des arbitrages multiples et nécessitent une optimisation sous contraintes, l’IA prescriptive devient pertinente.
IA Prescriptive : Optimiser les décisions complexes
Si l’IA prédictive répond à « ce qui risque d’arriver », l’IA prescriptive répond à « que devrions-nous faire ? ». Elle combine modèles prédictifs, contraintes opérationnelles et algorithmes d’optimisation mathématique pour proposer la meilleure action possible.
Elle est particulièrement puissante dans les environnements ERP : gestion des stocks, planification de production, logistique, pricing dynamique. UPS a communiqué publiquement sur ses outils d’optimisation de routes visant à réduire les kilomètres parcourus et la consommation de carburant. Ce type d’IA crée de la valeur par optimisation systémique, pas seulement par automatisation.
- Des données structurées et fiables
- Une modélisation explicite des contraintes
- Une gouvernance solide
Pour les grandes entreprises, l’IA prescriptive est un levier stratégique majeur. Pour les PME, elle devient pertinente à mesure que la complexité opérationnelle et le volume transactionnel augmentent. Contrairement au prédictif qui estime une probabilité, le prescriptif simule plusieurs scénarios et recommande l’option qui maximise un objectif défini tout en respectant les limites opérationnelles.
IA Générative (GenAI) : Accélérer la production intellectuelle
L’IA générative repose principalement sur des modèles avancés de Deep Learning, notamment l’architecture Transformers qui domine les grands modèles de langage (LLM). Elle peut produire du texte, des images, du code, des résumés, des rapports ou des analyses à partir d’un prompt. En entreprise, son intérêt est surtout organisationnel et opérationnel.
- Résumer des réunions
- Générer des brouillons de courriels commerciaux
- Produire des rapports analytiques
- Automatiser des réponses support
- Transformer des données en explications narratives
Cependant, des cadres de référence comme celui du NIST insistent sur la gestion des risques : biais, confidentialité, sécurité des données et traçabilité des décisions automatisées. Une IA générative doit être supervisée par l’humain en contexte professionnel afin de garantir cohérence métier et conformité.
En 2025, la GenAI est considérée comme une tendance majeure dans l’évolution des ERP. Selon des analyses de Gartner, la majorité des fournisseurs ERP ont déjà intégré des capacités d’IA et de machine learning. Gartner prévoit que d’ici 2027, moins de 30% des fonctionnalités IA dans les ERP seront exclusivement activées par la GenAI, ce pourcentage pouvant dépasser 50% lorsqu’elle est combinée à des architectures agentiques.
Agentic AI : Vers l’autonomie opérationnelle
L’Agentic AI (ou IA agentique) représente une évolution majeure. Contrairement à un simple chatbot, un agent IA est capable de poursuivre un objectif défini, planifier une séquence d’actions, analyser le contexte et exécuter des décisions de manière coordonnée, parfois sans intervention humaine directe.
Dans un environnement CRM, l’agent IA peut qualifier des leads, prioriser les prospects, générer des relances adaptées au profil et à l’historique d’interaction, produire des résumés d’appels en temps réel, et soutenir le représentant humain dans la préparation d’arguments personnalisés. Il devient un copilote opérationnel intégré au processus métier.
Cas de Pandora et de l’agent IA « Gemma »
Pandora faisait face à une forte croissance de ses ventes en ligne et à une explosion des demandes clients à l’international. L’entreprise a déployé un agent IA nommé Gemma, intégré à son environnement CRM (Commerce Cloud + Data Cloud). L’agent pouvait répondre aux questions produits, recommander des articles adaptés, gérer certaines demandes de service et traiter des interactions sans intervention humaine.
Résultats mesurés :
- 60% des demandes résolues de manière autonome
- 22% des ventes traitées via Commerce Cloud
- Amélioration du score de satisfaction client
L’agent IA n’est pas seulement un projet technologique : c’est aussi un projet organisationnel. Bien encadré, il devient un levier d’efficacité et de scalabilité; mal gouverné, il peut générer des erreurs décisionnelles, des risques de conformité et une perte de confiance.
Emotion AI : Comprendre les signaux humains
L’Emotion AI, aussi appelée affective computing, vise à identifier et interpréter des signaux émotionnels à partir de données comportementales et parfois biométriques, telles que la voix, le texte ou les expressions faciales. Dans un contexte CRM, elle peut aider à détecter la frustration lors d’un appel, analyser le ton d’un courriel, ou mesurer le sentiment global à partir d’avis clients.
Cependant, l’Emotion AI soulève des enjeux éthiques majeurs : les émotions sont influencées par la culture, le contexte et l’individu. Une mauvaise interprétation peut mener à des décisions inappropriées ou discriminatoires. L’analyse de la voix ou du visage touche directement à la vie privée et nécessite une gouvernance rigoureuse, alignée avec les exigences de transparence et de protection des données.
IA Explicable (Explainable AI) : Rendre les décisions compréhensibles
Dans des secteurs fortement réglementés (finance, santé, assurance), produire une prédiction ne suffit pas : une décision automatisée doit pouvoir être justifiée, documentée et comprise. L’IA explicable (XAI) vise à rendre visibles les facteurs qui influencent un modèle, clarifier le poids des variables et permettre aux décideurs de comprendre le raisonnement algorithmique.
L’explicabilité renforce la conformité, la confiance des utilisateurs et la qualité des audits. Pour une PME, elle peut devenir un levier de crédibilité auprès de partenaires, investisseurs ou institutions, en démontrant que l’usage de l’IA est maîtrisé, responsable et aligné avec les exigences de transparence.
PME vs Grandes entreprises : La vraie différence stratégique
Le choix du type d’IA dépend du contexte et des priorités stratégiques. Pour une PME, l’approche la plus pertinente est souvent progressive, orientée vers des gains rapides et mesurables. L’IA prédictive est fréquemment le meilleur point de départ (revenus, churn, anomalies, demande), tandis que l’IA générative améliore rapidement la productivité (rédaction, résumés, support, pré-analyse).
Pour les organisations plus structurées, disposant de volumes de données importants et de processus complexes, l’IA prescriptive et les agents autonomes deviennent pertinents à condition que la qualité des données et la gouvernance soient solides. Dans des environnements réglementés ou orientés expérience client, l’Emotion AI et l’IA explicable prennent davantage de sens, car l’enjeu est autant la performance que la robustesse et la maîtrise du risque.
Conclusion
L’erreur la plus fréquente n’est pas de ne pas adopter l’IA, mais de l’adopter sans comprendre précisément son type, son objectif et son niveau de risque. L’IA est un levier stratégique qui transforme la manière dont une organisation décide, opère et crée de la valeur. La question n’est donc pas « Faut-il adopter l’IA ? », mais plutôt « Quelle IA, pour quel objectif stratégique, avec quel niveau de gouvernance ? ».