Que veut dire mettre l’IA sur ses données d’entreprise ?
C’est brancher un modèle sur ce que votre entreprise sait déjà, et lui interdire d’inventer le reste. En 2025, 18 % des entreprises françaises de 10 salariés ou plus déclarent utiliser au moins une technologie d’IA, et 31 % chez les 50 à 249 salariés (Insee, 21 juillet 2026). Le taux a triplé en deux ans.
Mettre l’IA sur ses données, ce n’est pas ouvrir un abonnement à toute l’équipe. C’est trancher trois questions, dans cet ordre.
Sur quoi l’assistant a le droit de répondre. Vos contrats, vos comptes rendus d’intervention, vos procédures, votre base client — et rien d’autre. La technique qui impose cette limite s’appelle le RAG : chercher le passage, répondre à partir de lui, citer d’où il vient.
Dans quoi il a le droit de regarder en direct. Un assistant branché sur votre base de facturation répond sur les chiffres d’aujourd’hui, pas sur un export de mars. C’est le rôle d’un serveur MCP.
Ce qu’il a le droit de faire. Lire seulement, ou aussi écrire : créer un devis, changer un statut, envoyer une relance. Un assistant qui agit devient un agent, et ce n’est plus la même conversation.
Trois questions, trois niveaux d’engagement. La plupart des PME ont besoin du premier, quelques-unes du deuxième, presque aucune du troisième la première année.
Pourquoi la plupart des projets d’IA ne donnent-ils rien ?
Parce qu’ils commencent par le modèle et pas par la matière. Dans Lack of AI-Ready Data Puts AI Projects at Risk (Gartner, 26 février 2025), 63 % des organisations interrogées n’ont pas les pratiques de gestion de données adaptées à l’IA, ou ne savent pas si elles les ont. L’enquête porte sur 248 responsables de la donnée, au troisième trimestre 2024.
Le même cabinet y prévoyait l’abandon, d’ici 2026, de 60 % des projets d’IA non soutenus par des données prêtes.
Le chiffre français dit la même chose sous un autre angle. Parmi les PME et ETI qui ont adopté l’IA, 50 % n’utilisent que des solutions gratuites (Bpifrance Le Lab, 4 juin 2025).
Une entreprise sur deux, donc, n’a pas de projet d’IA. Elle a un usage personnel toléré, sans corpus, sans droits d’accès et sans trace.
Ce qu’on observe : les projets qui s’arrêtent au bout de trois mois échouent rarement sur la qualité des réponses. Ils échouent parce que personne n’a désigné qui tient le corpus à jour, et que l’assistant répond au bout de six mois sur une procédure abandonnée.
C’est la même mécanique que le shadow IT devenu shadow AI : quand l’outil officiel n’existe pas, les équipes en trouvent un ailleurs, et personne ne sait ce qui est sorti de l’entreprise.
Quelle part des PME françaises utilise déjà l’IA ?
Loin des grandes entreprises, et l’écart tient à la taille bien plus qu’au secteur. L’enquête TIC 2025 de l’Insee donne la ventilation la plus nette dont on dispose.
| Usage d’au moins une technologie d’IA, en 2025 | Part des entreprises |
|---|---|
| Moins de 50 salariés | 15 % |
| 50 à 249 salariés | 31 % |
| 250 salariés et plus | 58 % |
Source : Insee, enquête TIC entreprises 2025, publiée le 21 juillet 2026.
La raison invoquée par celles qui n’y vont pas mérite d’être lue deux fois : 71 % déclarent qu’elles n’en voient pas l’utilité, et 54 % un manque d’expertise. Le premier chiffre n’est pas un refus de la technologie. C’est un refus d’un cas d’usage qu’on ne leur a jamais montré.
Côté dirigeants, l’écart entre l’intention et le socle est mesuré. 58 % considèrent l’IA importante pour la pérennité de leur entreprise à trois ou cinq ans, 43 % ont défini une stratégie, et 26 % utilisent une IA générative (Bpifrance Le Lab, 4 juin 2025).
Deux entreprises sur trois voient donc un enjeu de survie sans avoir encore écrit la première ligne du dossier.
Vos données sont-elles prêtes pour une IA ?
Pour les textes, presque toujours. Pour les chiffres, rarement. C’est la distinction que les projets ratent le plus souvent, et elle se teste en une heure.
Un assistant lit très bien ce qui est mal rangé : un dossier de contrats en PDF, dix ans de comptes rendus, une procédure écrite dans trois versions successives. Il s’en sort même mieux qu’un moteur de recherche interne, parce qu’il comprend la question au lieu de la découper en mots-clés.
Il s’en sort mal, en revanche, dès qu’on lui demande un chiffre. Une somme, une marge, un délai moyen. Là, il répond sur ce qu’on lui donne, et 43 % des PME et ETI françaises ne font aucune analyse de données pour piloter leur activité (Bpifrance Le Lab, 4 juin 2025).
L’outillage suit la même pente. En 2025, 11 % des petites entreprises de l’Union européenne disposaient d’un logiciel décisionnel d’analyse de données, contre 69 % des grandes (Eurostat, 20 mai 2026).
Quatre questions suffisent à situer votre cas.
La réponse existe-t-elle quelque part ? Si l’information n’est écrite nulle part, aucun modèle ne l’inventera correctement.
Combien de versions du même document circulent ? Deux versions contradictoires produisent deux réponses également assurées.
Le chiffre a-t-il une définition écrite ? Une affaire gagnée, une facture en retard, une marge : tant que la règle se renégocie en réunion, elle se renégociera dans l’assistant.
Qui a le droit de lire quoi ? Un corpus sans droits d’accès expose les salaires à toute l’entreprise le jour de la mise en service.
Les deux dernières questions relèvent d’un chantier antérieur : structurer les données de l’entreprise, et décider où vit la vérité sur chaque chiffre.
Un assistant qui ne cite pas ses sources sert-il à quelque chose ?
Non, et la mesure la plus sévère vient d’un domaine où l’exigence est maximale. L’étude Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools (RegLab de Stanford, 2024) évalue trois outils juridiques professionnels construits en RAG, vendus comme exempts d’hallucination. Ils se trompent entre 17 % et 33 % du temps.
Les auteurs concluent que les promesses des éditeurs sont surévaluées.
Retenez le sens exact de ce résultat, parce qu’il se lit souvent à l’envers. Le RAG ne supprime pas l’erreur. Il la rend vérifiable.
Un assistant qui répond « le préavis est de trois mois » sans rien d’autre vous oblige à refaire la recherche. Le même assistant qui répond « trois mois, article 8 du contrat Martin, page 4 » vous coûte dix secondes de vérification. La deuxième réponse est utilisable même quand elle est fausse, parce que l’erreur se voit.
C’est le seul critère d’acceptation qui tienne à la recette : pas de réponse sans référence cliquable. Un assistant qui ne sait pas d’où il tient une information doit répondre qu’il ne sait pas.
Et c’est aussi ce qui sépare un outil branché sur vos données d’un assistant généraliste auquel on prête des connaissances qu’il n’a pas.
RAG, MCP, agent : lequel pour quoi ?
Trois briques, trois problèmes différents, et on les monte dans cet ordre. Les confondre est la cause la plus fréquente d’un devis qui triple.
Le RAG, pour répondre sur vos documents
L’assistant découpe vos fichiers, les indexe, retrouve les passages pertinents à chaque question, et rédige à partir d’eux avec la référence. C’est ce qu’il faut pour une base documentaire : procédures, contrats, comptes rendus, réglementation métier, historique de support.
Périmètre de départ raisonnable : un corpus, un public, une question type. Pas dix.
Le MCP, pour brancher l’assistant sur vos outils
Un serveur MCP expose vos applications — base de données, CRM, facturation — sous une forme qu’un modèle sait interroger. L’assistant cesse de répondre sur un export figé et lit l’état réel au moment de la question.
C’est la brique qui rend possible « quel est l’encours du client Martin » avec un chiffre juste. Elle suppose une base propre en face, sinon elle propage l’erreur plus vite. Et des interfaces qui existent, ce qui est rarement le cas d’un logiciel choisi pour autre chose.
L’agent, pour agir
Un agent écrit, déclenche, envoie. Il crée le devis au lieu de le rédiger dans une fenêtre de discussion.
Le saut de risque est réel, et il se traite comme un accès applicatif : périmètre d’actions listé, validation humaine sur ce qui engage l’entreprise, journal de tout ce qui a été fait. Le rapprochement avec l’automatisation classique est utile ici — un processus stable et prévisible ne mérite pas d’agent, il mérite un automatisme.
Quels usages tiennent vraiment en PME ?
Ceux où la réponse existe, éparpillée, et où la chercher coûte cher. Sur nos projets, cinq familles reviennent et tiennent dans la durée.
La recherche documentaire métier. Un corpus réglementaire, technique ou contractuel que trois personnes connaissent et que trente devraient pouvoir interroger. C’est l’usage qui rentabilise le plus vite, parce qu’il remplace une interruption par une réponse.
La préparation de réponse. Devis, appel d’offres, réponse de support : l’assistant sort les éléments comparables des dossiers passés, l’humain arbitre et signe. Le gain se compte en heures par dossier, pas en suppression de poste.
La qualification d’entrées. Mails, formulaires, demandes en langage libre à ranger, router, résumer. Le volume rend la tâche pénible, la variété la rend non automatisable autrement.
L’extraction de documents. Factures fournisseurs, bons de livraison, contrats : transformer du langage en champs de base. Un usage ancien, que les modèles récents ont rendu fiable sur des documents non standardisés.
L’interrogation d’un tableau de bord en langage courant. Utile seulement si les chiffres sont déjà fiables. C’est le prolongement direct de la centralisation des données, jamais son raccourci.
Un point commun à ces cinq : l’humain reste sur le chemin. Aucun ne supprime une validation. C’est aussi ce qui distingue une couche d’IA posée sur un outil métier sur mesure d’un assistant vendu comme un produit fini.
Quels usages ne tiennent pas ?
Ceux qui demandent à un modèle une certitude que la statistique ne donne pas. Quatre échouent avec régularité, et il vaut mieux le savoir avant le devis.
Le calcul qui fait foi. Une marge, un solde, une paie. Un modèle produit un nombre plausible ; une requête produit le nombre juste. On branche l’assistant sur le résultat du calcul, on ne lui demande pas de le faire.
La décision sans relecture. Accorder un délai de paiement, écarter une candidature, valider un remboursement. Le règlement européen classe une partie de ces cas en risque élevé, et le bon sens fait le reste.
Le remplacement d’un moteur de recherche déjà bon. Si vos documents portent des références et que tout le monde sait les chercher, un assistant ajoute un coût sans ajouter une réponse.
L’assistant qui doit tout savoir. Un corpus qui mélange le juridique, le commercial et la technique répond moyennement sur les trois. Trois corpus séparés répondent bien sur chacun.
Le choix entre acheter un outil du marché et le construire se pose ici comme ailleurs, et il se tranche brique par brique.
Quel délai et quel ordre de grandeur pour un premier assistant ?
Trois à six semaines pour un premier assistant documentaire en production, et un coût d’usage plus bas que ce que la plupart des dirigeants anticipent. Les ordres de grandeur qui suivent viennent de nos projets, pas d’une grille publique.
Le cadrage se compte en jours : choisir le corpus, écrire les questions types, poser le critère d’acceptation. C’est le montant en dessous duquel il n’y a aucune raison d’aller plus loin.
Un premier périmètre documentaire — indexation, interface, droits d’accès, recette sur une trentaine de questions — se compte en quelques milliers d’euros et en semaines. Le branchement d’un serveur MCP sur une base existante s’ajoute par lot, et suppose que la base soit déjà tenue.
Le coût d’usage surprend dans l’autre sens. Pour une trentaine d’utilisateurs sur un corpus interne, il se compte en dizaines d’euros par mois. Interroger un modèle au niveau de GPT-3.5 coûtait 20 dollars par million de jetons en novembre 2022, et 0,07 dollar en octobre 2024 — une division par plus de 280 en dix-huit mois (Stanford HAI, AI Index Report 2025). Ce n’est pas là que se joue le budget.
Ce qui pèse, c’est le maintien du corpus. Une procédure changée que personne ne réindexe produit une réponse fausse avec la même assurance qu’une réponse juste. Comptez une charge de suivi, et nommez la personne qui en répond. La question de savoir qui maintiendra l’outil se pose ici avant la mise en service, jamais après.
Un dernier point qui change l’arithmétique : la conception d’un assistant sur mesure entre souvent dans le champ du crédit d’impôt innovation, ce que l’article sur l’agrément CII détaille.
Qui a le droit de voir quoi ?
Cette question se tranche avant l’indexation, jamais après. Un corpus se construit une fois ; les droits mal posés se rattrapent en reconstruisant tout.
Trois règles suffisent, et elles se copient de la gestion des fichiers.
Les droits vivent sur le document, pas sur l’assistant. Si Martine ne peut pas ouvrir le fichier des salaires, l’assistant ne doit pas pouvoir le citer quand Martine l’interroge. Un filtre appliqué à la réponse arrive trop tard : le passage est déjà sorti de l’index.
Chaque échange se journalise. Qui a demandé quoi, quels documents ont servi, quelle réponse est sortie. C’est la seule façon de comprendre une réponse aberrante trois semaines plus tard, et c’est aussi ce qui vous protège.
Le corpus a un propriétaire nommé. Une personne, pas un service. Elle décide ce qui entre, ce qui sort, et à quelle fréquence on réindexe.
La question de l’hébergement se pose ensuite, et pas avant : elle dépend de ce que contient réellement le corpus. Les arbitrages sont les mêmes que pour le reste de vos outils, et l’article sur le no-code souverain les pose en détail.
Que demande la loi, et depuis quand ?
Plus de choses qu’on ne le croit, et depuis plus longtemps. Depuis le 2 février 2025, l’article 4 du règlement européen 2024/1689 impose aux fournisseurs comme aux déployeurs d’assurer un niveau suffisant de maîtrise de l’IA chez les personnes qui utilisent ces systèmes en leur nom.
Un déployeur, c’est vous : toute entreprise qui met un assistant entre les mains de ses équipes. L’obligation ne vise pas les seuls éditeurs.
Les obligations sur les systèmes à haut risque, elles, ont été repoussées — décembre 2027 pour l’annexe III, août 2028 pour l’annexe I. Le calendrier a bougé une fois ; il peut bouger encore.
Côté données personnelles, la CNIL a publié ses recommandations sur l’IA et le RGPD le 7 février 2025. Le point qui concerne un assistant interne est simple : votre corpus contient probablement des données personnelles — dossiers clients, comptes rendus nominatifs, échanges RH — et l’indexer est un traitement, avec une finalité à écrire et des personnes à informer.
Rien de tout cela n’empêche de démarrer. Ce sont trois pages à écrire au cadrage, pas un dossier de conformité à monter. Les questions se recoupent largement avec celles que pose déjà le RGPD sur vos outils métiers.
Par où commencer sans se tromper ?
Par une question réelle, posée par une personne réelle, dont vous connaissez déjà la réponse. C’est le seul protocole qui distingue un projet d’une démonstration.
Choisissez une question qui coûte. Celle qu’on vient poser à la même personne trois fois par semaine, et qui l’oblige à rouvrir un dossier. Notez combien de temps elle prend aujourd’hui.
Délimitez le corpus qui la contient. Un dossier, un type de document, un périmètre de dates. Un corpus trop large donne un assistant moyen partout.
Écrivez trente questions de recette avant de construire. Avec leurs réponses attendues et la source qui les justifie. C’est ce document qui décide si le projet est réussi, et il se rédige avant la première ligne de code.
Livrez à cinq personnes, pas à toute l’entreprise. Un assistant se corrige avec des retours précis. Trente utilisateurs mécontents le premier jour tuent le sujet pour deux ans.
Chez Bienfait, on commence toujours par cette question-là, on livre un premier périmètre en trois à six semaines, et on vous dit franchement quand une requête bien écrite ferait le même travail. C’est le travail que fait une agence d’automatisation IA quand elle ne se contente pas de brancher un modèle. Le cadrage d’un projet d’outil ou de données suit la même logique, et c’est rarement un hasard.
En bref : l’IA ne répare pas ce qui n’est pas écrit
L’IA sur vos données ne remplace personne. Mais elle rend interrogeable ce que trois personnes seulement savaient trouver.
Trois briques, dans l’ordre : le RAG pour répondre sur vos documents, le MCP pour lire vos outils en direct, l’agent pour agir. La plupart des PME s’arrêtent à la première, et c’est le bon choix.
Les chiffres publics disent tous la même chose. 18 % des entreprises françaises utilisent l’IA, 63 % n’ont pas les pratiques de données qui vont avec, et la moitié de celles qui s’y sont mises n’emploient que des outils gratuits. L’écart n’est pas un écart de modèle, il est en amont.
Chez Bienfait, on livre un premier assistant documentaire en trois à six semaines, avec sa recette écrite d’avance et ses sources citées à chaque réponse.
Alors la vraie question n’est peut-être pas quel modèle choisir. Quelle question coûte le plus cher chez vous, et où sa réponse est-elle écrite ?
Les sources
Les chiffres de marché de cet article viennent des sources suivantes, consultées le 1er septembre 2026.
- Insee, Les technologies de l’information et de la communication dans les entreprises en 2025, Insee Première n° 2120, 21 juillet 2026 — enquête TIC entreprises 2025, entreprises de 10 salariés ou plus implantées en France — https://www.insee.fr/fr/statistiques/9025878?sommaire=8677764
- Bpifrance Le Lab, L’IA dans les PME et ETI françaises — enquête d’octobre à décembre 2024 auprès de 1 209 dirigeants de PME et ETI de 10 salariés et plus, complétée de 40 entretiens qualitatifs, publiée le 4 juin 2025 — https://presse.bpifrance.fr/lia-dans-les-pme-et-eti-francaises-une-revolution-tranquille
- Gartner, Lack of AI-Ready Data Puts AI Projects at Risk, 26 février 2025 — enquête auprès de 248 responsables de la donnée, troisième trimestre 2024 — https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
- Varun Magesh, Faiz Surani, Matthew Dahl, Mirac Suzgun, Christopher D. Manning et Daniel E. Ho, Hallucination-Free? Assessing the Reliability of Leading AI Legal Research Tools, RegLab, université Stanford, 2024 — évaluation préenregistrée de trois outils de recherche juridique construits en RAG — https://reglab.stanford.edu/publications/hallucination-free-assessing-the-reliability-of-leading-ai-legal-research-tools/
- Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle, adopté le 13 juin 2024, version consolidée du 27 juillet 2026 — article 4, applicable depuis le 2 février 2025 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
- CNIL, IA et RGPD : la CNIL publie ses nouvelles recommandations pour accompagner une innovation responsable, 7 février 2025 — https://www.cnil.fr/fr/ia-et-rgpd-la-cnil-publie-ses-nouvelles-recommandations-pour-accompagner-une-innovation-responsable
- Eurostat, Larger enterprises used more e-business apps in 2025, 20 mai 2026 — enquête communautaire sur l’usage des TIC dans les entreprises — https://ec.europa.eu/eurostat/web/products-eurostat-news/w/ddn-20260520-1
- Stanford Institute for Human-Centered AI, The 2025 AI Index Report, chapitre 1 « Research and Development » — coût d’inférence pour un modèle au niveau de GPT-3.5 sur MMLU — https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
Si la question posée a une réponse exacte, une seule, et qu'une requête la sort en trois secondes, un assistant n'apporte rien : il ajoute une couche d'incertitude sur un résultat déjà certain. L'IA sur vos données vaut quand la réponse est éparpillée dans des documents en langage libre, que personne ne sait où chercher, et qu'on accepte de vérifier la source citée. En dessous de ce seuil, on vous le dit franchement plutôt que de vous vendre un assistant.
Questions fréquentes
Qu'est-ce que mettre l'IA sur ses données d'entreprise ?
C'est brancher un modèle de langage sur vos propres documents et vos propres bases, avec l'obligation de citer d'où vient chaque réponse. La technique s'appelle le RAG. Le modèle ne mémorise rien : il cherche le passage, le lit, répond, et donne la référence.
Quelle est la différence entre ChatGPT et un assistant sur vos données ?
ChatGPT répond sur ce qu'il a lu pendant son entraînement, sans connaître vos contrats ni vos procédures. Un assistant sur vos données cherche d'abord dans vos fichiers, répond à partir d'eux, et cite la source. Le premier est un généraliste, le second un documentaliste.
Faut-il structurer ses données avant de faire de l'IA ?
Oui pour les chiffres, non pour les textes. Un assistant lit très bien des documents en langage libre. Mais dès qu'on lui demande une somme ou une marge, il répond sur ce qu'on lui donne : Gartner mesurait en février 2025 que 63 % des organisations n'ont pas les pratiques de données adaptées à l'IA.
Un assistant RAG peut-il encore se tromper ?
Oui. L'étude Hallucination-Free? du RegLab de Stanford mesure entre 17 % et 33 % de réponses erronées sur des outils juridiques professionnels pourtant construits en RAG. La citation de source ne supprime pas l'erreur : elle la rend vérifiable en quelques secondes.
Combien coûte un assistant IA interne dans une PME ?
Quelques milliers d'euros pour un premier périmètre documentaire livré en trois à six semaines. Le coût d'usage se compte le plus souvent en dizaines d'euros par mois pour une trentaine d'utilisateurs. C'est le maintien du corpus, pas le modèle, qui pèse ensuite.
Que dit la loi sur l'usage de l'IA en entreprise ?
Depuis le 2 février 2025, l'article 4 du règlement européen 2024/1689 impose aux fournisseurs comme aux déployeurs d'assurer un niveau suffisant de maîtrise de l'IA chez les personnes qui l'utilisent. Les obligations sur les systèmes à haut risque, elles, ont été repoussées à décembre 2027.
