Chapitre 02

Les 5 familles d'IA en entreprise

Dans une audience mixte — direction, DSI, responsables de service — le mot « IA » recouvre des réalités très différentes. Un dirigeant pense à ChatGPT ; une DSI pense modèles, API et coûts d'inférence ; un responsable métier pense à un outil qui l'aide sans bien savoir lequel ; un data scientist pense au machine learning prédictif qu'il pratique depuis dix ans. Sans cadrage, chacun écoute la suite « avec ses propres lunettes ». D'où ce panorama commun, structuré en cinq familles.

Famille 1 — IA prédictive (ML classique)

Ce que c'est. Des algorithmes qui apprennent à partir de données historiques pour prédire, classifier, détecter. C'est ce qu'on pratique depuis 15-20 ans en entreprise — très mature.

Exemples. Prédiction de la demande et des ventes, scoring crédit et lead, détection de fraude, recommandation produits, maintenance prédictive, segmentation client.

Caractéristiques. Modèles entraînés sur les données propres de l'entreprise, performances mesurables précisément, réglementation déjà installée. Pas de « buzz », mais une énorme valeur opérationnelle.

Message clé — cette famille n'est pas nouvelle, mais elle reste essentielle. Ce qui change, c'est qu'on peut désormais la combiner avec les autres.

Famille 2 — IA générative (LLM)

Ce que c'est. Des modèles capables de générer du contenu nouveau (texte, code, image, audio, vidéo) à partir d'instructions en langage naturel, sans expertise technique.

Exemples. Rédaction et synthèse, génération de code, création d'images, traduction, questions/réponses sur documents, génération de mails, comptes rendus et présentations.

Caractéristiques. Modèles génériques préentraînés sur d'énormes corpus, utilisables en langage naturel, performances impressionnantes mais avec des risques (hallucinations). Évolution très rapide — nouveaux modèles tous les 3 à 6 mois — et coût à l'usage variable.

Message clé — c'est ce qui a tout changé depuis trois ans : l'IA accessible à tous, qui parle votre langue. C'est aussi ce qui suscite le plus de fantasmes, positifs comme négatifs.

Famille 3 — IA agentique

Ce que c'est. Des systèmes qui ne se contentent pas de répondre, mais qui exécutent des tâches en plusieurs étapes, prennent des décisions intermédiaires, utilisent des outils et atteignent un objectif. C'est l'évolution de 2024-2026 et probablement la grande tendance des prochaines années.

Exemples. Un agent qui reçoit un email, va chercher l'information dans le CRM, rédige la réponse et l'envoie après validation ; un assistant de code qui explore un dépôt, lance les tests, corrige et itère ; la préparation d'un dossier client de bout en bout ; la résolution de tickets de support.

Caractéristiques. L'humain définit l'objectif, l'IA orchestre les étapes en s'appuyant sur des outils (API, bases de données, applications). Des garde-fous sont nécessaires, et une validation humaine s'impose avant les actions critiques.

Message clé — le passage d'un assistant qui répond à un collaborateur numérique qui agit. C'est aussi la famille qui demande le plus de précautions.

Famille 4 — Automatisation augmentée par IA

Ce que c'est. Des plateformes no-code / low-code qui permettent de construire des automatisations en assemblant des briques, dans lesquelles on injecte de l'IA pour les étapes nécessitant du jugement.

Exemples. Un workflow qui trie et classifie des CV reçus par mail puis notifie le bon recruteur ; une veille concurrentielle résumée par IA en newsletter quotidienne ; le traitement des factures fournisseurs avec extraction des données vers le système comptable.

Caractéristiques. Visuel, accessible aux non-développeurs (avec accompagnement), combine connecteurs SaaS, briques IA et logique métier. Nécessite une gouvernance pour éviter le « shadow IT ».

Message clé — la famille qui démocratise l'automatisation et démultiplie l'impact de l'IA. C'est aussi celle dont le ROI est le plus rapide sur les tâches répétitives.

Famille 5 — IA embarquée dans les outils du quotidien

Ce que c'est. L'IA qui n'est plus une application séparée, mais qui s'intègre nativement dans les outils que les collaborateurs utilisent déjà.

Exemples. Microsoft Copilot dans la suite Office, Gemini dans Workspace, Notion AI, Atlassian Intelligence dans Jira/Confluence, les assistants des CRM, ou encore l'assistant de code intégré à l'IDE.

Caractéristiques. Adoption « naturelle » (rien de nouveau à apprendre), souvent payante en supplément de la licence, ROI parfois difficile à mesurer, et risque de dispersion si chaque outil a sa propre IA.

Message clé — probablement la voie d'adoption la plus rapide : l'IA arrive dans les outils du quotidien sans changer les habitudes.

Les 3 messages à retenir

1. L'IA est un écosystème, pas une chose unique. La bonne question n'est pas « est-ce qu'on fait de l'IA ? » mais « quelle famille pour quel usage ? ».
2. Les familles se combinent. Un workflow appelle un LLM pour analyser un texte, alimente un modèle prédictif pour scorer, puis déclenche un agent pour la suite.
3. Les rythmes diffèrent. ML mature, LLM en progrès tous les 6-12 mois, agents en explosion, IA embarquée déployée partout — d'où la nécessité d'une démarche structurée.