« Si vous ne savez pas structurer votre process, vous n’irez pas très loin avec l’IA, quelle que soit la puissance de l’outil. »
Le 17 décembre 2025, lors de la table ronde co-organisée par Collective Impact France et le SaaS Learning Club, Anne Bluteau, Directeur Clients chez Baker Tilly, a posé une vérité que beaucoup préfèrent ne pas entendre :
« La première chose, c’est que si on ne sait pas structurer le process et comprendre les étapes, celles qu’on veut dédier à l’IA (vs. non), et quels sont les points de contrôle, on ne va pas aller très loin. »
Ce n’est pas un message de prudence excessive. C’est un diagnostic opérationnel. Et il s’applique à la quasi-totalité des entreprises qui se lancent dans l’IA en pensant que l’outil va compenser le flou méthodologique.
Voici ce que les praticiens présents ce soir-là ont appris, parfois à leurs dépens.
1. L’IA n’est pas un substitut au process. C’est un révélateur.
Imaginez donner un microscope à quelqu’un qui ne sait pas ce qu’il cherche. L’instrument est puissant. Il ne compense pas l’absence de méthode.
C’est exactement ce qui se passe quand une organisation déploie de l’IA sur des process flous. Si vos critères de qualification sont approximatifs, l’IA produira des scorings approximatifs, plus vite, à plus grande échelle, avec plus de confiance apparente. Si votre pipeline CRM est mal rempli, l’automatisation du remplissage amplifiera les erreurs de saisie, pas la qualité des données.
La règle est simple et brutale : sans processus et données structurées, l’IA amplifie le chaos.
La bonne nouvelle : cette contrainte force une discipline que beaucoup d’organisations auraient dû imposer depuis longtemps. Documenter ce qui existe, identifier les étapes, clarifier les points de contrôle, formaliser les critères de qualification. L’IA n’est pas la cause de ce travail. Elle en est le révélateur et l’accélérateur.
En bref : avant de vous demander « quelle IA utiliser ? », demandez-vous « est-ce que mon process est documenté et compris par mes équipes ? » Si la réponse est non, commencez par là.
2. Nourrir l’IA avec votre contexte, pas avec des prompts génériques
La plupart des entreprises utilisent les outils IA comme elles utiliseraient un moteur de recherche : une question, une réponse, une déception.
Les organisations qui en tirent vraiment de la valeur ont compris autre chose : l’IA est aussi bonne que le contexte qu’on lui donne. Et ce contexte, c’est votre avantage concurrentiel, pas la puissance du modèle.
Chez Eskimoz, Alexandre Courbin a construit « Brenda » : un custom GPT nourri avec toute la documentation de marque de l’entreprise, valeurs, personas, analyses d’appels clients, contenus performants. Résultat : une idéation pertinente, des contenus 100% alignés avec le ton de marque, et un gain massif sur le copywriting.
Ce qui fait la différence entre Brenda et un ChatGPT générique ? Pas le modèle sous-jacent. La qualité et la richesse du contexte injecté. Vos méthodologies (SPICED, MEDDIC), vos personas, vos critères de qualification, vos contenus qui ont performé : c’est cette matière qui transforme un outil générique en assistant expert.
En bref : créez votre base de connaissances avant de l’alimenter à l’IA. Un GPT nourri avec votre réalité métier n’a rien à voir avec un GPT utilisé à froid. C’est la différence entre un stagiaire le premier jour et un collaborateur qui connaît votre business depuis 3 ans.
3. Morceler les cas d’usage plutôt que chercher la super-IA
C’est l’un des réflexes les plus contre-productifs : vouloir construire un agent unique qui fait tout. Scorer les appels, rédiger les emails, générer les personas, remplir le CRM, analyser les appels d’offres. Un seul outil. Une seule interface. Une seule déception.
Les praticiens les plus avancés ont tous opté pour la stratégie inverse : des agents spécialisés, orchestrés entre eux, chacun excellent sur une tâche précise.
Un agent pour scorer les calls selon votre méthodologie SPICED. Un autre pour rédiger selon votre tone of voice. Un autre pour générer des personas dynamiques à partir des transcriptions des quatre dernières semaines d’appels. Un autre pour préparer vos rendez-vous clients avec l’historique, le contexte, les actualités récentes.
Cette approche a deux avantages décisifs. D’abord, chaque agent est entraînable sur une tâche précise avec un contexte resserré, ce qui améliore drastiquement la qualité des outputs. Ensuite, elle permet de mesurer l’impact de chaque cas d’usage séparément, et d’itérer sans tout casser.
En bref : résistez à la tentation de la super-IA. Pensez en portfolio d’agents spécialisés. Un cas d’usage bien déployé vaut mieux que dix fonctionnalités moyennes dans un outil fourre-tout.
4. Les gains de productivité réels ne ressemblent pas aux chiffres des communiqués de presse
« L’IA va vous faire gagner 40% de productivité. » Ces affirmations circulent partout. Elles sont à la fois vraies et trompeuses, parce qu’elles masquent la condition nécessaire : le bon cas d’usage, sur le bon process, avec la bonne donnée.
Chez Baker Tilly, un appel d’offres complexe impliquant un matching sur 7 clients avec des taxonomies différentes prenait 5 heures. Avec un agent IA dédié : 1 heure de création à deux (formation incluse), 30 minutes d’utilisation, 15 minutes de contrôle. Agent réutilisable ensuite sur chaque nouvel appel d’offres du même type.
Ce n’est pas 40% de gain. C’est une transformation complète du rapport au temps sur cette tâche précise. Et l’agent est devenu un actif réutilisable, pas une dépense ponctuelle.
D’autres exemples concrets partagés lors de la table ronde : le remplissage automatique du CRM passé de 5 heures à 30 minutes sur des tâches de matching complexes. L’analyse d’appels d’offres de 5 heures à 15 minutes. La génération de personas dynamiques mise à jour automatiquement en analysant les calls des 4 dernières semaines. Les résumés post-réunion, identifiés comme le cas d’usage le plus apprécié, parce que le plus « painful » avant.
En bref : ne cherchez pas les gains les plus spectaculaires. Cherchez les tâches les plus pénibles, répétitives, chronophages, sans valeur ajoutée. C’est là que l’IA crée le plus d’adhésion, et les ROI les plus mesurables.
5. Vérifier les outputs : l’expertise humaine reste non négociable
L’IA peut se tromper. Elle le fait avec la même fluidité stylistique que lorsqu’elle a raison. C’est précisément le problème.
Anne Bluteau a posé la question avec lucidité : « Moi, je suis sereine parce que je suis senior dans mes métiers. Je suis plutôt confiante et excitée parce que j’ai le savoir-faire et que je sais utiliser les outils. Je suis plus inquiète pour les juniors. »
Ce n’est pas une inquiétude abstraite. Un profil junior qui ne maîtrise pas les fondamentaux de son métier ne peut pas détecter les erreurs d’un LLM, parce qu’il n’a pas les références pour les reconnaître. La qualité formelle du texte génère une confiance injustifiée. Et dans un contexte B2B, une erreur publiée ne se corrige pas en 24 heures.
Le modèle qui fonctionne : l’IA génère et accélère, les profils seniors valident et corrigent. Les assistants qui préparaient les réponses à des appels d’offres chez Baker Tilly sont devenus des « data controllers », leur rôle a évolué vers la validation, le contrôle et la correction des outputs IA. Ce n’est pas une suppression de poste. C’est une transformation métier.
En bref : ne déployez jamais un output IA en production sans validation par un profil qui connaît les logiques métier, les chiffres de son industrie, les contraintes légales. Ce n’est pas un modèle transitoire, c’est le modèle durable.
Conclusion : la valeur de l’IA se construit avant de lancer le premier prompt
Le paradoxe de l’IA en entreprise, c’est que les entreprises qui en tirent le plus de valeur sont celles qui ont commencé par travailler sans elle, sur leurs process, leurs données, leurs méthodologies, leur base de connaissances.
L’IA ne crée pas la structure. Elle amplifie ce qui existe. Quand ce qui existe est solide, les gains sont spectaculaires. Quand ce qui existe est flou, les gains sont nuls, et les risques réels.
Structurez avant d’automatiser. Documentez avant d’alimenter. Validez avant de publier.
FAQ
Pourquoi faut-il structurer ses process avant de déployer l’IA ? Parce que l’IA n’invente pas la structure, elle amplifie ce qui existe. Un process flou automatisé produit du chaos à grande échelle, plus rapidement. La discipline méthodologique est la condition nécessaire de tout déploiement IA réussi.
Qu’est-ce qu’un « agent spécialisé » et pourquoi est-ce préférable à une IA généraliste ? Un agent spécialisé est un outil IA configuré pour une tâche précise, nourri avec un contexte resserré. Il est plus fiable, plus qualitatif, et plus mesurable qu’un outil généraliste. La bonne stratégie : un portfolio d’agents orchestrés, chacun excellent sur son périmètre.
Comment créer une base de connaissances utile pour l’IA ? En documentant ce qui existe : méthodologies de vente ou de marketing, personas, critères de qualification, contenus qui ont performé, valeurs de marque, analyses d’appels. Plus le contexte injecté est riche et précis, plus les outputs seront alignés avec votre réalité métier.
Qui doit valider les outputs IA avant publication ou utilisation ? Des profils seniors qui maîtrisent les logiques métier, les chiffres de leur industrie et les contraintes légales. La validation par des juniors uniquement est un risque systémique, l’IA génère des erreurs avec la même fluidité stylistique que des vérités.
Cet article s’appuie sur les échanges de la Table Ronde « IA en entreprise : ce qu’on ne vous montre jamais », organisée par Collective Impact France et le SaaS Learning Club le 17 décembre 2025. Avec les témoignages d’Anne Bluteau (Directeur Clients, Baker Tilly), Yann Guilleux (VP Sales, Lemlist) et Alexandre Courbin (Group CMO, Eskimoz).
