Le discours dominant présente l’intelligence artificielle comme une solution quasi miraculeuse, capable de transformer instantanément les entreprises. Pourtant, entre promesses marketing et réalité opérationnelle, l’écart reste souvent important. Pour le mesurer, rien ne vaut des expérimentations concrètes, ancrées dans le terrain.
C’est précisément l’objectif d’un projet pilote mené par un supermarché situé en zone littorale, confronté à une problématique majeure : la gestion d’une forte saisonnalité de l’activité. L’enjeu n’était pas d’innover pour innover, mais de répondre à une contrainte économique très réelle.
Au-delà du récit, cette expérimentation met en lumière quatre enseignements stratégiques, parfois contre-intuitifs, sur l’usage réel et pertinent de l’IA en entreprise.
Leçon n°1 : Le vrai défi de l’IA n’est pas futuriste, il est opérationnel
Contrairement aux idées reçues, l’application la plus critique de l’IA dans ce projet ne concernait ni l’expérience client ni le marketing prédictif, mais un sujet beaucoup plus terre-à-terre : l’optimisation de la planification des équipes.
L’objectif était clair : améliorer la précision des prévisions d’activité en consolidant plusieurs années de données de vente avec des variables contextuelles complexes :
- conditions météorologiques,
- vacances scolaires par zone,
- jours fériés,
- opérations promotionnelles.
Cette approche illustre une réalité souvent sous-estimée : les plus forts gains de performance proviennent rarement des usages les plus visibles, mais de l’optimisation rigoureuse des processus métiers fondamentaux.
Un exemple parlant : une amélioration de seulement 0,10 % de la masse salariale, obtenue via une meilleure gestion du volume d’heures travaillées pour les renforts saisonniers, génère un impact significatif sur la rentabilité globale.
Dans ce contexte, la valeur de l’IA ne relève pas de la science-fiction, mais de sa capacité à résoudre des problématiques de gestion essentielles.
Leçon n°2 : Quand un géant technologique ne répond pas aux attentes
Le cœur de l’expérimentation consistait à comparer plusieurs intelligences artificielles sur une tâche analytique précise : l’exploitation de données Open Data sur plus de 20 ans (météo, calendrier scolaire, jours fériés) afin d’identifier des périodes critiques, notamment les fameux “ponts” hors vacances scolaires.
Le résultat a été inattendu.
Alors que certaines IA concurrentes ont réussi à identifier correctement ces schémas complexes, et ce de manière répétée, quel que soit le format des données (tableur, feuille de calcul ou CSV).
Le constat est sans appel : là où plusieurs solutions ont fourni des réponses exactes et exploitables, cet outil n’a pas su produire une analyse fiable.
Cette situation est d’autant plus frappante que la solution en question était déjà intégrée dans l’écosystème interne et faisait l’objet de formations dédiées.
Leçon n°3 : L’IA performante n’est pas magique, elle sait produire du code fiable
Cet échec n’est pas anecdotique. Il révèle une vérité essentielle pour les dirigeants et décideurs : la performance d’une IA analytique ne se mesure pas à sa fluidité conversationnelle, mais à sa capacité à traduire un problème métier en un programme informatique robuste.
Dans les faits, les modèles de langage ne “calculent” pas directement. Ils génèrent du code — le plus souvent en Python ou en JavaScript — chargé d’effectuer les traitements.
Dans ce projet, l’outil défaillant :
- ne générait pas systématiquement de programme,
- ou produisait un code introduisant des erreurs de conversion,
- entraînant des incohérences et des confusions dans l’interprétation des données.
La leçon est stratégique : choisir une IA d’entreprise, ce n’est pas choisir une intelligence abstraite, mais un moteur capable de produire un code fiable, compréhensible et adapté aux enjeux spécifiques de l’organisation.
Un critère invisible, rarement mis en avant, mais absolument déterminant.
Leçon n°4 : La maturité, c’est aussi savoir dire non à l’IA
Cette expérimentation n’a pas seulement permis d’identifier des cas d’usage pertinents. Elle a aussi mis en évidence l’importance de renoncer volontairement à certains usages, pour des raisons humaines, éthiques ou simplement pragmatiques.
Deux pistes ont ainsi été écartées :
- Le recrutement saisonnier : l’analyse automatisée de CV étudiants a été jugée peu pertinente (données pauvres) et trop sensible sur le plan éthique.
- La prévention du vol par analyse vidéo : bien que techniquement possible, cette option a été abandonnée, car perçue comme intrusive et potentiellement contre-productive dans une démarche de transformation collaborative.
Cette capacité à dire non s’est également exprimée dans la priorisation des projets. D’autres usages, comme la génération de contenus marketing ou l’analyse post-campagne, ont été volontairement relégués au second plan, car jugés moins critiques en termes de retour sur investissement.
Conclusion : La vraie intelligence, c’est la lucidité stratégique
Cette expérimentation démontre une chose essentielle : la véritable intelligence dans la transformation digitale n’est pas artificielle, elle est stratégique.
Le succès ne repose pas sur la possession de l’IA la plus médiatisée, mais sur une démarche claire :
- identifier le problème métier à plus fort impact,
- choisir l’outil réellement adapté (IA ou non),
- accepter les limites techniques, humaines et organisationnelles.
Cette lucidité a même conduit les équipes à reconnaître que certains défis — comme la gestion de promotions complexes — relevaient davantage d’outils NoCode que de l’IA, confirmant qu’une stratégie d’innovation mature reste agnostique vis-à-vis des technologies.
À l’heure où toutes les entreprises veulent “faire de l’IA”, la question clé n’est peut-être pas :
« Quelle est la meilleure IA ? »
mais plutôt :
« Quel est le vrai problème à résoudre, et l’IA est-elle réellement la bonne réponse ? »
Pour en savoir plus sur l’automatisation, no code et IA
