Innovation & IA
L’IA peut entrer partout. La vraie décision est de savoir où lui donner du pouvoir.
Quand l’accès à la technologie se banalise, l’avantage se déplace vers la qualité des décisions prises autour d’elle.
L’IA est devenue facile à essayer. Choisir devient le vrai sujet.
Les entreprises n’ont jamais eu accès aussi facilement à des capacités d’intelligence artificielle. Écrire, analyser, rechercher, prévoir, classer, recommander, dialoguer, déclencher une action : la frontière technique recule vite. Pour un dirigeant, le problème change donc de nature. Il ne s’agit plus seulement d’adopter l’IA. Il faut décider où elle mérite d’entrer dans l’entreprise, ce qu’on accepte de lui confier et comment prouver qu’elle crée réellement de la valeur.
des entreprises de l’UE de 10 salariés ou plus utilisaient l’IA en 2025.
pour les PME européennes couvertes par la statistique.
en Belgique, parmi les taux les plus élevés de l’Union.
des PME utilisatrices de GenAI l’emploient dans leurs activités cœur.
La scène est composite. Elle ne raconte pas une entreprise précise, mais rassemble des situations devenues ordinaires.
Une réunion de direction. Quelques responsables autour de la table. Au centre, une liste d’idées.
Un assistant qui préparerait les rendez-vous commerciaux. Une IA capable de lire les contrats. Un agent pour les demandes clients. Une automatisation pour les factures. Un outil de prévision des ventes. Copilot pour les équipes. Un moteur capable de retrouver les connaissances dispersées dans l’entreprise.
Personne ne manque d’idées.
Il suffit pourtant d’une question pour changer la réunion.
Laquelle de ces idées mérite réellement notre argent, notre temps et notre attention ?
Ce n’est plus une discussion sur ce que la technologie sait faire. C’est une discussion sur l’entreprise. Et c’est probablement là que commence la partie difficile.
En 2025, 20 % des entreprises européennes de dix salariés ou plus déclaraient utiliser au moins une technologie d’intelligence artificielle, contre 13,5 % un an auparavant. Chez les PME, la proportion atteignait 19 %, contre 55 % dans les grandes entreprises. Avec 35 %, la Belgique figurait parmi les pays européens où l’usage était le plus répandu. [1]
Une autre enquête, menée par l’OCDE fin 2024 auprès de plus de 5 000 PME en Autriche, au Canada, en Allemagne, en Irlande, au Japon, en Corée et au Royaume-Uni, arrivait à un chiffre encore supérieur pour la seule IA générative : près de 31 % des entreprises interrogées déclaraient l’utiliser. Les deux statistiques ne mesurent ni exactement la même population ni exactement les mêmes technologies, et ne doivent donc pas être comparées comme si elles provenaient du même thermomètre. Mais elles décrivent le même mouvement. L’usage sort du cercle des pionniers. [2]
Le détail le plus intéressant de l’enquête de l’OCDE se trouve ailleurs. Parmi les PME qui utilisaient l’IA générative, moins de trois sur dix déclaraient l’utiliser dans leurs activités cœur, celles qui produisent directement leurs principaux biens, services ou revenus. L’usage restait davantage concentré sur des tâches périphériques, souvent simples ou ponctuelles. [2]
Voilà peut-être où en sont beaucoup d’entreprises. Elles ne découvrent plus l’IA. Elles cherchent encore où la mettre.
Et bientôt cette question sera elle-même insuffisante.
Car lorsqu’une technologie peut théoriquement intervenir presque partout, l’avantage ne vient plus de la capacité à trouver un cas d’usage. Il vient de la capacité à éliminer les mauvais.
Le problème de l’IA en entreprise n’est peut-être déjà plus le manque d’idées. C’est l’absence de critères suffisamment solides pour choisir entre elles.
Le premier choix consiste parfois à ne pas utiliser d’IA.
Choisir un projet IA revient d’abord à arbitrer entre des problèmes, pas entre des modèles.
La tentation est compréhensible. Une technologie apparaît. Elle est spectaculaire. Son coût d’entrée est faible. Les concurrents en parlent. Les collaborateurs expérimentent déjà. Les fournisseurs ajoutent des fonctionnalités d’IA dans presque tous les logiciels.
La question vient naturellement : Que pourrions-nous faire avec ?
C’est peut-être la mauvaise première question.
Une direction dispose rarement d’une quantité infinie de temps, d’argent et de capacité de changement. Choisir un projet IA signifie presque toujours ne pas faire autre chose.
Le point de départ devrait donc se trouver dans l’entreprise, pas dans la technologie.
Un délai commercial trop long. Une information difficile à retrouver. Des erreurs administratives. Une équipe saturée. Une expertise concentrée chez deux personnes. Une incapacité à traiter davantage de dossiers sans recruter. Une expérience client dégradée. Une décision qui arrive systématiquement trop tard.
Le problème précède l’outil.
Cette nuance paraît triviale jusqu’au moment où l’on découvre que la solution la plus intelligente ne contient parfois aucune intelligence artificielle.
Supprimer une validation peut être plus efficace que l’automatiser. Connecter deux logiciels peut être plus robuste que demander à un agent de faire la navette entre eux. Modifier un formulaire peut éviter des centaines de corrections. Une règle métier classique peut être moins chère, plus prévisible et plus simple à auditer qu’un modèle génératif.
L’innovation ne consiste pas à utiliser le maximum de technologie disponible. Elle consiste à trouver une meilleure manière de produire un résultat qui compte.
L’IA n’échappe pas à cette règle.
Avant d’automatiser une étape, vérifier si elle doit encore exister.
Une intégration classique peut être plus robuste et plus prévisible.
L’IA n’est pas un substitut à une règle métier ou un formulaire bien conçu.
Un bon problème ne suffit pas.
Le processus officiel et le processus réel ne sont pas toujours les mêmes.
Imaginons maintenant que le problème soit réel.
Une PME veut réduire le temps nécessaire pour produire ses offres commerciales.
Sur le papier, l’idée d’une IA paraît évidente. Elle pourrait lire la demande, retrouver les informations pertinentes, préparer une réponse et proposer un devis.
Puis on regarde le travail tel qu’il existe.
Certaines demandes arrivent par formulaire, d’autres par email. Les clients historiques téléphonent directement au commercial. Les tarifs sont dans l’ERP, sauf certaines conditions négociées. Les remises suivent une grille, sauf pour quelques comptes jugés stratégiques. Une vérification de capacité est prévue, mais contournée quand le dossier est urgent. Certaines informations essentielles vivent encore dans la tête de personnes expérimentées.
Le processus officiel existe. Le processus réel aussi. Ce ne sont pas toujours les mêmes.
Brancher une IA sur un processus flou peut simplement permettre au flou de circuler plus vite.
L’erreur serait toutefois d’en conclure qu’un processus doit être parfaitement standardisé avant toute utilisation de l’IA.
Ce serait ignorer une partie de ce qui rend précisément ces technologies intéressantes.
Les modèles actuels savent travailler avec du langage naturel, des documents imparfaits, des situations moins structurées que les anciennes automatisations. Ils permettent donc parfois de traiter une variabilité qui aurait auparavant rendu l’automatisation trop complexe.
Le vrai sujet est ailleurs.
L’entreprise doit savoir quelle part de l’ambiguïté elle souhaite laisser à la machine.
Lire une demande est une chose. Détecter qu’une information manque en est une autre. Proposer un prix en est encore une autre. Accorder une remise, engager de la capacité ou envoyer une offre inhabituelle sans validation humaine change complètement la nature du système.
À ce moment-là, on ne parle plus seulement d’automatisation. On parle de pouvoir.
À un certain niveau, on ne parle plus seulement d’automatisation. On parle de pouvoir.
Toutes les IA n’ont pas le même droit d’agir.
La question n’est pas seulement ce que le système sait faire, mais ce que l’organisation accepte de lui déléguer.
La conversation devient beaucoup plus claire lorsque l’on cesse de classer les projets par technologie et qu’on les classe par autonomie.
Une IA peut observer. Elle lit, classe, recherche, extrait ou détecte.
Elle peut assister. Elle résume, prépare, traduit, reformule ou produit une première version.
Elle peut recommander. L’humain reste décisionnaire mais reçoit une proposition.
Elle peut aussi agir. Mettre à jour une application, envoyer un message, créer une commande, lancer une séquence.
Enfin, les systèmes dits agentiques cherchent à poursuivre un objectif en enchaînant plusieurs actions avec davantage d’autonomie.
La frontière entre ces niveaux n’a rien d’académique.
Une erreur dans la synthèse d’une réunion interne n’a pas le même poids qu’un prix erroné envoyé à un client. Une mauvaise proposition de phrase n’a pas la même conséquence qu’une décision affectant un recrutement, un paiement ou une obligation contractuelle.
Les progrès techniques sont rapides, mais autonomie ne signifie toujours pas fiabilité absolue. Le Stanford AI Index 2026 montre des gains considérables sur plusieurs benchmarks tout en constatant que les systèmes agentiques restent imparfaits sur des tâches structurées. Dans les organisations interrogées, l’adoption générale de l’IA atteignait 88 % en 2025, tandis que le déploiement d’agents restait encore dans les simples chiffres dans presque toutes les fonctions étudiées. [3]
Ce décalage raconte quelque chose d’important.
Les entreprises sont beaucoup plus avancées dans l’usage de l’IA que dans la délégation d’action à l’IA.
Et elles ont probablement raison de distinguer les deux.
La question n’est donc pas seulement de savoir si la technologie peut accomplir une tâche. C’est de décider quel niveau d’erreur, d’autonomie et de conséquence l’organisation est prête à accepter.
Lire, rechercher, extraire, détecter.
Résumer, préparer, reformuler.
Proposer, l’humain tranche.
Écrire, envoyer, créer, déclencher.
Enchaîner des actions vers un objectif.
Le meilleur modèle n’est pas nécessairement la meilleure décision.
Le benchmark choisit un modèle. La stratégie choisit une capacité.
Problème, volume, données, niveau d’erreur acceptable.
Fonction native, modèle, API, RAG, solution métier, agent.
Intégration, coûts, contrôle, réversibilité, responsabilité.
Choisir une capacité
Une fois le problème choisi et le niveau d’autonomie défini, arrive le marché.
ChatGPT, Copilot, Gemini, Claude, fonctionnalités IA du CRM ou de l’ERP, solutions métier spécialisées, API, moteurs de recherche documentaire internes, plateformes d’automatisation, modèles ouverts, agents.
Le choix est vertigineux.
Il pousse naturellement les entreprises vers des comparaisons de modèles. Quel est le plus puissant ? Quel benchmark place l’un devant l’autre ? Qui a sorti la dernière fonctionnalité ?
Ces questions ont leur utilité. Elles ne décrivent pourtant qu’une fraction de la décision.
Pour une entreprise, un modèle légèrement moins performant mais déjà intégré dans son environnement, correctement gouverné et suffisamment fiable peut être beaucoup plus utile qu’un champion de benchmark isolé du reste du système.
Ce que l’entreprise choisit réellement, ce n’est donc pas seulement une intelligence artificielle. Elle choisit une architecture d’usage.
Comment la donnée arrive-t-elle ? Que peut consulter le système ? Que conserve le fournisseur ? Avec quels logiciels faut-il dialoguer ? Comment une réponse est-elle vérifiée ? Que se passe-t-il lorsqu’elle est incertaine ? Combien coûtera le dispositif lorsqu’il quittera le pilote pour traiter des milliers d’opérations ? Et surtout : pourra-t-on changer d’outil sans reconstruire toute la manière de travailler ?
Le sujet n’est pas le logo affiché en haut de l’écran. Le sujet est la dépendance que l’on construit autour.
Gouverner l’usage
Pendant que la direction prépare sa politique, les équipes expérimentent déjà.
La gouvernance de l’IA possède une particularité : dans beaucoup d’entreprises, elle commence après l’usage.
Un collaborateur résume un contrat dans un chatbot. Un autre prépare une réponse client. Une personne des RH retravaille une annonce. Un commercial analyse une proposition. Un manager synthétise des notes confidentielles.
Personne n’a nécessairement attendu qu’un comité de direction adopte une politique officielle.
C’est précisément pourquoi la gouvernance ne peut pas se limiter à interdire.
Une règle trop rigide pousse l’usage dans l’ombre. Une absence de règle laisse chaque collaborateur arbitrer seul des questions de données, de confidentialité, de qualité ou de responsabilité qu’il n’a parfois aucune raison de maîtriser.
Le cadre réglementaire européen rend désormais la question plus concrète. Les dispositions de l’AI Act concernant notamment les définitions, certaines interdictions et l’AI literacy sont applicables depuis le 2 février 2025. Depuis le 2 août 2026, les règles de transparence de l’article 50 ainsi que plusieurs autres dispositions sont entrées en application, et l’enforcement a commencé pour les règles concernées. Certaines obligations relatives aux systèmes à haut risque suivront plus tard selon le calendrier prévu. [5]
Pour une PME, transformer immédiatement cela en traité juridique serait pourtant manquer l’essentiel.
La première gouvernance est pratique.
Les équipes doivent savoir quels outils elles peuvent utiliser, quelles informations ne doivent pas y être déposées, dans quelles situations une sortie doit impérativement être vérifiée et qui reste responsable de la décision.
Elles doivent également pouvoir signaler un problème. Et l’entreprise doit savoir arrêter ce qu’elle a mis en production.
Le cadre volontaire du NIST formalise cette logique autour de quatre fonctions : Govern, Map, Measure et Manage. Il insiste notamment sur le test des systèmes avant leur déploiement, leur surveillance pendant l’exploitation, la possibilité de reprise et les mécanismes d’arrêt ou de retrait.
Derrière la terminologie se trouve une idée simple.
Une IA déployée n’est jamais un projet terminé. [6]
C’est un système qui continue à devoir être observé.
Responsabilités, règles, compétences et politique.
Usage, contexte, personnes, données et conséquences.
Tests, qualité, erreurs, risques, performance.
Surveillance, correction, reprise, arrêt ou retrait.
L’innovation commence là où la certitude s’arrête.
Le droit d’expérimenter n’a aucune valeur sans droit d’arrêter.
Il reste alors un problème que les procédures ne peuvent pas résoudre.
Personne ne sait à l’avance avec certitude quels usages de l’IA créeront le plus de valeur.
C’est précisément pour cela qu’il faut expérimenter.
Mais une expérience n’est pas un petit déploiement. C’est une manière organisée de réduire une incertitude.
Supposons qu’une équipe commerciale passe beaucoup de temps à préparer ses rendez-vous.
La tentation consiste à installer un assistant IA, à laisser quelques commerciaux le tester, puis à leur demander s’ils en sont contents.
L’expérience est séduisante. Elle apprend peu.
Une vraie hypothèse serait plus exigeante : Nous pensons qu’un assistant capable de préparer automatiquement le contexte client peut réduire le temps de préparation sans diminuer la qualité des rendez-vous.
À partir de là, le test change de nature.
Il faut connaître la situation avant l’outil. Choisir un périmètre suffisamment petit. Observer ce qui se passe. Comparer. Comprendre les erreurs. Regarder ce que les utilisateurs font réellement, pas seulement ce qu’ils déclarent.
Puis décider.
Continuer. Modifier. Étendre. Ou arrêter.
Cette dernière possibilité est essentielle.
Sinon, l’entreprise ne possède pas un portefeuille d’expériences. Elle possède progressivement un portefeuille de coûts.
Une direction mature face à l’IA ne prétend pas connaître l’avenir. Elle est capable de dire : nous ne savons pas encore si cela fonctionnera suffisamment bien, mais nous savons ce que nous voulons apprendre, combien nous sommes prêts à investir pour l’apprendre et quelle preuve nous fera continuer ou arrêter.
C’est peut-être cela, aujourd’hui, la forme la plus utile de gouvernance de l’innovation.
Ni le contrôle absolu. Ni la fascination. Une discipline de l’incertitude.
Situation de départ et hypothèse.
Périmètre, durée et exposition maîtrisés.
Usage réel, erreurs, effets observés.
Étendre, modifier ou arrêter.
Gagner du temps n’est pas encore gagner de l’argent.
de problèmes résolus par heure en plus, en moyenne, dans l’étude NBER.
chez les agents novices ou moins performants.
des PME utilisatrices de GenAI déclarent une amélioration de performance.
déclarent avoir économisé de l’argent.
Les gains de productivité liés à l’IA ne sont pas théoriques.
Dans une étude menée sur 5 179 agents de support client, Erik Brynjolfsson, Danielle Li et Lindsey Raymond ont observé une hausse moyenne de 14 % du nombre de problèmes résolus par heure après l’introduction d’un assistant d’IA générative. L’effet atteignait 34 % chez les agents novices ou moins performants, alors qu’il était faible chez les plus expérimentés. [4]
C’est un résultat impressionnant.
C’est aussi un excellent exemple de la manière dont il ne faut pas lire les études.
Il ne signifie pas que « l’IA augmente la productivité de 14 % ».
Il signifie qu’un outil précis, appliqué à une activité précise, dans un environnement précis, selon une mesure précise, a produit ce résultat.
Le contexte fait partie du résultat.
Les PME interrogées par l’OCDE déclarent elles aussi des bénéfices. Parmi celles qui utilisent l’IA générative, 65 % disent qu’elle a amélioré la performance des salariés, 45 % qu’elle leur a permis d’économiser de l’argent, environ 35 % qu’elle a permis de réaliser de nouvelles tâches ou de proposer de nouveaux produits ou services, et 26 % qu’elle a contribué à augmenter les revenus. L’OCDE précise cependant que son enquête ne mesure pas l’ampleur de ces effets.
La nuance compte énormément. [2]
« L’IA nous fait gagner du temps » n’est pas encore un business case.
Imaginons qu’un commercial économise cinq heures par semaine. Que deviennent-elles ?
S’il utilise cette capacité pour rencontrer davantage de prospects, préparer de meilleures propositions ou réduire le délai de réponse, l’entreprise peut convertir le gain en valeur.
S’il travaille simplement un peu moins sous pression, l’effet existe aussi. Il peut être humainement souhaitable et opérationnellement utile. Mais ce n’est pas le même résultat économique.
Voilà pourquoi le nombre de licences activées, de prompts envoyés ou même d’heures théoriquement économisées raconte peu de choses sur la réussite d’une stratégie IA.
La mesure intéressante se trouve plus loin.
Délai. Marge. Conversion. Qualité. Capacité. Erreur. Coût de service. Satisfaction client. Revenu. Cash. Ou simplement une activité auparavant impossible à réaliser avec les ressources disponibles.
L’indicateur dépend du problème de départ. Il devrait donc exister avant que l’entreprise ne tombe amoureuse de la solution.
La capacité libérée n’a de valeur économique que si l’entreprise sait ce qu’elle veut en faire.
Le travail humain ne disparaît pas. Sa valeur se déplace.
Quand une partie de l’exécution est prise en charge, où voulons-nous déplacer le jugement, la relation et l’expertise ?
La conversation sur l’IA revient souvent à une question spectaculaire : Quels métiers vont disparaître ?
Pour un dirigeant de PME, la question utile est souvent beaucoup plus proche.
Que vais-je désormais attendre de cette personne ?
Si l’IA produit une première analyse, davantage de valeur se déplace vers la capacité à la comprendre et à la contester.
Si elle prépare le rendez-vous commercial, l’humain peut consacrer davantage de temps à comprendre le client, négocier ou construire la relation.
Si elle produit une première version d’un document, la compétence ne réside plus seulement dans la capacité à écrire, mais dans le jugement permettant de détecter ce qui est mauvais, incomplet ou dangereux. [4]
L’étude de Brynjolfsson, Li et Raymond suggère également que l’assistance peut diffuser une partie des pratiques des travailleurs les plus performants vers les moins expérimentés, ce qui peut modifier les mécanismes d’apprentissage eux-mêmes. [2]
L’OCDE observe le même paradoxe sous un autre angle. Parmi les PME utilisatrices ayant connu un déficit de compétences, 39 % estiment que l’IA générative les a aidées à le compenser. Dans le même temps, l’enquête conclut que les PME sont plus nombreuses à déclarer une augmentation qu’une diminution de leur besoin de travailleurs hautement qualifiés.
L’IA ne réduit donc pas nécessairement le besoin d’expertise.
Elle peut déplacer l’endroit où l’expertise devient précieuse.
Ce déplacement mérite d’être piloté.
Car une automatisation ne modifie pas seulement un processus. Elle modifie parfois un métier. Et lorsqu’un métier change, la question finit toujours par arriver jusqu’au management.
des PME utilisatrices ayant connu un déficit de compétences disent que la GenAI les a aidées à le compenser.
Six dimensions pour revenir à une décision de dirigeant.
Une entreprise n’a pas besoin d’un comité de cinquante pages pour challenger une première idée. Elle peut commencer par six dimensions.
Valeur
Quel problème business voulons-nous réellement réduire, ou quelle opportunité voulons-nous créer ?
Travail
Quelle partie du travail voulons-nous transformer et comprenons-nous suffisamment ce qui s’y passe aujourd’hui ?
Technologie
Pourquoi faut-il de l’IA ici, et pourquoi cette solution plutôt qu’une approche plus simple ?
Autonomie
Le système observe-t-il, assiste-t-il, recommande-t-il ou agit-il ? Où l’humain reprend-il la main ?
Gouvernance
Quelles données utilise-t-il ? Qui répond du résultat ? Comment le système est-il testé, surveillé, corrigé et éventuellement arrêté ?
Impact
Quelle preuve décidera de la suite : continuer, étendre, modifier ou abandonner ?
Cette grille n’est pas un standard scientifique autonome. Elle traduit dans un cadre opérationnel pour PME des principes de création de valeur, de transformation du travail, d’expérimentation et de gestion des risques que l’on retrouve notamment dans les travaux de l’OCDE et dans le cadre de gestion des risques IA du NIST.
Le test qui révèle souvent plus que la réponse
Prenez un seul projet IA actuellement envisagé dans l’entreprise. Demandez aux personnes concernées de répondre séparément à ces six dimensions. Puis comparez.
Si trois dirigeants identifient trois problèmes différents, la technologie n’est probablement pas encore le sujet.
Si tout le monde connaît le produit mais personne ne sait expliquer pourquoi l’IA est nécessaire, le choix de la solution est arrivé trop tôt.
Si les bénéfices sont clairs mais que personne ne sait jusqu’où le système peut agir, le chantier est celui de l’autonomie.
Si l’expérience ne possède aucune condition d’arrêt, ce n’est peut-être déjà plus une expérience.
Et si les six réponses sont identiques ?
Alors le projet n’est pas garanti de réussir. Mais au moins l’organisation sait ce qu’elle est en train d’essayer de prouver.
Le prochain avantage ne sera pas d’avoir accès à l’IA.
La technologie continuera de progresser. De nouvelles fonctions entreront dans les logiciels du quotidien. Des activités aujourd’hui expérimentales deviendront banales. Certaines promesses actuelles disparaîtront probablement aussi vite qu’elles sont apparues.
Dans cet environnement, pouvoir dire « nous utilisons l’IA » aura bientôt aussi peu de valeur stratégique que pouvoir dire « nous utilisons internet ».
L’accès se banalise. Le jugement, lui, ne se télécharge pas.
Il faut encore savoir quel problème mérite d’être traité. Comprendre le travail suffisamment pour décider ce qui peut être délégué. Choisir une technologie sans fabriquer une dépendance inutile. Donner de l’autonomie proportionnellement aux conséquences d’une erreur. Permettre aux équipes d’expérimenter sans abandonner la responsabilité. Mesurer de la valeur plutôt que de l’activité. Accepter d’arrêter ce qui ne fonctionne pas. Et redessiner le travail humain lorsque la machine prend en charge une partie de l’exécution.
La question stratégique n’est donc peut-être pas : « Quelle est notre stratégie IA ? »
Elle peut commencer beaucoup plus concrètement.
Quelle décision sommes-nous prêts à laisser cette technologie prendre à notre place, et pourquoi celle-là ?
[1] Eurostat, Digitalisation in Europe - 2026 edition, « AI in business ». 20 % UE, 19 % PME, 55 % grandes entreprises, 35 % Belgique en 2025. ec.europa.eu/eurostat
[4] NBER, Brynjolfsson, Li & Raymond, Generative AI at Work, Working Paper 31161. 5 179 agents, +14 % en moyenne, +34 % chez les novices et moins performants. nber.org
[2] OCDE, Generative AI and the SME Workforce: New Survey Evidence, 2025. Enquête représentative auprès de plus de 5 000 PME dans 7 pays. oecd.org
[5] Commission européenne, Timeline for the Implementation of the EU AI Act, version consolidée 2026. AI Act Service Desk
[3] Stanford HAI, AI Index Report 2026, Economy et Technical Performance. Adoption organisationnelle et performances des agents. hai.stanford.edu
[6] NIST, Artificial Intelligence Risk Management Framework, fonctions Govern, Map, Measure et Manage. airc.nist.gov
Quel usage de l’IA votre entreprise envisage-t-elle aujourd’hui sans pouvoir encore dire clairement quel problème il résout, quel pouvoir elle veut lui donner et quelle preuve justifierait de le déployer à plus grande échelle ?
lucid.dtsc.be · lucid@dtsc.be
Écrit et créé par Junior Cantos pour LUCID by DTSC
LUCID · Gestion de PME by DT Services & Consulting
11
La première conversation de 30 minutes est offerte. C'est là que ça se cadre, sans engagement.
Toutes les éditions
