IA en entreprise NC : 5 cas d'usage concrets et leur ROI

L’intelligence artificielle générative — ChatGPT, Claude, Mistral, Gemini — est arrivée dans les entreprises calédoniennes par la petite porte. Un comptable qui copie-colle des comptes-rendus dans ChatGPT pour les résumer. Un commercial qui demande à Claude de rédiger un mail client. Un dirigeant qui teste Gemini pour préparer un comité de direction. À chaque fois, on pose la même question en arrière-plan : comment intégrer ça proprement, sans risque pour les données, et avec un vrai impact mesurable ?

Dans cet article, on présente cinq cas d’usage qu’on a déjà déployés ou pré-cadrés en NC, avec leur ROI estimé, leurs coûts et leurs risques. Pas d’IA-générale-qui-change-tout : du concret, modulable, vérifiable.

Pourquoi parler d’IA en NC en 2026 ?

L’IA générative n’est plus un sujet de R&D. Les modèles ont passé un seuil de fiabilité qui les rend utilisables en production sur des tâches précises (rédaction, extraction, classification, recherche documentaire). Le coût des appels API a chuté drastiquement : un appel GPT-4o ou Claude 3.7 Sonnet coûte aujourd’hui ce que coûtait un appel GPT-3.5 en 2022.

En parallèle, les modèles open-weight (Llama, Mistral, Qwen) tournent désormais sur des serveurs de taille raisonnable, ce qui rend possible un déploiement souverain — un argument décisif pour les institutions, cabinets médicaux et entreprises traitant des données sensibles.

Reste à savoir où ça crée de la valeur. Voici les cinq cas qu’on voit revenir le plus en NC.

Cas n° 1 — Assistant pour répondre aux appels d’offres publics

Le problème

Les appels d’offres publics calédoniens (Province Sud, Mairie de Nouméa, OPT, SLN, etc.) imposent des dossiers techniques de 30-60 pages avec des exigences réglementaires précises (RIDET, Cafat à jour, attestations, références similaires, démarche RSE…). Les PME passent 2-4 jours-homme par dossier, dont 70 % sur du copier-coller, du re-formatage et de la vérification de cohérence.

La solution

Un assistant RAG (Retrieval-Augmented Generation) qui ingère votre base documentaire interne (référence projets, attestations, statuts, présentations), comprend la structure des appels d’offres calédoniens, et pré-rédige les réponses standard en pointant les zones où une intervention humaine est nécessaire. Génération du dossier en moins d’une heure, relecture humaine en 2-4 heures.

Coût et ROI

• Pilote : 4-6 semaines, 1,5-2,5 millions XPF.
• Récurrent : ~50 k XPF/mois (API + maintenance).
• Gain : 60-70 % du temps de réponse aux AO. Pour une PME qui répond à 20 AO/an, ça représente 30-40 jours-homme libérés.

Risques

• Hallucinations sur les chiffres / engagements précis → l’humain doit relire les engagements contractuels.
• Confidentialité des données soumises à l’API → utiliser un LLM avec contrat DPA solide (Anthropic, OpenAI Enterprise) ou un déploiement on-premise (Mistral, Llama).

Cas n° 2 — Extraction automatisée de factures fournisseurs

Le problème

Saisir manuellement 200-500 factures fournisseurs/mois mobilise un comptable une grosse demi-journée par semaine. Les outils OCR génériques (Pennylane, Dext, Receipt Bank) marchent bien sur des factures standards mais font des erreurs sur les factures locales NC (mise en page artisanale, multilingue, monnaies multiples, TGC pas toujours bien formatée).

La solution

Un pipeline qui combine OCR (Tesseract ou Google Document AI) + LLM pour extraire les champs (fournisseur, n° facture, montant HT/TGC/TTC, échéance, IBAN, référence projet) et les recouper avec votre base fournisseurs. Les cas ambigus sont escaladés à l’humain ; les cas certains sont injectés directement dans le logiciel comptable.

Coût et ROI

• Pilote : 3-5 semaines, 1-2 millions XPF.
• Récurrent : ~30 k XPF/mois (API + monitoring).
• Gain : 80-90 % du temps de saisie. Pour 400 factures/mois, on libère ~5 jours-homme/mois.

Risques

• Une mauvaise extraction sur un IBAN entraîne un virement à la mauvaise personne. Toujours valider les paiements > seuil par un humain.
• Reconnaissance faible sur les factures manuscrites/scannées en mauvaise qualité — prévoir un fallback humain.

Cas n° 3 — Chatbot interne sur la base documentaire de l’entreprise

Le problème

Vos collaborateurs perdent du temps à chercher dans des centaines de documents internes : procédures qualité, manuels produits, notes d’organisation, contrats clients, fiches techniques. Un nouvel arrivant met 2-3 mois avant de connaître l’ensemble.

La solution

Un chatbot d’entreprise basé sur RAG qui ingère vos documents (PDF, Word, intranet, wiki), répond aux questions en langage naturel et cite les sources. Déployé en interne (Slack, Teams, ou interface web dédiée), accessible 24/7 par tous les collaborateurs.

Pour une entreprise sensible (santé, défense, finance), le tout peut tourner sur un serveur on-premise avec un modèle open-weight (Mistral 7B ou Llama 3.1 8B) — aucune donnée ne sort de chez vous.

Coût et ROI

• Pilote : 6-8 semaines, 2,5-4 millions XPF (selon le volume documentaire et le mode d’hébergement).
• Récurrent : ~80 k XPF/mois si API cloud, ou amortissement d’un serveur (~250 k XPF) sur 3 ans pour le on-premise.
• Gain : variable selon l’usage. Mesurable sur le temps d’onboarding (-30 à -50 %) et sur la résolution autonome de tickets internes (+40 %).

Risques

• Mauvaise qualité du corpus documentaire → garbage in, garbage out. Un audit de la base de connaissance est souvent un préalable nécessaire.
• Dérive d’usage : les collaborateurs vont demander des choses « créatives » au bot. Encadrer le périmètre par un prompt système strict.

Cas n° 4 — Modèle de prévision de stocks ou de ventes

Le problème

Un grossiste ou un retailer doit anticiper ses commandes pour gérer les délais Pacifique (3-6 semaines pour les conteneurs depuis la métropole/Asie) et les ruptures saisonnières. Sur-stock = trésorerie immobilisée. Sous-stock = perte de chiffre. Aujourd’hui, beaucoup d’entreprises NC tournent à l’instinct du chef de magasin.

La solution

Un modèle de Machine Learning (souvent un gradient boosting + features saisonnières + variables externes : cours du change, météo, événements locaux) qui apprend sur votre historique de ventes et prédit la demande à 4-12 semaines. Pas du LLM ici — du ML « classique » qui marche très bien sur des séries temporelles structurées.

Coût et ROI

• Pilote : 6-10 semaines, 2-4 millions XPF.
• Récurrent : faible (le modèle tourne sur un serveur léger, retrained mensuellement).
• Gain : observation typique sur nos déploiements et la littérature : -10 à -20 % de stock immobilisé, -15 à -30 % de ruptures. Pour une entreprise qui a 50 millions XPF de stock, c’est 5-10 millions XPF de trésorerie libérée.

Risques

• Données historiques de mauvaise qualité ou trop courtes (< 18 mois) → modèle peu fiable.
• Événement extérieur imprévu (Covid, crise locale, grève douanière) → le modèle ne saura pas anticiper. Combiner avec du jugement humain pour les périodes atypiques.

Cas n° 5 — Assistant rédactionnel pour communication & marketing

Le problème

Une PME locale avec une équipe marketing réduite (souvent 0,5 ETP) a du mal à produire le volume de contenus attendu : posts réseaux sociaux, newsletters mensuelles, articles de blog, fiches produits, supports commerciaux. Soit elle externalise (cher), soit elle produit peu et mal.

La solution

Un assistant rédactionnel calibré sur votre marque : ton, vocabulaire interdit/préféré, exemples de bons et mauvais contenus, cibles, contraintes légales (santé, finance). On peut aller jusqu’à un fine-tuning sur 100-200 contenus existants, ou plus simplement un prompt système très structuré.

Le contenu produit reste relu et validé par un humain — l’IA est un accélérateur, pas un remplacement. Mais on passe d’1 article/mois à 4-6 articles/mois sans embaucher.

Coût et ROI

• Pilote : 2-4 semaines, 800 k - 1,5 million XPF.
• Récurrent : 20-40 k XPF/mois (API).
• Gain : x3-x4 sur le volume de contenu, à qualité constante. Pour une PME qui dépense 200 k XPF/mois en agence externe, on peut viser une baisse de 50-70 %.

Risques

• Contenu IA-flagrant si on ne calibre pas → relire et corriger systématiquement, ne jamais publier brut.
• Question des droits d’auteur sur les sorties IA → consulter votre juriste en cas de production massive (notamment images).

Comment démarrer sans se planter

Si on devait résumer la méthode qu’on applique chez nos clients :

1. Choisir un cas d’usage où le ROI est mesurable simplement (temps gagné, taux d’erreur, taux de conversion). Pas de « digitaliser l’entreprise grâce à l’IA ».
2. Cadrer en 1 semaine maximum. Si on n’arrive pas à formuler clairement le besoin et le succès, c’est qu’on n’est pas prêt.
3. Construire un pilote en 4-8 semaines avec un périmètre serré. Mesurer.
4. Décider : on étend, on pivote, ou on arrête. Honnêtement.
5. Industrialiser uniquement après que le pilote a prouvé sa valeur sur 4-8 semaines de production.

Le piège à éviter absolument

L’erreur n° 1 qu’on voit en 2026 : lancer un projet IA pour faire de la com plutôt que pour résoudre un problème business. Une annonce LinkedIn « Nous avons intégré l’IA dans notre process » qui se traduit par un chatbot peu fiable sur le site vitrine, c’est du gaspillage et ça abîme la marque.

L’IA marche quand elle s’attaque à un problème précis, mesurable, récurrent et coûteux en temps humain. Si vous ne pouvez pas cocher ces 4 cases avant de démarrer, attendez avant de lancer le projet.

En résumé

L’IA en entreprise calédonienne est une question d’usage, pas de techno. Les modèles disponibles aujourd’hui sont assez bons pour les cinq cas présentés ici, à des coûts qui ont été divisés par 10 en deux ans. Reste à choisir le bon point d’entrée, mesurer honnêtement, et étendre quand c’est prouvé.

Si vous voulez explorer un cas précis pour votre entreprise, on cadre ça gratuitement en première session — et on vous dit franchement si l’IA est la bonne réponse à votre problème, ou pas.

---

À lire aussi : ERP custom vs SaaS pour une PME calédonienne et PWA, app native ou hybride en NC.