1. Synthèse générale
Cette table ronde réunit quatre experts autour d’une question centrale : comment permettre aux entreprises, notamment aux PME et ETI, de tirer pleinement parti de l’intelligence artificielle tout en maîtrisant les risques, les coûts et la sécurité de leurs données ?
- 1. Synthèse générale
- 2. L’adoption de l’IA dans les entreprises : une maturité très inégale
- 3. Identifier et prioriser les projets IA : commencer par un diagnostic
- Les six leviers de maturité
- Quatre grands blocs pour évaluer la maturité
- Comment arbitrer entre plusieurs projets ?
- 4. Héberger ses applications IA : local ou cloud ?
- 5. Les points de vigilance : sécurité, coûts et maîtrise des usages
- La maîtrise des coûts et des consommations
- La gouvernance et les compétences
- La dépendance excessive à l’IA
- 6. Les messages clés des quatre intervenants
- 7. Les enseignements concrets pour les dirigeants de PME et ETI
- 8. Conclusion : accélérer avec l’IA, mais pas à n’importe quel prix
- Les trois phrases à retenir
- Visionnez le replay de la Table Ronde :
Le principal enseignement est que l’adoption de l’IA ne doit pas se résumer à l’achat d’abonnements ou au déploiement de nouveaux outils. Elle nécessite une véritable réflexion stratégique, organisationnelle et technologique.
Les intervenants s’accordent sur trois conditions essentielles pour réussir cette transformation :
- Identifier les bons cas d’usage et mesurer la valeur qu’ils peuvent apporter.
- Évaluer la maturité de l’entreprise et préparer son organisation avant de déployer l’IA à grande échelle.
- Choisir une infrastructure d’hébergement adaptée aux besoins de l’entreprise, en tenant compte de la confidentialité, de la souveraineté des données, des coûts et des contraintes réglementaires.
Le message central : il faut passer d’une adoption opportuniste de l’IA à une démarche structurée, pilotée et maîtrisée.
2. L’adoption de l’IA dans les entreprises : une maturité très inégale
Les intervenants constatent que les entreprises se trouvent aujourd’hui à des niveaux de maturité très différents.
Certaines ont déjà largement intégré l’IA dans leur quotidien :
- Déploiement de licences ChatGPT, Claude ou d’autres modèles auprès des collaborateurs.
- Formation des équipes à ces nouveaux outils.
- Développement d’applications IA sur mesure intégrées aux logiciels métiers.
- Création d’assistants internes pour traiter les données confidentielles.
- Mise en place progressive de chartes d’utilisation et de dispositifs de gouvernance.
À l’inverse, d’autres entreprises commencent tout juste à identifier les usages possibles ou doivent encore convaincre leurs collaborateurs de l’intérêt de l’IA.
Un phénomène particulièrement préoccupant est celui du Shadow AI : les collaborateurs utilisent leurs propres comptes et leurs propres outils d’IA, parfois en y intégrant des informations confidentielles de l’entreprise.
Cette situation révèle un paradoxe : certaines directions interdisent ou freinent l’utilisation de l’IA, alors que leurs collaborateurs l’utilisent déjà sans encadrement.
Il devient donc indispensable pour les dirigeants de reprendre la maîtrise de ces usages.
Des gains de productivité déjà bien réels, mais encore ciblés
Raphaël Richard souligne que l’IA permet des gains de productivité considérables sur certaines tâches :
- Production de contenus.
- Prospection commerciale.
- Gestion de la relation client.
- Traitement administratif.
- Recrutement et gestion des candidatures.
- Recherche et exploitation documentaire.
William Eudes apporte un exemple concret chez Synology : l’utilisation de modèles internes alimentés par les bases de connaissances, les bases de bugs et les procédures de dépannage permet de traiter environ 70 % des demandes de support technique les plus courantes.
Les ingénieurs peuvent ainsi consacrer davantage de temps aux problèmes complexes.
Toutefois, les intervenants rappellent qu’il existe une différence importante entre les gains réalisés sur une tâche isolée et la transformation globale d’un métier ou d’une entreprise.
La révolution de l’IA est déjà perceptible dans certains services, mais la transformation complète des organisations reste encore largement à construire.
3. Identifier et prioriser les projets IA : commencer par un diagnostic
C’est Michaël Tartar, fondateur de Dimmup, qui développe le plus précisément cette approche (voir son approche d’identification en 23 points ici)
Son constat : les dirigeants ont souvent du mal à évaluer ce que l’IA peut réellement apporter à leur entreprise. Certains sont enthousiastes, d’autres inquiets, mais beaucoup manquent de repères pour prendre les bonnes décisions.
Il propose donc de commencer par une évaluation globale de la maturité de l’entreprise.
Les six leviers de maturité
Son modèle repose sur six dimensions complémentaires :
Dimension | Questions à se poser |
Stratégie | Quels objectifs l’IA doit-elle servir ? |
Organisation | Qui décide, pilote et contrôle les résultats ? |
Personnel | Les collaborateurs disposent-ils des compétences nécessaires ? |
Offre | Comment l’IA peut-elle enrichir la valeur apportée aux clients ? |
Technologie | Les outils et infrastructures sont-ils adaptés ? |
Environnement | Les attentes du marché et les contraintes réglementaires sont-elles prises en compte ? |
L’objectif est de ne pas réduire un projet IA à un simple choix technologique.
Un projet peut nécessiter, par exemple, de revoir les processus internes, de former les collaborateurs, de fiabiliser les données ou de clarifier les responsabilités.
Quatre grands blocs pour évaluer la maturité
Le diagnostic Dimmup s’articule autour de quatre domaines :
- La direction stratégique : savoir où l’entreprise souhaite aller et quelle valeur elle veut créer.
- L’organisation : préparer les collaborateurs, définir les règles d’utilisation et anticiper les résistances.
- Le passage à l’échelle : préparer les outils, les infrastructures et les moyens nécessaires pour industrialiser les expérimentations.
- La confiance : maîtriser les données, les risques et la conformité dans la durée.
La plateforme propose notamment d’évaluer 12 indicateurs parmi les 117 disponibles et d’obtenir une note de maturité de 0 à 5.
Comment arbitrer entre plusieurs projets ?
Michaël Tartar propose trois critères de décision :
- La valeur : quels bénéfices concrets le projet apportera-t-il et comment les mesurer ?
- La faisabilité : l’entreprise dispose-t-elle des compétences, des ressources et des données nécessaires ?
- Les risques : quelles conséquences en cas d’erreur, d’hallucination ou de mauvaise utilisation de l’IA ?
Il illustre cette approche avec un assistant documentaire interne.
Pour que ce projet fonctionne, il ne suffit pas d’installer un modèle d’IA. Il faut également disposer de documents fiables, de règles d’accès appropriées et d’une personne responsable de leur actualisation.
Trois décisions sont alors possibles :
- Expérimenter immédiatement.
- Préparer les prérequis avant de démarrer.
- Reporter le projet si l’entreprise n’est pas suffisamment prête.
Cette approche permet d’éviter de multiplier les expérimentations sans fondations solides.
4. Héberger ses applications IA : local ou cloud ?
La troisième grande partie de la table ronde porte sur l’hébergement et la maîtrise des données.
William Eudes présente l’évolution des besoins des entreprises en matière d’infrastructures.
Il constate une demande croissante pour des solutions de stockage et de traitement local des données, notamment de la part des grandes entreprises qui manipulent des informations sensibles.
Synology propose notamment des serveurs intégrant des cartes graphiques permettant de faire fonctionner des modèles d’IA directement dans les locaux de l’entreprise.
Les principaux avantages de l’IA locale sont :
- La maîtrise et la souveraineté des données.
- Une meilleure maîtrise des flux d’informations.
- La possibilité de travailler sur des données confidentielles sans les transmettre à des IA publiques.
- Une réduction potentielle des coûts récurrents liés aux abonnements et à la consommation de services cloud.
- Une plus grande autonomie dans le choix des modèles et des outils.
William évoque des investissements qui peuvent démarrer à quelques milliers d’euros pour une configuration relativement simple et atteindre plusieurs centaines de milliers d’euros pour des infrastructures plus importantes.
Cependant, les intervenants insistent sur un point essentiel : l’IA locale n’est pas systématiquement la meilleure solution.
Local ou cloud : un arbitrage qui dépend des usages
Raphaël Richard explique que le choix doit être réalisé en fonction de la sensibilité des données, des besoins métiers, des volumes d’utilisation et des moyens financiers de l’entreprise.
IA locale | IA cloud |
Adaptée aux données très sensibles | Adaptée aux usages courants et moins sensibles |
Meilleure maîtrise de l’hébergement | Accès à des modèles souvent très performants |
Investissement matériel initial | Paiement à l’usage ou par abonnement |
Maintenance et compétences internes nécessaires | Dépendance au fournisseur et à ses conditions |
Pertinente pour certains usages intensifs | Pertinente pour des besoins ponctuels ou évolutifs |
Les deux approches peuvent également coexister dans une même entreprise.
Trois exemples concrets illustrent ces arbitrages :
- Une entreprise industrielle automobile utilise une IA locale pour permettre à ses concessions et garages de consulter une base interne de bugs et de procédures de diagnostic. La confidentialité de ces informations est stratégique.
- Un cabinet d’avocats doit utiliser des modèles locaux en raison du secret juridique. Le déploiement a nécessité six mois de travail, avec des contraintes strictes concernant les serveurs, les modèles autorisés, les connexions Internet et l’anonymisation.
- À l’inverse, une entreprise du secteur de l’édition, dont les usages manipulent peu de données sensibles, peut privilégier des solutions cloud, plus simples à déployer et à utiliser.
Le choix doit donc être raisonné et adapté à chaque situation.
5. Les points de vigilance : sécurité, coûts et maîtrise des usages
Plusieurs risques importants sont identifiés au cours des échanges.
La confidentialité et la sécurité des données
C’est l’un des principaux enjeux de la table ronde.
Les collaborateurs peuvent transmettre involontairement des données confidentielles à des services d’IA publics.
Même une IA hébergée localement ne garantit pas automatiquement une sécurité totale.
Philippe Desplats rappelle qu’un modèle local connecté à un système de recherche externe peut potentiellement transmettre des informations sensibles lors de ses recherches.
Il faut donc également maîtriser :
- Les connexions réseau.
- Les droits d’accès.
- Les flux de données.
- Les mécanismes d’anonymisation.
- Les modèles utilisés et leur provenance.
La maîtrise des coûts et des consommations
L’utilisation d’agents IA peut générer des coûts importants lorsqu’ils fonctionnent en continu ou tournent en boucle sans supervision.
Philippe Desplats cite le cas d’une entreprise ayant reçu une facture de 32 000 euros à la suite de l’exécution continue d’agents IA qui n’avaient pas été correctement surveillés.
Les recommandations sont claires :
- Définir des quotas de consommation par utilisateur.
- Mettre en place des seuils d’utilisation.
- Surveiller les activités des agents.
- Contrôler les coûts liés aux tokens.
- Prévoir les coûts d’électricité, de refroidissement et de maintenance pour les infrastructures locales.
L’observabilité est donc indispensable.
La gouvernance et les compétences
Michaël Tartar insiste sur le fait que l’IA transforme les habitudes, les responsabilités et les processus de décision.
Les projets ne concernent plus uniquement les équipes informatiques.
Ils impliquent également :
- La direction générale.
- Les ressources humaines.
- La direction financière.
- Les responsables métiers.
- Les équipes informatiques.
Il faut notamment anticiper la dépendance aux compétences internes : qui assurera la maintenance des infrastructures si la personne qui les maîtrise quitte l’entreprise ?
La dépendance excessive à l’IA
Raphaël Richard identifie un autre risque : certains professionnels utilisent les productions de l’IA sans réellement les relire, les vérifier ou les retravailler.
L’IA doit rester un assistant et non se substituer à la réflexion humaine.
Il faut également accompagner les collaborateurs pour dépasser leurs craintes, comprendre le fonctionnement des outils et apprendre à les utiliser correctement.
Enfin, les entreprises doivent réfléchir à leur stratégie à long terme : l’IA est susceptible de modifier profondément les métiers, les modèles économiques et les organisations.
6. Les messages clés des quatre intervenants
Raphaël Richard – Neodia
L’IA apporte déjà des gains importants sur des tâches précises, mais les entreprises doivent apprendre à distinguer les gains ponctuels de la transformation globale des métiers. Il insiste également sur la formation, la vérification des résultats et l’adaptation des compétences humaines.
Michaël Tartar – Dimmup
Il faut commencer par un diagnostic de maturité pour comprendre les besoins, les capacités et les limites de l’entreprise. Les projets doivent être sélectionnés selon leur valeur, leur faisabilité et leurs risques.
Philippe Desplats – Expert en déploiement IA
L’adoption de l’IA nécessite un accompagnement structuré, une architecture adaptée et une gouvernance solide. Il insiste particulièrement sur le Shadow AI, l’observabilité, la maîtrise des coûts et le choix des modèles en fonction des usages.
William Eudes – Synology
L’hébergement local permet de mieux maîtriser les données sensibles et de gagner en autonomie. Il constitue une solution pertinente pour certaines entreprises, mais doit être dimensionné en fonction des besoins et des moyens disponibles.
7. Les enseignements concrets pour les dirigeants de PME et ETI
À partir des échanges, on peut dégager une démarche progressive en sept étapes.
- Faire l’inventaire des usages existants
Identifier les outils déjà utilisés par les collaborateurs, y compris les usages non officiels. - Sensibiliser et former les équipes
Donner aux dirigeants et aux collaborateurs les connaissances nécessaires pour utiliser l’IA avec discernement. - Réaliser un diagnostic de maturité
Évaluer la stratégie, l’organisation, les compétences, les données, les technologies et les risques. - Identifier les projets à forte valeur ajoutée
Commencer par les irritants quotidiens et les tâches pour lesquelles les gains sont mesurables. - Préparer les prérequis
Fiabiliser les données, définir les responsabilités, sécuriser les accès et mettre en place les règles d’utilisation. - Choisir l’architecture adaptée
Arbitrer entre cloud, hébergement local ou approche hybride, en fonction des usages, des exigences de sécurité et des coûts. - Piloter et mesurer les résultats
Contrôler les consommations, suivre les performances, vérifier les résultats et faire évoluer les dispositifs.
8. Conclusion : accélérer avec l’IA, mais pas à n’importe quel prix
Cette table ronde met en évidence une conviction partagée : l’intelligence artificielle représente une opportunité majeure pour les entreprises, mais son adoption doit être réfléchie et organisée.
La question n’est plus simplement de savoir quels outils d’IA acheter ou quels modèles utiliser. Il s’agit de déterminer comment l’IA peut contribuer à la stratégie de l’entreprise, comment l’intégrer dans les processus métiers et comment garantir la sécurité et la maîtrise des données.
La souveraineté numérique prend ici une place importante. Elle ne signifie pas nécessairement tout héberger localement, mais conserver la maîtrise de ses données, de ses infrastructures, de ses dépendances technologiques et de ses choix stratégiques.
Les intervenants rappellent enfin que cette transformation concerne aussi les individus : les compétences, les métiers et l’employabilité vont évoluer. Il est donc indispensable de préparer les collaborateurs à ces changements.
En définitive, trois idées résument les échanges :
- Diagnostiquer avant d’investir.
- Choisir les technologies en fonction des usages, et non l’inverse.
- Encadrer l’IA pour en faire un véritable levier de performance durable et de confiance.
Les trois phrases à retenir
- Sur la stratégie
« Ne pas faire de l’IA pour faire de l’IA, mais déterminer ce qu’elle apporte réellement à l’entreprise. »
Idée développée par Michaël Tartar.
- Sur l’hébergement
« L’IA locale n’est pas pour tout le monde : le choix dépend des usages, des données et des moyens de l’entreprise. »
Idée partagée par William Eudes et Raphaël Richard.
- Sur la confiance
« L’IA reste un assistant : il faut vérifier ce qu’elle raconte et conserver la maîtrise de ses décisions. »
Message porté notamment par Raphaël Richard.
Note : ces trois formulations sont des reformulations synthétiques des propos tenus, et non des citations littérales.
Mon appréciation de fond : la richesse de cette table ronde tient à la complémentarité des interventions. Elle évite de présenter l’IA uniquement sous l’angle technologique et montre bien que sa réussite repose sur trois piliers indissociables : la stratégie, l’organisation et l’infrastructure.
Le sujet de la souveraineté est également abordé de manière intéressante : il ne s’agit pas d’opposer systématiquement cloud et local, mais de donner aux entreprises les moyens de faire des choix éclairés.
















