Bachir Saouaf
Une scène familière
Imaginez une matinée typique au service client : 40 e-mails, 12 messages sur la boîte vocale et 3 bons de commande en attente. Chacun arrive dans un format différent — un PDF, un fax scanné, un texto d'une seule ligne. Quelqu'un doit lire chacun d'eux et le retaper, à la main, dans l'ERP, le CRM et la plateforme web.
Source: Illustratif
C'est le genre de travail répétitif et sensible au format qui soulève naturellement la question : l'IA pourrait-elle s'en charger ?
« On pourrait automatiser ça avec l'IA ... mais veut-on vraiment lui donner accès à nos commandes, nos prix et nos clients ? »
Cette hésitation est raisonnable. Avant de décider quel niveau d'accès accorder à un système d'IA, il vaut la peine de prendre du recul et de se poser une question plus fondamentale : s'agit-il réellement d'une tâche pour l'IA, ou pour un programme traditionnel? Les deux technologies fonctionnent de manière fondamentalement différente, et chacune excelle dans des domaines différents.
Systèmes déterministes : l'automatisation traditionnelle
La programmation traditionnelle — la logique derrière les intégrations ERP, les moteurs de tarification et les exports de données planifiés — est déterministe. Une entrée est fournie, des règles prédéfinies sont appliquées, et un résultat en ressort.
Les règles sont définies à l'avance. La logique est écrite avant l'exécution du système, pas déduite à la volée.
Même entrée, même sortie. Avec des données identiques, le système produit exactement le même résultat à chaque fois.
Entièrement explicable. On peut retracer le chemin logique exact qui a mené à un résultat donné.
Exemple B2B : chaque soir à 23 h, exporter les niveaux de stock depuis SAP Business One et les transmettre à la plateforme e-commerce. Mêmes données, même résultat, à chaque fois.
Quand utiliser la programmation traditionnelle
Les données sont structurées
Les règles sont connues
Le résultat doit être parfaitement reproductible
Les calculs ou validations doivent être exacts
Exemples typiques : synchronisation ERP, calcul de prix, règles fiscales, suivi des stocks, génération de factures, règles de crédit, exports de données.
L'IA générative : stochastique par nature
L'IA générative fonctionne différemment. Plutôt que de suivre des règles écrites par un développeur, elle apprend des schémas à partir d'un grand nombre d'exemples. Cela change ce qu'elle peut faire — et ce qu'elle ne peut pas garantir.
Apprend à partir d'exemples. Le modèle identifie des schémas à partir de grands volumes de données plutôt que de suivre des règles explicites.
Probabiliste, pas déterministe. Le résultat est une réponse probable, pas garantie — et elle peut être erronée.
Pas entièrement explicable. Le cheminement exact du raisonnement derrière une réponse donnée ne peut généralement pas être retracé ni garanti.
Quand utiliser l'IA
L'information est non structurée
Le langage humain doit être compris
Les situations varient trop pour être réduites à des règles fixes
La tâche implique de générer, résumer, classifier ou interpréter du contenu
Exemple B2B : « Bonjour, pouvez-vous m'envoyer 12 caisses du même produit que la semaine dernière, plus 6 boîtes de l'autre format ? BC 4582. » Un programme traditionnel aurait du mal à analyser ce message. Un modèle d'IA peut comprendre l'intention et transformer le message en données de commande structurées.
À retenir : l'IA ne remplace pas les systèmes déterministes — elle les complète. L'IA excelle dans la compréhension. Les systèmes traditionnels excellent dans l'exécution fiable.
Souvent, la meilleure solution est hybride : l'exemple de HeroRoute
En pratique, les systèmes les plus efficaces reposent rarement sur l'IA ou la logique traditionnelle seules — ils combinent les deux. L'outil de planification des tournées de livraison de HeroShop, HeroRoute, en est un exemple.
Algorithme d'optimisation. Effectue l'essentiel du travail selon des contraintes fixes : camions disponibles, plages horaires de livraison, distances.
Intelligence artificielle. Enrichit certaines données d'entrée et prédictions, comme les estimations de trafic, plus difficiles à réduire à des règles fixes.
Résultat : des tournées de livraison plus précises et mieux optimisées — non pas parce que l'IA a remplacé la logique d'optimisation, mais parce qu'elle lui a fourni de meilleures informations.
Comprendre cette distinction — déterministe versus probabiliste, suivi de règles versus apprentissage de schémas — est la première étape avant de connecter un agent IA à des systèmes d'entreprise sensibles. La question suivante est de savoir quel niveau de contrôle et d'accès cet agent devrait réellement obtenir. C'est le sujet du prochain article de cette série.