Quels cas d’usage de l’IA rapportent vraiment à une PME ? Le classement, preuves à l’appui

Le cas d’usage de l’IA dont le rendement est le mieux établi pour une PME est l’assistant du service client. Dans l’étude de Brynjolfsson, Li et Raymond, publiée en 2025 dans le Quarterly Journal of Economics, l’outil a fait progresser de 15 % en moyenne le nombre de demandes traitées par heure sur 5 172 conseillers, et d’environ 30 % chez les moins expérimentés. La mesure vient d’une seule entreprise, un grand éditeur de logiciels, et porte sur une tâche précise. Malgré cette limite, c’est l’une des mesures les plus solides dont dispose aujourd’hui un dirigeant.

Je publie ce classement parce que celui que l’on trouve en cherchant « meilleurs cas d’usage IA » est presque toujours un palmarès sans source : des pourcentages de retour sur investissement alignés, sans dire qui les a mesurés ni comment. Un comité de direction ne devrait pas engager un budget sur cette base. J’ai dirigé pendant des années un groupe de formation professionnelle d’un millier de salariés, et j’exploite aujourd’hui mes propres agents IA. Dans les deux cas, j’ai appris à ne pas engager d’argent sur un chiffre dont je ne connaissais pas la méthode, et cela m’a évité plusieurs erreurs coûteuses.

Pourquoi un classement sourcé maintenant ?

Les PME françaises commencent tout juste à s’équiper, avec du retard sur les grandes entreprises. Selon l’Insee, 18 % des entreprises de 10 salariés ou plus utilisaient au moins une technologie d’IA en 2025, contre 6 % en 2023. L’écart de taille est net : 15 % entre 10 et 49 salariés, 31 % entre 50 et 249, 58 % au-delà (Insee Première n° 2120, juillet 2026).

Ce retard a un avantage : on peut désormais choisir à partir de résultats publiés. Ils restent rares. Dans l’enquête mondiale de McKinsey conduite en mai et juin 2026 auprès de 1 719 répondants, 37 % attribuent à l’IA au moins un effet positif sur leur résultat d’exploitation, et 6 % seulement lui en attribuent au moins 5 % en jugeant la valeur créée significative (McKinsey, The State of AI, août 2026). Pour une PME, l’enjeu est de choisir un premier usage qui ait une vraie chance d’apparaître au compte de résultat.

Comment ce classement est-il construit ?

Chaque ligne a été passée au crible de trois règles.

Une preuve mesurée. N’entrent que des usages dont le gain a été mesuré contre un groupe qui ne disposait pas de l’outil : essai contrôlé ou expérience de terrain, publiés avec leur méthode. Les enquêtes déclaratives et les chiffres d’éditeurs servent de contexte, jamais de score.

Une ligne du compte de résultat. Chaque usage est rattaché à la ligne qu’il touche : chiffre d’affaires, charges de personnel, achats. Un gain de temps ne compte que s’il se traduit en capacité supplémentaire ou en chiffre d’affaires.

Le coût d’entrée pour une PME. À gain comparable, l’usage qui démarre avec un abonnement passe devant celui qui exige des données historiques propres et un projet de plusieurs mois.

Rang	Cas d’usage	Ligne touchée	Gain mesuré	Preuve	Coût d’entrée
1	Assistant du service client	Charges de personnel	+15 % de demandes traitées par heure, environ +30 % chez les moins expérimentés	Déploiement échelonné observé en conditions réelles, 5 172 conseillers	Faible
2	Rédaction des écrits professionnels courants	Charges de personnel	-40 % de temps, +18 % de qualité notée	Essai contrôlé, 453 professionnels	Très faible
3	Prévision de la demande et fixation des prix	Chiffre d’affaires	+9,7 % de chiffre d’affaires sur le groupe test	Expérience de terrain, un distributeur en ligne	Élevé
4	Assistant de développement logiciel	Charges de personnel	+26 % de tâches menées à bien, mais -19 % de vitesse chez des développeurs chevronnés sur leur propre code	Trois expériences de terrain, 4 867 développeurs ; un essai contrôlé contradictoire	Faible
5	Analyse et production de livrables	Charges de personnel	+25 % de vitesse et qualité environ +32 % sur les tâches adaptées, précision en baisse sur une tâche hors de son domaine	Essai contrôlé, 758 consultants	Faible

Pourquoi le service client arrive-t-il premier ?

Il réunit ce que les autres n’ont qu’en partie : une mesure faite en conditions réelles, sur plusieurs mois, et un gain qui se lit directement en capacité. Le résultat le plus utile pour une PME tient au détail : l’outil profite surtout aux conseillers récents, et très peu aux plus expérimentés (Brynjolfsson, Li et Raymond, NBER puis Quarterly Journal of Economics, 2025). L’outil sert en pratique à transmettre aux nouveaux une partie du savoir-faire des anciens.

Les PME connaissent bien ce problème : chaque départ au service client ouvre une période pendant laquelle le remplaçant répond moins vite et moins juste. Pour une équipe de quatre personnes, un gain de 15 % représente un peu plus d’une demi-personne de capacité ; c’est un calcul indicatif, qui suppose que le volume de demandes justifie cette capacité. Il faut pour cela une base de réponses tenue à jour, puisque l’assistant s’appuie sur ce que l’entreprise a déjà écrit.

La rédaction courante vaut-elle vraiment la deuxième place ?

Pour une raison de coût. Dans l’essai de Noy et Zhang publié dans Science en juillet 2023, 453 cadres et professionnels ont rédigé des courriers, des notes et des plans d’analyse. Ceux qui avaient accès à l’outil ont mis 40 % de temps en moins, pour une qualité jugée supérieure de 18 % par des évaluateurs indépendants (MIT, présentation de l’étude).

Le gain de temps mesuré est le plus élevé du classement, et l’entrée coûte un abonnement. Ce qui le fait reculer d’un rang : la mesure vient d’un essai en ligne, sur des tâches d’environ une demi-heure, pas d’une entreprise en fonctionnement. Enfin, le temps gagné n’apparaît au compte de résultat que si quelqu’un décide à quoi le réaffecter.

Pourquoi l’usage qui fait le plus de chiffre d’affaires n’est-il que troisième ?

C’est le seul de la liste qui touche directement le haut du compte de résultat. Chez Rue La La, spécialiste américain des ventes flash de mode en ligne, un outil de prévision de la demande couplé à l’optimisation des prix a augmenté le chiffre d’affaires du groupe test d’environ 9,7 %, avec un intervalle de confiance à 90 % allant de 2,3 % à 17,8 % (Ferreira, Lee et Simchi-Levi, Manufacturing & Service Operations Management, 2016).

Mais il demande ce que beaucoup de PME n’ont pas encore : un historique de ventes propre, un catalogue assez large pour que la prévision ait de la matière, et des prix que l’on peut modifier souvent. Le résultat vient d’un seul distributeur, sur un modèle de ventes très particulier. C’est probablement le levier le plus puissant de la liste pour un négociant, un e-commerçant ou un industriel à catalogue, beaucoup moins pour une entreprise de services au forfait.

Le développement logiciel : pourquoi deux études disent-elles le contraire ?

Trois expériences de terrain menées chez Microsoft, Accenture et une entreprise du classement Fortune 100, sur 4 867 développeurs, mesurent 26 % de tâches menées à bien en plus avec un assistant de programmation, le gain profitant surtout aux moins expérimentés (Cui et al., Management Science, 2026). À l’inverse, l’essai contrôlé de METR publié en juillet 2025, sur 16 développeurs chevronnés et 246 tâches dans leurs propres projets, mesure un ralentissement de 19 %. Les mêmes développeurs s’attendaient à gagner 24 % de temps, et pensaient encore, une fois le travail fini, en avoir gagné 20 % (METR, 2025).

Les deux résultats ne sont pas forcément contradictoires. Une explication plausible : sur un code qu’il connaît par cœur, un développeur perd du temps à relire les propositions de l’outil, alors que sur un code moins familier il en gagnerait. Pour une PME qui a un ou deux développeurs, mieux vaut décider tâche par tâche où l’outil sert.

Et l’analyse, les présentations, les notes de synthèse ?

C’est l’expérience menée en 2023 avec 758 consultants du Boston Consulting Group, publiée en 2026 dans Organization Science (Dell’Acqua et al., Harvard Business School). Sur les tâches pour lesquelles l’outil était adapté, les consultants ont accompli plus de 12 % de tâches en plus, plus de 25 % plus vite, avec une qualité jugée supérieure d’environ 32 %.

Sur une tâche choisie pour dépasser ce que l’outil sait faire, la proportion de réponses justes est tombée de 84,5 % sans IA à 70,6 % avec, et à 60 % chez ceux qui avaient en plus reçu une initiation à son usage. C’est pour moi le résultat principal : l’outil ne signale pas quand il sort de son domaine, et c’est à l’entreprise de repérer ces tâches et d’y maintenir un contrôle humain. D’où la cinquième place, malgré un gain élevé.

Qu’est-ce qui n’est pas classé, et pourquoi ?

La maintenance prédictive, le contrôle qualité par vision, la détection de fraude, les agents autonomes qui enchaînent des tâches de bout en bout. Ces usages peuvent être utiles, mais je n’ai pas trouvé à ce jour d’étude publiée avec groupe témoin dont le résultat se transpose à une entreprise de 20 à 200 salariés. Les chiffres qui circulent viennent de fournisseurs ou de cabinets, souvent sans méthode publiée. Ils seront ajoutés si une telle mesure est publiée.

L’enquête McKinsey donne au moins une direction : les baisses de coûts sont le plus souvent rapportées dans la chaîne d’approvisionnement, les opérations de service et la production, les hausses de chiffre d’affaires dans le marketing et les ventes. Ce sont des déclarations, sans mesure contrôlée, mais elles indiquent les fonctions à examiner en premier.

Par où commencer ?

Par le premier rang si vous avez un service client, par le deuxième sinon : ce sont les deux entrées les moins chères et les mieux prouvées. Puis faites ce que font les études de ce classement, à votre échelle. Équipez la moitié de l’équipe pendant six à huit semaines, gardez l’autre moitié comme témoin, mesurez le même indicateur des deux côtés. Par exemple les demandes traitées par heure, le délai de réponse, le nombre de documents produits ou le taux de retouche.

Vous saurez ainsi si l’outil rapporte dans votre entreprise, et pas seulement dans une étude. Nous construisons ce type de test avec les dirigeants que nous accompagnons, à partir du diagnostic de maturité décisionnelle. Les définitions des termes employés ici sont dans le lexique de l’économie de la décision.

Questions fréquentes

Quel est le cas d’usage de l’IA le plus rentable pour une PME ?

Selon les mesures publiées à ce jour, l’assistant du service client : +15 % de demandes traitées par heure en moyenne et environ +30 % chez les conseillers les moins expérimentés, sur 5 172 conseillers (Quarterly Journal of Economics, 2025). Pour une PME sans service client, la rédaction des écrits courants est l’entrée la moins chère, avec 40 % de temps en moins mesuré dans Science en 2023.

Le retour sur investissement de l’IA est-il prouvé ?

Pour certaines tâches, oui, par des essais contrôlés et des expériences de terrain. À l’échelle de l’entreprise, beaucoup moins : dans l’enquête McKinsey 2026, 37 % des répondants attribuent à l’IA un effet positif sur leur résultat d’exploitation, et 6 % lui en attribuent au moins 5 % en jugeant la valeur créée significative.

Combien d’entreprises françaises utilisent l’IA ?

18 % des entreprises de 10 salariés ou plus en 2025 selon l’Insee : 15 % entre 10 et 49 salariés, 31 % entre 50 et 249, 58 % à partir de 250.

Comment mesurer le gain de l’IA dans sa propre entreprise ?

En reproduisant la méthode des études : une partie de l’équipe équipée, une partie témoin, un même indicateur suivi des deux côtés pendant plusieurs semaines. Sans groupe témoin, on mesure surtout l’enthousiasme du lancement.

Pourquoi la maintenance prédictive n’apparaît-elle pas dans le classement ?

Faute, à ce jour, d’étude publiée avec groupe témoin transposable à une PME. Le classement n’admet que des gains mesurés ; il sera révisé dès qu’une telle mesure existera.

Sources

• Brynjolfsson E., Li D., Raymond L., « Generative AI at Work », Quarterly Journal of Economics, 140(2), p. 889-942, 2025 ; document de travail NBER n° 31161 : nber.org/papers/w31161
• Noy S., Zhang W., « Experimental evidence on the productivity effects of generative artificial intelligence », Science, 381(6654), juillet 2023 ; présentation : economics.mit.edu
• Ferreira K. J., Lee B. H. A., Simchi-Levi D., « Analytics for an Online Retailer: Demand Forecasting and Price Optimization », Manufacturing & Service Operations Management, 18(1), p. 69-88, 2016 : doi.org/10.1287/msom.2015.0561
• Cui K. Z. et al., « The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers », Management Science, 2026 : doi.org/10.1287/mnsc.2025.00535
• METR, « Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity », juillet 2025 : arxiv.org/abs/2507.09089
• Dell’Acqua F. et al., « Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of Artificial Intelligence on Knowledge Worker Productivity and Quality », Organization Science, 37(2), 2026, doi.org/10.1287/orsc.2025.21838 ; présentation : aiinstitute.hbs.edu
• McKinsey & Company, « The state of AI in 2026: On the road to ROI », août 2026 : mckinsey.com
• Insee, « Les technologies de l’information et de la communication dans les entreprises en 2025 », Insee Première n° 2120, juillet 2026 : insee.fr

Peter Guillon, fondateur d’Exelvys. Classement révisé à chaque nouvelle mesure publiée.