Beaucoup de dirigeants de PME ont fait le même constat ces derniers mois : les outils d'IA générative sont impressionnants pendant dix minutes, puis décevants au quotidien. L'assistant rédige bien, résume bien, répond bien, mais il ne sait rien de votre entreprise. Il ne connaît ni vos prix, ni vos clients, ni vos marges, ni la décision prise il y a trois mois sur ce dossier précis. Chaque conversation repart de zéro.
Ce n'est pas un défaut des outils. C'est un problème d'infrastructure : l'IA ne vaut que par le contexte qu'on lui donne. Et c'est exactement là que se joue, en ce moment, l'écart entre les entreprises qui tirent une valeur réelle de l'IA et celles qui empilent les abonnements.
L'écart se creuse vite. Au deuxième trimestre de 2025, 12,2 % des entreprises canadiennes utilisaient l'IA dans leur production selon Statistique Canada : le double de l'année précédente. Au Québec, l'Institut de la statistique observe la même progression, mais note que les grandes entreprises adoptent deux fois plus vite que les petites : 26,1 % chez les 100 employés et plus, contre 12,2 % chez les plus petites. Et l'enjeu n'est pas cosmétique : la BDC, en lançant son initiative LIFT, estimait que les PME utilisatrices d'IA affichent une productivité supérieure de 24 % à celles qui ne l'utilisent pas.
La mémoire d'entreprise vectorisée, sans jargon
Le cœur d'une infrastructure IA d'entreprise, c'est la mémoire. Techniquement, on parle de « vectorisation » : vos documents (procédures, soumissions, contrats, comptes rendus, politiques de prix, historiques de décisions) sont découpés, indexés et convertis en représentations mathématiques qui capturent leur sens, pas seulement leurs mots.
Concrètement, ça change une chose fondamentale : vos outils d'IA peuvent retrouver la bonne information dans votre propre corpus, en langage naturel. « Qu'est-ce qu'on avait convenu avec ce distributeur sur les retours ? » « Quelle était notre recette de calcul de coût de revient sur cette gamme ? » « Montre-moi les trois dernières soumissions comparables. » La réponse arrive avec les sources, tirée de vos documents, pas d'Internet.
Cette technique, appelée RAG (retrieval-augmented generation), progresse rapidement. Anthropic, qui développe le modèle Claude, a montré qu'en enrichissant chaque fragment indexé de son contexte d'origine, on réduit les erreurs de récupération d'information de 49 %, et de 67 % en combinant les techniques. Traduction pour le dirigeant : la mémoire d'entreprise n'est plus un pari technologique, c'est de l'ingénierie mature.
Le bénéfice le plus sous-estimé n'est pas la vitesse : c'est la rétention du savoir. Dans une PME, une part énorme de la connaissance vit dans les boîtes courriel et dans la tête de trois personnes. Quand l'une d'elles part, le savoir part avec elle. Une mémoire d'entreprise bien construite transforme ce savoir volatil en actif permanent de l'entreprise.
Des départements connectés, pas des silos qui se contredisent
La deuxième couche, c'est la connexion. La plupart des PME vivent avec des données éparpillées : la comptabilité dans un système, les ventes dans un CRM (ou un chiffrier), les opérations dans un autre outil, et aucune source commune de vérité. Chaque département répond à la même question avec un chiffre différent.
Une infrastructure IA d'entreprise branche ces sources sur un socle commun : mêmes données de référence, mêmes définitions (qu'est-ce qu'une « marge », un « client actif », un « retard »), mêmes règles d'accès. C'est ce qui permet à un assistant IA de répondre à une vraie question de direction (« pourquoi la marge de ce canal baisse-t-elle depuis deux mois ? ») en croisant finance, ventes et opérations, au lieu de voir un seul silo.
C'est aussi ce qui rend les réunions de direction plus courtes : quand tout le monde part des mêmes chiffres, on cesse de débattre des données et on commence à débattre des décisions.
Harness, skills et automatisations : l'IA qui travaille selon vos règles
La troisième couche est celle qui transforme l'IA de « chose qu'on consulte » en « chose qui travaille ». Trois termes reviennent, qui méritent une définition honnête :
- Le harness (cadre d'exécution) : l'environnement contrôlé dans lequel vos agents IA opèrent : ce à quoi ils ont accès, ce qu'ils ont le droit de faire seuls, ce qui exige une validation humaine, et ce qui est tracé. C'est la différence entre un employé encadré et un stagiaire sans supervision.
- Les skills (compétences) : des savoir-faire métier codifiés et réutilisables : votre méthode de soumission, votre format de rapport hebdomadaire, vos règles de crédit client. L'IA les applique de façon constante, dans votre vocabulaire, selon vos standards.
- Les automatisations : les routines récurrentes qui tournent sans qu'on y pense : le rapport de ventes du lundi matin, l'alerte quand un compte client dépasse son délai, la veille sur vos concurrents, le suivi des commandes en retard.
Un point de méthode, appuyé par l'expérience d'Anthropic sur la construction d'agents efficaces : les implémentations qui réussissent utilisent des patrons simples et composables, pas des architectures spectaculaires. En clair : méfiez-vous des démos grandioses ; la valeur est dans les routines modestes qui tournent chaque jour sans erreur.
La gouvernance n'est pas une option
Brancher l'IA sur les données de l'entreprise soulève immédiatement la question de la confidentialité, et au Québec, elle est encadrée : la Loi 25 impose aux entreprises un responsable de la protection des renseignements personnels, la notification des incidents et un consentement valide, avec des sanctions qui peuvent être sévères (les obligations sont détaillées sur le site de la Commission d'accès à l'information).
C'est pourquoi la gouvernance se conçoit au premier jour, pas après coup : quelles données entrent dans la mémoire (et lesquelles n'y entrent jamais), qui a accès à quoi, où les données sont hébergées, qu'est-ce qui est journalisé. Bien fait, ce cadrage n'est pas un frein : c'est ce qui permet d'avancer vite sans créer un passif.
Par où commencer
Pas par la technologie. Par un cadrage : inventaire de vos données et de vos outils, deux ou trois cas d'usage choisis pour leur valeur (pas pour leur effet démo), règles de gouvernance posées par écrit. Ensuite, un pilote sur un seul département (souvent la finance ou les ventes) avec des résultats mesurables avant d'étendre. Et à chaque étape, un volet d'adoption : une infrastructure que l'équipe n'utilise pas est une dépense, pas un levier.
C'est exactement ainsi que nous avons bâti la nôtre, celle qui fait tourner nos propres analyses, notre veille et notre production de livrables. C'est aussi pour ça que nous pouvons l'installer chez nos clients avec une honnêteté rare dans ce marché : nous ne vendons pas une promesse, nous partageons une infrastructure que nous opérons nous-mêmes, chaque jour.
Références
- Statistique Canada, « Analyse de l'utilisation de l'intelligence artificielle par les entreprises au Canada, deuxième trimestre de 2025 », 2025.
- Institut de la statistique du Québec, « Adoption et utilisation de l'intelligence artificielle par les entreprises au Québec en 2024 et en 2025 », 2025.
- BDC, communiqué de lancement de l'initiative LIFT, 2026.
- Anthropic, « Introducing Contextual Retrieval », 2024.
- Anthropic, « Building Effective AI Agents », 2024.
- Commission d'accès à l'information du Québec, « Principaux changements : protection des renseignements personnels ».