Un client m'appelle en février, un peu paniqué. Il dirige une PME de logistique, 40 salariés, et il vient de recevoir une facture d'assurance qui a bondi de 18 % après un sinistre sur un entrepôt. Sa question : « Est-ce que l'apprentissage automatique pourrait nous éviter ça ? »
Honnêtement, j'ai failli répondre oui, tout de suite, parce que c'est le réflexe. Sauf que la vraie réponse, celle que je lui ai donnée après deux heures à décortiquer ses données, c'était : pas encore, et pas comme ça. Voilà pourquoi je me méfie des articles qui empilent des cas d'usage sans jamais dire ce qui se passe quand on passe à l'exécution.
Points clés à retenir
- Un cas d'usage en apprentissage automatique ne vaut rien sans données propres : c'est là que passent 60 à 70 % du temps réel d'un projet.
- Les trois familles d'algorithmes (supervisé, non supervisé, par renforcement) ne répondent pas aux mêmes questions — les confondre fait perdre des mois.
- Les gains les plus solides apparaissent sur des tâches répétitives et mesurables : maintenance, prévision de stock, détection d'anomalies.
- Un modèle non surveillé se dégrade. J'ai vu un système passer de 91 % à 74 % de précision en cinq mois sans que personne ne touche à rien.
- Le coût caché n'est presque jamais l'entraînement, c'est le maintien en production.
- Les cas d'usage spectaculaires (voiture autonome, IA générative) sont rarement ceux qui rapportent le plus vite en entreprise classique.
Cas d'usage concrets en apprentissage automatique : ce qui marche vraiment
La recommandation Netflix, tout le monde la cite. Détection de fraude bancaire, pareil. Ce sont des exemples corrects et parfaitement inutiles quand on dirige une PME de 40 personnes. Ce qui compte, c'est de savoir où l'apprentissage automatique rapporte réellement, et à quel prix.
J'ai accompagné une quinzaine de projets sur les quatre dernières années, dans l'industrie, la santé et le retail. Trois familles de cas reviennent systématiquement, et ce sont elles qui tiennent leurs promesses.
Maintenance prédictive : le cas le plus rentable que je connaisse
Une usine d'injection plastique, 12 presses, un budget de maintenance qui explosait. Le principe est simple : on pose des capteurs de vibration et de température sur les machines, on enregistre les pannes réelles pendant quelques mois, puis on entraîne un modèle à reconnaître les signaux qui précèdent une casse.
Résultat chez ce client : les arrêts non planifiés sont passés de 9 par trimestre à 3. Le coût d'une heure d'arrêt sur une presse, c'est 1 400 euros. Vous faites le calcul. Le modèle n'est pas parfait — il a raté deux pannes sur la première année — mais il a détecté les autres avec environ 36 heures d'avance, ce qui laisse le temps de commander la pièce et de planifier l'intervention.
Ce qui m'a surpris, franchement, c'est que le facteur limitant n'était pas l'algorithme. C'était que personne n'avait jamais noté proprement quand une machine tombait en panne. On a passé six semaines à reconstituer un historique à partir de cahiers manuscrits et de messages WhatsApp.
Prévision de la demande et gestion des stocks
Le retail alimentaire est un terrain de jeu idéal parce que les données sont abondantes et le cycle court. Un modèle de prévision qui anticipe la demande à sept jours permet de réduire le surstock et la rupture en même temps — les deux plaies opposées du commerce.
Sur un réseau de neuf magasins que j'ai suivi, la démarche a fait baisser le taux de rupture de 7,2 % à 3,4 % en un an, sans augmenter la surface de stockage. Ce n'est pas spectaculaire. C'est rentable.
Attention cependant : ces modèles adorent les promotions. Un jour de promo mal signalé dans les données d'entraînement, et la prévision part en vrille pour toute la semaine. Il faut nourrir le modèle avec le calendrier commercial, pas seulement avec les chiffres de vente.
Quels sont les trois types d'apprentissage automatique ?
Cette question revient à chaque formation que je donne, et elle mérite une réponse nette. On distingue trois familles selon la façon dont le modèle apprend : l'apprentissage supervisé, l'apprentissage non supervisé et l'apprentissage par renforcement. Chacune répond à un type de problème différent, et se tromper de famille coûte cher en temps.
L'apprentissage supervisé
Vous fournissez au modèle des exemples étiquetés : des entrées et la bonne réponse associée. Le modèle apprend la relation entre les deux. C'est le cas de la maintenance prédictive que je viens de décrire : on connaît l'historique des pannes, donc on connaît la réponse à prédire.
C'est la famille la plus utilisée en entreprise, et de loin. Elle exige une chose que beaucoup sous-estiment : des étiquettes fiables. Si vos historiques de pannes sont incomplets, le modèle apprendra surtout à reproduire vos approximations.
L'apprentissage non supervisé
Ici, aucune étiquette. On donne des données brutes au modèle et on lui demande de trouver une structure : des groupes, des anomalies, des proximités. La détection de fraudes inhabituelles ou le regroupement de clients aux comportements proches relèvent de cette famille.
Le piège est humain, pas technique. Le modèle vous sort des groupes. Encore faut-il décider ce qu'ils signifient. J'ai vu un projet de segmentation client s'enliser trois mois parce que personne dans l'équipe marketing ne s'accordait sur l'interprétation des clusters.
L'apprentissage par renforcement
Un agent agit dans un environnement, reçoit une récompense selon la qualité de ses actions, et ajuste sa stratégie. C'est la famille la plus difficile à mettre en œuvre en entreprise, parce qu'il faut pouvoir simuler l'environnement ou accepter d'apprendre en conditions réelles.
Elle brille sur des problèmes de pilotage : régulation d'énergie, ordonnancement de production, robotique. Elle est en revanche inadaptée à un besoin de prévision classique. Beaucoup de déceptions viennent de là.
Et pour anticiper votre question suivante : non, il n'y a pas de hiérarchie. Le bon type, c'est celui qui correspond à vos données disponibles, pas celui qui fait le plus moderne en réunion.
| Famille | Données nécessaires | Cas d'usage typique | Principal écueil |
|---|---|---|---|
| Supervisé | Entrées + réponses étiquetées | Prévision de panne, scoring, prévision de demande | Étiquettes incomplètes ou biaisées |
| Non supervisé | Données brutes seulement | Segmentation, détection d'anomalies | Interprétation des résultats |
| Par renforcement | Environnement simulable, fonction de récompense | Pilotage énergétique, ordonnancement | Coût et lenteur de l'apprentissage |
Ce que personne ne raconte sur la mise en œuvre
Le cycle réel d'un projet tient en cinq étapes, et la première absorbe l'essentiel de l'effort : collecte et nettoyage des données, entraînement du modèle, évaluation sur des cas jamais vus, mise en production, puis surveillance continue. Cette dernière étape est celle que tout le monde oublie.
Un modèle n'est pas un logiciel classique. Il apprend d'un monde qui change. Quand les habitudes d'achat se décalent, quand une machine est remplacée, quand un concurrent modifie ses prix, la relation que le modèle a apprise n'est plus tout à fait vraie.
La dérive de modèle, l'ennemi silencieux
J'ai déployé un système de scoring pour un cabinet de courtage. Précision à la mise en service : 91 %. Cinq mois plus tard, sans intervention, elle était tombée à 74 %. Personne ne s'en était aperçu, parce que personne ne mesurait. On ne regardait que le nombre de dossiers traités, jamais la qualité des décisions.
Depuis, je pose une règle simple à chaque projet : un tableau de bord qui compare les prédictions du modèle aux résultats observés, mis à jour chaque semaine. Sans ce filet, vous pilotez à l'aveugle.
Où part vraiment l'argent
L'entraînement d'un modèle fait peur, mais il coûte rarement cher. Ce qui coûte, c'est l'ingénierie des données en amont et la surveillance en aval. Sur les projets que j'ai suivis, la répartition grossière ressemble à ceci :
- Collecte et nettoyage des données : la moitié du budget, facilement
- Entraînement et expérimentation : 15 à 20 %
- Mise en production et intégration aux outils existants : un quart
- Surveillance sur la durée : le reste, et c'est récurrent
Un dirigeant qui budgète 20 000 euros pour « faire de l'IA » et découvre qu'il en faut 60 pour que ça tienne dans le temps, ce n'est pas une exception. C'est la norme.
Trois erreurs que j'ai commises, pour que vous les évitiez
La première : démarrer par la technique. Sur mon premier projet sérieux, j'ai choisi l'algorithme avant même de savoir quelle décision il devait éclairer. Trois semaines perdues. La bonne question n'est jamais « quel modèle ? », c'est « quelle décision cette prédiction va-t-elle changer ? ».
La deuxième : croire qu'un modèle précis en test sera précis en production. Les données de test ressemblent aux données d'entraînement. La vraie vie, non.
La troisième, et la plus coûteuse : négliger l'adhésion des équipes. Un outil de prévision que les acheteurs n'utilisent pas ne vaut rien. J'ai vu un modèle très correct finir ignoré parce qu'il contredisait l'intuition d'un responsable achats qui avait vingt ans de métier. Son intuition n'était pas absurde. Il fallait juste expliquer ce que le modèle voyait de plus.
Par où commencer sans se ruiner
Prenez une décision répétitive, mesurable, et dont vous connaissez déjà le résultat passé. Un besoin de prévision, un tri, une détection. Vérifiez que vous disposez d'au moins quelques mois d'historique exploitable. Puis lancez un projet étroit, avec un objectif chiffré et une date.
Si les données ne sont pas là, arrêtez-vous. Le meilleur algorithme du monde ne compense pas un historique en désordre. C'est la leçon la moins glamour de ce métier, et de loin la plus utile.
Reste une question que je me pose encore : quand les modèles seront capables de se surveiller eux-mêmes et de signaler leur propre dérive, est-ce que les entreprises cesseront enfin de les déployer comme des logiciels qu'on installe une fois pour toutes ? Je n'en suis pas certain. Les habitudes de gestion changent plus lentement que les algorithmes.
