Cinq exemples de cas d'usage IA

Problème métier

La saisie des factures fournisseurs mobilise du temps qualifié : choisir le compte comptable et le code TVA demande de connaître le fournisseur, la nature de la dépense et les règles internes.

User Story

« En tant que comptable, je veux recevoir pour chaque facture PDF une proposition de compte comptable et de code TVA, avec sa justification, afin de valider plus vite sans perdre la maîtrise de l'imputation. »

Entrée

Factures fournisseurs au format PDF ; plan comptable et règles d'imputation de l'organisation ; historique des imputations, s'il est disponible.

Sortie

Pour chaque facture : compte comptable et code TVA proposés, avec une justification lisible. Une proposition incertaine est signalée comme telle et n'est jamais validée automatiquement : la validation reste humaine.

Ce qui serait mesuré

Taux de propositions acceptées ; temps de validation par facture, comparé au processus actuel.

Architecture envisageable

IA souveraine ou IA externe protégée, selon la sensibilité des données.

Étudier ce cas d'usage →

Problème métier

Dans un grand volume d'écritures, les anomalies se repèrent par sondage ou par expérience. Une écriture atypique peut passer inaperçue.

User Story

« En tant qu'auditeur, je veux obtenir une liste priorisée des écritures atypiques, avec une explication pour chacune, afin de concentrer mes contrôles là où ils sont le plus utiles. »

Entrée

Export comptable structuré (journal ou grand livre) sur une période définie.

Sortie

Liste priorisée des écritures jugées atypiques, avec l'explication de chaque signalement. L'analyse et la conclusion restent celles de l'auditeur.

Ce qui serait mesuré

Pertinence des alertes, jugée par l'auditeur.

Architecture envisageable

IA souveraine de préférence, les exports comptables étant complets et sensibles.

Étudier ce cas d'usage →

Problème métier

Les boîtes partagées reçoivent des messages de fournisseurs, de clients et de prestataires sur des sujets très différents. Le tri manuel retarde le traitement et certains messages arrivent au mauvais endroit.

User Story

« En tant que responsable administratif, je veux que les e-mails reçus de tiers soient classés par objet et orientés vers la bonne destination, afin de réduire le temps de tri sans perdre de message. »

Entrée

E-mails reçus sur une boîte partagée définie ; liste des destinations possibles (personnes ou services).

Sortie

Classement par objet — facture, relance, litige, autre — et proposition de destination. Une personne valide ou corrige avant l'orientation.

Ce qui serait mesuré

Précision du classement ; taux de correction ; temps de tri économisé par rapport au processus actuel.

Architecture envisageable

IA souveraine ou IA externe protégée, selon le contenu des messages.

Étudier ce cas d'usage →

Problème métier

Rédiger un compte rendu après chaque réunion interne prend du temps, et les notes prises en séance sont souvent incomplètes.

User Story

« En tant qu'assistant de direction, je veux obtenir la transcription d'une réunion enregistrée et un projet de compte rendu, afin de relire et corriger au lieu de tout rédiger. »

Entrée

Enregistrement audio d'une réunion interne, réalisé avec l'autorisation des participants.

Sortie

Transcription et projet de compte rendu (décisions, actions, points ouverts), produits sur une infrastructure locale : l'enregistrement n'est pas envoyé à un service d'IA externe.

Ce qui serait mesuré

Fidélité de la transcription et du compte rendu ; temps de correction nécessaire.

Architecture envisageable

IA souveraine.

Étudier ce cas d'usage →

Problème métier

Une application interne appelle une API d'IA externe définie. Les textes envoyés peuvent contenir des données sensibles.

User Story

« En tant que RSSI, je veux qu'un type défini de données sensibles soit détecté et masqué avant chaque appel à l'API d'IA, afin d'utiliser ce service en limitant l'exposition de ces données. »

Entrée

Requêtes d'une application définie vers une API d'IA définie ; type de données sensibles à traiter (par exemple des noms de personnes ou des numéros de dossier).

Sortie

Requêtes transformées avant l'envoi et journal des détections. Les données pseudonymisées restent des données personnelles : le cadre contractuel avec le fournisseur reste nécessaire.

Ce qui serait mesuré

Taux de détection ; faux positifs ; impact sur la qualité des réponses.

Architecture envisageable

IA externe protégée.

Étudier ce cas d'usage →