La question n’est pas « faut-il faire de l’IA ». C’est « quel problème coûteux dans mon entreprise pourrait être traité autrement ». Posée dans ce sens, elle a des réponses concrètes. Posée dans l’autre, elle produit des projets qui n’aboutissent jamais.
Voici sept usages qui fonctionnent réellement à l’échelle d’une PME marocaine, avec pour chacun ce qu’il faut avoir avant de commencer — et un avertissement en fin d’article sur le cas où il ne faut rien lancer du tout.
1. Répondre aux questions clients répétitives
Le problème. Une personne passe ses journées à répondre aux mêmes questions sur WhatsApp, Instagram et le formulaire du site : disponibilité, délai, prix, taille, suivi de commande.
Ce que ça change. Un agent conversationnel branché sur votre catalogue et vos commandes absorbe la majorité de ces échanges et escalade le reste à un humain. La bonne mesure n’est pas « le bot remplace le service client » — c’est « le service client cesse de répéter la même phrase quarante fois par jour ».
Le point marocain. Vos clients écrivent en français, en arabe et en darija, souvent mélangés dans la même phrase, parfois en arabizi (arabe en caractères latins). Un agent entraîné uniquement sur du français échouera sur une part importante des messages. C’est la difficulté principale, et elle est spécifique au marché.
Prérequis. Un catalogue structuré et un historique de conversations réelles.
2. Prévoir le stock
Le problème. Rupture sur ce qui se vend, capital immobilisé sur ce qui ne part pas.
Ce que ça change. Un modèle de prévision exploite votre historique de ventes, la saisonnalité, les périodes de forte demande — Ramadan, rentrée scolaire, soldes, Aïd — pour proposer des niveaux de réapprovisionnement.
Le point marocain. Les cycles marocains ne sont pas les cycles européens. Un modèle générique passera à côté du Ramadan, dont l’effet sur la consommation est massif et dont la date se décale chaque année. C’est précisément le genre de spécificité qui rend un modèle local supérieur à un outil importé.
Prérequis. Au minimum deux ans d’historique de ventes propre.
3. Réduire les refus à la livraison
Le problème. Le paiement à la livraison domine — 83,8 % des acheteurs en ligne marocains déclarent y recourir selon l’enquête TIC de l’ANRT (2024-2025) — et chaque colis refusé coûte l’aller, le retour et la préparation.
Ce que ça change. Un modèle de scoring évalue le risque de refus d’une commande à partir de l’historique client, de l’adresse, du panier, du canal d’acquisition et de l’heure. Les commandes à risque élevé passent en confirmation obligatoire ou en prépaiement ; les autres partent directement.
Pourquoi c’est le cas d’usage le plus rentable de cette liste. Le gain est directement chiffrable : moins de colis refusés, c’est de la marge récupérée immédiatement. C’est aussi celui où le retour sur investissement se démontre le plus vite.
Prérequis. Un historique de commandes avec l’issue réelle de chacune — livrée ou refusée. Sans cette étiquette, il n’y a rien à apprendre.
Voir Le paiement à la livraison en e-commerce marocain.
4. Traiter les documents automatiquement
Le problème. Quelqu’un saisit à la main des factures fournisseurs, des bons de livraison, des relevés.
Ce que ça change. La reconnaissance de documents extrait les champs utiles — montant, date, fournisseur, TVA — et alimente votre système de gestion. Le gain est en heures, et en erreurs de saisie évitées.
Prérequis. Un volume suffisant pour que ça vaille le coup. En dessous de quelques centaines de documents par mois, la saisie manuelle reste moins chère.
5. Recommander les bons produits
Le problème. Un catalogue étendu, des visiteurs qui ne voient que la page d’accueil.
Ce que ça change. Un moteur de recommandation propose des produits pertinents selon le comportement de navigation et les achats similaires. Effet direct sur le panier moyen.
Prérequis. Du trafic. En dessous d’un certain volume, il n’y a pas de signal à exploiter — des règles métier simples feront mieux qu’un modèle mal nourri.
6. Trier et router les demandes entrantes
Le problème. Toutes les demandes arrivent dans la même boîte, mélangées, et quelqu’un les répartit à la main.
Ce que ça change. Un classifieur oriente automatiquement : demande de devis, réclamation, question technique, candidature. Les demandes commerciales urgentes cessent d’attendre derrière des spams.
Prérequis. Un historique de messages déjà catégorisés, même approximativement.
7. Rédiger et traduire les fiches produit
Le problème. Deux mille références à décrire, en français et en arabe.
Ce que ça change. Génération de premières versions à partir des caractéristiques produit, puis relecture humaine. On ne publie pas la sortie brute — on économise la page blanche.
Attention. C’est le cas d’usage où l’on fait le plus de dégâts. Des fiches générées et publiées sans relecture produisent du contenu dupliqué, générique, et pénalisé par Google. L’IA rédige le brouillon, un humain valide. Pas l’inverse.
Le vrai obstacle n’est pas le modèle
Dans presque tous les projets IA qui échouent, la cause n’est pas technique. C’est la qualité des données.
Un modèle de prévision de stock a besoin d’un historique de ventes fiable. Un scoring de refus a besoin de savoir quelles commandes ont réellement été refusées. Si vos données sont dans des fichiers Excel dispersés, incohérents et incomplets, aucun modèle ne compensera.
C’est pourquoi nous commençons systématiquement par un audit de faisabilité avant de proposer quoi que ce soit. Il arrive régulièrement que sa conclusion soit : « vos données ne permettent pas encore ce projet, commencez par les structurer ». C’est une réponse frustrante à entendre, et c’est de loin la moins coûteuse.
Par où commencer concrètement
- Listez vos trois tâches répétitives les plus coûteuses en temps. Pas les plus
agaçantes — les plus coûteuses.
- Pour chacune, demandez : les données existent-elles déjà, et sont-elles propres ?
- Prenez celle qui a le meilleur rapport valeur / disponibilité des données.
- Faites un test sur périmètre réduit avant d’industrialiser.
Le piège classique est de lancer le projet le plus impressionnant plutôt que le plus utile. Le scoring de refus à la livraison n’a rien de spectaculaire. C’est souvent celui qui rapporte le plus vite.
Questions fréquentes
Mon entreprise est trop petite pour l’IA ? La taille compte moins que le volume de données. Une PME avec trois ans d’historique de commandes propre a de quoi travailler. Une grande entreprise sans données exploitables, non.
Combien de temps avant un premier résultat ? Un audit de faisabilité se mène en quelques semaines. Un premier modèle en production demande davantage, selon l’état des données.
Faut-il une équipe data en interne ? Pas pour démarrer. Pour faire vivre un modèle dans la durée, il faut au moins un référent interne qui comprend ce qu’il produit et sait repérer quand il dérive.
Où sont hébergées mes données ? Question à poser à tout prestataire, et à traiter avant de signer. Selon la sensibilité, un hébergement local ou européen peut être requis. Voir aussi Loi 09-08 et CNDP.
Un agent conversationnel en darija, c’est possible ? Techniquement oui. La qualité dépend beaucoup du domaine et des données d’entraînement disponibles. À tester sur un périmètre restreint avant de l’exposer à tous vos clients.
Vous voulez savoir si vos données permettent un projet IA ? Nous réalisons un audit de faisabilité qui dit franchement oui ou non. Parlons-en.
