Une recherche sur « IA et PME » renvoie une avalanche de pourcentages invérifiables : gains d’efficacité au centième de point près, coûts divisés, conversions envolées. Presque aucun n’est accompagné d’un lien vers l’étude, d’une définition de ce qui a été mesuré, ni d’un échantillon. Cet article a été réécrit pour ne conserver que ce qui est sourçable, et pour dire ce qui reste utile une fois la fausse précision retirée.
Deux sources primaires seulement sont utilisées ici, et toutes deux sont liées dans le texte : le document de réflexion de l’OCDE préparé pour le G7 sur l’adoption de l’IA par les PME (décembre 2025), et le bilan des créations d’entreprises 2024 de l’Institut de la statistique de la Polynésie française. Tout le reste est qualitatif, et assumé comme tel. Aucun chiffre de rentabilité, aucun tarif et aucun cas client ne figure dans ce texte sans être vérifiable.
Ce que les données publiques établissent réellement
Premier constat : l’adoption progresse vite, mais depuis un niveau bas. Selon le rapport de l’OCDE, « L’adoption de l’IA par les petites et moyennes entreprises » (2025), la part des entreprises d’au moins 10 salariés ayant recours à l’IA est passée de 5,6 % à 14 % dans les pays de l’OCDE entre 2020 et 2024. À titre de comparaison, l’informatique en nuage dépassait 50 % la même année.
Deuxième constat, le plus parlant pour une petite structure : l’écart lié à la taille est massif. En 2024, 40 % des entreprises de 250 salariés et plus utilisaient l’IA, contre 20,4 % des entreprises de 50 à 249 salariés et 11,9 % de celles comptant 10 à 49 salariés. Un écart existe aussi sur le nuage ou l’internet des objets, mais il est nettement plus marqué sur l’IA.
Troisième constat, celui qu’on ne lit jamais dans les articles à pourcentages : l’usage reste largement périphérique. L’adoption de l’IA dans les fonctions opérationnelles essentielles — celles qui produisent réellement le bien ou le service — était inférieure à 10 % dans les pays du G7 en 2024, allant de 1,9 % au Japon à 6,1 % aux États-Unis. Et parmi les PME qui utilisent l’IA générative, seules 29 % déclarent y recourir dans le cadre de leurs activités de base. Les autres l’emploient en marge : rédaction, marketing, tâches internes.
Pourquoi un « gain de 32 % » ne veut rien dire
Il existe bien une corrélation solide entre l’usage de l’IA et la productivité des entreprises, documentée dans plusieurs pays. Mais l’OCDE ajoute la nuance qui change tout : ce lien s’explique « en très grande partie » par le fait que les entreprises déjà plus avancées dans leur transformation numérique et déjà plus compétitives sont aussi celles qui adoptent l’IA en premier. Une bonne partie de l’écart mesuré existait donc avant l’IA.
Un gain « moyen » attribué à l’IA mélange ainsi deux effets que personne ne sait séparer sans protocole rigoureux : ce que l’outil apporte, et ce que l’entreprise était déjà. C’est la raison pour laquelle les pourcentages retirés de cet article n’ont pas été remplacés par d’autres pourcentages. Sur l’ordre de grandeur macroéconomique, l’OCDE avance d’ailleurs une fourchette volontairement prudente : l’IA pourrait contribuer entre 0,2 et 1,3 point à la croissance annuelle de la productivité du travail dans les économies du G7 sur la prochaine décennie, selon le scénario d’adoption. Une fourchette large, sur dix ans, à l’échelle de pays entiers. Rien qui permette de promettre quoi que ce soit à une entreprise donnée — et surtout pas un chiffre au centième près.
Pourquoi ces statistiques ne décrivent pas la Polynésie
Toutes les enquêtes citées plus haut portent sur des entreprises d’au moins 10 salariés : c’est le seuil standard des statistiques sur le numérique. Or le tissu économique polynésien se situe très largement en dessous de ce seuil.
D’après le bilan des créations d’entreprises 2024 de l’ISPF, les entreprises individuelles constituent 82 % du parc polynésien dans les secteurs de l’industrie, de la construction, du commerce et des services, contre 18 % pour les sociétés. La forme individuelle représente 86 % des créations de l’année. Et moins de 1 % des nouvelles entreprises emploient au moins un salarié au moment de leur création : le créateur assure d’abord son propre emploi. Le parc est en outre très largement tertiaire — 78 % des unités actives relèvent du tertiaire, 13 % de la construction et 9 % de l’industrie.
La conséquence est directe : la « PME » des rapports internationaux n’est pas l’entreprise polynésienne médiane. Ici, la question n’est presque jamais « comment équiper mes trente collaborateurs », mais « comment une personne seule, ou une équipe de trois, récupère du temps sans dégrader la qualité ». Ce sont deux problèmes différents, et aucun pourcentage importé n’aide à trancher ni l’un ni l’autre.
Un repère sectoriel mérite d’être noté. L’hébergement et la restauration figurent parmi les secteurs les moins équipés, à 7,8 % d’adoption en 2024 dans la zone OCDE, quand le secteur des technologies de l’information approchait 45 %. Pour une activité qui pèse lourd en Polynésie, cela signifie deux choses en même temps : peu de références sur lesquelles s’appuyer, et peu de concurrents déjà en avance.
Cas d’usage 1 : les demandes entrantes et le service client
C’est l’usage le plus souvent cité, et le plus mal vendu. Ce qu’une IA fait correctement aujourd’hui : répondre aux questions répétitives et documentées, qualifier une demande, orienter vers la bonne personne, collecter les informations nécessaires pour qu’un humain traite le dossier dès sa prochaine prise de poste. Pour une pension, un loueur ou un prestataire d’activités qui reçoit des demandes depuis des fuseaux horaires opposés, c’est là que le décalage coûte le plus cher : une demande arrivée à 2 h du matin et traitée à 9 h a souvent déjà trouvé preneur ailleurs.
Ce que ça ne fait pas : remplacer la relation. Un client qui hésite entre deux prestations achète auprès de la personne qui l’a rassuré. L’automatisation sert à ce que cette personne ait encore le temps de le faire.
Comment vérifier que ça marche : deux indicateurs suffisent — la part des demandes traitées sans intervention humaine, et le nombre de réclamations liées à une réponse automatique. Le second doit rester proche de zéro, sinon le premier ne vaut rien. Un taux d’automatisation élevé obtenu en frustrant les clients est une perte déguisée en gain.
Le piège : laisser l’outil s’engager sur des prix, des disponibilités ou des conditions d’annulation qu’il ne peut pas vérifier. Une promesse faite par erreur se paie au tarif affiché.
Chatbot ou agent : la distinction qui change la facture
Deux technologies très différentes se cachent derrière le même bouton « discutez avec nous », et la confusion coûte cher dans les deux sens.
Un chatbot classique suit un arbre de décision. Chaque question mène à une réponse écrite à l’avance. Il reconnaît des mots-clés, pas des intentions ; il ne relie pas un message au précédent ; il ne consulte aucun de vos systèmes. Si le client formule sa demande autrement que prévu, l’échange s’arrête sur un « je n’ai pas compris ».
Un agent s’appuie sur un modèle de langage et sur des connexions à vos outils. Il interprète une demande formulée librement, tient compte de ce qui a déjà été dit, va chercher l’information dans votre planning ou votre logiciel de réservation, et peut exécuter une action délimitée.
La différence n’est pas un niveau de finition : c’est la présence ou l’absence d’un accès à vos données et d’un droit d’agir. Elle a deux conséquences pratiques. D’abord, un agent coûte plus cher, à l’installation comme à l’usage, et suppose que vos données soient déjà propres et à jour. Ensuite, un agent peut se tromper de façon coûteuse, là où un chatbot se contente d’être inutile. Le périmètre d’action se décide donc avant la première ligne de configuration : ce qu’il a le droit de lire, ce qu’il a le droit d’écrire, et ce qui remonte systématiquement à un humain.
Un chatbot simple reste défendable pour une FAQ courte et stable, ou pour une qualification systématiquement suivie d’un transfert humain. Ce qui ne l’est pas, c’est de payer un agent pour faire le travail d’un chatbot.
Cas d’usage 2 : les tâches administratives répétitives
Transformer des factures, devis, bons de commande, comptes rendus ou fils de messages en données exploitables. Résumer un long échange en points d’action. Comparer plusieurs offres fournisseurs. Préparer une saisie comptable. C’est l’usage le plus sous-estimé, parce qu’il n’a rien de spectaculaire — et souvent le plus rentable dans une structure où la même personne fait l’administratif et la production.
Ce que ça ne fait pas : garantir l’exactitude. Un montant mal lu sur une facture reste un montant faux, et il circule d’autant plus vite qu’il est arrivé dans un tableur sans que personne ne l’ait regardé. Les PME du G7 interrogées par l’OCDE citent précisément les informations inexactes parmi leurs premières préoccupations, aux côtés des contenus problématiques et des questions juridiques et de droits d’auteur.
Comment vérifier que ça marche : contrôlez la totalité des sorties pendant deux semaines et comptez les erreurs, en notant leur nature. Une erreur de virgule sur un montant et une erreur de nom de fournisseur n’ont pas la même conséquence. Si le taux d’erreur est trop élevé pour relâcher ce contrôle ensuite, l’usage n’est pas mûr — et le temps de vérification doit être compté dans le calcul du gain, pas oublié.
Le piège : écrire automatiquement dans votre comptabilité ou votre base clients avant d’avoir mesuré ce taux d’erreur. Lecture d’abord, écriture ensuite. Une erreur en lecture se corrige ; une erreur propagée dans les écritures se retrouve chez le comptable.
Cas d’usage 3 : exploiter ses propres données de vente
Recommander une prestation complémentaire, repérer un client dont la fréquence d’achat baisse, anticiper un réapprovisionnement, ajuster une tarification selon la saison. C’est le cas d’usage le plus vendu et le plus souvent inadapté aux petites structures — et il faut le dire clairement.
Un modèle prédictif a besoin d’un historique propre, cohérent et suffisamment volumineux. Une activité qui enregistre quelques dizaines de transactions par mois, dans un fichier dont le format a changé trois fois, ne produira pas de prédiction fiable : elle produira une illusion de prédiction. Dans ce cas, un tableur bien tenu et la connaissance du terrain battent n’importe quel algorithme. À l’inverse, un commerce ou un hébergement avec plusieurs années de réservations bien saisies dispose d’une matière réelle.
Ce que ça ne fait pas : deviner ce que vos données ne contiennent pas. La saisonnalité touristique, les vacances scolaires locales, les événements et l’arrivée des paquebots influencent votre activité — mais seulement si ces informations figurent quelque part dans vos fichiers. Un modèle n’invente pas un signal absent.
Comment vérifier que ça marche : testez la prédiction sur le passé. Cachez les six derniers mois, demandez au système ce qu’il aurait prévu, comparez à ce qui s’est réellement produit. C’est la seule vérification qui ne coûte rien et qui ne se triche pas.
Le piège : la tarification dynamique automatique. Elle suppose que vous acceptiez qu’un client paie plus cher que son voisin pour la même prestation, et que vous puissiez l’assumer publiquement. Dans un marché où la réputation circule vite et où les clients se croisent au petit-déjeuner, ce n’est pas une décision technique.
Combien cela coûte, et comment le savoir
Aucun tarif ne figure dans cet article, parce qu’aucun tarif publié ne correspondrait à votre situation. En revanche, la méthode d’évaluation, elle, est stable. Avant de signer, exigez le coût complet sur douze mois :
- Les licences, en vérifiant si la facturation est par utilisateur, par volume traité ou forfaitaire. Une offre par utilisateur conçue pour une équipe de trente personnes n’a pas le même sens pour deux postes.
- Le paramétrage initial, y compris la mise au propre de vos données. C’est presque toujours le poste sous-estimé.
- La maintenance et les évolutions : qui met à jour les tarifs, les disponibilités, les procédures quand elles changent ?
- Votre temps de vérification, valorisé à votre propre taux horaire. Un outil qui fait gagner deux heures et en demande une de contrôle en fait gagner une.
- Le coût de sortie : récupérez-vous vos données si vous arrêtez, et dans quel format ?
Rapportez ce total au temps réellement libéré, mesuré et non estimé. Si le calcul ne tient pas sans hypothèse optimiste, il ne tient pas.
Les freins réels ne sont pas technologiques
L’OCDE identifie quatre leviers d’adoption : la connectivité, l’accès aux intrants de l’IA (données de qualité et puissance de calcul), les compétences et le financement. Sur le terrain, ce sont surtout les compétences et le temps qui bloquent.
- Les compétences. Dans une enquête de l’OCDE menée dans quatre pays du G7, la moitié des PME déclarent que leurs salariés ne disposent pas des compétences nécessaires pour utiliser l’IA générative.
- La formation, quasi absente. Dans tous les pays du G7 couverts, moins de 30 % des PME utilisatrices indiquent que leurs salariés suivent une formation liée à l’IA, avec des écarts allant de 11,3 % au Japon à 29,4 % au Canada.
- Le temps. À l’échelle de l’OCDE, les contraintes de temps sont l’obstacle le plus cité à la participation à une formation liée à l’emploi. Dans une petite structure, retirer quelqu’un de la production a un coût immédiat et visible, alors que le gain est différé et incertain.
- La confiance. Informations inexactes, contenus problématiques, incertitude juridique et droits d’auteur figurent parmi les principales préoccupations exprimées par les PME du G7.
Un résultat va dans l’autre sens et mérite d’être retenu : parmi les PME utilisant l’IA générative qui avaient connu un déficit de compétences, 39 % déclarent que la technologie les a aidées à y faire face. C’est probablement l’argument le plus solide dans une économie insulaire où certains profils sont difficiles à recruter et coûteux à faire venir.
Une méthode en cinq étapes
1. Partez d’une tâche, pas d’un outil. Notez pendant une semaine ce qui vous prend du temps sans produire de valeur. La bonne candidate est répétitive, écrite, fréquente, et son échec n’est pas grave.
2. Écrivez le résultat attendu avant de commencer. « Diviser par deux le temps passé à répondre aux demandes de devis » est vérifiable. « Gagner en efficacité » ne l’est pas — et c’est précisément ce flou qui produit les chiffres invérifiables dénoncés au début de cet article.
3. Mesurez l’état actuel. Chronométrez la tâche telle qu’elle est faite aujourd’hui, sur plusieurs cas réels. Sans point de départ, aucun gain ne sera démontrable, et vous resterez à la merci du premier pourcentage venu.
4. Testez quatre semaines sur un périmètre étroit. Une tâche, une personne, des outils prêts à l’emploi avant tout développement sur mesure. L’OCDE décrit ce point d’entrée comme la trajectoire dominante des PME qui débutent : des outils standards, appliqués à des tâches périphériques. Le sur-mesure vient après, s’il se justifie.
5. Décidez sur vos chiffres, pas sur ceux d’un article. Comparez à votre mesure initiale, intégrez le temps de vérification, et acceptez d’arrêter. Un test abandonné après un mois coûte un mois ; un outil payé trois ans « parce qu’on l’a acheté » coûte trois ans.
L’OCDE classe les PME en quatre profils selon leur maturité : novices, optimisateurs, explorateurs et champions. Les novices utilisent des outils prêts à l’emploi sur des tâches isolées ; les optimisateurs déploient ces mêmes outils dans plusieurs fonctions, avec une coordination croissante ; les explorateurs développent des solutions sur mesure ; les champions intègrent l’IA à leur stratégie. Passer d’un profil au suivant n’a rien d’obligatoire. Rester un « novice » qui a réglé un vrai problème vaut mieux que devenir un « explorateur » sans besoin.
Cinq pièges spécifiques au contexte polynésien
- Acheter une solution calibrée pour trente salariés. Les offres et leurs tarifs sont pensés pour des effectifs qu’on ne trouve presque pas ici. Vérifiez le coût réel pour un ou deux postes, paramétrage et maintenance compris.
- Sous-estimer la préparation des données. Tarifs à jour, disponibilités fiables, conditions d’annulation écrites : un outil branché sur des informations fausses les diffusera plus vite qu’un humain ne les corrige.
- Négliger la dépendance à la connexion. La connectivité est le premier levier cité par l’OCDE. Dans les archipels éloignés, prévoyez ce qui se passe quand le service est indisponible, et testez ce scénario avant qu’il n’arrive un jour de forte affluence.
- Confondre multilingue et culturellement juste. Répondre en anglais, en japonais ou en mandarin est devenu facile. Répondre correctement sur ce qu’est une pension de famille, un transfert en bateau ou une contrainte de marée suppose que vous ayez écrit ces règles quelque part. Le reo tahiti, lui, reste nettement moins bien couvert que les langues à fort volume : à tester avant de l’annoncer.
- Accepter une promesse chiffrée sans source. Si un prestataire annonce un gain en pourcentage avant d’avoir regardé votre activité, ce pourcentage ne vient pas de votre activité. Demandez l’étude, l’échantillon, et la définition de ce qui a été mesuré.
Ce qu’il faut retenir
L’adoption de l’IA par les petites entreprises est réelle et progresse, mais elle reste concentrée sur des tâches périphériques, loin des activités de production. Le lien entre IA et performance est solide en corrélation et faible en causalité démontrée. Aucun pourcentage publié ne dit ce que vous, avec votre activité et vos données, allez obtenir.
La bonne question n’est donc pas « combien vais-je gagner », mais « quelle tâche précise puis-je tester quatre semaines, avec une mesure de départ et un critère d’arrêt ». C’est moins vendeur qu’un gain à deux chiffres. C’est la seule démarche qui produise une réponse fiable, et elle est à la portée d’une entreprise d’une seule personne.
Si vous voulez cadrer ce premier test sur votre activité, écrivez-nous : nous commençons par la mesure de départ, pas par l’outil.
