France Num, le portail de l’État pour la transformation numérique des TPE et PME, rappelle que l’IA est « plurielle » : derrière l’IA générative, la plus connue, existent l’IA statistique, embarquée, prédictive, agentique ou adaptative (page mise à jour le 8 octobre 2026). Le règlement européen sur l’IA (AI Act) le dit à sa façon : sa définition d’un système d’IA (article 3) vise les systèmes qui produisent, à partir des données reçues, « des prédictions, du contenu, des recommandations ou des décisions ». Prédire et générer sont deux sorties différentes, qui se pilotent différemment.
IA prédictive ou IA générative : la différence
| IA prédictive | IA générative | |
|---|---|---|
| Ce qu’elle rend | Un nombre (ventes, délai), une probabilité (panne, départ d’un client) ou une catégorie (conforme / non conforme) | Un texte, une image, du code, un résumé, une réponse |
| Sur quelles données | Vos historiques chiffrés : ventes, stocks, capteurs, tickets, factures | Un modèle déjà entraîné sur de très gros volumes, auquel vous donnez votre contexte (documents, consignes) |
| Comment on la juge | On compare la prévision à ce qui s’est réellement passé : l’erreur se mesure | On relit : exactitude, ton, sources ; l’erreur se repère au cas par cas (hallucinations) |
| Son erreur typique | Se tromper quand le contexte change (nouveau produit, crise, changement de prix) | Affirmer une information fausse avec aplomb |
| Qui la met en place | Souvent un outil métier (ERP, logiciel de caisse, CRM) ou un prestataire data | Souvent directement les équipes, avec un assistant comme ChatGPT, Claude ou Gemini |
Les deux se combinent de plus en plus. Dans un cas industriel documenté par Bpifrance Conseil et Siparex, des modèles d’apprentissage profond analysent les données d’une ligne de production, et une IA générative traduit leurs alertes en phrases claires pour les opérateurs. Le chiffre vient du modèle prédictif ; l’explication, du modèle génératif. Pour le versant génératif, voir notre guide IA générative : définition et usages au travail.
Exemples d’IA prédictive en entreprise
Deux cas réels, publiés dans le livre blanc Les audacieux de l’IA de Bpifrance Conseil et Siparex (avril 2026), avec les chiffres déclarés par les entreprises :
- Prévoir les commandes de fruits et légumes : Eco-SI, éditeur de logiciels pour magasins bio et de proximité (14 collaborateurs), a co-construit un outil qui aide les responsables de rayon à dimensionner leurs achats. Le modèle tient compte de la météo, des vacances, des ventes saisies en caisse et des horaires d’ouverture. Il a fallu un an de mise en œuvre, un travail important de nettoyage et d’homogénéisation des données, pour un investissement d’environ 100 000 € ; la baisse des pertes attendue est de 30 % (prévision, pas encore un résultat constaté).
- Chiffrer un devis à partir de l’historique : Eukleed, intégrateur de solutions électroniques (85 collaborateurs, 10 000 devis par an), fait proposer un prix à partir des réponses passées aux devis et des tarifs fournisseurs ; les demandes de moins de 150 € sont traitées automatiquement, celles de 150 à 1 500 € sont relues par un technico-commercial.
Au-delà de ces deux cas, les usages prédictifs les plus courants en PME tiennent en une phrase chacun :
| Question posée | Ce que le modèle estime | Données de départ |
|---|---|---|
| Combien vais-je vendre ? | Volumes par produit, par semaine ou par magasin | Ventes passées, prix, promotions, saisonnalité, météo selon le secteur |
| Combien commander ou stocker ? | Besoin de réapprovisionnement, risque de rupture ou de surstock | Stocks, délais fournisseurs, prévisions de ventes |
| Quelle machine va s’arrêter ? | Probabilité de panne dans les prochains jours | Capteurs, historique des pannes (voir IA dans l’industrie) |
| Quel client risque de partir ? | Score de risque de résiliation ou de non-renouvellement | Historique d’achats, contrats, tickets de support |
| Quel prospect appeler d’abord ? | Probabilité de signature | CRM : affaires gagnées et perdues, source, secteur, taille |
| Quand ce client va-t-il payer ? | Délai de paiement probable, risque de retard | Historique de règlements, montants, relances |
Pour la priorisation commerciale, notre guide agents IA de prospection montre comment une équipe écrit d’abord ses critères avant de confier le classement à un outil.
Les données nécessaires
Le livre blanc de Bpifrance Conseil et Siparex résume le prérequis pour la prévision des ventes : des données « fiables, structurées et suffisamment historiques », incluant ventes, prix, marges, saisonnalités et facteurs externes, et une gouvernance qui les maintient à jour dans la durée. Traduit en questions pratiques :
- La chose à prévoir est-elle enregistrée ? Pour prévoir des pannes, il faut des pannes datées ; pour prévoir des départs de clients, il faut savoir qui est parti et quand.
- L’historique couvre-t-il les cycles ? Une activité saisonnière demande plusieurs saisons ; une seule année ne permet pas de distinguer la saison du hasard.
- Les facteurs explicatifs existent-ils ? Prix pratiqués, promotions, jours fériés, ouverture du magasin : ce que vous savez expliquer, le modèle peut l’apprendre.
- Une seule version de la vérité ? Si les ventes n’ont pas le même total dans l’ERP et dans le tableur du contrôle de gestion, il faut trancher avant (source de vérité des données).
- Données personnelles ? Un score par client nominatif relève du RGPD ; l’article 22 encadre les décisions fondées exclusivement sur un traitement automatisé qui affectent significativement une personne.
Quand l’IA prédictive n’est pas la bonne réponse
La compétition de prévision M4, qui a comparé des dizaines de méthodes sur un très grand nombre de séries temporelles, a donné un résultat utile à tout acheteur : sur les 17 méthodes les plus précises, 12 étaient des combinaisons de méthodes surtout statistiques, et les six méthodes de pur apprentissage automatique ont déçu, aucune ne faisant mieux que la combinaison de référence (Makridakis, Spiliotis et Assimakopoulos, 2018). La meilleure méthode était hybride, statistique et apprentissage automatique ensemble. La leçon n’est pas « l’IA ne marche pas », mais « plus complexe ne veut pas dire plus juste ».
Concrètement, l’IA prédictive n’est pas la bonne réponse quand :
- Une règle simple suffit : un seuil de réapprovisionnement, une moyenne mobile, un calendrier de maintenance fait déjà le travail avec une erreur acceptable.
- Il n’y a pas de passé : nouveau produit, nouveau marché, changement complet de gamme. Le modèle extrapole un monde qui n’existe plus.
- La décision est rare : un investissement par an ne s’apprend pas statistiquement.
- Personne n’agira sur la prévision : si le stock est commandé de la même façon quel que soit le chiffre, la prévision ne rapporte rien.
- La décision porte sur des personnes : recrutement, crédit, évaluation. L’AI Act classe certains de ces usages à haut risque, avec des obligations lourdes (voir IA et recrutement).
Mettre en place : l’ordre et ce que l’équipe apprend
- Choisir une décision récurrente et son coût actuel : pertes, ruptures, heures passées, marge perdue.
- Calculer une prévision de référence simple sur l’historique (même période l’an dernier, moyenne des dernières semaines) et mesurer son erreur.
- Vérifier si l’outil existe déjà dans votre ERP, votre logiciel de caisse ou votre CRM avant de faire développer.
- Tester sur le passé : le modèle prévoit des mois déjà connus, on compare à la référence simple. Pas de mise en service s’il ne fait pas mieux.
- Mettre en service en recommandation : l’outil propose, le responsable décide ; on note les écarts.
- Surveiller dans la durée : une prévision se dégrade quand l’activité change. Prévoir qui regarde l’erreur chaque mois.
L’équipe n’a pas besoin de savoir programmer un modèle. Elle doit savoir formuler la question, préparer et vérifier les données, lire une erreur de prévision, et dire quand le modèle a tort. Elle gagne aussi à savoir faire produire par un assistant génératif une première analyse de ses tableaux, en vérifiant ce qu’il calcule (IA et Excel). Pour un service qui veut construire ces usages sur ses propres données, voir la formation déployer l’IA dans un service.