Un commercial interroge l’assistant IA de son CRM sur un client, un acheteur utilise l’assistant de son ERP pour vérifier un retard de livraison, un directeur financier s’appuie sur l’IA pour comprendre un écart de marge. Ces usages paraissent simples lorsque les informations nécessaires sont disponibles dans un même logiciel. Dès qu’une réponse mobilise plusieurs applications, la qualité des données, les échanges entre systèmes et la sécurité des accès deviennent déterminants. L’IA remet ainsi en lumière des chantiers que les entreprises pouvaient auparavant traiter séparément.
L’IA transforme les logiciels de gestion en profondeur
Les éditeurs d’ERP et de CRM enrichissent leurs solutions d’assistants et de fonctionnalités d’IA intégrés aux tâches quotidiennes. Dans la relation client, l’IA générative peut résumer un historique d’échanges ou préparer un compte rendu. Dans la gestion des achats, l’IA prédictive aide à anticiper une rupture d’approvisionnement à partir des commandes et des tendances observées. L’IA agentique va plus loin lorsque des agents sont autorisés à appeler des outils, déclencher un workflow ou préparer une opération.
Microsoft développe ces usages dans Dynamics 365, tandis que SAP fait évoluer Joule et ses agents autour des processus métiers. Les possibilités réelles dépendent toutefois des versions, des modules et des règles de configuration. Une suggestion de réapprovisionnement ne représente pas le même niveau de risque qu’une commande effectivement passée par un agent.
L’enjeu dépasse donc l’ajout d’un assistant à l’interface. Il concerne la manière dont les logiciels échangent et exécutent les processus. C’est tout l’intérêt de l’approche à 360° du groupe TVH Consulting, qui réunit les expertises ERP Microsoft et SAP, CRM, Data, BI et cybersécurité pour accompagner cette transformation de bout en bout.
Des ERP et CRM bien intégrés : le premier prérequis
Imaginons une équipe commerciale qui demande à son assistant IA de confirmer à un client une date de livraison. Le CRM contient la demande et les derniers échanges ; l’ERP détient l’état de la commande et les disponibilités. Si ces informations ne sont pas synchronisées, l’outil peut rédiger une réponse convaincante, mais erronée.
Avant d’étendre les usages de l’IA, les entreprises doivent examiner les interfaces entre applications, les référentiels communs et les règles de gestion. Quel logiciel fait autorité pour l’adresse de facturation ? Une commande annulée dans l’ERP est-elle immédiatement identifiable depuis le CRM ? Comment sont traités les doublons ou les changements de statut ?
Le paramétrage compte autant que la connexion technique. Un processus de validation mal défini, reproduit par une automatisation, peut accélérer les erreurs plutôt que les corriger. Cartographier les flux, tester les cas d’exception et préciser les responsabilités métier rend les fonctionnalités d’IA plus fiables et plus utiles.
La Data devient le carburant stratégique de l’IA
Même lorsque les applications communiquent correctement, les données peuvent rester difficiles à interpréter. Deux services n’emploient pas toujours la même définition d’un client actif, d’une marge ou d’une commande livrée. Si l’IA s’appuie sur ces indicateurs sans connaître leurs règles de calcul, elle risque de rapprocher des chiffres incompatibles.
La gouvernance des données permet de clarifier ces définitions, d’identifier les propriétaires des informations et de suivre leur provenance. Elle concerne aussi la fraîcheur, la qualité et les autorisations d’usage. Une base documentaire peut être techniquement accessible sans que tous ses contenus soient pertinents ou destinés à l’ensemble des collaborateurs.
Comme le rappelait Anne Canu, directrice de la BU Customer Engagement Microsoft chez TVH Consulting, sur LinkedIn : « Un projet IA réussi ne commence pas par la technologie, mais par les bonnes données, les bons besoins et les bons objectifs. »
Cela n’impose pas de reconstruire tout le patrimoine de données avant le premier cas d’usage. Une entreprise peut commencer par un périmètre limité, avec des sources identifiées et des indicateurs définis, puis consolider progressivement les référentiels et l’architecture Data à mesure que les usages s’étendent.
La cybersécurité, condition indispensable d’une IA maîtrisée
Connecter un assistant IA aux logiciels de gestion modifie également les chemins d’accès à l’information. Un outil capable d’interroger les commandes, les contrats et les dossiers clients peut exposer des données sensibles s’il contourne les habilitations déjà définies dans les applications sources.
Le risque s’accroît lorsqu’un agent est autorisé à agir. Il faut distinguer la lecture d’un document, la préparation d’une opération et sa validation effective. Un agent chargé d’analyser un retard fournisseur n’a pas nécessairement besoin de modifier les coordonnées bancaires ou de déclencher un paiement. Le principe du moindre privilège doit aussi s’appliquer à ses identités techniques.
Les équipes de cybersécurité doivent intervenir dès le cadrage : classification des données, contrôle des accès, journalisation des opérations, protection des connexions aux applications et évaluation des fournisseurs. Elles doivent également anticiper les instructions malveillantes introduites dans des contenus consultés par l’IA, susceptibles d’en détourner le comportement. Une validation humaine reste nécessaire pour les actions dont les conséquences sont sensibles ou difficilement réversibles.
De la Business Intelligence à l’IA : vers un pilotage plus intelligent
La Business Intelligence restitue traditionnellement les données sous forme d’indicateurs, de tableaux de bord et d’analyses historiques. L’IA peut prolonger ces usages en identifiant des anomalies, en produisant des prévisions ou en facilitant l’exploration de données en langage naturel.
Un responsable industriel peut ainsi comparer les écarts de consommation matière entre ateliers et demander quels facteurs méritent une investigation. Une direction commerciale peut examiner l’évolution de ses prévisions de ventes en tenant compte du pipeline CRM et des commandes enregistrées dans l’ERP. L’intérêt réside dans le rapprochement des données opérationnelles avec des questions métier précises.
Les résultats exigent toutefois un examen critique. Une corrélation n’explique pas nécessairement une cause ; une prévision dépend de la qualité de l’historique et des hypothèses retenues. Les utilisateurs doivent pouvoir retrouver les données ayant alimenté l’analyse, comprendre les principaux critères et corriger une interprétation avant qu’elle ne serve de base à une décision.
Une vision globale du SI pour réussir le déploiement de l’IA
Lorsque les premiers usages fonctionnent, la tentation est forte de les généraliser à d’autres services. C’est souvent à ce moment qu’apparaissent les différences de référentiels, les interfaces fragiles ou les droits d’accès insuffisamment maîtrisés. Déployer une IA dans un CRM, puis dans un ERP et enfin dans les outils de pilotage ne peut pas se réduire à trois projets indépendants.
Les directions métier doivent préciser les décisions ou tâches à améliorer. Les équipes ERP et CRM vérifient les processus et les possibilités d’intégration ; les spécialistes Data rendent les informations compréhensibles et utilisables ; la cybersécurité encadre les accès et les actions. Cette coordination doit parfois commencer dès le choix de l’ERP : les référentiels, les interfaces et les règles de circulation des données conditionnent aussi les futurs usages de BI et d’IA, comme l’explique un article publié sur Le Monde informatique.
En pratique, plusieurs arbitrages restent nécessaires : qui valide les réponses produites, comment surveiller les erreurs, quelles évolutions tester avant la mise en production et quels indicateurs permettent de mesurer le résultat obtenu ? Les réponses doivent évoluer avec les usages, pas uniquement lors du lancement initial.
Une entreprise qui sait déjà relier ses processus, expliquer ses données et contrôler les accès disposera d’une base plus solide pour industrialiser l’IA. Pour les autres, les premiers projets peuvent servir de révélateur : ils montrent précisément où le système d’information doit gagner en cohérence avant d’automatiser davantage de décisions.
- Partager l'article :
