Automatiser sans automatiser le chaos : une méthode en cinq temps

Un processus confus, une fois automatisé, ne devient pas clair : il devient confus plus vite, et plus difficile à corriger. L’idée n’a rien de neuf, mais l’arrivée des outils d’IA, qui promettent d’automatiser des tâches autrefois réservées aux humains, la rend de nouveau d’actualité. Voici une méthode simple pour éviter ce piège, illustrée par un exemple générique.

Une leçon vieille de plus de trente ans

En juillet-août 1990, Michael Hammer publiait dans la Harvard Business Review un article au titre provocateur : « Reengineering Work: Don’t Automate, Obliterate ». Sa thèse : les entreprises dépensent des fortunes en informatique pour accélérer des processus conçus avant l’informatique, au lieu de se demander si ces étapes ont encore une raison d’être. Il résumait l’erreur d’une image restée célèbre, celle de goudronner les chemins tracés par les vaches.

Son exemple le plus connu concernait les comptes fournisseurs de Ford en Amérique du Nord, qui occupaient plus de 500 personnes. Ford visait d’abord une réduction d’environ 20 % des effectifs grâce à de nouveaux systèmes, jusqu’à constater que Mazda traitait la même fonction avec cinq personnes. Plutôt que d’automatiser le rapprochement entre commande, bon de réception et facture, Ford a revu le processus : la réception vérifiait les marchandises directement contre la commande enregistrée dans une base de données, et le paiement suivait sans attendre de facture. Là où ce nouveau processus a été déployé, les effectifs ont diminué de 75 %.

La réingénierie a ensuite eu ses excès. Elle a souvent servi de prétexte à des licenciements massifs, et Hammer lui-même a reconnu avoir sous-estimé la dimension humaine. Mais le principe central reste valable : repenser avant d’automatiser.

Étape 1 : cartographier le processus réel

Avant tout outil, il faut décrire le processus tel qu’il se déroule vraiment, pas tel que le manuel le prévoit. Qui fait quoi, dans quel ordre, avec quelles informations, et où sont les attentes, les ressaisies et les exceptions ? Une cartographie honnête révèle souvent des étapes qui n’existent que pour compenser un défaut en amont. Ce sont celles-là qu’il faut supprimer, pas automatiser.

Étape 2 : choisir les bons premiers cas d’usage

Tous les processus ne se prêtent pas également à l’automatisation. Trois critères permettent de faire un premier tri :

• la fréquence : une tâche répétée des centaines de fois par mois rentabilise l’effort, une tâche annuelle rarement ;
• la stabilité des règles : si les décisions suivent des règles claires et peu changeantes, l’automatisation est robuste ; si chaque cas est une exception, elle sera fragile ;
• la disponibilité des données : un outil ne peut traiter que ce qui existe sous une forme exploitable et fiable.

Il est sage de commencer par un cas modeste et visible, qui coche les trois cases, plutôt que par le processus le plus douloureux mais le plus complexe.

Étape 3 : mesurer avant et après

Sans mesure de départ, impossible de savoir si l’automatisation a apporté quelque chose. Quelques indicateurs suffisent : délai de traitement, coût par dossier, taux d’erreur, part des cas traités sans intervention manuelle. Il faut aussi accepter une baisse temporaire. Les économistes Brynjolfsson, Rock et Syverson ont décrit une « courbe en J » de la productivité : les technologies générales exigent d’abord des investissements immatériels (réorganisation, formation, données) qui pèsent sur les résultats avant de produire leurs effets.

Exemple : le traitement des factures fournisseurs

Prenons, à titre purement illustratif, une PME qui reçoit 400 factures fournisseurs par mois, par courrier et par email. Chaque facture est saisie à la main, envoyée par email au responsable pour validation, puis payée.

La cartographie montre que les retards ne viennent pas de la saisie, mais des validations : les factures attendent dans les boîtes de réception, et un tiers d’entre elles ne correspondent à aucune commande enregistrée. Automatiser la saisie, par exemple avec un outil d’extraction par IA, ferait gagner du temps à la comptabilité, mais les factures continueraient à attendre.

La séquence logique serait donc plutôt : rendre la commande obligatoire au-delà d’un certain montant, définir des seuils de validation clairs, puis seulement automatiser la lecture et le rapprochement. En Suisse, la généralisation de la QR-facture, introduite le 30 juin 2020 et seule en usage depuis le retrait des anciens bulletins de versement le 30 septembre 2022, facilite justement l’extraction de données structurées. Les factures qui ne correspondent à aucune règle restent traitées par une personne.

Étape 4 : gouverner et maintenir

Une automatisation n’est pas un projet qui se termine, c’est un système à entretenir. Il faut un responsable identifié, une documentation des règles, une surveillance des erreurs et une procédure pour les cas que l’outil ne sait pas traiter. Les fournisseurs changent de format, les règles fiscales évoluent, les modèles d’IA sont mis à jour : sans maintenance, la fiabilité se dégrade sans bruit.

Étape 5 : former les équipes

Enfin, l’automatisation modifie le travail de ceux qui exécutaient le processus. Ils sont souvent les mieux placés pour repérer les exceptions et les dérives. Les former à comprendre l’outil, à en contrôler les résultats et à signaler ses erreurs n’est pas un supplément : c’est une condition de réussite. Les excès de la réingénierie des années 1990 rappellent ce qu’il en coûte de traiter les personnes comme une variable d’ajustement.

Notre lecture : dans beaucoup de projets d’IA, la valeur vient moins de l’outil que du travail de clarification qu’il oblige à faire.

À retenir

Automatiser un processus mal conçu revient à accélérer ses défauts, comme Michael Hammer le soulignait déjà en 1990. Une démarche solide commence par une cartographie honnête, puis cible des cas fréquents, à règles stables et à données disponibles. Mesurer avant et après, en acceptant un creux initial, permet de juger sur pièces. La gouvernance et la formation des équipes font la différence entre une automatisation durable et un système qui se dégrade en silence.