Tout le monde compare les modèles IA. Personne ne regarde son propre terrain.

La course aux modèles bat son plein. Pendant ce temps, la plupart des organisations n'ont toujours pas résolu leur premier problème concret avec l'IA.

Chaque semaine apporte son lot d'annonces. Un modèle plus rapide, un benchmark battu, une nouvelle capacité spectaculaire. Les fils LinkedIn s'enflamment. Les directions posent la question : « On fait quoi avec ça ? » Les équipes comparent GPT, Claude, Gemini, Llama. On évalue, on teste, on hésite. On attend le prochain modèle, au cas où il serait meilleur.

Et pendant ce temps, rien n'avance.

Le problème n'est pas le modèle. C'est l'absence de question.

La vraie question n'est jamais « quel modèle choisir ». C'est « quel problème concret on essaie de résoudre ». Et cette question, très peu d'organisations prennent le temps de la poser sérieusement.

On le constate sur le terrain. Des directions qui veulent « faire de l'IA » sans avoir identifié un irritant précis. Des équipes qui testent des outils génériques sans savoir ce qu'elles en attendent. Des projets qui démarrent par la technologie et cherchent le problème ensuite. Des comités de direction qui demandent « où en est-on avec l'IA ? » comme si c'était une case à cocher.

Ce n'est pas un jugement. C'est un constat. L'industrie IA pousse à comparer les modèles parce que c'est ce qui génère de l'attention. Mais pour une PME de Laval, un cabinet de Montréal ou une direction de stratégie à Québec, le choix du modèle est probablement la décision la moins importante du projet.

Ce qui compte, c'est ce qui se passe en amont. Identifier le besoin réel. Évaluer si l'IA est la bonne réponse. Et parfois, accepter qu'elle ne l'est pas. Cadrer le périmètre. Préparer les données. Prévoir l'adoption. Ce travail-là n'est pas spectaculaire. Il ne fait pas de bons fils LinkedIn. Mais c'est lui qui sépare les projets qui tiennent de ceux qu'on abandonne après six mois.

Ce que ça donne quand on pose la bonne question d'abord

Voici quatre situations concrètes. Pas des projets spectaculaires. Des problèmes réels que des organisations québécoises rencontrent, et que l'IA peut résoudre sobrement, quand le travail de cadrage a été fait.

La documentation que personne ne consulte. Un technicien cherche une procédure. Elle existe quelque part dans l'intranet. Il tape deux mots-clés, obtient 47 résultats, ouvre trois documents, aucun n'est la bonne version. Il finit par demander à un collègue. Vingt minutes perdues. Multiplié par quinze employés, cinq fois par semaine.

La solution n'est pas un chatbot générique. C'est un système connecté à votre base documentaire, qui comprend votre terminologie, avec des contrôles d'accès et une traçabilité. Le modèle de langage est un composant parmi d'autres. Ce qui fait la différence, c'est le nettoyage des documents, la gestion des versions, la compréhension de ce que les employés cherchent vraiment.

Ce que ça demande en amont : des documents structurés, une gouvernance claire sur qui maintient la documentation, une politique d'accès. Et surtout, un travail d'observation pour comprendre les vrais parcours de recherche des employés. Ce que ça donne en quelques mois : un système qui répond bien sur un périmètre précis, qu'on étend ensuite. PME manufacturières, cabinets, grandes organisations avec des intranets lourds : le problème est le même partout.

La veille qui noie au lieu d'éclairer. Une directrice de conformité dans un cabinet comptable de Montréal commence sa journée par trente minutes de lecture. Bulletins réglementaires, publications gouvernementales, mises à jour de normes. Le volume augmente plus vite que sa capacité à le traiter.

Un copilote de veille ne relaye pas des alertes brutes. Il résume, compare, contextualise. Il fait la différence entre un changement cosmétique et un changement structurant. Mais il ne peut faire ça que si on lui a donné le contexte : quelles sources surveiller, ce qui constitue un changement pertinent pour cette organisation, comment prioriser.

Ce que ça demande : une liste claire de sources, des règles de priorisation, et un processus de validation humaine. Le copilote signale et synthétise, il ne prend pas de décisions. Ce que ça donne : plusieurs heures par semaine récupérées, une meilleure réactivité, et une trace documentée utile pour les audits. Sans ce travail de cadrage, le système génère du bruit, l'équipe finit par ignorer les alertes, et on revient au point de départ.

Les documents sensibles qui se promènent dans ChatGPT. Pendant que vous lisez ceci, il y a probablement un employé dans votre organisation qui copie un document interne dans un outil public. Pas par malveillance. Par réflexe. Il a une question sur une politique RH ou une procédure de sécurité, il ne veut pas déranger son gestionnaire, alors il va vers l'outil le plus rapide.

Un portail interne sécurisé règle deux problèmes d'un coup. La sécurité : les données ne sortent pas de votre périmètre. Et la qualité : un système connecté à vos propres politiques donne votre réponse, pas une réponse générique.

L'enjeu central, c'est l'adoption. Si le portail répond mal, les employés retournent vers ChatGPT en cinq minutes. La qualité des réponses n'est pas un détail technique, c'est la condition de réussite. Ce que ça demande : un inventaire des documents sensibles, une gouvernance des accès par rôle, et une compréhension de ce que les employés demandent déjà aux outils publics. Ce que ça révèle, souvent : les zones de flou dans votre organisation, les questions que les employés n'osaient pas poser avant. Utile pour la conformité. Utile pour la Loi 25. Utile tout court.

La planification stratégique où l'IA brille par son absence. Les cabinets-conseils qui font de la planification stratégique connaissent le paradoxe. On parle d'IA comme sujet de planification, on la démontre en atelier, mais on l'utilise rarement comme outil dans la démarche elle-même.

C'est un angle mort. L'IA peut synthétiser des tendances sectorielles avant un atelier, documenter les décisions en temps réel pendant, structurer les livrables après. Elle peut challenger des hypothèses, explorer des scénarios, maintenir la cohérence entre les versions successives d'un document stratégique.

Le risque est la dépendance : si l'IA rédige tout, la réflexion stratégique devient un exercice de validation plutôt que de création. L'approche sobre consiste à identifier deux ou trois étapes où l'IA a un levier réel, et à commencer par là. Un diagnostic ciblé évite de se disperser. Ce que ça donne : moins de temps passé à structurer, plus de temps passé à réfléchir. Et souvent, des angles que l'équipe n'aurait pas explorés seule.

Ce que ces quatre projets ont en commun

Aucun ne commence par le choix d'un modèle. Tous commencent par une question : qu'est-ce qui bloque, qu'est-ce qui coûte du temps, qu'est-ce qui crée du risque ?

Aucun ne demande une technologie spectaculaire. Tous demandent un travail de cadrage sérieux : comprendre le besoin, préparer les données, prévoir la gestion du changement. C'est moins séduisant qu'une démo de GPT-5, mais c'est ce qui sépare un projet qui tient d'un projet qu'on abandonne en cours de route.

Et aucun ne sera obsolète si le modèle de langage change dans six mois. Parce que ce qui fait leur valeur, c'est l'architecture de base : les données, la gouvernance, le cas d'usage bien compris. Un bon cadrage survit aux changements technologiques. Un mauvais cadrage ne survit à rien.

Il faut aussi accepter une chose : un premier projet IA n'a pas à être spectaculaire. Il doit être utile et adopté. C'est la seule métrique qui compte. L'ambition viendra après, quand les équipes auront confiance dans l'outil, quand les données seront en ordre, quand l'organisation aura appris à travailler avec l'IA plutôt qu'à en parler.

La course IA a changé de direction. La bonne question n'a pas changé.

Le succès d'un projet IA ne se joue pas dans le choix du modèle. Il se joue dans la clarté du besoin, la qualité des données, et la capacité de l'organisation à changer ses habitudes. Ce n'est pas ce qu'on lit dans les fils LinkedIn. Mais c'est ce qu'on observe sur le terrain.

Les organisations qui avancent ne sont pas celles qui ont la meilleure technologie. Ce sont celles qui ont arrêté de comparer les modèles assez longtemps pour regarder leur propre réalité. Quel problème concret on résout d'abord ? C'est la seule question qui vaille.

Vous savez quel problème vous voulez résoudre en premier ? Pixel Poule accompagne les organisations québécoises du diagnostic au développement de solutions sur mesure. Parlons-en.