Intelligence artificielle, no-code et analyse de données

Distinguer les types d’IA, comprendre leurs apports aux progiciels et outils bureautiques, et situer machine learning, no-code, Data Analyse et Data science.

Introduction

Dans les leçons précédentes sur le système d’information (notamment les leçons 154 à 172), nous avons étudié les données, les acteurs du SI, l’infrastructure technique, les bases de données, le tableur, les processus, les progiciels métier, le workflow et la traçabilité.

Cette leçon prolonge directement cet ensemble en abordant les technologies émergentes au service de la performance du système d’information, avec un focus sur :

les différents types d’intelligence artificielle (IA) ;
les enjeux de l’intelligence artificielle pour les organisations ;
l’apport de l’IA dans les progiciels métier et les outils bureautiques ;
les notions de machine learning, no-code, Data Analyse et Data science.

L’objectif n’est pas d’entrer dans le fonctionnement technique détaillé des algorithmes, ce qui est expressément exclu du programme, mais de comprendre leur rôle, leur impact sur la performance du système d’information et leurs usages concrets dans les organisations.

Objectifs d’apprentissage

À l’issue de cette leçon, vous devez être capable de :

distinguer les différents types d’intelligence artificielle ;
comprendre les enjeux de l’intelligence artificielle sur le système d’information ;
identifier l’apport de l’intelligence artificielle dans les progiciels métier et les outils bureautiques ;
situer les notions de machine learning, no-code, Data Analyse, Data science, blockchain et internet des objets (IoT) dans l’environnement du SI ;
expliquer en quoi ces technologies peuvent améliorer — ou parfois fragiliser — la performance des processus.

1. Les technologies émergentes au service de la performance du système d’information

Dans le cadre de l’UE 8, le système d’information n’est pas seulement un ensemble d’outils techniques. Il sert à collecter, traiter, stocker, diffuser et sécuriser l’information utile à l’organisation.

Une technologie émergente est une technologie dont l’usage se développe rapidement et qui modifie les pratiques de travail, les processus et parfois les métiers eux-mêmes.

Dans cette leçon, les technologies principalement visées sont :

l’intelligence artificielle ;
le machine learning ;
le no-code ;
la Data Analyse ;
la Data science ;
la blockchain ;
l’internet des objets (IoT).

Pourquoi parle-t-on de performance ?

Parce qu’un système d’information performant permet par exemple :

d’aller plus vite ;
de réduire les erreurs ;
d’automatiser des tâches répétitives ;
de mieux exploiter les données ;
de mieux détecter les anomalies ou les fraudes ;
d’améliorer le service rendu aux utilisateurs internes et externes.

Mais une technologie n’améliore pas automatiquement la performance. Elle peut aussi créer :

une dépendance excessive aux outils ;
des risques sur la qualité des données ;
des difficultés de contrôle ;
des problèmes de confidentialité ;
des transformations profondes des métiers.

Autrement dit, il faut toujours raisonner en termes d’apports, mais aussi d’enjeux.

2. Distinguer les différents types d’intelligence artificielle

Le programme demande de distinguer les différents types d’IA, sans exiger une étude technique approfondie. Il faut donc comprendre les grandes catégories utiles en gestion.

2.1 Définition générale de l’intelligence artificielle

L’intelligence artificielle désigne un ensemble de techniques permettant à une machine ou à un logiciel de réaliser des tâches qui, habituellement, nécessitent des capacités humaines telles que :

reconnaître des formes ;
classer des informations ;
interpréter un texte ;
prédire un résultat ;
assister une décision ;
produire un contenu.

L’IA ne signifie pas qu’un logiciel « pense » comme un humain. Dans le cadre du DCG, il faut surtout retenir que l’IA est un outil de traitement avancé des données.

2.2 Une première distinction : IA spécialisée et IA générative

A. L’IA spécialisée

L’IA spécialisée est conçue pour une tâche précise :

détecter des transactions suspectes ;
classer automatiquement des factures ;
suggérer une catégorie comptable ;
analyser des comportements clients ;
prédire un risque d’impayé.

Elle est très présente dans les progiciels métier.

Exemple : Un logiciel comptable repère qu’une facture fournisseur ressemble à des factures déjà enregistrées dans un compte de charges donné, et propose automatiquement une imputation.

B. L’IA générative

L’IA générative produit un contenu nouveau à partir d’instructions ou de données d’entrée :

texte ;
résumé ;
réponse rédigée ;
image ;
proposition de formule ;
brouillon de courriel ;
synthèse d’un tableau de bord.

Elle est de plus en plus intégrée dans les outils bureautiques.

Exemple : Un assistant intégré à un traitement de texte propose de reformuler un compte rendu, de résumer un document ou de rédiger un courriel professionnel.

2.3 Une distinction importante : IA avec apprentissage et IA sans apprentissage autonome

A. Les systèmes à règles

Certains outils qualifiés d’IA fonctionnent surtout à partir de règles prédéfinies :

si telle condition est remplie, alors telle action est proposée ;
si tel seuil est dépassé, alors une alerte est déclenchée.

Ces systèmes sont parfois proches de l’automatisation avancée. Ils ne « découvrent » pas seuls les règles ; ils appliquent une logique définie.

B. Les systèmes fondés sur l’apprentissage

D’autres outils apprennent à partir des données. C’est là qu’intervient le machine learning.

3. Le machine learning : une forme centrale d’IA

Le machine learning peut être traduit par apprentissage automatique.

3.1 Définition

Le machine learning désigne des méthodes par lesquelles un système repère des régularités dans les données pour :

classer ;
prévoir ;
recommander ;
détecter des anomalies.

3.2 Pourquoi est-ce utile dans un système d’information ?

Parce que les organisations accumulent de très nombreuses données :

données clients ;
données de vente ;
données comptables ;
données logistiques ;
historiques de paiement ;
traces d’utilisation des applications.

Le machine learning permet d’exploiter ces masses d’informations plus efficacement qu’un traitement purement manuel.

3.3 Exemples d’usage

Détection de fraudes : repérer des opérations inhabituelles dans une base de transactions ;
Gestion de la relation client : identifier les clients à risque de départ ;
Prévision : anticiper une demande ou un comportement d’achat ;
Classement documentaire : reconnaître automatiquement le type d’un document.

3.4 Limites à garder en tête

Le machine learning dépend fortement :

de la qualité des données ;
du volume de données disponible ;
du paramétrage ;
du contrôle humain.

Si les données sont incomplètes, erronées ou biaisées, les résultats le seront aussi. En gestion, cela est essentiel : un outil sophistiqué ne compense pas une mauvaise qualité de l’information.

4. Comprendre les enjeux de l’intelligence artificielle

Le programme demande explicitement de comprendre les enjeux de l’intelligence artificielle sur le système d’information.

Ces enjeux sont à la fois organisationnels, techniques, humains et décisionnels.

4.1 Enjeu de productivité

L’IA permet d’automatiser ou d’accélérer des tâches telles que :

saisie assistée ;
classement de documents ;
extraction d’informations ;
génération de synthèses ;
assistance à la rédaction ;
détection d’écarts.

Pourquoi cela améliore-t-il la performance ?

Parce que les utilisateurs consacrent moins de temps aux tâches répétitives et davantage aux tâches de contrôle, d’analyse et de décision.

4.2 Enjeu de qualité de l’information

L’IA peut améliorer la qualité du traitement grâce à :

la détection d’anomalies ;
la comparaison automatisée de données ;
la suggestion de corrections ;
la recherche rapide d’informations pertinentes.

Mais elle peut aussi dégrader la qualité si :

les données sources sont mauvaises ;
les suggestions sont acceptées sans vérification ;
les utilisateurs accordent une confiance excessive à l’outil.

4.3 Enjeu de transformation des métiers

L’IA modifie le contenu du travail.

Dans un contexte de gestion, cela signifie souvent :

moins de saisie manuelle ;
plus de contrôle ;
plus d’analyse ;
plus d’interprétation ;
plus de supervision des outils.

Ainsi, l’IA ne supprime pas seulement des tâches ; elle transforme les compétences attendues.

4.4 Enjeu de décision

L’IA peut assister la décision par :

des tableaux de bord enrichis ;
des prévisions ;
des alertes ;
des recommandations.

Mais elle ne remplace pas la responsabilité du décideur.

Dans une organisation, une recommandation algorithmique doit rester interprétée, contrôlée et mise en perspective.

4.5 Enjeu de contrôle et de traçabilité

Dans les leçons précédentes, nous avons vu l’importance de la traçabilité des opérations dans les progiciels métier. Avec l’IA, cette exigence devient encore plus importante.

Il faut pouvoir répondre à des questions comme :

quelle donnée a été utilisée ?
quelle suggestion a été produite ?
qui a validé l’action finale ?
à quel moment ?

Sans traçabilité, l’organisation perd en fiabilité et en capacité de contrôle.

4.6 Enjeu humain

L’IA pose des questions de :

formation des utilisateurs ;
acceptation du changement ;
confiance dans l’outil ;
maintien des compétences humaines ;
répartition des responsabilités.

Un outil performant mais mal compris peut devenir une source d’erreurs.

4.7 Enjeu éthique et de protection des données

Même si les aspects réglementaires détaillés sont traités dans d’autres leçons, il faut déjà comprendre que l’IA peut manipuler des données sensibles ou stratégiques.

Les principaux points d’attention sont :

confidentialité ;
qualité et loyauté des traitements ;
risque de diffusion non maîtrisée d’informations ;
risque de biais dans les résultats.

5. Identifier l’apport de l’intelligence artificielle dans les progiciels métier

Le programme vise explicitement la capacité à identifier l’apport de l’IA dans les progiciels métier.

Un progiciel métier est un logiciel conçu pour répondre aux besoins d’une fonction ou d’un processus : comptabilité, paie, gestion commerciale, relation client, logistique, etc.

5.1 IA et gestion de la relation client

Le programme cite la gestion de la relation client avec des exemples comme :

chatbot ;
analyse comportementale.

A. Le chatbot

Un chatbot est un agent conversationnel qui répond automatiquement aux questions des utilisateurs.

Apports :

disponibilité rapide ;
traitement d’un grand nombre de demandes simples ;
orientation des utilisateurs vers la bonne procédure ;
réduction de la charge sur les équipes support.

Exemple : Un client demande où télécharger une facture, comment suivre une commande ou comment modifier ses coordonnées. Le chatbot traite les demandes standardisées.

B. L’analyse comportementale

L’IA peut analyser le comportement des clients :

fréquence d’achat ;
historique de navigation ;
réactions à des campagnes ;
risque d’attrition.

Apports :

meilleure personnalisation ;
ciblage commercial ;
anticipation des besoins ;
amélioration de la fidélisation.

5.2 IA et détection de fraudes

La détection de fraudes figure explicitement dans le programme.

L’IA peut repérer :

des montants atypiques ;
des doublons suspects ;
des séquences inhabituelles ;
des comportements divergents par rapport aux habitudes observées.

Pourquoi est-ce utile ?

Parce que dans de très gros volumes de données, un contrôle humain exhaustif est impossible. L’IA sert alors à prioriser les contrôles.

Exemple en gestion : Un outil signale des notes de frais présentant des similitudes anormales ou des écarts fréquents par rapport à la politique interne.

5.3 IA et assistance aux utilisateurs

Le programme mentionne aussi l’assistance aux utilisateurs.

Dans un progiciel, l’IA peut :

suggérer l’action suivante ;
proposer un paramétrage ;
expliquer une erreur ;
recommander un traitement ;
guider un utilisateur novice dans une procédure.

Cela améliore :

la rapidité de prise en main ;
la réduction des erreurs ;
la fluidité des processus.

5.4 IA et transformation des processus métiers

L’IA ne se contente pas d’ajouter une fonction dans un logiciel ; elle peut modifier le processus lui-même.

Exemple : traitement d’une facture fournisseur

Sans IA :

réception du document ;
lecture manuelle ;
saisie des informations ;
vérification ;
validation.

Avec IA :

reconnaissance automatique du document ;
extraction des données ;
proposition d’imputation ;
contrôle ciblé par un utilisateur ;
validation.

Le processus devient plus rapide, mais aussi plus dépendant :

de la qualité du paramétrage ;
de la fiabilité du moteur d’extraction ;
de la vigilance humaine.

6. Identifier l’apport de l’intelligence artificielle dans les outils bureautiques

L’IA n’est pas réservée aux progiciels spécialisés. Elle est aussi présente dans les outils bureautiques : traitement de texte, tableur, présentation, messagerie.

6.1 Dans le traitement de texte

L’IA peut :

corriger ;
reformuler ;
résumer ;
proposer un plan ;
générer un brouillon.

Apport principal : gain de temps dans la production d’écrits.

Limite : le contenu généré doit être relu, vérifié et adapté au contexte professionnel.

6.2 Dans le tableur

L’IA peut :

suggérer des formules ;
repérer des tendances ;
générer automatiquement des graphiques ;
commenter des résultats ;
aider à nettoyer des données.

Exemple : À partir d’un tableau de ventes, l’outil peut proposer une synthèse des variations mensuelles ou détecter des valeurs aberrantes.

6.3 Dans la messagerie et les outils collaboratifs

L’IA peut :

rédiger une réponse ;
résumer une chaîne d’échanges ;
extraire les actions à faire ;
planifier des tâches ;
synthétiser une réunion.

6.4 Pourquoi cela change le travail du gestionnaire ?

Parce que l’enjeu n’est plus seulement de produire l’information, mais aussi de :

vérifier sa pertinence ;
contrôler sa fiabilité ;
exercer un jugement critique ;
conserver la maîtrise du résultat final.

7. Data Analyse et Data science : deux notions à distinguer

Le programme cite explicitement Data Analyse et Data science. Il faut savoir les situer l’une par rapport à l’autre.

7.1 La Data Analyse

La Data Analyse consiste à exploiter les données pour en tirer des informations utiles à la gestion.

Elle vise notamment à :

décrire une situation ;
repérer des tendances ;
comparer des résultats ;
produire des indicateurs ;
aider à la décision.

Exemples :

analyser les ventes par zone ;
suivre les délais de paiement ;
repérer les clients les plus rentables ;
mesurer des écarts budgétaires.

La Data Analyse est très proche des besoins quotidiens du pilotage.

7.2 La Data science

La Data science va plus loin. Elle mobilise des méthodes plus avancées pour :

prédire ;
modéliser ;
segmenter ;
automatiser certaines analyses ;
construire des modèles d’apprentissage.

Elle s’appuie souvent sur :

de grands volumes de données ;
des traitements statistiques avancés ;
du machine learning.

7.3 Différence essentielle

Data Analyse : comprendre et exploiter les données pour piloter ;
Data science : concevoir des modèles avancés à partir des données.

En pratique, la Data Analyse répond davantage à la question : « Que se passe-t-il ? »

La Data science aide davantage à répondre à : « Que va-t-il probablement se passer ? » ou « Quel modèle peut-on construire ? »

7.4 Lien avec les métiers du SI

Dans la leçon 155, nous avons déjà vu les rôles du Data Analyst et du Data Scientist.

On peut résumer ainsi :

le Data Analyst exploite les données pour produire des analyses utiles ;
le Data Scientist conçoit des traitements plus avancés, souvent prédictifs.

8. Le no-code : une autre technologie émergente au service de la performance

Le no-code figure explicitement dans le programme.

8.1 Définition

Le no-code désigne des outils permettant de créer des applications, des automatisations ou des traitements sans écrire de code informatique complexe.

L’utilisateur construit des solutions à partir :

d’interfaces visuelles ;
de blocs logiques ;
de connecteurs ;
de règles de déclenchement.

8.2 Pourquoi le no-code améliore-t-il la performance ?

Parce qu’il permet de répondre plus vite à des besoins opérationnels simples, par exemple :

automatiser une validation ;
créer un formulaire ;
relier une base de données à un tableau de bord ;
envoyer des alertes ;
construire un mini-outil de suivi.

8.3 Exemples d’usage en organisation

création d’un circuit simple de demande d’achat ;
automatisation d’un rappel d’échéance ;
centralisation de données issues de plusieurs fichiers ;
génération automatique d’un compte rendu à partir d’un formulaire.

8.4 Avantages du no-code

rapidité de mise en œuvre ;
accessibilité pour des non-développeurs ;
adaptation à des besoins locaux ;
réduction de certaines tâches manuelles.

8.5 Limites du no-code

risque de multiplication d’outils mal contrôlés ;
dépendance à une plateforme ;
problèmes de qualité ou de sécurité si les usages ne sont pas encadrés ;
solutions parfois peu robustes pour des processus critiques.

Le no-code améliore donc la performance si l’organisation garde une cohérence globale du système d’information.

9. Blockchain et internet des objets (IoT) : situer leur apport sans détail technique

Le programme demande aussi de comprendre les apports de la blockchain et d’identifier les conséquences de l’utilisation de l’internet des objets (IoT).

9.1 La blockchain

La blockchain peut être comprise, à ce niveau, comme une technologie de stockage et de transmission d’informations reposant sur un enregistrement partagé et difficile à modifier.

Apports possibles

meilleure traçabilité ;
sécurisation de certaines transactions ;
partage d’une information commune entre acteurs.

Exemple d’intérêt dans les processus

Dans une chaîne d’approvisionnement, la blockchain peut aider à suivre l’historique d’un produit ou d’une opération.

9.2 L’internet des objets (IoT)

L’internet des objets désigne des objets connectés capables de capter et transmettre des données.

Exemples

capteurs de température ;
terminaux logistiques ;
compteurs connectés ;
balises de suivi.

Apports pour la performance

remontée automatique des données ;
suivi en temps réel ;
meilleure réactivité ;
automatisation de certaines décisions opérationnelles.

Conséquences à identifier

augmentation du volume de données ;
nouveaux besoins de traitement ;
nouveaux risques de sécurité ;
dépendance à l’infrastructure réseau.

10. Étude transversale : comment ces technologies améliorent-elles les processus ?

Pour bien relier cette leçon à la partie « Le système d’information et la performance des processus », il faut raisonner en termes de processus concrets.

10.1 Processus commercial

Apports possibles :

chatbot pour les demandes simples ;
analyse comportementale pour cibler les clients ;
automatisation no-code de relances ;
tableaux d’analyse des ventes.

Performance attendue :

réponse plus rapide ;
meilleure personnalisation ;
suivi plus efficace.

10.2 Processus comptable ou administratif

Apports possibles :

extraction automatique de données d’un document ;
proposition d’imputation ;
détection d’anomalies ;
workflow enrichi par des alertes intelligentes.

Performance attendue :

réduction du temps de traitement ;
baisse des erreurs matérielles ;
meilleur ciblage des contrôles.

10.3 Processus décisionnel

Apports possibles :

synthèses automatiques ;
prévisions ;
aide à la lecture des tableaux de bord ;
détection de signaux faibles.

Performance attendue :

meilleure réactivité ;
meilleure exploitation des données ;
décision mieux informée.

10.4 Processus logistique ou opérationnel

Apports possibles :

IoT pour le suivi en temps réel ;
IA pour anticiper des ruptures ou anomalies ;
automatisation de certaines alertes.

Performance attendue :

meilleure coordination ;
réduction des retards ;
meilleure visibilité.

11. Méthode d’analyse d’une situation en examen ou en cas pratique

Même si cette leçon ne doit pas devenir une leçon de méthodologie d’épreuve, il est utile de savoir comment raisonner face à une situation décrivant une technologie émergente dans une organisation.

Étape 1 : identifier la technologie concernée

Se demander :

s’agit-il d’IA ?
de machine learning ?
de no-code ?
de Data Analyse ?
de Data science ?
d’IoT ?
de blockchain ?

Étape 2 : repérer la fonction dans le processus

collecte de données ?
traitement ?
diffusion ?
assistance à la décision ?
automatisation d’une tâche ?
contrôle ?

Étape 3 : identifier l’apport à la performance

gain de temps ;
réduction des erreurs ;
meilleure qualité ;
meilleure réactivité ;
meilleure personnalisation ;
meilleure détection des anomalies.

Étape 4 : repérer les enjeux ou limites

qualité des données ;
besoin de contrôle humain ;
sécurité ;
traçabilité ;
transformation des métiers ;
dépendance à l’outil.

12. Cas d’application

Cas 1 : assistant IA dans un outil bureautique

Une entreprise active un assistant IA dans son traitement de texte. Les collaborateurs l’utilisent pour rédiger des synthèses de réunions et des courriels.

Analyse

Technologie : IA générative.
Apport : gain de temps, aide à la rédaction, homogénéisation de certains écrits.
Enjeux : nécessité de relire, vérifier la pertinence, éviter les erreurs ou formulations inadaptées.
Impact sur la performance : amélioration si l’outil assiste sans remplacer le jugement professionnel.

Cas 2 : détection de fraudes dans un progiciel

Un progiciel de gestion signale automatiquement des opérations jugées atypiques par rapport à l’historique des données.

Analyse

Technologie : IA spécialisée, possiblement fondée sur du machine learning.
Apport : ciblage des contrôles, meilleure détection d’anomalies, gain de temps pour les équipes.
Enjeux : faux positifs, qualité des données, nécessité de validation humaine.
Impact sur la performance : amélioration du contrôle interne si les alertes sont bien exploitées.

Cas 3 : création d’un circuit d’approbation avec un outil no-code

Un service administratif crée sans développeur un formulaire de demande d’achat relié à un circuit d’approbation automatique.

Analyse

Technologie : no-code.
Apport : mise en œuvre rapide, automatisation du workflow, meilleure circulation de l’information.
Enjeux : gouvernance du SI, cohérence avec les autres applications, sécurité des accès.
Impact sur la performance : gain d’efficacité si la solution est encadrée.

13. Points à retenir

À retenir sur l’intelligence artificielle

L’intelligence artificielle regroupe des techniques permettant à un système de réaliser des traitements avancés sur les données.
Il faut distinguer au moins :
- l’IA spécialisée ;
- l’IA générative ;
- les outils fondés sur le machine learning.

À retenir sur les enjeux

L’IA améliore potentiellement la productivité, la qualité de traitement, l’aide à la décision et la détection d’anomalies.
Mais elle crée aussi des enjeux de :
- qualité des données ;
- contrôle humain ;
- traçabilité ;
- sécurité ;
- transformation des métiers.

À retenir sur les usages

Dans les progiciels métier, l’IA sert notamment à la gestion de la relation client, à la détection de fraudes et à l’assistance aux utilisateurs.
Dans les outils bureautiques, elle aide à rédiger, résumer, analyser et présenter l’information.

À retenir sur les notions voisines

Machine learning : apprentissage automatique à partir des données.
Data Analyse : exploitation des données pour comprendre et piloter.
Data science : traitements plus avancés, souvent prédictifs.
No-code : création d’automatisations ou d’applications sans programmation complexe.
Blockchain : technologie utile pour la traçabilité.
IoT : objets connectés produisant des données exploitables par le SI.

Mémo final

Schéma de synthèse

Technologies émergentes → enrichissent le système d’information → transforment les processus → peuvent améliorer la performance.

Formule de raisonnement utile

Pour analyser une technologie émergente dans une organisation, poser systématiquement 4 questions :

De quelle technologie s’agit-il ?
Dans quel processus intervient-elle ?
Quel est son apport à la performance ?
Quels sont ses enjeux ou limites ?

Idée essentielle

L’IA et les technologies émergentes ne valent pas par leur sophistication technique, mais par leur capacité à produire une information utile, fiable, exploitable et contrôlée au service des processus de l’organisation.