Depuis l’avènement d’outils tels que ChatGPT, DALL-E et Midjourney, l’intelligence artificielle générative (IA générative) ne cesse de faire parler d’elle. En effet, cette technologie peut générer du contenu écrit, visuel, code informatique ou même des recommandations personnalisées. Dans les recherches produites par Pavone et coll. (2025), ils soulignent qu’elle bouleverse ainsi plusieurs secteurs, notamment ceux de la communication, du marketing, de la création, etc.
Cet article – Courant d’idées – est rédigé par Elie Michel Guerrier, étudiant à la maîtrise en administration des affaires (MBA) de l’Université du Québec à Trois-Rivières (UQTR).
Elie Michel Guerrier, étudiant à la maîtrise en administration des affaires (MBA) de l’UQTR.
Au sein des grandes entreprises, ces outils sont déjà intégrés dans des processus structurés. Toutefois, en ce qui concerne les PME, l’adoption est encore marginale. Non pas par manque d’intérêt, mais parce que cette technologie, aussi prometteuse soit-elle, soulève certaines préoccupations profondes : est-elle accessible ? Est-elle fiable ? Est-elle adaptée à la réalité des petites structures ?
Selon l’Institut de la statistique du Québec (ISQ), les PME (entreprises de 1 à 499 employés) représentaient 99,7 % des entreprises actives au Québec en décembre 2023. De plus, dans un plus récent rapport de l’ISQ, il est mentionné qu’au deuxième trimestre de 2024, 79,5 % des entreprises québécoises se disaient optimistes quant à leurs perspectives d’avenir, en dépit des défis persistants liés aux coûts, à la main-d’œuvre et à la chaîne d’approvisionnement.
Des défis amplifiés par la réalité des PME
L’adoption de l’intelligence artificielle générative ne se limite pas à l’achat d’un logiciel. Elle y va au-delà. Elle suppose une transformation des pratiques, des compétences et parfois même de la culture d’entreprise. Et c’est à ce niveau que les spécificités des PME semblent vouloir rendre l’exercice un peu plus complexe.
D’abord, comme l’ont souligné Mohd Rasdi et coll. (2025), il y a la réalité des ressources humaines et techniques limitées. Ils ont constaté dans leur recherche que peu de PME disposent d’équipes dédiées à la transformation numérique. Le manque de compétences internes, combiné à une méconnaissance des outils disponibles, représente souvent un grand frein à l’expérimentation. La difficulté à recruter des talents spécialisés et l’absence d’infrastructures numériques robustes sont des obstacles majeurs (Soni, 2023).
Ensuite, il y a le poids de l’incertitude technologique. Les dirigeants de PME, souvent concentrés sur la gestion quotidienne, hésitent à investir dans des solutions dont les bénéfices sont encore flous. En ce sens, compte tenu de l’absence de cadre clair permettant d’évaluer les risques, les coûts et les retours sur investissement, ils se voient obligés d’être prudents (Gupta, 2024).
Enfin, il existe les préoccupations en termes d’enjeux éthiques et réglementaires. Selon l’avis des chercheurs, l’intelligence artificielle générative soulève encore des questions de transparence, de biais et de protection des données (Sahut et coll., 2023). Malheureusement, de nombreuses PME manquent de ressources pour y faire face.
Une agilité capable de servir de levier
Il est important de souligner que ces obstacles ne doivent pas cacher les avantages particuliers des PME. Leur taille restreinte, leur proximité avec la clientèle et leur capacité à prendre des décisions rapides peuvent se transformer en puissants catalyseurs d’innovation.
Certaines PME ont déjà adopté l’intelligence artificielle générative pour personnaliser leur relation client (Abrokwah-Larbi, 2023) ou automatiser des tâches marketing (Chan & Choi, 2025). Cela prouve que cette technologie n’est pas réservée aux géants du numérique. Elle peut en effet aider les PME à se libérer de leur dépendance aux fournisseurs externes, à prendre des décisions plus rapidement et à tirer davantage parti de leurs données internes. Toutefois, il est crucial de procéder méthodiquement pour intégrer l’intelligence artificielle générative dans une PME. Comme le souligne un article paru sur la plateforme The Conversation, la donnée est devenue incontournable dans les PME. Cette transformation s’inscrit dans une tendance plus large d’exploitation des données.
Cette intégration ne doit pas être improvisée, mais plutôt structurée autour de plusieurs étapes clés (Lu et coll., 2022 ; Le Ding et coll., 2025) :
- Sensibiliser les équipes aux enjeux de l’IA, en démystifiant les outils et en clarifiant les usages possibles ;
- Identifier les besoins concrets : quels processus gagneraient à être automatisés ou enrichis ;
- Faire choix des solutions accessibles : il existe aujourd’hui des outils simples, peu coûteux, adaptés aux PME ;
- Lancer des projets pilotes : tester à petite échelle, mesurer les résultats, ensuite ajustés s’il le faut ;
- Former les collaborateurs : il faut comprendre que l’IA ne remplace pas l’humaine, elle la complète ;
- Mettre en place une gouvernance responsable : même à petite échelle, il est essentiel de réfléchir à l’éthique, à la sécurité et à la transparence.
Une opportunité, une adoption qui doit rester humaine
D’un côté, on peut reconnaître que l’intelligence artificielle générative n’est pas une finalité. Elle ne remplacera ni l’intuition, ni l’expérience, ni la créativité humaine. Cependant, elle peut être utilisée de manière bénéfique en libérant du temps et en renforçant la qualité des services. Elle peut également ouvrir de nouvelles perspectives. Cette réflexion s’aligne avec les constats soulevés dans un autre article paru sur The Conversation traitant de l’évolution rapide des intelligences artificielles capables de manipuler le langage, comme ChatGPT ou BERT, et tout comme les enjeux éthiques, techniques et sociaux qu’elles soulèvent.
Contrairement aux grandes structures, les PME peuvent expérimenter rapidement, ajuster leurs pratiques sans lourdeur bureaucratique, et se rapprocher de leurs clients avec des solutions sur mesure (Strobel et coll., 2024). L’intelligence artificielle générative peut ainsi leur permettre de personnaliser leur offre (Abrokwah-Larbi, 2023), de renforcer leur créativité marketing (Chan & Choi, 2025 ; Pavone et coll., 2025) ou encore stimuler leur capacité d’innovation (Mao et coll., 2025). Certaines PME l’ont déjà compris. Elles utilisent l’IA pour rédiger des contenus, automatiser des réponses clients, générer des idées de produits ou analyser des données. Ces usages, bien que modestes, montrent que l’IA générative peut bien être un outil de compétitivité, même à petite échelle.
Pour cela, il est crucial que les PME bénéficient d’un accompagnement, par exemple en ayant accès à des ressources, à de la formation et à des exemples concrets. Pour que l’accès à ces technologies devienne plus démocratique, les gouvernements, les organisations d’aide et les universités doivent jouer leur rôle en la matière. En ce sens, favoriser la collaboration avec des partenaires technologiques peut alors aider à accéder à des compétences externes (Rajaram & Tinguely, 2024).
Il est essentiel de comprendre que l’intelligence artificielle générative est là pour rester. Elle transforme déjà les professions, les industries et les attentes des consommateurs. Les PME ne peuvent pas se permettre de l’ignorer. Cependant, elles ne doivent pas non plus se laisser submerger par elle. Avec les bons outils, les bons partenaires et une vision claire, elles peuvent convertir cette technologie en un levier de croissance, d’innovation et de résilience. Peut-être que, demain, l’intelligence artificielle sera perçue comme étant synonyme de proximité, de réactivité et d’humanité.
Pour approfondir, voir aussi : « Quand l’IA prend la parole : des prouesses aux dangers » et « Big data, IA, ChatGPT : dans les PME aussi, la donnée est devenue incontournable ».
Références :
Abrokwah-Larbi, K. (2023). The role of generative artificial intelligence (GAI) in customer personalisation (CP) development in SMEs: a theoretical framework and research propositions. Industrial Artificial Intelligence, 1, 11. https://doi.org/10.1007/s44244-023-00012-4
Chan, H. L., & Choi, T. M. (2025). Using generative artificial intelligence (GenAI) in marketing: Development and practices. Journal of Business Research, 191, 115276.
Gupta, V. (2024). An Empirical Evaluation of a Generative Artificial Intelligence Technology Adoption Model from Entrepreneurs’ Perspectives. Systems, 12(3), 103. https://doi.org/10.3390/systems12030103
Le Dinh, T., Vu, M.-C., & Tran, G. T. C. (2025). Artificial Intelligence in SMEs: Enhancing Business Functions Through Technologies and Applications. Information, 16(5), 415. https://doi.org/10.3390/info16050415
Lu, X., Wijayaratna, K., Huang, Y., & Qiu, A. (2022). AI-Enabled Opportunities and Transformation Challenges for SMEs in the Post-pandemic Era: A Review and Research Agenda. Frontiers in Public Health, 10. https://doi.org/10.3389/fpubh.2022.885067
Mao, N., Wei, J., & Zhu, X. (2025). Generative Artificial Intelligence and SMEs Innovation: A Driver of Economic Growth.
Mohd Rasdi, R., Umar Baki, N., & Rostamzadeh, R. (2025). Navigating the AI landscape in SMEs: Overcoming internal challenges and external obstacles for effective integration. PLOS One, 20(5), e0323249. https://doi.org/10.1371/journal.pone.0323249
Pavone, G., Meyer-Waarden, L., & Munzel, A. (2025). De l’analyse à l’empathie et à la créativité: La révolution de l’IA dans la pratique et l’enseignement du marketing. Recherche et Applications en Marketing (French Edition), 40(1), 101-134.
Rajaram, K., & Tinguely, P. N. (2024). Generative artificial intelligence in small and medium enterprises: Navigating its promises and challenges. Business Horizons, 67(5). https://doi.org/10.1016/j.bushor.2024.05.008
Sahut, J.-M., Braune, É., & Lissillour, R. (2023). Développement de l’IA et questions éthiques : passage d’une perspective statique à une perspective dynamique. Management & Avenir, 137(5), 137. https://doi.org/10.3917/mav.137.0137
Soni, V. (2023). Impact of generative AI on small and medium enterprises’ revenue growth: the moderating role of human, technological, and market factors. Reviews of Contemporary Business Analytics, 6(1), 133–153.
Strobel, G., Banh, L., Möller, F., & Schoormann, T. (2024). Exploring generative artificial intelligence: A taxonomy and types.
