Trop complexe, trop cher, réservé aux grandes entreprises ? Beaucoup de PME sont encore hésitantes sur le sujet de l'intelligence artificielle. Pourtant, en posant les bonnes bases et en avançant par étapes, il est possible d'engager une stratégie IA réaliste et orientée résultats. Deux expertes Snowflake reviennent sur les principaux freins à surmonter et détaillent les leviers, technologiques comme organisationnels, pour enclencher une démarche IA progressive mais solide - même sans équipe dédiée ni budget XXL.
Pourquoi l’IA peine-t-elle encore à se démocratiser dans les PME ?
Jade Le Van : Beaucoup de PME n’ont pas encore engagé de véritable chantier autour de leurs données. Dans ces cas-là, l’IA peut paraître abstraite ou lointaine. Le potentiel de l’IA est souvent perçu dans les grandes lignes, mais le lien avec les prérequis nécessaires n’est pas toujours établi — à commencer par une infrastructure data fiable. Or, sans données disponibles et partagées — qu’elles soient structurées, semi-structurées ou non structurées — il n’y a tout simplement pas d’IA possible.
Elizabeth den Dulk : Ce qui freine souvent les PME est le manque de temps, de ressources, mais aussi de compréhension des étapes à suivre. Il arrive fréquemment que la data soit confiée à un collaborateur ayant un profil de data analyst, à qui l’on demande de « gérer la data ». Sauf que cette personne, faute d’expérience dans la mise en place d’un socle data moderne, commence par ce qu’elle connaît : des fichiers Excel partagés sur un Google Drive, un peu de reporting… Mais ce n’est pas une vraie plateforme data. Il n’y a pas de contrôle de la qualité des données, pas de gouvernance, pas d’automatisation. On reste dans une gestion très artisanale, chronophage, et peu scalable.
« Sans données disponibles et partagées — qu’elles soient structurées, semi-structurées ou non structurées — il n’y a tout simplement pas d’IA possible. » [1]
JLV : En parallèle, la donnée est encore trop souvent perçue comme un centre de coûts plutôt qu’un levier de valeur. Ce biais freine l’investissement initial, alors même que l’enjeu, au fond, n’est pas le coût mais le ROI des cas d’usage. On oublie parfois que 75 % des PME se disent convaincues de l’importance du numérique, mais beaucoup ont encore des doutes sur les bénéfices concrets d’un projet IA. D’où l’importance, dès le départ, d’identifier les bons cas d’usage, de prioriser les besoins et de s’assurer que les premières actions produisent un impact visible. Ce sont ces succès qui permettent ensuite d’embarquer les équipes et de faire évoluer les mentalités.
« La donnée est encore trop souvent perçue comme un centre de coûts plutôt qu’un levier de valeur. »
Et pour celles qui disposent déjà d’une stratégie data, pourquoi l’industrialisation de l’IA reste-t-elle difficile ?
EDD : Même lorsqu’une PME a structuré sa data, le passage à l’IA opérationnelle n’est pas automatique. Il reste un vrai cap à franchir. Ce qui bloque souvent, c’est l’absence d’un environnement technique adapté pour développer, tester, déployer et maintenir les modèles de façon fluide. Les cas d’usage ne sont pas toujours bien définis ou priorisés. Et parfois, la donnée est là, mais reste enfermée dans des silos : entre services, entre outils, entre collaborateurs. Or, sans vision unifiée ni circulation fluide de la donnée, les projets IA perdent en efficacité.
JLV : Il y a aussi une dimension humaine et organisationnelle : la montée en compétences est essentielle. L’IA est un domaine qui évolue vite, et les équipes ont besoin de s’acculturer en permanence. Cela passe par de la formation, mais aussi par l’intégration dans un écosystème — que ce soit en ligne ou via des partenaires. Le sujet IA ne peut pas être porté par une personne isolée ; il faut créer une dynamique collective, sensibiliser les métiers, créer des ponts avec l’IT, instaurer une gouvernance des cas d’usage. Sans cela, on peut avoir tous les outils et toutes les données… et rester bloqué.
« Un projet d’IA ne peut pas être porté par une personne isolée. Il faut créer une dynamique collective. »
Concrètement, comment aidez-vous les PME à structurer un socle data solide quand les ressources sont limitées ?
JLV : La philosophie de Snowflake est de proposer le chemin le plus court entre la donnée et son exploitation. Pour des PME qui n’ont pas forcément d’équipe data étoffée, l’enjeu est de réduire au maximum la complexité sur toutes les étapes : ingestion des données (qu’elles soient en batch, micro-batch ou streaming), transformation (en SQL, Python, Java…), gouvernance, accès… Tout est packagé dans une seule plateforme, en mode SaaS.
« La philosophie de Snowflake est de proposer le chemin le plus court entre la donnée et son exploitation. »
EDD : C’est une vraie force pour des structures plus petites qui n’ont ni le temps, ni les moyens humains pour orchestrer plusieurs briques technologiques différentes. Là où d’autres solutions impliquent de jongler avec une quinzaine de services, Snowflake permet de concentrer l’énergie sur les cas d’usage, plutôt que sur l’assemblage ou la maintenance de l’infrastructure. Cela permet de démarrer avec une équipe restreinte, tout en posant les bonnes bases.
JDD : Pour aller dans ce sens, nous nous appuyons sur le plus petit dénominateur commun dans le monde de la donnée : le langage SQL. Cela rend la plateforme accessible même pour des profils non spécialistes. Notre objectif est que la data ne soit pas un chantier technique lourd, mais un levier activable rapidement — même dans un environnement PME.
Quels sont les leviers proposés par Snowflake pour simplifier l’adoption de l’IA dans les PME ?
EDD : L’accessibilité des données est la première clé. Snowflake agit comme un hub centralisé qui permet d’unifier l’ensemble des données de l’entreprise, qu’elles soient structurées ou non : données clients, ventes, opérations, documents, etc. Cette consolidation est essentielle pour entraîner des modèles de machine learning efficaces.
JLV : Le deuxième levier, c’est la simplicité d’usage pour les équipes data. Snowflake propose une suite intégrée pour le développement et l’inférence de modèles IA : notebooks, capacités d’entraînement sur GPU/CPU distribués, déploiement en temps réel via Snowpark… Là encore, l’idée est de supprimer les frictions. Les data scientists n’ont plus à gérer l’infrastructure, ils peuvent se concentrer sur la qualité des modèles.
EDD : Enfin, un aspect souvent décisif pour les PME est la maîtrise des coûts. Snowflake permet de démarrer petit, en s’appuyant sur des modèles légers ou en fine-tuning, avec une facturation à l’usage. Pas besoin d’investir lourdement au départ, on peut avancer pas à pas, en fonction de la maturité des cas d’usage.
JLV : Et pour aller jusqu’au bout de la logique d’activation, la plateforme permet aussi de partager des modèles, des jeux de données, voire des applications entières, en toute sécurité. Cette approche collaborative ouvre la porte à un écosystème riche, qui facilite la montée en compétence et la mutualisation des ressources.
« Snowflake agit comme un hub centralisé qui permet d’unifier l’ensemble des données de l’entreprise, qu’elles soient structurées ou non. »
Comment la combinaison avec AWS (S3, SageMaker, etc.) renforce-t-elle la capacité des PME à déployer de l’IA de manière progressive et intégrée ?
JLV : Pour une PME, combiner Snowflake et AWS permet de démarrer simplement, avec une plateforme de données centralisée, et d’évoluer ensuite vers des cas d’usage IA plus avancés sans avoir à tout réarchitecturer. Snowflake agit comme un socle unifié, où les données issues du CRM, des ventes ou d’autres sources sont rassemblées, gouvernées et prêtes à être activées. C’est un vrai gain en efficacité : les équipes peuvent entraîner des modèles, faire de l’analyse ou servir de l’IA générative directement sur cette base, sans avoir à déplacer les données.
EDD : Et quand les besoins grandissent, AWS entre en jeu avec ses services plus spécialisés : SageMaker pour l’entraînement, Bedrock ou Amazon Q pour enrichir les applications, le tout interconnecté avec Snowflake. Cela évite les silos et permet de construire des workflows IA fluides et performants. Par ailleurs, la plateforme est conçue pour fonctionner de manière optimisée sur AWS, en tirant parti des processeurs Graviton et de l’intégration native avec les services AWS. Résultat : de meilleures performances et une empreinte énergétique réduite.
JLV : En résumé, la plateforme unifiée de Snowflake centralise l’ensemble des données, ce qui facilite considérablement la mise en œuvre de projets d’intelligence artificielle. Plus besoin d’extraire ou de répliquer les données : on peut entraîner, tester et servir les modèles là où les données résident, tout en bénéficiant de l’écosystème AWS dès qu’on a besoin d’aller plus loin.
À quoi ressemble le parcours d’une PME qui souhaite poser les bases pour pouvoir ensuite accélérer sur l’IA ? Auriez-vous un exemple de projet récent à partager ?
JLV :Nous avons récemment accompagné La Rosée, une marque de cosmétiques sains, naturels et éco-conçus. Pour cette PME de 170 personnes, le projet a démarré par la refonte de leur application de gestion commerciale et la création d’une data plateforme avec Snowflake, première brique pour structurer durablement les données et préparer les usages Data et IA. En seulement quelques mois, l’entreprise a mis en place Snowflake sur AWS.
EDD : Concrètement, toutes les données commerciales (ventes, commandes etc…) sont centralisées dans Snowflake, avec une gouvernance robuste. Les équipes commerciales disposent ensuite d’une application de gestion de commande et d’activité commerciale.
JLV : Ce qui est intéressant, c’est que ce socle leur ouvre la voie vers des cas d’usage IA : tout est en place pour aller plus loin, que ce soit en termes de qualité de données, de traitement ou de gouvernance. Demain, La Rosée pourra compléter ce socle avec de nouvelles sources de données et ainsi développer et déployer rapidement des services digitaux adaptés à ses besoins et aux usages de ces collaborateurs et partenaires.
« Chez La Rosée, la modernisation de l’architecture avec Snowflake sur AWS a posé des bases solides : l’environnement est désormais prêt pour explorer des cas d’usage Data et IA à forte valeur ajoutée. »
EDD : C’est un cas très parlant et prometteur pour l’ensemble du tissu de PME. La Rosée démontre que l’on peut démarrer avec une petite équipe, poser les fondations rapidement, et ensuite activer l’IA progressivement – en s’appuyant sur la complémentarité entre Snowflake et AWS pour les besoins plus avancés.
[1] Citations à intégrer sous la forme d’un encart grisé afin de les distinguer du texte. Petit dev nécessaire. Merci par avance !
Suivez-nous