Partir de l’impact, pas de la techno : un cadre pour évaluer les cas d’usage de l’IA dans votre OBNL

Par Mitch Schwartz Mis à jour :

L’erreur la plus courante des OBNL qui explorent l’IA, ce n’est pas de choisir le mauvais outil. C’est de choisir un outil avant d’avoir décidé ce qu’ils essaient vraiment d’accomplir.

« Partir de l’impact, pas de la techno », ça semble évident. En pratique, la plupart des conversations sur l’IA dans les OBNL partent des outils (quelqu’un a entendu parler de ChatGPT, un membre du CA a lu sur l’IA, un bailleur de fonds l’a mentionnée lors d’une séance d’information) et l’organisme se retrouve à évaluer de la technologie avant de s’être posé la question plus fondamentale : quel problème essaie-t-on vraiment de régler, et est-ce le bon type de solution?

Cet article vous donne un cadre pour répondre à cette question avec rigueur. Ce n’est pas compliqué. Mais ça change ce que vous décidez de bâtir, et ce que vous décidez de laisser tomber complètement.

Le cadre à trois catégories

Tout le travail d’un OBNL ne se prête pas également à l’aide de l’IA. Le traiter comme un seul bloc (« l’IA peut aider pour tout » ou « l’IA est trop risquée pour notre travail »), c’est passer à côté de la vraie nature de l’occasion.

Un cadre plus utile divise le travail en trois catégories :

Catégorie 1 : Automatiser

Des tâches routinières, à volume élevé, à faibles enjeux et bien définies. Ce sont des tâches dont le coût principal est le temps et où les erreurs se repèrent facilement avant de causer du tort.

Exemples dans le contexte d’un OBNL :

  • Résumer les notes de réunion et faire circuler les suivis
  • Produire les premières ébauches des communications courantes (remerciements aux donateurs, nouvelles aux bénévoles, infolettres de programme)
  • Catégoriser et étiqueter les données entrantes (réponses à des sondages, formulaires d’accueil, présélection d’admissibilité aux subventions)
  • Créer de la documentation interne et des FAQ à partir de documents existants
  • Synthèse de recherche : extraire les points clés de longs rapports, de documents de politique ou de la littérature du secteur

L’IA s’en tire bien ici : les tâches sont claires, des humains peuvent réviser les résultats avant qu’ils aient la moindre conséquence, et quand ça rate (une ébauche à retoucher), ça se rattrape.

Catégorie 2 : Augmenter

Des tâches qui exigent du jugement, de l’expertise ou une relation humaine, mais où l’IA peut vraiment soutenir ou accélérer la personne qui fait le travail.

Exemples dans le contexte d’un OBNL :

  • Rédaction de demandes de subvention : l’IA rédige une ébauche, l’humain la peaufine avec sa connaissance de l’organisme et le contexte de la relation
  • Recherche sur les donateurs : l’IA compile et synthétise l’information publique, la personne en collecte de fonds interprète et décide
  • Évaluation de programme : l’IA aide à analyser les tendances dans les données qualitatives, le personnel du programme apporte l’interprétation contextuelle
  • Planification stratégique : l’IA synthétise la recherche et génère des options, la direction décide
  • Développement de la formation du personnel : l’IA bâtit une première ébauche du cadre de formation, les experts du domaine façonnent le contenu

Ce qui distingue cette catégorie : l’IA appuie un jugement humain, elle ne le remplace pas. C’est l’humain qui décide. L’apport de l’IA, c’est de rendre cette personne plus rapide, mieux informée ou moins épuisée, pas de se substituer à son expertise.

Catégorie 3 : Humain seulement

Des tâches où l’aide de l’IA minerait la qualité du résultat, la confiance des personnes servies ou les valeurs de l’organisme, peu importe ce que la technologie permet.

Exemples dans le contexte d’un OBNL :

  • Les relations directes avec la clientèle, particulièrement avec des populations vulnérables
  • Le travail clinique ou thérapeutique
  • Les décisions d’embauche concernant des candidats précis
  • Les décisions disciplinaires ou de congédiement
  • Les situations où la personne concernée peut raisonnablement s’attendre à un échange privé, d’humain à humain
  • Toute décision aux conséquences importantes pour une personne qui n’a pas consenti à ce que l’IA y soit mêlée

Cette catégorie va évoluer à mesure que les outils s’améliorent et que les normes se développent. Mais en 2026, les organismes qui s’y prennent bien choisissent, dans le doute, de garder humain le travail qui se fait directement auprès des gens. L’IA sert à dégager du temps pour ce travail, pas à le remplacer.

Le filtre d’intégrité de mission

Avant de placer un cas d’usage potentiel de l’IA dans vos catégories « Automatiser » ou « Augmenter », appliquez un test de plus :

Faire ce travail avec l’IA minerait-il la raison pour laquelle il compte?

Cette question voit ce que l’angle de l’efficacité ne voit pas. Elle vous force à vous demander si la façon de faire quelque chose fait partie de ce qui lui donne son sens.

Un mot de remerciement écrit à la main par la directrice du développement ne crée pas la même relation avec le donateur qu’un mot personnalisé généré par l’IA, même si le contenu est identique. Une conversation d’accueil menée par un membre du personnel formé n’envoie pas le même message à une personne cliente qu’un échange avec un robot conversationnel. Une séance de soutien par les pairs animée par quelqu’un qui a une expérience vécue porte un sens que l’IA risque de diluer plutôt que d’amplifier.

Rien de tout ça ne veut dire que la réponse est toujours « n’utilisez pas l’IA ». Ça veut dire que le calcul d’efficacité n’est pas le seul calcul. Les organismes qui sautent ce filtre ont tendance à optimiser jusqu’à abîmer les choses mêmes qui les rendaient efficaces au départ.

Les questions diagnostiques

Quand vous évaluez un cas d’usage précis de l’IA dans votre organisme, répondez à ces questions dans l’ordre :

1. Quel problème précis essaie-t-on de régler?
Soyez concret. « On veut utiliser l’IA pour les communications », ce n’est pas un énoncé de problème. « Notre coordonnatrice des communications passe 8 heures par semaine sur les premières ébauches de nouvelles courantes aux donateurs qui ne demandent pas beaucoup de personnalisation », c’est un énoncé de problème.

2. Est-ce vraiment un problème de technologie?
Une partie de ce qui ressemble à un problème d’efficacité est en fait un problème de processus, de capacité ou de clarté. L’IA ne réglera pas des rôles flous, une mauvaise communication ou des priorités mal alignées. Elle rend parfois ces problèmes plus visibles et, à l’occasion, les empire. Si la cause profonde n’est pas le temps passé sur la tâche, mais quelque chose en amont, réglez d’abord ce qui se passe en amont.

3. Dans quelle catégorie tombe ce travail?
Automatiser, Augmenter ou Humain seulement. Dans le doute, choisissez Humain seulement, le temps d’en savoir plus.

4. Passe-t-il le filtre d’intégrité de mission?
Faire ce travail avec l’IA compromettrait-il le sens ou la qualité du travail d’une manière qui compte pour les personnes que vous servez?

5. À quoi ressemble le succès, et comment va-t-on le mesurer?
Avant de mettre quoi que ce soit en place, définissez ce que vous essayez d’atteindre et comment vous saurez si ça fonctionne. Du temps gagné? Une meilleure qualité? Du temps libéré pour que le personnel fasse autre chose? Sans indicateur clair, impossible de savoir si ça en valait la peine.

6. Qui doit être impliqué?
Plus précisément : le personnel qui utilisera l’outil d’IA, la clientèle ou les communautés touchées par les résultats, et la personne qui, dans l’organisme, répond des décisions en cause. Un projet d’IA qui laisse de côté les gens les plus proches du travail finit souvent par échouer ou par être abandonné.

Un mot sur les promesses des fournisseurs

Les fournisseurs d’outils d’IA présentent presque toujours leurs produits comme adaptés à votre travail le plus complexe et à plus forte valeur. Cette façon de présenter les choses sert leurs intérêts, pas les vôtres.

Les organismes qui tirent de l’IA les bénéfices les plus durables s’en servent en général d’abord pour leur travail le plus routinier, celui où les enjeux sont les plus faibles, puis élargissent prudemment à partir de là. Ce n’est pas de la technophobie. C’est la bonne façon de déployer. Des projets pilotes à faibles enjeux vous permettent d’apprendre ce qui fonctionne dans votre organisme avant que les enjeux soient élevés.

« Que peut faire l’IA? », c’est la question du fournisseur. « À quoi devrait-on utiliser l’IA, vu notre situation précise? », c’est la vôtre.

Mitch Schwartz est le fondateur d’Ops Machine, un cabinet de conseil en intégration de l’IA et en flux de travail établi à Montréal. Il travaille avec des OBNL et des organisations en pleine transformation pour trouver où l’IA a sa place, bâtir les bons systèmes et s’assurer que les équipes s’en servent vraiment. Réservez un appel découverte gratuit →