Intelligence artificielle au Maroc : cas d'usage concrets pour les entreprises

Que peut vraiment faire l'IA pour une entreprise marocaine ?

Pour la plupart des entreprises au Maroc, l'intelligence artificielle est rentable à quatre endroits : répondre aux clients en plusieurs langues, lire les documents (factures, formulaires, contrats) au lieu de les ressaisir, prévoir les ventes ou la demande, et répondre aux questions des collaborateurs à partir des documents internes. Ce sont des tâches précises et mesurables, et c'est justement pour cela qu'elles fonctionnent.

Ce qui marche rarement, c'est une « stratégie IA » floue sans processus concret derrière. La bonne question n'est pas « comment utiliser l'IA ? » mais « quelle tâche répétitive nous coûte le plus de temps ou d'erreurs, et avons-nous les données pour l'automatiser ? ».

Quels cas d'usage de l'IA pour quel secteur ?

Le tableau ci-dessous liste des points de départ réalistes. Ce sont des exemples de ce qui est techniquement faisable aujourd'hui, pas des études de cas d'entreprises précises.

Secteur	Cas d'usage	Données nécessaires	Difficulté
Banque & assurance	Tri des e-mails clients et des sinistres, contrôle de dossiers (KYC)	Historique d'e-mails, documents scannés	Moyenne (forte conformité)
Télécoms	Assistant support multilingue, classification des tickets	Tickets, FAQ, catalogue d'offres	Moyenne
Retail & e-commerce	Prévision de la demande, fiches produits, chatbot WhatsApp ou site	Historique des ventes, catalogue	Faible à moyenne
Industrie & mines	Maintenance prédictive, détection d'anomalies sur capteurs, recherche dans la documentation technique	Séries temporelles, rapports de maintenance	Élevée
Logistique & transport	Estimation des délais de livraison, extraction des bons de livraison	Données de traçage GPS, bons scannés	Moyenne
Secteur public & administrations	Assistant sur les textes et procédures, traitement de formulaires	Textes officiels, guides de procédures	Moyenne (données sensibles)
PME & services	Extraction de devis et factures, rédaction d'e-mails, prospection automatisée	E-mails, PDF, tableurs	Faible

Comment l'IA gère-t-elle le service client en français, arabe et darija ?

Les grands modèles de langage (LLM) récents comprennent bien le français et l'arabe standard. La darija est plus difficile : elle s'écrit souvent en lettres latines avec des chiffres (« 3 », « 7 », « 9 ») ou en caractères arabes, avec beaucoup d'alternance avec le français. Les modèles la comprennent correctement, mais la rédigent de façon moins fiable.

Une architecture réaliste :

• L'assistant classe chaque message entrant (réclamation, suivi de commande, facturation, autre) et détecte la langue.
• Les questions simples et fréquentes (horaires, état d'une commande, pièces à fournir) reçoivent une réponse générée à partir de contenus validés.
• Tout le reste est transmis à un conseiller humain avec un résumé, pour qu'il n'ait pas à relire tout l'échange.

Voici un exemple Python minimal qui classe un message et renvoie du JSON. Il utilise le SDK OpenAI, compatible aussi avec d'autres fournisseurs via base_url :

import json
from openai import OpenAI

client = OpenAI()  # lit OPENAI_API_KEY dans l'environnement

PROMPT = """Classe le message client.
Renvoie un JSON avec les clés : category (complaint|order_status|billing|other),
language (fr|ar|darija|en), urgent (true|false), summary (une phrase en français)."""

def classify(message: str) -> dict:
    response = client.chat.completions.create(
        model="gpt-4o-mini",
        response_format={"type": "json_object"},
        messages=[
            {"role": "system", "content": PROMPT},
            {"role": "user", "content": message},
        ],
    )
    return json.loads(response.choices[0].message.content)

print(classify("Salam, commande dyali mazal ma wslatnich, 3 jours hadi"))

Testez-le sur quelques centaines de vrais messages anonymisés avant la mise en production, et mesurez le taux d'erreur de catégorie, surtout sur la darija.

Comment l'IA traite-t-elle les factures, formulaires et contrats ?

Le traitement de documents est souvent le gain le plus rapide pour une PME ou un back-office. La chaîne habituelle :

1. L'OCR transforme le scan ou le PDF en texte.
2. Un LLM extrait les champs structurés (fournisseur, ICE, date, montant HT, TVA, TTC) en JSON.
3. Des règles métier vérifient le résultat : les totaux sont cohérents, le fournisseur existe, la date est plausible.
4. Les documents douteux partent dans une file de validation humaine ; le reste est écrit dans l'ERP ou un tableur.

C'est le même principe que l'automatisation de prospection par IA avec n8n : l'OCR extrait le texte, un LLM le structure et rédige un e-mail, et chaque étape est tracée dans Google Sheets. Le tutoriel complet se trouve dans automatiser la prospection avec n8n et un LLM.

L'IA peut-elle prévoir les ventes ou la demande ?

Oui, et ici « IA » veut généralement dire machine learning classique, pas chatbot. Avec deux ou trois ans d'historique de ventes propre, un modèle de régression ou de séries temporelles peut estimer les ventes des prochaines semaines par produit, magasin ou région, en tenant compte de la saisonnalité (Ramadan, été, rentrée scolaire, jours fériés).

Conditions essentielles :

• Un historique cohérent (mêmes codes produits dans le temps, pas de mois manquants).
• Une référence à battre (par exemple « même semaine l'an dernier ») pour savoir si le modèle apporte vraiment quelque chose.
• Des résultats affichés là où se prennent les décisions, souvent un tableau de bord Power BI.

Pour démarrer, le guide machine learning pour débutants en Python : prévoir les ventes déroule un exemple complet.

Qu'est-ce qu'un assistant RAG sur les documents internes ?

Le RAG (retrieval-augmented generation) permet à un LLM de répondre à partir de vos propres documents : procédures, politiques RH, manuels techniques, contrats, réglementation. Les documents sont découpés en passages, transformés en embeddings, et les passages les plus pertinents sont fournis au modèle à chaque question. La réponse cite ses sources, ce qui la rend vérifiable.

C'est particulièrement adapté aux organisations avec beaucoup de documentation : banques, assurances, administrations, groupes industriels. Dans la plateforme D&A Studio, réalisée en stage de fin d'études à Casablanca, un assistant RAG répond à partir des documents de l'entreprise avec ses sources, à côté d'un module de détection d'anomalies et de tableaux de bord Power BI. La démarche est détaillée dans créer un assistant RAG sur les documents de l'entreprise.

Et la protection des données au Maroc (loi 09-08 et CNDP) ?

Au Maroc, le traitement des données à caractère personnel est encadré par la loi 09-08, et la CNDP (Commission nationale de contrôle de la protection des données à caractère personnel) en est l'autorité de contrôle. Selon le traitement, des formalités auprès de la CNDP peuvent s'appliquer, et les transferts de données personnelles vers l'étranger sont encadrés. C'est important pour l'IA, car beaucoup de modèles tournent sur des serveurs hors du Maroc.

Précautions pratiques (ce n'est pas un avis juridique ; vérifiez votre cas avec un juriste ou votre DPO) :

• Minimiser : n'envoyer au modèle que les champs nécessaires ; masquer noms, numéros de CIN, téléphones et coordonnées bancaires quand c'est possible.
• Savoir où vont les données : quel fournisseur, quel pays, les entrées sont-elles conservées ou utilisées pour l'entraînement ?
• Privilégier l'auto-hébergement ou des offres privées pour les données sensibles (modèles open-weight sur vos serveurs, ou contrats entreprise aux conditions claires).
• Tracer et restreindre les accès : droits par rôle, journaux d'audit, durées de conservation.
• Informer les utilisateurs qu'ils échangent avec une IA et proposer une alternative humaine.

Comment démarrer un projet d'IA sans gaspiller de budget ?

Étape 1 — Choisir un seul processus

Prenez une tâche fréquente et répétitive au coût clair : nombre d'e-mails par jour, de factures par mois, d'heures passées à chercher dans les documents.

Étape 2 — Vérifier les données

Les données sont-elles accessibles, raisonnablement propres et utilisables légalement ? La préparation des données représente en général l'essentiel du travail.

Étape 3 — Construire un pilote

Quelques semaines, un périmètre limité, de vrais utilisateurs. Mesurez le résultat par rapport au processus actuel (temps gagné, taux d'erreur, délai de réponse).

Étape 4 — Garder un humain dans la boucle

Commencez par une IA qui propose et des personnes qui valident. N'automatisez entièrement que ce qui a prouvé sa fiabilité.

Étape 5 — Industrialiser

Supervision, contrôle d'accès, suivi des coûts et documentation, pour que la solution survive à son premier auteur.

Conclusion

L'intelligence artificielle est utile aux entreprises marocaines quand elle s'applique à un processus précis avec des données disponibles : service client multilingue, traitement de documents, prévisions et assistants RAG sont aujourd'hui les options les plus mûres. Commencez petit, mesurez, protégez les données personnelles et gardez l'humain aux commandes. Pour voir le type de travail data et IA concerné, consultez le profil Data & AI Engineer ou le service automatisation IA et RAG.