Suite à l'émergence de modèles de langage tels que ChatGPT/GPT4 et à l'essor de différentes approches de traitement du langage naturel (NLP), un intérêt croissant pour l'application de ces nouvelles technologies se manifeste. Cependant, un déficit notable existe dans la documentation scientifique concernant leur utilisation dans les Petites et Moyennes Entreprises (PME) du secteur industriel. Le travail présenté ici vise à combler cette lacune par le biais d'une revue systématique de la littérature, axée sur l'utilisation du NLP et des modèles de langage dans les PME industrielles. À travers cinq questions de recherche, il explore les applications, les objectifs, les solutions techniques, les obstacles et l'applicabilité des solutions de NLP dans ces contextes. En suivant la méthodologie PRISMA 2020, l'étude révèle un manque de documentation existante sur l'utilisation du NLP dans les PME industrielles. Les résultats suggèrent également que le NLP et les modèles de langage sont principalement appliqués dans des domaines industriels spécifiques, notamment la conception, la surveillance des processus et la maintenance. Les applications de NLP visent principalement à améliorer les performances opérationnelles, en particulier dans des fonctions de support telles que la maintenance, la sécurité et l'amélioration continue. En ce qui concerne les solutions techniques mises en œuvre, l'article met en évidence une grande diversité dans les approches algorithmiques rencontrées, chaque étude proposant une solution algorithmique unique. Les difficultés principales dans leur utilisation consistent à maintenir les données à jour, à étendre sur un domaine plus grand, à fonctionner avec une faible qualité ou quantité de données et à naviguer dans le vocabulaire spécifique à un contexte. En particulier, le maintien à jour des données représente un défi critique pour les applications de NLP, avec peu de solutions identifiées. Enfin, l'étude indique que seule une fraction des solutions algorithmiques de NLP proposées peut être adaptée aux PME en raison d'un manque de ressources, d'expertise et de procédures normalisées.