Data / IA
Osez l’IA ! Oui, mais laquelle ?
Par La rédaction, publié le 06 août 2025
L’accélération de l’adoption de l’IA s’accompagne d’une réflexion stratégique sur le choix des modèles, la souveraineté des données et la place de l’humain dans la boucle. Entre modèles génériques, développements propriétaires et architectures hybrides, les entreprises cherchent l’équilibre entre performance, coût et pertinence métier.
De Julian De Maestri, cofondateur et CTO de Scaleflex
Avec le lancement du plan “Osez l’IA”, le gouvernement français cherche à accélérer l’adoption de l’IA dans les entreprises, notamment dans les ETI. Ce plan, doté d’une enveloppe de 200 millions d’euros poursuit un objectif quinquennal qui, à son terme, doit voir une adoption de l’IA dans 100% des grands groupes, 80% des PME et dans 50% des TPE.
Cette impulsion semble essentielle dans un contexte où la compétitivité passe désormais par la capacité à automatiser, prédire, personnaliser. En attendant le lancement des multiples initiatives qui composent ce plan (réseau d’ambassadeurs IA dans toute la France, diagnostics d’IA en entreprises…), tentons d’y voir plus clair concernant les approches qui s’offrent aux entreprises pour intégrer et adopter l’IA.
Trois approches pour intégrer l’IA en entreprise
Face à cette vague technologique, les organisations ont à leur disposition trois modèles d’intégration.
La voie la plus visible mais aussi la plus rapide est l’utilisation des grands modèles d’IA du marché (ChatGPT par OpenAI, Gemini par Google, ou Le Chat par MistralAI). Cette voie est aussi la plus risquée en termes de dépendance technologique, de confidentialité des données et d’adéquation avec les besoins métiers. Ces modèles ont fait leurs preuves et sont sans cesse améliorés, mais ils demeurent génériques et imposent ainsi leurs logiques et leurs formats.
La seconde voie est celle d’un développement maison de sa propre IA. C’est une démarche pertinente pour garantir un système parfaitement adapté aux secteurs, aux métiers et aux besoins de l’entreprise. Dans des industries pour lesquelles les données sont sensibles (telles que la finance, la défense ou la santé), le développement propriétaire semble idéal. En revanche, il suppose des investissements massifs en data, en talents et en infrastructure, sans oublier des capacités stratégiques et managériales pour l’industrialiser durablement.
La troisième voie consiste en une approche hybride que l’on peut qualifier de Custom AI as a Service. Ce modèle consiste à connecter des systèmes d’IA préexistants (open source ou commerciaux) à une architecture technique capable de les faire évoluer selon les besoins métiers. On y ajoute une couche d’entraînement sur des données propres à l’entreprise, des briques de gouvernance, des interfaces sur-mesure. Ce choix offre plusieurs avantages : une IA évolutive et parfaitement adaptée aux systèmes existants, une meilleure adoption par les équipes, et une maîtrise accrue de la propriété des données et des outputs produits.
Ce format hybride, c’est le choix que nous avons fait, et pour des raisons avant tout financières. Les IAs “génériques” qui utilisent des modèles très larges (LLM) sont très onéreuses. Il est souvent plus judicieux d’utiliser de petits modèles, spécialisés dans une tâche (reconnaître un objet sur une image par exemple). Ces petits modèles nécessitent moins de ressources d’entraînement et sont bien plus abordables pour des entreprises de taille moyenne. Outre l’aspect coût, pour des usages BtoB spécifiques, ils proposent souvent des résultats plus pertinents que les modèles génériques.
“Human in the loop” quoiqu’il arrive
Quelle que soit l’approche choisie, un principe doit prévaloir : l’IA ne remplace pas l’humain, elle le démultiplie. Une IA efficace en entreprise est une IA encadrée, pilotée, contextualisée. Cela suppose de garder des experts “dans la boucle”, capables de vérifier, corriger, orienter, mais aussi de former les modèles et de poser les limites d’usage.
Par exemple, dans le cadre d’un détourage d’image automatique, il est très pertinent de le valider avant une utilisation en production, notamment dans les secteurs du luxe et de la mode. De même pour le “product staging” (ou la mise en situation de produits dans un contexte précis) ou la génération de bannières marketings ou d’ads pour pour les réseaux sociaux.
Loin des promesses d’automatisation totale, les cas d’usage les plus vertueux reposent toujours sur une collaboration active entre l’humain et la machine : classification visuelle, création assistée, recommandation contextualisée, etc.
Adopter l’IA n’est plus un choix stratégique à long terme, c’est un impératif à court terme. Trop d’entreprises oscillent entre fascination technologique et rejet par prudence, faute d’une voie médiane adaptée à leurs contraintes. L’avenir de l’IA en entreprise repose sans doute moins sur les modèles miracles que sur la capacité à assembler, encadrer et faire évoluer des briques existantes, en y injectant les données, les objectifs et la culture de chaque organisation. Oser l’IA, oui. Mais oser une IA utile, sobre et contextualisée.
À LIRE AUSSI :
À LIRE AUSSI :
