· Par Sophie Laurent
- ia
- genai
- gouvernance
Depuis dix-huit mois, la question posée par nos clients a changé. Elle n'est plus « est-ce que ça marche » mais « pourquoi notre prototype ne passe pas en production ». La réponse est rarement celle qu'ils attendent.
Le modèle n’est pas le goulot
Les modèles disponibles aujourd'hui dépassent largement ce que la majorité des cas d'usage internes exigent. Un assistant de recherche documentaire, un outil de rédaction assistée ou un classifieur de demandes entrantes ne réclament pas l'état de l'art. Ils réclament une donnée d'entrée propre et une définition claire de ce qu'est une bonne réponse.
Trois obstacles récurrents
La donnée d'entrée. Un corpus documentaire réel contient des versions obsolètes, des doublons partiels et des documents contradictoires. Un système de recherche augmentée branché dessus restitue fidèlement cette incohérence. Le travail de nettoyage et de gouvernance documentaire précède le projet d'IA ; il ne s'y substitue pas.
L'évaluation. Beaucoup d'équipes valident leur prototype en le testant à la main sur une quinzaine de questions choisies. Ce n'est pas une évaluation, c'est une démonstration. Sans jeu de test construit avec les métiers, avec des critères explicites, il est impossible de dire si une modification améliore ou dégrade le système.
La responsabilité. Quand le système produit une réponse fausse qui a été suivie, qui répond ? Tant que cette question reste sans titulaire, les directions juridiques bloquent — à raison.
Ce qui fonctionne
Les déploiements que nous voyons tenir partagent trois traits : un périmètre documentaire restreint et maîtrisé, un jeu d'évaluation maintenu comme du code, et une validation humaine explicite sur les usages à conséquence. Ce n'est pas spectaculaire. C'est ce qui passe en production.