Intelligence artificielle : passer de l'expérimentation à la production

Une preuve de concept répond à une question limitée : une approche technique semble-t-elle pertinente sur un périmètre donné ? Elle peut fonctionner avec des données préparées, quelques utilisateurs et des scénarios favorables. Une application opérationnelle doit, elle, gérer des entrées imprévues, des incidents et des évolutions. Elle doit trouver sa place dans un processus métier, avec des utilisateurs identifiés, des responsabilités d'exploitation et des conditions de maintenance.

Le passage en production ne consiste donc pas à ouvrir le prototype à davantage de personnes. Il faut reprendre les hypothèses : quelles tâches sont réellement assistées, quelles erreurs sont acceptables et quand faut-il revenir à un traitement humain ? Un périmètre initial bien délimité permet d'évaluer l'utilité sans multiplier les risques. Les critères de réussite doivent porter sur l'usage et la qualité du service, pas uniquement sur le caractère convaincant d'une démonstration.

Les données restent une dépendance centrale : leur qualité, leur actualisation et les droits associés influencent le résultat. Dans une architecture reposant sur un grand modèle de langage, ou LLM, il faut organiser les échanges entre le modèle, les sources et les applications. Le RAG, qui associe recherche documentaire et génération, peut apporter un contexte pertinent ; il ne garantit pas l'exactitude des réponses. La qualité de la recherche, la sélection des documents et la gestion des accès doivent être évaluées ensemble.

L'intégration au système d'information impose de maîtriser les interfaces, les délais de réponse et les modes dégradés. Les évaluations doivent couvrir des cas représentatifs, mais aussi les situations difficiles et les tentatives de détournement. Une supervision suit ensuite les erreurs, la qualité et la disponibilité du service. Les coûts d'inférence, de stockage et d'exploitation doivent être rapprochés de l'usage réel. Lorsqu'un outil peut déclencher une action, ses permissions doivent rester limitées et les opérations sensibles soumises à des contrôles explicites.

L'industrialisation mobilise plusieurs expertises. Les AI Engineers construisent l'application et l'orchestration autour des modèles ; les ML Engineers prennent en charge les problématiques de modèles, d'entraînement ou de déploiement selon le contexte. Les Data Engineers fiabilisent l'accès aux données, tandis que les architectes Cloud organisent l'infrastructure et son intégration. Une solution ne tient pas uniquement par le choix du modèle : elle dépend de la cohérence de l'ensemble.

Les spécialistes MLOps ou LLMOps structurent les pratiques de versionnement, d'évaluation, de déploiement et de supervision. Ils contribuent à rendre les évolutions reproductibles et à repérer les régressions. Les responsabilités exactes dépendent de l'organisation et du projet. L'essentiel est de couvrir les besoins, d'éviter les zones sans propriétaire et d'associer les équipes de sécurité, d'exploitation et les métiers aux décisions qui les concernent.

La gouvernance traduit les risques en règles opérationnelles : quelles données peuvent être utilisées, où elles sont traitées, qui accède aux résultats et quelles traces sont conservées. La confidentialité doit être examinée sur tout le parcours, y compris dans les journaux et les échanges avec des fournisseurs. La supervision humaine doit être proportionnée aux conséquences d'une erreur, avec une possibilité de vérification et un interlocuteur capable de traiter les situations qui sortent du cadre prévu.

L'accompagnement des utilisateurs est tout aussi important. Ils doivent connaître les limites du système, savoir reconnaître une réponse incertaine et disposer d'un moyen de signaler un problème. La performance se mesure dans le contexte du travail : résultat utile, effort de vérification, erreurs et qualité de l'intégration au processus. Ces observations permettent d'ajuster la solution ou de limiter certains usages. Elles évitent de confondre adoption réelle et simple ouverture de l'accès à un outil.

Une démarche d'industrialisation part d'un besoin métier suffisamment précis, puis choisit les technologies et les compétences qui peuvent y répondre. Elle avance avec des critères d'évaluation, des contrôles et des responsabilités identifiés. Mesurer les résultats, examiner les incidents et réévaluer les choix fait partie du projet, non d'une étape facultative après son lancement. C'est cette discipline qui permet de décider lucidement ce qui mérite d'être déployé, étendu ou repensé.