Projet IA : données, coûts, conformité… les bonnes questions à se poser avant de se lancer

 RETROUVEZ CET ARTICLE ET PLUS ENCORE DANS NOTRE MAGAZINE - DSI DU SECTEUR PUBLIC : LE PIVOT DE LA TRANSFORMATION

 Découvrez Le Brief de l'IT, la newsletter thématique gratuite d'Archimag dédiée aux professionnels des data, de l'IT, de la digitalisation et de la transformation numérique !

Tout projet de transformation génère des attentes fortes, et donc une pression importante sur les résultats. L’IA n’échappe pas à la règle, a fortiori avec son aura "informagique", qui donne l’impression que le projet aboutira d’un simple coup de baguette. Le cadrage est donc particulièrement nécessaire. 

Cadrer pour terminer

Sont à définir :

• l’irritant métier que l’on cherche à résoudre ;
• le ratio profits/coûts, pour garantir un retour sur investissement positif ;
• le commanditaire : un décideur membre du comité de direction qui sera capable de financer et de lever les obstacles sur la route du projet.

Exit donc les projets d’IA pour "moderniser" ou "transformer". Il faut définir des indicateurs clairs de succès : réduction du taux d’erreur, économie d’ETP (équivalent temps plein) sur des recopies de données, satisfaction des usagers, etc.

Choux, carottes, chaos : l’importance du référentiel

Peut-on donner à l’IA un désordre d’informations, comme Gaston Lagaffe le fait de sa montagne de courrier en retard ? Non, car l’IA ne crée pas la qualité, elle l’exploite. Or, dans la plupart des organisations, les fonds documentaires sont peu normalisés, silotés, remplis de parasites et dépourvus de métadonnées.

Concrètement, si l’on donne des choux et des carottes à l’IA, elle en ressortira des "charottes" et des "coux". Pour avoir des choux et des carottes classés dans un référentiel "légumes", il faudra bien fournir ce référentiel. L’autre option est que l’IA ait déjà ingéré ce référentiel (dans des données en source ouverte, chez un autre client, etc.), ce qui pose des questions de confidentialité et de souveraineté que nous verrons plus loin.

Lire aussi : Formation et compétences : les métiers de la veille et de la documentation entrent dans l’ère de l’IA utile

"Garbage in, gospel out"

Grâce à l’IA, alimenter un algorithme en déchets "garbage in") génère une mélodie à l’oreille des profanes ("gospel out"). Comprendre : la magie de l’étiquette "IA" donne aujourd’hui un vernis d’indubitabilité à n’importe quel tas d’ordures présenté via un outil informatique.

Voici quelques exemples de données médiocres ou truffées de biais : les logiciels américains de prédiction des crimes, inspirés de "Minority Report", sont basés sur un siècle de données massivement influencées par le racisme. Les logiciels médicaux sont entraînés sur des données provenant d’études du XXe siècle menées sur des hommes blancs de 20 ans. Enfin, s’il y a un trou dans les données, l’IA complète avec l’information qui lui paraît statistiquement la plus probable. Ce sont les fameuses "hallucinations" : des affirmations très précises, mais parfaitement fausses.

Petits algorithmes, grosses factures

Premier coût, le plus évident : l’acquisition de la solution. Cela comprend la licence d’utilisation et l’accompagnement au déploiement. Accompagner ne signifie pas faire : il reviendra toujours aux équipes internes la charge chronophage de mettre en œuvre (structurer les données, normaliser les référentiels, vérifier les résultats…). 

Deuxième coût : l’adaptation. Plus on a de spécificités (processus hétérogènes, formats de fichiers exotiques…), plus leur prise en compte fait grossir la facture. Finalement, il reviendra toujours moins cher de modifier ses processus internes pour adopter une solution dans son paramétrage "grand public", plutôt que de l’individualiser à l’extrême.

Troisième coût : la maintenance. Les solutions IA requièrent d’être régulièrement mises à jour : amélioration des algorithmes, évolutions réglementaires, actualisation de leurs données… S’il peut être intégré à l’acquisition la première année, le coût de maintenance reviendra régulièrement ensuite, et rarement en diminuant.

Gare à la prise d’otage

Dernier coût à prendre en compte : le coût de sortie. De nombreuses solutions IA reposent sur des modèles propriétaires, des formats spécifiques et des interfaces techniques non documentées. C’est ce qu’on appelle le "vendor lock-in" (emprisonnement fournisseur).

C’est le principe de la capsule de café : vous achetez une machine et vous devenez pieds et poings liés avec le vendeur, qui est aussi l’unique fournisseur de capsules. Vous voilà emprisonnés, sauf à réinvestir une forte somme pour acheter une nouvelle machine et transformer tout votre stock de capsules pour qu’il devienne compatible. Cette décision coûteuse sera difficile à faire aboutir.

Au-delà du coût financier, ce mariage forcé avec un fournisseur peut engendrer un coût technologique et organisationnel. Dans un marché de l’IA récent, quelle garantie avez-vous que le modèle d’IA que vous choisissez aujourd’hui sera toujours efficient dans un, trois ou cinq ans ?

Les règles de gestion qui seront ultérieurement appliquées par le modèle conviendront-elles à votre organisation ? Ce sujet est particulièrement sensible, puisque le stockage de données s’inscrit, lui, dans un temps long.

Lire aussi : IA : la recherche documentaire à l’heure des grands modèles de langage

Propriétaire ou locataire de vos données ?

Tout comme les Gafam, les fournisseurs d’IA utilisent généralement les corpus documentaires de leurs clients pour entraîner leurs modèles. Les questions à se poser sont : à qui appartiennent les données ? Sont-elles anonymisées ? Les référentiels que vous créez seront-ils réutilisés pour d’autres clients ?

Une autre question concerne la souveraineté : où sont stockées vos données ? Dans un paysage informatique multipolaire, où cloud et SaaS sont devenus la norme, avec qui voulez-vous marier votre fonds documentaire ?

Le Patriot Act et le Cloud Act donnent au gouvernement américain un droit d’accès aux données stockées par les entreprises américaines, même si ces données sont localisées en Europe. Pour préserver la confidentialité, les secrets industriels ou simplement le respect des données personnelles, il devient impératif d’exiger une entreprise et un stockage européens.

Autre enjeu crucial : le risque cyber. En cas d’anomalie ou d’intrusion sur le service IA, votre système d’information sera-t-il paralysé ? À quels sous-traitants recourt-il ? Quelles garanties avez-vous sur sa chaîne d’approvisionnement ?

Conformité juridique et explicabilité

Venons-en à la conformité juridique, notamment au respect du RGPD et de la législation sur l’hébergement des données de santé, mais pas seulement. Quid du droit d’auteur ou encore du droit à l’image ?

La conformité archivistique doit également être abordée : le stockage de tout ou partie de vos données dans un logiciel IA pose les questions de la durée de conservation et de la gestion du droit à l’effacement. Quel document dispose d’une force probante s’il est déplacé, dupliqué ou modifié par un système IA ?

À ces questions juridiques s’ajoute celle, plus épineuse encore, de l’explicabilité. Une décision automatisée peut-elle être auditée ? Peut-on justifier pourquoi un document a-t-il été classé dans telle catégorie plutôt qu’une autre ? Qui est responsable en cas d’erreur ?

Lire aussi : Gouvernance de l'information numérique en 2026 : comment l’IA a pris le pouvoir

IA et projets

Mais alors, faut-il refuser les projets IA ? Non, d’abord parce que cette technologie est devenue inévitable, tout comme les révolutions industrielles au XIXe siècle. L’éviter, c’est rester au bord de la route. L’IA a des bénéfices certains pour automatiser les tâches chronophages à faible valeur ajoutée, pour réduire les recopies et pour recentrer le travail humain sur les tâches utiles.

L’enjeu est de faire commencer un projet IA avec les bonnes questions : au lieu de vous demander "que peut faire l’algorithme ?", préférez "quel problème métier cherchons-nous à résoudre et au prix de quelle perte de maîtrise ?"

Thibault Pairis