Olivier Guillo est le fondateur d’Optivalue.ai
Il n’est plus un comité de direction qui n’ait inscrit l’intelligence artificielle à son ordre du jour. Et pourtant, la plupart des entreprises choisissent encore leur IA comme elles choisiraient un logiciel de bureautique : à la vitesse, à la démonstration, au prix de l’abonnement. Ce réflexe, compréhensible, repose sur un malentendu. Dès lors qu’une réponse engage la signature de l’entreprise, dans un appel d’offres, un audit, un questionnaire de sécurité ou un reporting réglementaire, le sujet cesse d’être la rédaction pour devenir la preuve. Et le choix d’une IA cesse d’être un achat d’outil pour devenir une décision de gouvernance.
Reconnaissons-le volontiers : les gains de productivité sont réels, et les IA génératives grand public y excellent. Pour un brouillon, une note interne, une reformulation, elles rendent service, et il serait déraisonnable de s’en priver. Mais précisément parce que toutes les offres promettent désormais du temps gagné, ce critère ne distingue plus personne. Trois autres, rarement mesurés par les comparatifs, méritent l’attention des dirigeants.
Le premier est la preuve. Une réponse qui engage doit pouvoir être rapportée à sa source, document, page et version, assortie d’un degré de confiance explicite, et validée par une personne identifiée. Elle doit aussi, vertu rare, savoir se taire : un système fiable est celui qui déclare « je ne sais pas » lorsque les sources ne permettent pas de répondre, plutôt que d’avancer une affirmation plausible. Devant un auditeur ou un donneur d’ordre, l’affirmation invérifiable ne vaut pas zéro : elle coûte.
Le deuxième est la souveraineté, que l’on réduit trop souvent à la localisation des serveurs. Elle se joue en réalité sur trois plans : les données, qui ne doivent pas quitter le périmètre juridique choisi ; les traitements, qui doivent s’exécuter dans cet espace protégé et non chez un tiers à chaque requête ; les modèles enfin, dont la version et l’évolution doivent rester sous la maîtrise de l’entreprise. Pour la défense, l’énergie, la banque, la santé ou le secteur public, une solution exposée à un droit extraterritorial est disqualifiée d’office, quelle que soit sa qualité technique. Et la réversibilité ne se présume pas : elle se contracte, restitution des données dans un format réutilisable et suppression attestée, copies dérivées comprises.
Le troisième critère est le moins discuté ; c’est pourtant le plus stratégique. Où s’accumule ce que votre IA apprend de vous, et à qui cet apprentissage profite-t-il ? Avec un modèle mutualisé, chaque document confié, chaque correction apportée améliorent un système partagé entre tous ses utilisateurs, concurrents compris. La recherche a commencé à mesurer les effets de cette mise en commun. Une étude parue dans Science Advances en 2024 constate que l’IA générative élève la qualité des productions individuelles mais rapproche les productions collectives les unes des autres. Des travaux conduits à Cornell et à Stanford décrivent une « monoculture algorithmique » : des organisations appuyées sur les mêmes modèles convergent dans leurs réponses, et jusque dans leurs erreurs. Convenons-en : si tous vos concurrents interrogent la même intelligence que vous, l’outil censé vous distinguer travaille, en silence, à vous uniformiser.
Ce critère de propriété emporte un corollaire : la confidentialité conditionne la valeur. Face à une boîte noire, les équipes se censurent ou s’affranchissent des règles. Fin 2024, une enquête de la National Cybersecurity Alliance et de CybSafe, menée auprès de plus de 7 000 personnes, établissait que 38 % des employés avaient déjà transmis des informations confidentielles à des outils d’IA sans l’accord de leur employeur. Une intelligence à qui l’on ne confie que l’anodin ne produit que du général ; une intelligence dont les données s’échappent produit du risque. La bonne architecture est celle qui autorise la confiance entière : rien n’en sort, et ce qui s’y apprend demeure acquis à la seule entreprise, restituable et supprimable le jour où elle s’en va.
Reste la tentation, respectable, du fait-maison. L’intuition qui la porte est juste : garder le contrôle. Les analyses de marché invitent cependant à la mesure : le moteur d’IA ne représente qu’environ 15 % de l’effort, l’essentiel résidant dans l’industrialisation, la fiabilisation, la veille réglementaire et la sécurité. Un développement interne mobilise de 1,4 à 2,2 millions de dollars sur trois ans, pour une précision qui plafonne le plus souvent entre 70 et 80 %, loin du seuil d’utilité, autour de 95 %, en deçà duquel chaque réponse doit être reprise à la main. Le contrôle est un objectif légitime ; le bâtir soi-même n’en est ni la seule voie, ni la plus sûre.
Que faire, dès lors ? Inscrire cinq questions à l’ordre du jour du prochain comité, et les poser à tout fournisseur : à qui profite ce que l’IA apprend de nous ; que pouvons-nous lui confier sans risque ; qui capte notre différenciation ; où vont nos données, et sous quel droit ; que nous reste-t-il si nous partons. Les réponses diront plus que tous les comparatifs de fonctionnalités. Car à l’ère de l’intelligence artificielle, l’avantage n’ira pas à ceux qui utilisent l’outil le plus puissant du marché ; il ira à ceux dont l’intelligence connaît le mieux l’entreprise, et n’en fait profiter personne d’autre.
Reconnaissons-le volontiers : les gains de productivité sont réels, et les IA génératives grand public y excellent. Pour un brouillon, une note interne, une reformulation, elles rendent service, et il serait déraisonnable de s’en priver. Mais précisément parce que toutes les offres promettent désormais du temps gagné, ce critère ne distingue plus personne. Trois autres, rarement mesurés par les comparatifs, méritent l’attention des dirigeants.
Le premier est la preuve. Une réponse qui engage doit pouvoir être rapportée à sa source, document, page et version, assortie d’un degré de confiance explicite, et validée par une personne identifiée. Elle doit aussi, vertu rare, savoir se taire : un système fiable est celui qui déclare « je ne sais pas » lorsque les sources ne permettent pas de répondre, plutôt que d’avancer une affirmation plausible. Devant un auditeur ou un donneur d’ordre, l’affirmation invérifiable ne vaut pas zéro : elle coûte.
Le deuxième est la souveraineté, que l’on réduit trop souvent à la localisation des serveurs. Elle se joue en réalité sur trois plans : les données, qui ne doivent pas quitter le périmètre juridique choisi ; les traitements, qui doivent s’exécuter dans cet espace protégé et non chez un tiers à chaque requête ; les modèles enfin, dont la version et l’évolution doivent rester sous la maîtrise de l’entreprise. Pour la défense, l’énergie, la banque, la santé ou le secteur public, une solution exposée à un droit extraterritorial est disqualifiée d’office, quelle que soit sa qualité technique. Et la réversibilité ne se présume pas : elle se contracte, restitution des données dans un format réutilisable et suppression attestée, copies dérivées comprises.
Le troisième critère est le moins discuté ; c’est pourtant le plus stratégique. Où s’accumule ce que votre IA apprend de vous, et à qui cet apprentissage profite-t-il ? Avec un modèle mutualisé, chaque document confié, chaque correction apportée améliorent un système partagé entre tous ses utilisateurs, concurrents compris. La recherche a commencé à mesurer les effets de cette mise en commun. Une étude parue dans Science Advances en 2024 constate que l’IA générative élève la qualité des productions individuelles mais rapproche les productions collectives les unes des autres. Des travaux conduits à Cornell et à Stanford décrivent une « monoculture algorithmique » : des organisations appuyées sur les mêmes modèles convergent dans leurs réponses, et jusque dans leurs erreurs. Convenons-en : si tous vos concurrents interrogent la même intelligence que vous, l’outil censé vous distinguer travaille, en silence, à vous uniformiser.
Ce critère de propriété emporte un corollaire : la confidentialité conditionne la valeur. Face à une boîte noire, les équipes se censurent ou s’affranchissent des règles. Fin 2024, une enquête de la National Cybersecurity Alliance et de CybSafe, menée auprès de plus de 7 000 personnes, établissait que 38 % des employés avaient déjà transmis des informations confidentielles à des outils d’IA sans l’accord de leur employeur. Une intelligence à qui l’on ne confie que l’anodin ne produit que du général ; une intelligence dont les données s’échappent produit du risque. La bonne architecture est celle qui autorise la confiance entière : rien n’en sort, et ce qui s’y apprend demeure acquis à la seule entreprise, restituable et supprimable le jour où elle s’en va.
Reste la tentation, respectable, du fait-maison. L’intuition qui la porte est juste : garder le contrôle. Les analyses de marché invitent cependant à la mesure : le moteur d’IA ne représente qu’environ 15 % de l’effort, l’essentiel résidant dans l’industrialisation, la fiabilisation, la veille réglementaire et la sécurité. Un développement interne mobilise de 1,4 à 2,2 millions de dollars sur trois ans, pour une précision qui plafonne le plus souvent entre 70 et 80 %, loin du seuil d’utilité, autour de 95 %, en deçà duquel chaque réponse doit être reprise à la main. Le contrôle est un objectif légitime ; le bâtir soi-même n’en est ni la seule voie, ni la plus sûre.
Que faire, dès lors ? Inscrire cinq questions à l’ordre du jour du prochain comité, et les poser à tout fournisseur : à qui profite ce que l’IA apprend de nous ; que pouvons-nous lui confier sans risque ; qui capte notre différenciation ; où vont nos données, et sous quel droit ; que nous reste-t-il si nous partons. Les réponses diront plus que tous les comparatifs de fonctionnalités. Car à l’ère de l’intelligence artificielle, l’avantage n’ira pas à ceux qui utilisent l’outil le plus puissant du marché ; il ira à ceux dont l’intelligence connaît le mieux l’entreprise, et n’en fait profiter personne d’autre.