La discussion sur l’IA en entreprise tourne depuis trop longtemps autour d’une seule question : quel modèle est le meilleur ? GPT, Claude, Gemini, Llama, Mistral, Qwen, DeepSeek. Plus de contexte, plus de raisonnement, des coûts par token réduits. Ces facteurs comptent, mais ils ne couvrent qu’une partie du problème.

Les applications d’IA qui produisent des résultats utiles en entreprise ressemblent à une usine, pas à un chatbot. Il y a une machine qui génère et raisonne, une salle où l’on prépare l’information, un stockage qui conserve la connaissance, un responsable qui décide de la prochaine étape, des connecteurs standardisés pour interfacer des outils, des contrôles de sécurité et des tests de qualité. Une IA performante en 2026, ce n’est pas « le modèle le plus volumineux » — c’est le système complet qui l’entoure, configuré correctement.

Le LLM est la machine, mais pas toute l’usine

Le modèle de langage reste la partie la plus visible. C’est la machine qui écrit, résume, traduit, raisonne, explique du code, génère des idées et transforme une instruction en sortie. Sans un bon modèle, l’usine ne produit rien. Mais un modèle isolé ne fonctionne qu’avec ce qu’il voit dans sa fenêtre de contexte et ce qu’il a appris à l’entraînement. Cela suffit pour des tâches générales, pas pour répondre avec précision sur des données internes, des documents changeants ou des processus propres à une organisation.

La technique RAG, génération augmentée par récupération, répond à ce besoin. L’idée n’est pas de demander au modèle de se souvenir de tout, mais de lui fournir la bonne information avant de répondre. Microsoft décrit le RAG comme un schéma fondant les réponses des modèles sur leur propre contenu via récupération, recherche hybride et couches de connaissance connectées à des applications d’IA.

Dans la métaphore de l’usine, le RAG correspond à la salle des matières premières. Avant que la machine ne travaille, quelqu’un doit trouver le document, contrat, ticket, manuel ou donnée qui fournit le contexte. Sans cette pièce, le modèle peut paraître convaincant mais se tromper.

La base de données vectorielle joue le rôle de l’entrepôt. Elle convertit texte, images ou autres données en représentations mathématiques (embeddings), ce qui permet de retrouver l’information par sa signification et pas seulement par correspondance de mots. OpenAI décrit ces embeddings comme des représentations mesurant la relation entre des chaînes de texte, utilisées pour la recherche, le clustering, la recommandation et la détection d’anomalies.

La recherche vectorielle ne suffit pas à tout. Dans les architectures sérieuses, on combine recherche sémantique, recherche textuelle classique, filtres par métadonnées, permissions, dates, versions et reranking. L’entrepôt n’est pas utile parce qu’il stocke beaucoup : il l’est parce qu’il fournit la bonne information au bon moment.

Les agents transforment l’IA en processus

Un agent ne se contente pas de répondre à une question. Il peut décider de la prochaine étape, diviser une tâche en sous-étapes, consulter un outil, lire un fichier, appeler une API, préparer un brouillon, demander une validation humaine et continuer. Cette capacité transforme le modèle en partie intégrante d’un flux de travail.

Un chatbot peut expliquer « comment faire une facture ». Un agent peut suivre une commande, consulter le client dans l’ERP, repérer une différence de prix, préparer la facture, alerter le département financier et attendre une validation. La seconde approche n’est plus du langage — c’est une opération. Les recherches de Sakana AI sur l’orchestration multi-agents montrent que cette piste surpasse fréquemment les modèles monolithiques pour les tâches complexes.

Mais les agents nécessitent des connexions. C’est là qu’intervient MCP, Model Context Protocol. Selon ses propres documents, c’est un standard ouvert pour relier applications d’IA et systèmes externes : fichiers locaux, bases de données, outils, APIs, flux de travail. La comparaison courante est celle du port USB-C — un standard universel pour des connexions différentes. Anthropic l’a présenté en 2024 comme un standard ouvert pour établir des connexions sécurisées et bidirectionnelles entre sources de données et outils IA. SAP et Anthropic ont intégré Claude dans la SAP Business AI Platform, illustration concrète de ce que donne MCP quand il entre au cœur d’un ERP d’entreprise.

Attention : connecter ne signifie pas ouvrir tout. Un agent avec un accès à trop d’outils peut exécuter des actions non autorisées, lire des données sensibles ou suivre une instruction malicieusement dissimulée dans un document. C’est pourquoi la métaphore de l’usine exige des barrières de sécurité.

Sécurité et évaluations : les pièces moins visibles mais indispensables

Les barrières de sécurité regroupent les règles, permissions, filtres, validations et limites qui définissent ce que l’IA peut ou ne peut pas faire. Elles ne sont pas un accessoire réglementaire en fin de projet : elles font partie de la conception technique dès le départ.

Dans une application concrète, ces barrières définissent quelles données chaque agent peut consulter, quels outils il peut utiliser, quelles actions nécessitent une validation humaine, quelles réponses doivent être bloquées, comment traiter les secrets ou crédentiels, et que faire quand la confiance est insuffisante. La distinction entre usage interne et externe est fondamentale : un assistant qui résume de la documentation pour des employés n’a pas les mêmes privilèges qu’un agent pouvant effectuer des paiements ou modifier des données client.

Le NIST AI Risk Management Framework insiste sur la gestion des risques tout au long du cycle de vie des systèmes d’IA, en centrant l’attention sur les impacts sur les personnes, les organisations et la société. Vérifier que le modèle répond bien est nécessaire, pas suffisant : il faut évaluer les risques, le contexte d’utilisation, la gouvernance et les contrôles.

Les évaluations, ou « evals », testent si le système fonctionne comme prévu. Elles mesurent la qualité, la sécurité, le coût, la latence, le taux d’erreur, les hallucinations, l’utilisation des outils, la conformité aux instructions et la capacité à traiter des cas limites. OpenAI décrit ce processus : on définit la tâche, on exécute avec des entrées de test, puis on analyse les résultats pour mesurer le comportement de l’application. Les modèles de raisonnement consommant entre 10 et 20 fois plus de tokens que les modèles standard, le coût devient aussi un critère d’évaluation à part entière.

Les données propres à l’organisation sont indispensables pour des évaluations utiles. Un système de support doit être testé avec des tickets réels ou des données simulées proches du réel. Un agent financier doit gérer des factures incomplètes, des fournisseurs en double ou des cas exceptionnels. Une application juridique doit évaluer la précision, la couverture et la cohérence. Sinon, l’usine fonctionne mais personne ne contrôle la marchandise avant expédition.

L’erreur courante : assembler des pièces sans orchestrer l’ensemble

Beaucoup d’entreprises ont acquis un modèle, mis en place un RAG minimal et créé un agent. Le résultat ne s’améliore pas toujours. La cause principale réside dans l’intégration des composants. Un RAG mal conçu récupère des documents sans rapport. Une base vectorielle sans gestion de version fournit des manuels obsolètes. Un agent sans permissions claires essaie d’en faire trop. Un serveur MCP mal paramétré ouvre plus de portes qu’il ne faut. Un système sans évaluations peut sembler opérationnel en simulation et échouer en production.

L’usine IA impose une architecture. Ce n’est pas une question de connecter des outils au hasard, mais de concevoir un flux : qu’est-ce qui entre, comment on valide, quel contexte est récupéré, qui décide, quelles actions peuvent être entreprises, ce qui est bloqué, comment tout est enregistré et comment on mesure la performance.

Ce stack implique aussi une collaboration plus large. Ce n’est plus seulement le travail des data scientists. Le produit, l’ingénierie, la sécurité, le juridique, l’opérationnel, les commerciaux et les utilisateurs finaux ont chacun une contribution spécifique : valeur du processus, fiabilité des données, gestion des risques, utilité des résultats et indicateurs de progrès.

Ce que la métaphore de l’usine change dans l’approche

Une entreprise ne se contente pas d’acheter une machine et de la laisser dans un hangar vide. Elle a besoin de matières premières, d’un stockage, de personnel, d’électricité, de contrôles, de maintenance, de sécurité et de contrôle qualité. L’IA fonctionne de la même façon.

Le modèle reste essentiel, mais insuffisant seul. Le RAG fournit le contexte. Les bases vectorielles facilitent la récupération du savoir. Les agents convertissent les réponses en actions. MCP standardise les connexions. Les barrières de sécurité limitent les risques. Les évaluations garantissent que le système tient ses promesses en dehors des démos.

Ceux qui maîtrisent cette approche ont un avantage pratique : ils construisent des systèmes moins impressionnants en démo, mais plus efficaces en production. En entreprise, des résultats fiables, reproductibles et mesurables valent plus qu’une réponse brillante sur un slide.

Questions fréquentes

Qu’est-ce que le stack d’une application d’IA en entreprise ?

L’ensemble des composants techniques qui collaborent pour produire des résultats : modèle, récupération d’information (RAG), base de connaissance vectorielle, agents, outils, sécurité et évaluations.

Pourquoi un LLM puissant ne suffit-il pas en production ?

Le modèle manque de données actualisées ou de contexte interne spécifique à l’organisation. Sans récupération, permissions, outils et contrôles, ses réponses risquent d’être incomplètes ou inapplicables en conditions réelles.

Quelle valeur apporte le RAG ?

Le RAG récupère des informations pertinentes avant de générer une réponse, en s’appuyant sur des documents, des bases de données ou des connaissances internes. Il réduit les hallucinations et ancre le modèle dans la réalité de l’organisation.

À quoi sert le Model Context Protocol (MCP) ?

MCP connecte des applications et agents IA avec des outils, fichiers, bases de données et APIs via un standard commun. Il évite de créer des intégrations sur-mesure pour chaque combinaison modèle/outil et simplifie la gestion des connexions externes.

Que sont les évaluations (evals) en IA ?

Des tests conçus pour vérifier si le système répond correctement, utilise bien les outils, contrôle les coûts et atteint ses objectifs. Ils mesurent aussi la latence, les hallucinations, la conformité aux instructions et la gestion des cas limites.