Diagnostic de maturité et d'usages
L'écart se joue sur la taille bien plus que sur le secteur : dans l'industrie manufacturière, 7 % des entreprises utilisent l'IA. Parmi les utilisatrices, les usages dominants sont l'analyse de texte (44 %) et l'apprentissage automatique sur des données (41 %) — pas la génération d'images.
Recensement des usages
Quels processus s'appuient déjà sur des outils d'IA, officiellement ou non, et quelles données y transitent. L'usage spontané d'assistants génératifs sur des documents sensibles est aujourd'hui le risque le plus fréquent, et le moins traité.
Qualification de la dépendance
Substituabilité du fournisseur, réversibilité de la solution, localisation et régime juridique des données, compétences internes disponibles en cas de retour arrière.
Maîtrise du système d'information
Un processus optimisé par un outil que personne ne sait plus opérer manuellement est un processus fragile : nous mesurons ce qui resterait opérable sans l'outil.
Ce qui peut tourner chez vous
Pour chaque usage, la question du lieu d'exécution : cloud, hébergeur français, ou modèle ouvert sur votre propre matériel. Elle se tranche par la sensibilité des données et par la mémoire disponible, pas par principe.
Treize besoins, un arbre — pas une marque
Le catalogue des modèles change chaque mois ; les besoins, eux, sont stables. Nous maintenons un arbre décisionnel qui part du besoin, applique le filtre de la mémoire disponible (de 16 Go à « cloud seulement ») et aboutit, pour chaque branche, à deux ou trois modèles ouverts substituables, comparés sur des critères sourcés — et, souvent, à un montage de plusieurs petits modèles plutôt qu'à un seul géant.
| Besoin | Ce qui compte pour le choix | Mesure de référence |
|---|---|---|
| Interroger ma base documentaire (RAG) | Qualité de la recherche sémantique multilingue ; un seul modèle d'embedding par base | MMTEB multilingue |
| Lire des images et des documents scannés | OCR de scans et tableaux, puis compréhension de l'image | OmniDocBench |
| Écouter, transcrire, parler | Taux de mots faux, langues couvertes, vitesse | Open ASR Leaderboard (WER, RTFx) |
| Chercher sur le web | Appel d'outils, contexte long, synthèse avec sources | GPQA Diamond, Artificial Analysis |
| Faire relire et vérifier | Relecteur d'une autre famille que l'auteur | Arena, GPQA |
| Rédiger, analyser, discuter | Préférence humaine, multilingue, raisonnement | Arena texte, GPQA, AIME |
| Expliquer et visualiser | Structurer en nœuds et relations, produire un code de schéma juste | Terminal-Bench, Arena |
| Produire des documents bureautiques | Code correct, formules justes, respect du gabarit | Terminal-Bench, Arena |
| Générer des images | Fidélité au prompt, texte dans l'image, licence commerciale | Fiche modèle, licence |
| Sécuriser et analyser (cybersécurité) | Connaissance des menaces, classement des vulnérabilités, données chez vous | CTIBench, CyberGym |
| Anonymiser et pseudonymiser | Déterminisme, langues, détection de types nouveaux | Fiche modèle, architecture |
| Interagir avec la messagerie chiffrée | Le connecteur compte plus que le modèle | Tool use (fiche éditeur) |
| Coder, automatiser | Fiabilité de l'appel d'outils, endurance sur des dizaines d'étapes | SWE-bench Verified, Terminal-Bench |
Pour chaque modèle, l'arbre renseigne la mémoire minimale, la vitesse, la qualité pour ce besoin précis, la licence (usage commercial libre, sous conditions, non commercial), l'ouverture réelle (poids, recette d'entraînement, données) et les refus intégrés aux poids — y compris les biais politiques de certains modèles. L'arbre complet est remis et commenté lors du diagnostic.
Choisir sur des benchmarks, pas sur des promesses
Deux exemples tirés de l'arbre. Le premier montre qu'un même modèle ouvert de 27 milliards de paramètres tient dans une carte de 24 Go sans perte visible, ce qui rend l'exécution locale réaliste pour la plupart des besoins. Le second montre que, sur la branche « coder, automatiser », les modèles locaux se mesurent aux modèles cloud sur des tickets réels, tests à l'appui.
Règle rapide : 0,6 Go par milliard de paramètres en Q4, 1,1 Go en Q8, 2 Go en BF16. La perte de précision reste imperceptible jusqu'à 4 bits et devient visible en dessous — le code et les calculs souffrent avant la conversation. Le contexte consomme de la mémoire en plus des poids : sur 24 Go, un 27B en Q4 laisse environ 6 Go pour 60 à 100 000 tokens.
Un modèle ouvert exécuté sur une carte de 24 Go résout plus des trois quarts des tickets réels du benchmark, à trois points du meilleur modèle cloud comparé. Sur les tâches longues en terminal (Terminal-Bench 2.1), l'écart est plus marqué — 73,0 contre 87,9 — ce qui justifie, selon le besoin, un montage mixte plutôt qu'un choix unique.
Cas d'usage à valeur pour la résilience
Sur les secteurs que nous accompagnons, l'IA produit des gains mesurables, souvent directement liés à la résilience :
- Anticipation des aléas — descente d'échelle de projections climatiques, prévision de rendements, alerte précoce sur les phénomènes extrêmes.
- Maintenance prédictive — détection de dérives sur des équipements dont la panne arrête une ligne entière.
- Replanification logistique — réaffectation rapide des flux quand un itinéraire ou un fournisseur devient indisponible.
- Documents fournisseurs et techniques — extraction, contrôle croisé et interrogation de milliers de documents sans qu'ils quittent votre périmètre.
- Exploitation des données existantes — beaucoup d'organisations disposent déjà des données nécessaires à un diagnostic de vulnérabilité, sans les moyens de les exploiter.
Nous sélectionnons avec vous les deux ou trois cas d'usage au meilleur rapport entre valeur, faisabilité et dépendance induite, et nous les cadrons jusqu'à la décision d'investissement. Lorsque le cas retenu appelle un développement, il est livré selon notre offre de solutions technologiques.
Montage type : plusieurs petits modèles plutôt qu'un géant
Un besoin réel se traite rarement avec un seul modèle. Exemple tiré de l'arbre pour la lecture de documents scannés — bons de livraison, certificats, fiches techniques :
Tri
Un petit modèle (3 Go) classe chaque page : scan, photo, tableau, graphique, et l'envoie à la bonne brique.
OCR
Un modèle d'OCR spécialisé (1 Go) convertit scans, tableaux et formules en texte. Il ne raisonne pas, il lit.
Compréhension et structuration
Un modèle de vision (17 Go) interprète photos et schémas, puis produit une sortie structurée à schéma forcé, prête pour l'ERP.
Contrôle croisé
Un modèle d'une autre famille relit les chiffres extraits face à l'image ; en cas de désaccord, nouvelle passe à plus haute résolution, deux tours au plus, puis la page est marquée « à vérifier ».
Humain
Vos équipes ne relisent que les pages marquées. C'est le montage, pas le modèle, qui produit la fiabilité.
Ce montage tourne entièrement sur une station de travail de 24 Go. La règle qui le sous-tend vaut pour toutes les branches : le relecteur vient d'une famille différente de l'auteur, la boucle a un critère d'arrêt, et l'humain intervient là où la machine a signalé un doute.
Cadre d'usage et gouvernance
Des règles simples, opposables et comprises par les équipes, plutôt qu'une charte que personne ne lit : quels outils, pour quelles données, avec quelle validation humaine, et qui décide. Le cadre s'articule avec vos obligations de conformité sans s'y réduire.
| Critère | Service cloud | Modèle ouvert chez vous |
|---|---|---|
| Données | Transitent chez un tiers, souvent hors de l'Union européenne | Ne quittent pas votre périmètre |
| Qualité | Modèles de frontière | À quelques points sur la plupart des besoins ; écart réel sur les tâches longues |
| Coût | À l'usage, variable, en devise étrangère | Matériel amorti, pas de coût marginal |
| Réversibilité | Dépend des conditions du fournisseur | Poids téléchargés, versionnés, reproductibles |
| Refus et filtres | Filtres du fournisseur, ajoutés à ceux du modèle | Ceux des poids seulement ; connus et documentés dans l'arbre |
| Compétences | Intégration d'API | Exploitation d'un serveur ; nous les transférons |
Ce volet s'intègre à l'audit de résilience ou se traite séparément. Pour la lecture d'ensemble de l'enjeu, voir Intelligence artificielle : levier autant que dépendance.