Brancher un modèle sur un produit prend une après-midi. Le rendre fiable devant de vrais clients prend le reste du projet. On travaille sur cette partie-là : cadrer la tâche exacte confiée au modèle, mesurer ce qu'il produit, et décider ce qui se passe quand il se trompe.
Trier, résumer, classer, rédiger un premier jet, suivre ce qui traîne. Le travail répétitif qui mange vos journées, délégué mais surveillé.
Les fonctionnalités qui n'existeraient pas sans elle : comprendre du langage libre, de la voix, des documents. Conçues autour de ce qu'un modèle sait vraiment faire.
Une batterie de cas d'épreuve avant la mise en ligne, le coût à l'usage calculé, et un comportement défini pour le jour où le modèle répond n'importe quoi.
Lire, classer, étiqueter, transmettre à la bonne personne. C'est répétitif, c'est mal payé en attention, et c'est exactement ce qu'un modèle fait bien quand la tâche est correctement bornée.
Ils décrivent un problème, dictent un message, envoient une photo ou un document. Traiter ça sans IA demande un formulaire à trente champs que personne ne remplit.
Le prototype impressionnait, puis il s'est mis à inventer devant un client. Le problème est rarement le modèle : c'est l'absence de mesure et de garde-fous autour.
La bonne réponse commence par une tâche précise et un chiffre, pas par un assistant posé dans un coin de l'écran. On cadre ce qui vaut le coup, et on dit aussi quand la réponse est non.
Un prototype évalué sur vos propres cas, pas sur une démo
Le coût par utilisation, chiffré avant la mise en ligne
Les limites du système, écrites noir sur blanc
Entraîner un modèle à partir de zéro : dans presque tous les cas, c'est cher, long, et inutile.
Un assistant qui répond à tout sur n'importe quel sujet, sans périmètre : c'est la meilleure façon d'obtenir une réponse embarrassante en public.
Promettre un taux de réussite avant d'avoir mesuré sur vos propres données.
C'est une vraie question, à trancher avant d'écrire la première ligne. Selon la sensibilité des données, on choisit un fournisseur avec un traitement en Europe, on filtre ce qui part, ou on prend un modèle plus petit qui tourne sur votre propre serveur. Le choix se fait avec vous, et il est écrit.
Ces systèmes se facturent à la quantité de texte traitée, ce qui rend la facture invisible tant qu'on ne la modélise pas. On mesure le coût d'un traitement pendant le prototype et on le multiplie par votre volume réel : vous avez un coût mensuel estimé avant de décider, pas une surprise au premier relevé.
En le mesurant, comme le reste. On constitue une série de cas tirés de votre activité, avec la réponse attendue pour chacun, et le système est noté dessus à chaque modification. C'est ce qui permet de dire « neuf fois sur dix » plutôt que « ça a l'air de bien marcher ».
Il se trompera, la question est de savoir ce que ça coûte. On définit ensemble le geste de repli : demander confirmation à un humain, refuser de répondre, ou basculer sur une règle simple. Une IA qui dit « je ne sais pas » vaut mieux qu'une IA qui invente, et c'est un choix de conception, pas de chance.