Les couches opérationnelles de l’IA : pourquoi sa valeur vient de l’ensemble du système, et non d’un seul modèle

On parle souvent de l’IA sous un angle trop étroit. Les uns parlent de chatbots. Les autres, de modèles de langage. D’autres encore, d’agents. Certains évoquent les centres de données, les puces et Nvidia. D’autres s’intéressent à la transformation du travail, à l’automatisation et à la manière dont les entreprises peuvent faire davantage avec des équipes plus réduites.

Tous ont en partie raison. Mais aucun de ces points de vue ne suffit à lui seul.

L’intelligence artificielle moderne ne se résume pas à une application, à un modèle ou à une technologie. Elle forme un ensemble opérationnel qui s’étend de l’énergie et des centres de données aux processus des entreprises, aux agents, à la robotique, au management et à la responsabilité. Il est donc utile de la voir comme un empilement, sans se limiter à sa dimension technique. Le terme le plus juste est celui de couches de fonctionnement. Elles décrivent comment l’IA passe du calcul au travail concret.

Cet article s’appuie sur les réflexions de Jensen Huang, directeur général de Nvidia, sur la structure de l’IA en plusieurs couches.

1. Pourquoi penser l’IA en couches opérationnelles ?

Le débat sur l’IA souffre d’un problème récurrent : nous regardons trop souvent sa seule surface visible. L’utilisateur voit un chatbot. La direction voit le coût d’une licence. Le développeur voit une API. L’investisseur voit une entreprise qui conçoit des modèles. Le fournisseur d’infrastructure voit un centre de données. Le salarié voit un nouvel outil qui lui facilite le quotidien ou qui lui semble être un système de plus parmi tant d’autres.

Pourtant, l’IA ne déploie vraiment ses effets que lorsque ces points de vue se rejoignent. Raisonner en couches opérationnelles permet de comprendre trois choses.

D’abord, cette approche montre que l’IA n’est pas un logiciel isolé. Elle a besoin d’un socle physique et numérique : de l’énergie, de la puissance de calcul, des réseaux, du stockage et des puces.

Ensuite, cette approche montre que le modèle seul ne suffit pas. Un modèle de langage peut être impressionnant, mais sans les bonnes données, le bon contexte, les intégrations et les flux de travail nécessaires, il reste souvent un assistant généraliste.

Enfin, cette approche montre que l’adoption de l’IA n’est pas seulement un projet technologique. C’est aussi un projet de management, de répartition des responsabilités, de compétences, de mesure et de conduite du changement.

Quand une entreprise demande « Quel outil d’IA devrions-nous adopter ? », elle ne regarde souvent que la couche applicative. Quand elle demande « Comment construire les couches opérationnelles de l’IA pour qu’elles servent notre activité ? », elle commence à considérer le système dans son ensemble. Et c’est précisément là que se construit l’avantage concurrentiel.

2. L’IA n’est pas une seule chose, mais une chaîne de production

On peut comparer l’IA à l’électricité. La simple existence de l’électricité n’a pas suffi à transformer le monde. Le changement est venu de son intégration aux usines, à l’éclairage, aux logements, aux transports, aux communications, aux appareils et à de nouvelles façons de travailler.

Il en va de même pour l’IA. Le modèle de langage est important, mais il n’est qu’une pièce de l’ensemble. La véritable transformation intervient lorsqu’on le relie aux données, aux outils, aux logiciels, aux processus et à la prise de décision humaine.

Sous une forme simplifiée, la chaîne de production de l’IA se présente ainsi :

• l’énergie permet de faire fonctionner les centres de données
• les centres de données fournissent la puissance de calcul
• les puces permettent d’entraîner et d’exécuter les modèles
• le cloud et les réseaux permettent une diffusion à grande échelle
• les modèles de fondation apportent les capacités linguistiques, visuelles et logiques
• l’optimisation rend l’utilisation plus rapide et moins coûteuse
• les données et le RAG apportent le contexte propre à l’entreprise
• le MCP et les intégrations donnent à l’IA accès aux outils
• l’orchestration répartit les tâches entre modèles, agents et personnes
• les applications rendent l’IA utilisable
• les processus transforment l’IA en valeur pour l’entreprise
• l’IA physique fait entrer l’IA dans la robotique et le monde réel
• le management, la supervision et la responsabilité assurent la pérennité de l’ensemble

Cette chaîne est importante, car chaque couche influe sur la suivante. Si l’infrastructure est chère, l’utilisation de l’IA coûte cher. Si le modèle est lent, l’expérience utilisateur se dégrade. Si les données sont mauvaises, les réponses ne sont pas fiables. Sans intégrations, l’IA ne peut pas effectuer le travail. Sans orchestration, les agents agissent de manière désordonnée. Sans pilotage, les risques augmentent.

C’est pourquoi l’IA n’est pas seulement une technologie. C’est une nouvelle chaîne de production pour la réflexion, le savoir, les logiciels et le travail.

3. Couche 1 : énergie et centres de données

L’IA commence par l’électricité. Cela peut sembler banal, mais c’est l’un des constats les plus importants de toute cette transformation. L’IA n’est pas une force magique qui flotte dans le cloud. Elle fonctionne dans des centres de données qui ont besoin d’électricité, de refroidissement, d’espace, de connexions réseau, de matériel et d’une maintenance permanente.

Lorsqu’un utilisateur demande à l’IA une analyse, une image, du code ou une tâche exécutée par un agent, une quantité considérable de calculs s’effectue en arrière-plan. Plus l’IA est utilisée, plus il faut de capacité. L’énergie devient ainsi un enjeu stratégique.

Les entreprises, les États et les acteurs technologiques doivent réfléchir à l’origine de l’énergie nécessaire à l’IA, à l’implantation des centres de données, à leur refroidissement et à la manière de concilier la croissance des besoins de calcul avec les objectifs climatiques et de développement durable.

La couche de l’énergie et des centres de données exige des compétences qui ne ressemblent pas aux compétences habituelles en IA, mais qui sont absolument indispensables :

• la planification énergétique
• la connaissance du réseau électrique
• l’architecture des centres de données
• les solutions de refroidissement
• la planification immobilière et des capacités
• la gestion des chaînes d’approvisionnement
• l’évaluation de la durabilité
• la gestion des risques

Cette couche rappelle que l’avenir de l’IA ne se décide pas uniquement sur les bureaux des développeurs de logiciels. Il se joue aussi dans les réseaux électriques, dans les salles des centres de données et dans les décisions d’infrastructure. Si l’IA devient la nouvelle technologie de production de l’économie, l’énergie en sera le carburant.

4. Couche 2 : puces et infrastructure de calcul

La couche suivante est celle de l’infrastructure de calcul : puces, serveurs, accélérateurs, solutions de mémoire et architecture des systèmes. C’est dans cette couche que Nvidia s’est imposé comme un symbole de l’ère de l’IA.

Les modèles d’IA modernes ont besoin d’une puissance considérable de calcul parallèle. Les processeurs graphiques, ou GPU, s’y prêtent bien, car ils peuvent effectuer un grand nombre de calculs simultanément. Mais tout ne repose pas sur une seule puce. L’infrastructure de calcul de l’IA est un ensemble dans lequel les puces, la mémoire, les réseaux, les serveurs, les bibliothèques logicielles et les outils d’optimisation fonctionnent de concert.

Cette couche détermine notamment :

• la vitesse de réponse des modèles
• le coût de production d’une réponse
• le nombre d’utilisateurs que le système peut prendre en charge
• la capacité des systèmes d’agents à monter en charge
• la possibilité d’exécuter l’IA dans le cloud, dans son propre environnement ou sur des équipements en périphérie du réseau
• la manière d’optimiser les calculs selon les usages

Cette couche est particulièrement importante à l’ère des agents. Une réponse de chatbot peut correspondre à un seul appel au modèle. Mais un agent peut effectuer des dizaines, voire des centaines d’appels pour une seule tâche : rechercher des informations, évaluer des options, utiliser un outil, vérifier le résultat, rédiger une synthèse et demander une approbation.

Lorsque l’IA passe de réponses isolées à un travail en plusieurs étapes, les besoins de calcul ne diminuent pas nécessairement, même si les modèles deviennent plus efficaces. Ils peuvent augmenter. C’est pourquoi l’infrastructure de calcul est l’une des couches opérationnelles les plus stratégiques de l’IA.

5. Couche 3 : cloud, réseaux et stockage

Le cloud, les réseaux et le stockage constituent la couche de diffusion de l’IA. Grâce à eux, l’IA n’est plus une capacité limitée à une seule machine ou à un laboratoire : elle devient un service qui peut passer à l’échelle et être utilisé dans les organisations, les applications et les flux de travail mondiaux.

Le cloud fournit avec souplesse des ressources de calcul et des services. Les réseaux relient les utilisateurs, les systèmes et les sources de données. Le stockage permet de disposer des données, des modèles, des journaux, des documents et des informations d’utilisation au bon moment.

Cette couche est souvent invisible pour l’utilisateur, mais elle est essentielle pour l’entreprise. Si les réseaux sont lents, l’expérience de l’IA se dégrade. Si les solutions de stockage sont dispersées, le RAG ne trouve pas les bonnes informations. Si l’architecture cloud est coûteuse, les coûts des tokens et des appels aux modèles augmentent rapidement. Si la sécurité est insuffisante, le déploiement de l’IA à plus grande échelle s’arrête.

Cette couche impose aussi un choix important : faut-il utiliser le cloud public, son propre environnement, une solution hybride ou un environnement fermé propre au secteur ? Le cloud public est rapide et évolutif. Un environnement propre peut offrir davantage de contrôle. Une solution hybride peut réunir les deux. Dans les secteurs réglementés, comme la santé, la finance ou l’administration publique, la localisation et la maîtrise des données peuvent être déterminantes.

L’IA fait de l’architecture cloud et de l’architecture des données un enjeu pour l’entreprise. Il ne suffit plus que les systèmes fonctionnent. Ils doivent permettre un travail intelligent, sûr et économiquement efficace.

6. Couche 4 : modèles de fondation et modèles de langage

Les modèles de fondation et les modèles de langage constituent la couche d’intelligence la plus visible de l’IA. Ils permettent aux systèmes de comprendre le langage, de produire du texte, d’interpréter des images, d’écrire du code, de faire des synthèses, de raisonner, de classer, de dialoguer et, de plus en plus, de traiter simultanément plusieurs formats de données.

Un modèle de langage ne « pense » toutefois pas comme un être humain. Il produit ses réponses à partir de ses données d’entraînement, du contexte fourni par l’utilisateur et des outils disponibles. Son effet concret peut néanmoins être considérable, car il sait traiter le langage, qui est une interface centrale du travail humain.

Pour une entreprise, la question importante ne se limite pas à « Quel est le meilleur modèle ? ». Il vaut mieux demander : Quel modèle convient à quelle tâche ? Un modèle peut être performant pour une classification rapide. Un autre convient à une analyse approfondie. Un troisième excelle en programmation. Un quatrième traite les images. Un cinquième est rapide et peu coûteux pour les tâches courantes en interne. Un sixième offre un niveau de sécurité suffisant pour un environnement réglementé.

Dans les architectures d’IA de demain, l’entreprise n’utilisera pas nécessairement un seul modèle pour tout faire. Elle disposera d’un éventail de modèles. L’évaluation des modèles devient ainsi une nouvelle compétence fondamentale : l’organisation doit comprendre comment les tester, les comparer, évaluer leur coût et les choisir en fonction des usages.

Un modèle de fondation est un moteur puissant. Mais un moteur n’est pas encore un véhicule prêt à rouler.

7. Couche 5 : optimisation des modèles et inférence

L’inférence désigne l’utilisation de l’IA : le moment où le modèle produit une réponse, une analyse, une image, du code, une déduction ou la prochaine étape du travail. La phase d’entraînement attire beaucoup l’attention, mais dans le quotidien des entreprises, l’inférence compte souvent davantage. C’est là que se jouent les coûts, les délais, l’expérience utilisateur et la capacité à passer à l’échelle.

Lorsque l’IA est peu utilisée, les coûts peuvent sembler modestes. Mais lorsqu’elle est intégrée au service client, aux ventes, au développement de produits, à l’analyse de données, à la programmation, au reporting et aux systèmes d’agents, l’usage peut croître rapidement. Chaque appel au modèle consomme des ressources. Chaque étape intermédiaire d’un agent peut en consommer davantage.

L’optimisation constitue donc une couche essentielle. Elle peut par exemple consister à :

• utiliser un modèle plus petit pour une tâche simple
• réserver un modèle plus puissant aux étapes difficiles
• mettre les réponses en cache
• condenser les prompts
• améliorer la recherche RAG
• quantifier les modèles, c’est-à-dire les alléger
• déplacer l’exécution vers un environnement moins coûteux
• répartir les tâches entre plusieurs modèles
• fixer des plafonds de coût aux agents

La dimension économique de l’IA apparaît ici clairement. L’IA n’est pas une machine magique gratuite. Elle repose sur du calcul, et le calcul a un coût. L’entreprise doit apprendre à gérer le coût des tokens, les appels aux modèles, les délais et la qualité comme elle gère ses autres ressources.

Une bonne solution d’IA n’est pas seulement intelligente. Elle est aussi assez rapide, assez économique, assez fiable et suffisamment puissante aux étapes où cela compte.

8. Couche 6 : données, RAG et contexte

Les données sont la couche qui fait passer l’IA d’une intelligence générale à un outil propre à l’organisation. Sans les données de l’entreprise, l’IA peut apporter des réponses générales. Elle peut expliquer, proposer des idées et rédiger des ébauches. Mais elle ne sait pas ce qui a été convenu dans cette entreprise, ce qui a été promis au client, quel projet a pris du retard ou quelle version du produit est utilisée.

Le RAG, pour Retrieval-Augmented Generation, désigne la génération augmentée par la recherche d’informations. Concrètement, l’IA recherche d’abord les informations pertinentes dans les documents, les bases de données ou d’autres sources de l’entreprise, puis construit sa réponse à partir de ces éléments. C’est un changement considérable : le RAG permet à l’IA de mieux tenir compte du contexte.

Il peut notamment aider à :

• trouver la bonne consigne dans la documentation interne
• résumer l’historique d’un client
• comparer un contrat aux conditions de l’entreprise
• répondre à une question d’assistance technique
• retrouver le bon passage dans la documentation produit
• analyser l’état d’un projet
• préparer un état des lieux pour le comité de direction

Mais le RAG n’est pas une solution magique. Sa qualité dépend directement de celle des informations sous-jacentes. Si les documents sont obsolètes, l’IA retrouve des informations obsolètes. Si les droits d’accès sont mal définis, l’IA peut voir trop ou trop peu de choses. Si les documents sont mal structurés, la recherche échoue. Si les sources ne sont pas affichées, l’utilisateur ne peut pas évaluer la réponse.

La couche des données et du RAG est donc aussi celle de la gestion de l’information. L’IA oblige les entreprises à se demander : où se trouvent nos informations ? Qui en est responsable ? Sont-elles à jour ? Qui peut les utiliser ? Comment vérifie-t-on les sources ? Comment supprime-t-on les informations périmées ? Comment tranche-t-on entre des informations contradictoires ?

Avec l’IA, beaucoup d’organisations découvrent une vérité désagréable : le problème ne vient pas de l’IA, mais de leur propre gestion de l’information. C’est une bonne nouvelle, à condition de s’y attaquer.

9. Couche 7 : MCP, intégrations et connexions aux outils

Si les données donnent une mémoire à l’IA, les intégrations lui donnent des mains. Le MCP, pour Model Context Protocol, est un standard ouvert qui permet aux applications d’IA de se connecter de manière maîtrisée à des outils, à des sources de données et à des systèmes externes. On peut le voir comme un connecteur pour l’IA : une interface commune grâce à laquelle elle peut utiliser, par exemple, des documents, des bases de données, un calendrier, un outil de gestion de projet, un CRM ou des outils de développement.

Cette couche est décisive à l’ère des agents. Une IA sans accès aux outils peut surtout faire des suggestions. Une IA qui y a accès peut agir. Elle peut :

• rechercher les informations d’un client dans le CRM
• créer une tâche dans l’outil de gestion de projet
• consulter le calendrier
• lire un dépôt de code
• exécuter des tests
• ouvrir une demande d’assistance
• mettre à jour un document
• effectuer une requête dans une base de données
• déclencher une automatisation
• préparer un rapport et l’enregistrer au bon endroit

Mais c’est précisément pour cette raison que cette couche présente aussi des risques. Plus l’IA dispose de droits, plus il faut réfléchir aux limites. L’entreprise doit définir ce que l’IA peut lire, modifier, envoyer et supprimer, à quel moment une approbation humaine est nécessaire, avec quel rôle utilisateur elle agit, comment toutes ses actions sont journalisées et comment son activité peut être arrêtée.

Les intégrations rendent l’IA utile. Leur maîtrise la rend sûre. Sans ces deux dimensions, on obtient soit un assistant inefficace, soit une automatisation dangereuse.

10. Couche 8 : orchestration et systèmes d’agents

L’orchestration est la couche qui organise le travail de l’IA. Lorsqu’on utilise plusieurs modèles, sources de données, outils et agents, aux côtés de personnes, il faut pouvoir piloter l’ensemble. L’orchestration définit qui fait quoi, dans quel ordre, avec quels droits et quels contrôles.

Un chatbot simple n’a pas besoin de beaucoup d’orchestration. Un système d’agents, si. Un agent peut planifier une tâche, rechercher des informations, utiliser des outils, vérifier les résultats et passer à l’étape suivante. Lorsqu’une organisation dispose de plusieurs agents, elle a besoin d’une structure claire. Un système d’agents destiné au service client pourrait, par exemple, fonctionner ainsi :

1. un agent de classification identifie la nature de la demande
2. un agent RAG recherche les consignes et l’historique du client
3. un agent de réponse prépare une proposition de solution
4. un modèle d’évaluation des risques détermine si la réponse peut être envoyée
5. un agent d’intégration met à jour le CRM
6. une personne vérifie les cas inhabituels
7. un agent de suivi mesure la qualité

Il ne s’agit plus d’une simple réponse d’IA, mais d’un flux de travail. L’orchestration répond notamment aux questions suivantes : quel modèle choisir pour la tâche ? Quand utiliser les données de l’entreprise ? Quand l’agent peut-il utiliser un outil ? Quand une personne doit-elle approuver ? Que faire si la réponse est incertaine ? Comment plafonner les coûts ? Comment détecter les erreurs ? Comment documenter les actions ?

C’est aussi ici qu’apparaît l’idée d’une ferme d’agents. Une ferme d’agents est un ensemble d’agents spécialisés qui effectuent des tâches différentes : l’un surveille les concurrents, un autre analyse les retours clients, un troisième prépare le travail commercial, un quatrième vérifie le code, un cinquième produit des rapports.

Une équipe d’agents peut faire bondir la productivité. Mais sans orchestration, cet ensemble peut tourner au chaos.

11. Couche 9 : logiciels et applications

Pour l’utilisateur, l’IA se présente finalement sous la forme de logiciels et d’applications. C’est dans cette couche que la technologie devient une expérience utilisateur. Mais l’IA transforme aussi la logique des applications.

Le logiciel traditionnel reposait sur les actions de l’utilisateur : cliquer, remplir, filtrer, copier, coller, enregistrer et envoyer. Le logiciel d’IA repose de plus en plus sur des objectifs. L’utilisateur ne dira pas nécessairement « Exportez ce fichier CSV, filtrez la colonne B, créez un tableau croisé dynamique et un graphique ». Il dira « Analysez les ventes du mois dernier, repérez les anomalies et préparez une synthèse en trois points pour la direction ».

Cela transforme la conception des applications. Une bonne application d’IA ne se résume pas à un ancien logiciel auquel on a ajouté une fenêtre de chatbot. Elle comprend l’objectif de l’utilisateur, recherche le bon contexte, utilise les bons outils, rend les incertitudes visibles, demande une approbation et facilite la vérification du résultat.

C’est une occasion majeure pour les entreprises SaaS, qui proposent des logiciels accessibles dans le cloud. Elles doivent repenser leur produit : qu’essaie d’accomplir l’utilisateur ? Quelles étapes l’IA peut-elle prendre en charge ? Quelles données sont nécessaires ? Quels outils l’IA peut-elle utiliser ? À quels moments l’utilisateur doit-il décider ? Comment présenter le résultat ? Comment construire la confiance ?

L’IA ne fait pas disparaître les logiciels. Elle les transforme : d’outils passifs, ils deviennent des environnements de travail actifs.

12. Couche 10 : processus et flux de travail des entreprises

C’est dans cette couche que l’IA crée sa véritable valeur pour l’entreprise. Pas dans le modèle. Pas dans la démonstration. Pas dans une interface impressionnante. Mais dans le processus.

Un processus d’entreprise peut concerner les ventes, le service client, la facturation, le recrutement, le reporting, le développement de produits, les achats, le contrôle qualité ou la gestion de projet. L’IA ne prend de la valeur que lorsqu’elle améliore la rapidité, la qualité, le coût ou l’expérience client de ces processus.

Dans les ventes, par exemple, l’IA peut rechercher des informations sur le client, analyser les échanges précédents, repérer les signaux d’achat, suggérer le prochain message, préparer une offre, mettre à jour le CRM et rappeler les actions de suivi.

Au service client, l’IA peut identifier la nature de la demande, rechercher les consignes, vérifier la situation du client, proposer une réponse, traiter un cas courant, transmettre une question difficile à une personne et consigner le résultat.

Dans le développement de produits, l’IA peut analyser les retours des utilisateurs, rédiger des spécifications, générer du code, écrire des tests, rechercher des bugs, documenter les modifications et préparer des notes de version.

C’est ici que l’approche AI-first prend toute son importance. Elle ne consiste pas à utiliser l’IA partout. Elle consiste à concevoir le processus en posant cette question : Si nous construisions ce flux de travail aujourd’hui avec l’IA, les données, les agents et l’automatisation, à quoi ressemblerait-il ? Cette question révèle rapidement les endroits où l’ancienne façon de faire ne tient qu’à l’habitude.

13. Couche 11 : IA physique et robotique

L’IA ne restera pas cantonnée aux écrans. L’IA physique désigne l’intelligence artificielle qui agit dans le monde physique : robots, véhicules, usines, entrepôts, laboratoires, hôpitaux, agriculture et environnements urbains.

Cette couche donne à l’IA une dimension concrète nouvelle. Un agent numérique peut mal rédiger un rapport. C’est un problème, mais il est souvent possible de le corriger. Un robot physique peut mal déplacer un objet, provoquer une collision, endommager un appareil ou créer un risque pour la sécurité. L’IA physique doit donc satisfaire à des exigences plus élevées.

L’IA physique a besoin :

• de capteurs
• de caméras
• de robotique
• de simulations
• de prises de décision en temps réel
• de systèmes de sécurité
• de mécatronique
• de calcul en périphérie du réseau
• d’interactions entre l’humain et la machine
• d’une bonne connaissance de la réglementation

C’est aussi une occasion majeure. Dans l’industrie, l’IA peut optimiser la production. Dans les entrepôts, elle peut piloter des robots. Dans la santé, elle peut aider à l’imagerie, à la logistique et à l’automatisation des laboratoires. Dans l’agriculture, elle peut permettre des cultures plus précises. Dans les transports, elle peut améliorer la planification des itinéraires et les systèmes autonomes.

L’IA physique ramène l’intelligence artificielle à la matière. Elle rappelle que l’IA n’est pas seulement du langage et du code. Elle peut aussi déplacer, mesurer, percevoir et agir.

14. Couche 12 : management, supervision et responsabilité

La dernière couche est peut-être la plus importante. Le management, la supervision et la responsabilité déterminent si l’IA devient un avantage concurrentiel pour l’organisation ou un risque incontrôlé.

Lorsque l’IA se contente de rédiger des ébauches, l’encadrement peut être plus léger. Lorsqu’elle commence à utiliser des outils, à traiter des informations clients, à mettre à jour des systèmes, à proposer des décisions et à exécuter des étapes de travail, des règles claires s’imposent. L’entreprise doit savoir :

• où l’IA est utilisée
• qui l’utilise
• quelles données sont utilisées
• quels modèles sont utilisés
• quels agents sont en service
• de quels droits disposent les agents
• combien coûte l’utilisation
• comment la qualité est mesurée
• comment les erreurs sont corrigées
• qui répond du résultat final

C’est un nouveau domaine du management. La gouvernance de l’IA ne doit pas se limiter à un document juridique ou à une liste d’interdictions édictées par la sécurité informatique. Elle doit offrir un cadre pratique pour permettre une utilisation sûre de l’IA.

Une bonne gouvernance ne freine pas le développement. Elle lui permet de passer à l’échelle. Sans gouvernance, l’IA reste facilement cantonnée aux expériences de quelques salariés. Ou, pire encore, une IA clandestine se développe : personne ne sait quels outils sont utilisés, où les données sont saisies et ce que font les agents.

Le rôle du management est de poser des garde-fous pour l’IA. Pas pour ralentir le rythme. Mais pour pouvoir accélérer en toute sécurité.

15. Compétences transversales : que faut-il à toutes les couches ?

Les compétences transversales sont essentielles, car elles n’appartiennent pas à une seule couche. Elles les traversent toutes.

Sécurité informatique et protection de la vie privée

L’IA peut traiter des données sensibles, des informations clients, des données personnelles, des contrats, du code source et des secrets commerciaux. La sécurité informatique n’est donc pas un complément facultatif. C’est une exigence fondamentale.

Gestion de la qualité

Une réponse produite par l’IA peut sembler bonne tout en étant fausse. La gestion de la qualité passe par des tests, des évaluations, des comparaisons, des retours, la vérification des sources et le suivi des erreurs.

Maîtrise des coûts

Les tokens, les appels API, les étapes intermédiaires des agents, les recherches RAG et les calculs ont un coût. Sans suivi des dépenses, l’IA peut sembler productive tout en devenant coûteuse.

Suivi et observabilité

L’observabilité désigne la capacité à voir ce qui se passe dans un système. Dans le domaine de l’IA, cela consiste par exemple à savoir ce que le modèle a répondu, quelles sources il a utilisées, quels outils l’agent a appelés, où l’erreur s’est produite et combien l’opération a coûté.

Compétences et culture

L’IA n’apporte aucun bénéfice si les personnes ne savent pas l’utiliser ou si la culture de l’organisation empêche l’expérimentation. Il faut des formations, des exemples, des pratiques internes et des encouragements.

Conduite du changement

L’IA transforme les rôles, les processus et la répartition du travail. Si chacun doit porter seul ce changement, les résultats restent inégaux.

Éthique et réglementation

Plus l’IA influe sur les personnes, les décisions et la société, plus il devient important de réfléchir à l’équité, à la transparence, à la responsabilité et à la réglementation.

Ces compétences transversales sont comparables à la structure porteuse d’un bâtiment. On ne peut pas les ajouter à la fin en guise de décoration.

16. Le point de vue des entreprises : comment les couches opérationnelles transforment-elles la stratégie ?

Pour une entreprise, les couches opérationnelles de l’IA constituent une carte pratique. Elles aident à comprendre pourquoi certains projets d’IA échouent et pourquoi d’autres réussissent.

Un projet d’IA qui échoue se concentre souvent sur une seule couche. On achète une application, mais les données sont mauvaises. On construit un agent, mais les intégrations manquent. On choisit un modèle puissant, mais le processus reste inchangé. On lance un projet pilote, mais on ne mesure pas les coûts. On forme le personnel, mais le management ne change pas.

Un projet d’IA réussi considère toute la chaîne opérationnelle. Il pose les questions suivantes : quel problème de l’entreprise cherchons-nous à résoudre ? Quel processus modifions-nous ? Quelles données faut-il ? Quel modèle utilisons-nous ? Quels outils l’IA est-elle autorisée à utiliser ? À quel moment une personne approuve-t-elle ? Comment mesurons-nous la qualité ? Comment rendons-nous les coûts visibles ? Qui est responsable de la solution ? Comment la déployer à plus grande échelle ?

Cela transforme aussi la préparation des budgets. L’IA ne se résume pas à une licence logicielle. Elle associe des licences, des dépenses en tokens, des intégrations, de la sécurité informatique, de la formation, un travail de transformation et du suivi.

Les entreprises ont intérêt à commencer à considérer l’IA comme un investissement dans la productivité. Si les coûts salariaux du travail qualifié représentent une part importante de leurs dépenses, il est naturel de se demander quelle part de ces coûts devrait être investie dans l’IA pour améliorer la productivité, la qualité du travail et la rapidité des salariés. Il ne s’agit pas de dépenser sans compter. Il s’agit de rendre les dépenses d’IA visibles et de les piloter.

17. Le point de vue des startups : où se construit le nouvel avantage concurrentiel ?

Pour une startup, les couches opérationnelles de l’IA représentent à la fois une occasion et un avertissement. Une occasion, parce qu’une petite équipe peut construire davantage que jamais. L’IA peut l’aider en programmation, en marketing, en analyse, au service client, dans la documentation, les ventes et les processus internes. Un avertissement, parce que dire « Nous avons de l’IA » ne constitue plus un avantage concurrentiel.

Lorsque les modèles sont largement accessibles, la valeur se construit ailleurs :

• dans de meilleures données
• dans un meilleur flux de travail
• dans l’expertise sectorielle
• dans la distribution
• dans l’interface utilisateur
• dans la confiance
• dans les intégrations
• dans l’orchestration des agents
• dans l’efficacité économique
• dans la capacité à résoudre un problème réel

Une startup conçue dès l’origine autour de l’IA ne construit pas un ancien produit auquel elle ajoute une fonctionnalité d’IA. Elle se demande : À quoi ressemblerait ce secteur s’il était construit dès le départ autour de l’IA, des agents, de l’automatisation et des données ?

Dans les technologies juridiques, par exemple, un produit conçu autour de l’IA ne se résume pas à un chatbot qui répond à des questions de droit. Il peut s’agir d’un flux de travail qui lit les contrats, identifie les risques, les compare aux règles de l’entreprise, propose des modifications, demande l’approbation d’un juriste et met à jour la base de contrats. Dans la santé, une solution conçue autour de l’IA ne se limite pas à un questionnaire sur les symptômes : c’est un système qui aide le professionnel à réunir les informations, à analyser les images, à rédiger des consignes pour les patients et à coordonner le parcours de soins. Dans la vente B2B, une telle solution n’est pas seulement un générateur d’e-mails : c’est un système d’agents qui suit les signaux, enrichit les données clients, propose une prise de contact, prépare les supports et met à jour le CRM.

L’avantage concurrentiel des startups tient donc à leur capacité à bien articuler les couches. Pas au simple fait d’utiliser l’IA.

18. La transformation du travail : quelles compétences faudra-t-il demain ?

Les couches opérationnelles de l’IA transforment aussi les compétences. Tout le monde n’a pas besoin de savoir construire des modèles. Tout le monde n’a pas besoin de comprendre l’architecture des puces. Tout le monde n’a pas besoin de maîtriser les aspects techniques du MCP. Mais de plus en plus de personnes doivent comprendre où se situe leur travail dans cet ensemble.

Le professionnel doit comprendre comment l’IA peut l’aider dans son flux de travail. Le dirigeant doit comprendre ses effets sur les processus et les coûts. Le développeur doit comprendre comment relier les modèles, les données et les outils. Les équipes de sécurité doivent comprendre les droits des agents. Les ressources humaines doivent comprendre l’évolution des compétences. La direction financière doit comprendre les tokens et les dépenses d’IA. La direction produit doit comprendre comment une application évolue vers un fonctionnement fondé sur des agents.

Dans le travail de demain, les compétences suivantes prendront une importance particulière :

• la définition du problème
• la décomposition des processus
• le repérage des possibilités offertes par l’IA
• l’évaluation de la qualité des données
• l’évaluation critique des sources
• la vérification de la qualité
• la répartition du travail entre les personnes et l’IA
• la compréhension des limites de l’automatisation
• la conscience des coûts
• le discernement éthique
• la capacité d’adaptation

L’une des compétences les plus importantes consiste à distinguer ce qu’il est judicieux d’automatiser de ce qui ne l’est pas. Une tâche répétitive ne se prête pas automatiquement à l’automatisation. Si une étape de travail touche aux droits, à la sécurité, à la santé, à l’argent ou à la réputation des personnes, une supervision plus étroite est nécessaire.

L’IA ne fait pas disparaître le discernement. Elle le rend plus important.

19. Risques et pièges

Raisonner en couches opérationnelles aide aussi à mieux cerner les risques. Le risque ne se limite pas à une mauvaise réponse de l’IA. Il en existe à chaque couche.

Risque d’infrastructure

Le coût des centres de données, la consommation d’énergie, le manque de capacité et les dépendances géopolitiques peuvent influer sur la disponibilité et le prix de l’IA.

Risque lié aux modèles

Un modèle peut halluciner, être biaisé, mal comprendre la tâche ou produire une réponse convaincante mais erronée.

Risque lié aux données

Les informations de l’entreprise peuvent être obsolètes, contradictoires, incomplètes ou protégées par des droits d’accès inadaptés.

Risque lié aux intégrations

L’IA peut recevoir des droits trop étendus ou mal utiliser un outil. Des attaques par injection de prompt peuvent tenter de détourner un agent pour lui faire accomplir une action interdite.

Risque lié aux agents

Un agent peut poursuivre une tâche dans la mauvaise direction, multiplier excessivement les étapes intermédiaires, accroître les coûts ou produire des erreurs en cascade.

Risque lié aux applications

L’utilisateur peut faire trop confiance à la réponse de l’IA si l’interface n’affiche pas l’incertitude, les sources ou la nécessité d’une approbation.

Risque lié aux processus

Un ancien processus peut être automatisé tel quel, alors qu’il était déjà mauvais. L’IA ne fait alors qu’accélérer de mauvaises pratiques.

Risque lié au management

Si personne n’est responsable de l’ensemble des usages de l’IA, l’organisation voit apparaître une IA clandestine, des outils redondants, des responsabilités floues et des coûts incontrôlés.

La bonne nouvelle, c’est qu’il est possible de maîtriser ces risques. Mais uniquement si on les identifie couche par couche.

20. L’avenir : l’IA devient l’infrastructure du travail

La prochaine étape de l’IA ne se limite pas à un meilleur chatbot. C’est une infrastructure de travail. À l’avenir, l’IA pourrait être présente à presque toutes les étapes du travail intellectuel : recherche d’informations, analyse, préparation des décisions, programmation, travail avec les clients, reporting, formation, conception et automatisation. Dans le même temps, elle entre dans le monde physique : robots, véhicules, laboratoires, industrie et logistique.

Cela ne signifie pas que tout changera du jour au lendemain. L’évolution se fera plus probablement par couches successives :

1. D’abord, l’IA aide les salariés individuellement.
2. Puis elle est intégrée aux applications.
3. Puis elle est reliée aux données de l’entreprise.
4. Puis elle obtient un accès limité aux outils.
5. Puis des agents apparaissent.
6. Puis les agents sont orchestrés au sein des processus.
7. Enfin, le modèle de fonctionnement de l’entreprise commence à changer.

La principale différence avec aujourd’hui, c’est que l’IA ne restera pas un outil à part. Elle se fondra dans les systèmes, les processus et la prise de décision. La question ne sera plus « Utilisons-nous l’IA ? », mais : « Comment l’IA est-elle intégrée à notre manière de travailler ? »

21. Conclusions

Les couches opérationnelles de l’IA offrent une carte de la transformation en cours. Elles aident à comprendre que l’IA n’est pas seulement un chatbot, un modèle de langage ou une application isolée. C’est un système complet qui relie l’énergie, les centres de données, les puces, le cloud, les modèles, l’optimisation, les données, les intégrations, les agents, les logiciels, les processus, la robotique et le management.

L'essentiel à retenir est ceci : La valeur de l’IA naît de l’articulation entre ses couches. Un modèle puissant ne suffit pas à lui seul. Les données seules ne suffisent pas. Une intégration seule ne suffit pas. Un agent seul ne suffit pas. Une application seule ne suffit pas. Il faut un ensemble cohérent.

Pour les entreprises, cela signifie que la stratégie d’IA doit être plus qu’une liste d’outils. Elle doit décrire les liens entre l’IA et l’infrastructure, les données, les processus, les personnes, les coûts, les risques et le management. Pour les startups, cela signifie que l’avantage concurrentiel vient de plus en plus de la combinaison des couches : une meilleure articulation des modèles, des données, des flux de travail, des intégrations et de l’expérience utilisateur. Pour les individus, cela signifie que la culture de l’IA ne se limite plus à la rédaction de prompts. Elle consiste à comprendre à quel endroit de la chaîne opérationnelle l’IA intervient, ce dont elle a besoin pour réussir et où l’humain doit orienter, évaluer et assumer la responsabilité.

L’avenir de l’IA ne se résume pas à un bouton superintelligent. C’est un nouvel environnement de travail. Et ceux qui en comprennent l’ensemble sauront y réussir.

22. Modèles pratiques et trames de travail

1. Liste de contrôle des couches opérationnelles de l’IA

Utilisez cette liste pour évaluer une solution d’IA ou préparer un nouveau cas d’usage.

Infrastructure et calcul

• Où la solution s’exécute-t-elle ?
• De quelles ressources de calcul a-t-elle besoin ?
• Comment les coûts évoluent-ils avec l’usage ?
• Le délai de réponse est-il acceptable ?
• La solution dépend-elle d’un seul fournisseur ?

Modèles

• Quel modèle est utilisé ?
• Pourquoi ce modèle en particulier ?
• La tâche est-elle simple ou exige-t-elle un raisonnement poussé ?
• Le modèle a-t-il été testé sur vos propres données ?
• Comment la qualité du modèle est-elle suivie ?

Données et contexte

• Quelles données sont nécessaires ?
• Les données sont-elles à jour ?
• Qui est responsable des données ?
• Comment fonctionnent les droits d'accès ?
• Les sources sont-elles présentées à l’utilisateur ?

Intégrations et outils

• À quels systèmes l’IA peut-elle accéder ?
• Peut-elle seulement lire ou aussi modifier ?
• Quand une approbation est-elle nécessaire ?
• Comment l’utilisation est-elle journalisée ?
• Comment les droits sont-ils délimités ?

Agents et orchestration

• S’agit-il d’une réponse isolée ou d’une tâche en plusieurs étapes ?
• Quelles étapes l’IA prend-elle en charge ?
• Quelles étapes une personne prend-elle en charge ?
• Que se passe-t-il en cas d’erreur ?
• L’agent dispose-t-il d’un plafond de coût ?

Application et expérience utilisateur

• Comment l’utilisateur comprend-il ce que l’IA a fait ?
• Les sources, les incertitudes et les prochaines étapes sont-elles visibles ?
• Le résultat est-il facile à vérifier ?
• L’utilisateur peut-il corriger ou rejeter une proposition ?

Processus et activité de l’entreprise

• Quel processus améliore-t-on ?
• Quel indicateur évolue ?
• Gagne-t-on du temps ?
• La qualité s’améliore-t-elle ?
• Le service client devient-il plus rapide ?
• Le travail manuel diminue-t-il ?

Management et responsabilité

• Qui est responsable de la solution ?
• Qui répond des erreurs ?
• Comment l’utilisation est-elle suivie ?
• Comment les coûts sont-ils présentés ?
• Comment la solution est-elle auditée ?

2. Modèle de processus AI-first

Choisissez un processus de l’entreprise et examinez-le à l’aide des questions suivantes :

1. Quel est l'objectif du processus ?
2. Quelles étapes sont récurrentes ?
3. À quels moments faut-il des informations ?
4. Où un jugement humain est-il nécessaire ?
5. À quels moments l’IA peut-elle produire une première version ?
6. À quels moments l’IA peut-elle rechercher des informations ?
7. À quels moments l’IA peut-elle utiliser un outil ?
8. À quels moments l’IA peut-elle exécuter automatiquement une étape ?
9. Où une validation est-elle nécessaire ?
10. Comment mesure-t-on le résultat ?

Ce modèle ne vise pas à tout automatiser. Il sert à trouver la bonne répartition du travail entre les personnes, l’IA et les systèmes.

3. Modèle de responsabilité par couche

Il est judicieux de désigner un responsable pour chaque couche.

4. Cadre minimal de mise en service d’un agent

Avant de laisser un agent effectuer un véritable travail, définissez sa finalité, les sources de données et les outils qu’il utilisera, ses droits, les actions interdites, les points d’approbation, le plafond de coût, la journalisation, les indicateurs de qualité, son responsable et le mécanisme d’arrêt.

Un agent sans responsable désigné n'a rien à faire en production.

5. Questions à poser par la direction

Le comité de direction devrait régulièrement se poser les questions suivantes :

1. Dans quels processus l’IA apporte-t-elle déjà des bénéfices mesurables ?
2. Où l’IA reste-t-elle une simple expérimentation ?
3. De quelles données l’IA a-t-elle besoin sans encore y avoir accès ?
4. Quelles intégrations apporteraient le plus de bénéfices ?
5. Où des agents pourraient-ils travailler en toute sécurité ?
6. Où l’approbation humaine est-elle indispensable ?
7. Combien l’IA coûte-t-elle par mois ?
8. Comment évoluent les dépenses en tokens ?
9. Quelles erreurs l’IA commet-elle ?
10. Qui est responsable de la qualité de l’IA et des risques associés ?
11. Quelles compétences manquent à l’organisation ?
12. Quel processus ne construirions-nous plus selon l’ancienne méthode ?

6. Conseil pratique

Lorsque vous évaluez une solution d’IA, ne regardez pas seulement l’interface ou le nom du modèle. Interrogez toute la chaîne opérationnelle :

« De quelle infrastructure a-t-elle besoin, quelles données utilise-t-elle, à quels systèmes peut-elle toucher, quelles étapes de travail peut-elle effectuer, qui supervise son fonctionnement et comment mesure-t-on les bénéfices, la qualité, les coûts et les risques ? »

C’est précisément ce qui distingue une expérimentation d’IA d’une véritable capacité opérationnelle en IA.

Sources

1. Entretien avec Jensen Huang, directeur général de Nvidia, sur la structure de l’IA en plusieurs couches (YouTube)