“L’intelligence artificielle c’est quand la machine essaie de faire comme l’homme, mais en moins bien.”

Cette définition qui pourrait paraître contre-intuitive voire grossièrement iconoclaste, est en réalité une des plus précises qui soit. Elle permet de séparer facilement ce qui est et n’est pas de l’IA dans son objectif de reproduire les processus cognitifs humains. Par exemple, une super calculatrice n’est pas de l’IA, un ordinateur sera toujours meilleur qu’un humain pour effectuer un calcul mathématique. En revanche, un logiciel qui est capable de reconnaître systématiquement une personne sur des photos, contient de l’IA car nous sommes typiquement dans le cas où un humain serait meilleur dans cet exercice. Si une IA est systématiquement moins performante dans sa tâche que ne pourrait l’être un humain, quel est son intérêt ? Le passage à l’échelle ! Ce qu’un humain fait parfaitement, une IA le fera presque aussi bien, mais surtout le fera des millions de fois de plus dans le même temps imparti. Une super calculatrice dont les calculs permettent de reconnaître des photos, voici un des innombrables cas d’usage d’IA qui font partie de notre quotidien.

Le déploiement de solutions d'IA est rendu possible grâce à la multiplication des données que nous produisons et l'explosion de la puissance de calcul de nos équipements. Cette datafication de la société ainsi qu’une récente maturité algorithmique permettent un virage déterminant pour les entreprises : passer d’une gestion "rétroviseur" qui prévalait jusqu’à présent (tirer des enseignements du passé) à une vision prédictive. 

Pour mieux comprendre comment nos données permettent de faire des prédictions, il faut d’abord discerner les quatre niveaux de l’analyse de données : observer, comprendre, prédire et prescrire.

• Observer : le fameux rétroviseur qui permet d’identifier ce qu’il s’est passé grâce à une analyse fine des données historiques.
  

• Comprendre : le niveau d’analyse supérieur qui permet de tirer des enseignements concrets des données afin de comprendre ce qu’il s’est passé. 
  

• Prédire : le premier niveau d’analyse tourné non plus vers le passé mais vers l’avenir : être capable d’anticiper de manière probabiliste ce qu’il va se passer. 
  

• Prescrire : le dernier niveau de l’analyse des données, il permet aux entreprises de prendre la meilleure décision en tirant parti de ce qu’ils ont pu apprendre.

Les niveaux prédictifs et prescriptifs sont rendus possibles par l’avènement des outils de Machine Learning (apprentissage automatique). Le concept du Machine Learning repose sur trois phases que sont l’apprentissage (la machine reconnaît des schémas et des corrélations dans les données historiques) la phase d’inférence (la machine applique ce qu’elle a appris), et la phase de supervision (Gestion du cycle de vie, de la performance des modèles dans le temps et des potentiels réentrainements).  

Ces modèles de Machine Learning permettent aujourd’hui aux entreprises de passer à l’ère du prédictif et de déployer des solutions opérationnelles d’IA de trois types : la prévision & optimisation, l’hyper-personnalisation  et l’automatisation.

Prévision & optimisation

Anticiper avec précision les besoins, les risques et les défaillances d’un processus industriel afin de mettre en œuvre des actions appropriées au bon endroit au bon moment. 

Exemple : La maintenance prédictive (Industrie)

Détecter les défauts structurels, l’usure prématurée et la perte de rendement d’une machine afin de prioriser les opérations de maintenance et maximiser la production.

Hyper-personnalisation

Anticiper les besoins spécifiques d’un utilisateur sur la base de ses données et lui faire des propositions sur mesure pour l’aider au quotidien.

Exemple : Apprentissage personnalisé (Éducation)

Le but de cette application est d’accompagner les étudiants à la manière d’un tuteur virtuel et de leur recommander du contenu basé sur leur parcours, leur profil cognitif et leurs lacunes pédagogiques.

Automatisation

Soulager les collaborateurs des tâches ingrates qui nécessitent de nombreuses itérations sans que l’humain n’ait de valeur ajoutée dans le processus.

Exemple : Gestion énergétique d’un parc de bâtiments (Énergie)

L’objectif est de développer un gestionnaire énergétique qui automatise la supervision d’un parc de bâtiments, traque toute dérive de consommation et prévoit celle-ci pour améliorer l’efficacité énergétique globale. 

Nous déployons ainsi chez Craft AI plus d’une dizaine de cas d’usages dans des secteurs clés de notre société comme l’énergie, l’éducation ou encore la santé.

Cela est possible car nous nous approchons d’une maturité sur la partie algorithmique et sommes en mesure de collecter suffisamment de données. Cependant, il manque un troisième ingrédient pour parler réellement de révolution : l’usage.

Il y a un déficit d’usage et d’adoption de l’IA dans les entreprises, comme le constate Gartner dans une étude : 85% des projets d’IA ne passent pas en production et ne génèrent aucun ROI. Deux raisons principales peuvent éclairer ce manque d’adoption :

• La difficulté d’industrialiser les projets d’IA (Le fameux mur de l'industrialisation) 
• La défiance de la société vis-à-vis de l’IA, la peur de voir des machines prendre des décisions à notre place.
  

S’ils sont bien adressés, l’un par le MLOps, l’autre par une IA de confiance, vous pourrez très facilement développer de multiples cas d’application et pleinement entrer dans l’ère du prédictif.

Le cas particulier des GPAI (Modèles d'IA à usage général) : Les grands modèles de langage (LLM) comme Mistral AI, OpenAI ou Claude entrent dans un régime propre. Soumis à une application progressive, ils nécessitent des analyses d'impact approfondies pour évaluer les risques selon s’ils sont utilisés bruts, fine-tunés ou intégrés via API.

‍

3. La Méthode "RADAR" pour Auditer ses Cas d'Usage

Développée par Xavier Trigano, la méthode RADAR permet à toute organisation de piloter sa mise en conformité de manière itérative :

• R – Recenser : Cartographier exhaustivement tous les cas d'usage de l'entreprise (outils internes pour les collaborateurs et solutions commercialisées).
• A – Attribuer les rôles : Identifier si l'organisation agit en tant que Fournisseur de modèle, Fournisseur de système d'IA, Intégrateur ou Déployeur (utilisateur final). Une même entreprise peut cumuler plusieurs rôles.
• D – Déterminer le risque : Qualifier le niveau de risque selon le type de cas d’usage et sa finalité (Inacceptable ? Haut risque ? Limité ? Faible ?).
• A – Appliquer les mesures : Mettre en œuvre les actions techniques et organisationnelles requises par le niveau de risque identifié.
• R – Rédiger la documentation : Constituer le registre et les preuves de conformité (similaire à la logique de l'accountability du RGPD).

Focus "AI by Design" - L'exemple du tri automatique de CV : Un outil RH qui exclut ou accepte des candidats de manière 100 % autonome est classé "Haut Risque", avec un coût de conformité très lourd. La méthode RADAR recommande plutôt une approche by design : modifier les fonctionnalités de l'outil pour en faire un simple système d'aide à la décision (qui extrait les compétences clés du CV mais laisse la validation finale à un recruteur humain). L'outil apporte la même valeur métier, mais bascule en risque limité, allégeant drastiquement les contraintes légales.

‍

4. FAQ : Shadow IT, RGPD et Souveraineté

Comment lutter contre le Shadow AI en entreprise ?

L'interdiction pure et simple ne fonctionne pas. Pour maîtriser l'usage des LLM par les collaborateurs, la réponse doit être transverse :

• Définir un catalogue d'usages autorisés sur la base d'outils sécurisés mis à disposition.
• Utiliser des solutions technologiques de DLP (Data Loss Prevention) pour bloquer le chargement de données sensibles vers des LLM tiers.
• Mettre à jour la charte informatique et le règlement intérieur.

L'usage des LLM (ChatGPT, Claude...) viole-t-il le RGPD ?

Ce n'est pas l'outil qui caractérise la violation, mais la finalité de l'usage. Reformuler une campagne marketing sur Claude ne présente aucun risque RGPD. En revanche, y injecter l'intégralité du fichier RH de la pyramide des âges de l'entreprise sans précaution constitue un manquement grave.

Des alternatives souveraines (hébergées on-premise ou sur des clouds français/européens) permettent de pallier les risques liés au Cloud Act américain tout en garantissant une efficacité équivalente.

Comment encadrer mes équipes dans leur utilisation de l’IA ?

L'IA Act impose une obligation de formation pour tous les utilisateurs au sein de l'organisation. L'IA pouvant se tromper ou halluciner, seul l'esprit critique de l'humain formé permet de couvrir ce risque résiduel et d'assurer un contrôle qualité efficace.

‍

5. Conclusion : L'IA Act, un levier de confiance et de compétitivité

L'IA Act ne doit pas être perçu comme un frein à l’innovation, mais comme un cadre de confiance.

En intégrant la conformité dès la conception des projets, l'IA devient un levier pérenne de performance économique, d'acceptabilité sociale et de souveraineté.

‍

Envie de développer votre agent IA sur-mesure conforme à la réglementation AI Act ? Contactez nos équipes.

‍

‍

Et accédez au replay de ce webinaire dès maintenant !