Comment créer une IA : les approches, les étapes et le budget réel

Créer une IA : trois chemins très différents

Utiliser un modèle existant via API

Vous appelez un modèle déjà entraîné, par une interface de programmation, en lui transmettant vos instructions et vos données au moment de la requête. Le modèle reste inchangé, votre valeur ajoutée réside dans la manière dont vous le sollicitez et dans ce que vous branchez autour.

‍

Cette approche couvre les besoins liés au langage : rédaction, résumé, classification, extraction d'informations dans des documents, traduction, analyse de sentiment, réponse à des questions. Elle couvre également l'analyse d'images avec les modèles multimodaux.

‍

Le délai se compte en jours ou en semaines. Le coût se répartit entre le développement de l'application autour du modèle et une facturation à l'usage, calculée sur le volume de texte traité. Aucune compétence en science des données n'est requise, un profil de développeur suffit.

Spécialiser un modèle avec vos données : RAG et fine-tuning

Deux techniques distinctes se cachent derrière l'idée de « modèle entraîné sur mes données », et les confondre conduit à des budgets erronés.

‍

Le RAG, ou génération augmentée par la récupération, ne modifie pas le modèle. Vos documents sont découpés, transformés en représentations mathématiques et stockés dans une base vectorielle. Au moment de la question, le système récupère les passages pertinents et les transmet au modèle avec la demande. Le modèle répond à partir de ces éléments.

‍

Le RAG convient lorsque la connaissance change, lorsque vous voulez tracer la source d'une réponse, et lorsque le volume documentaire est important. C'est l'approche retenue dans la plupart des projets d'exploitation de bases documentaires internes.

‍

Le fine-tuning modifie réellement les paramètres du modèle, à partir d'exemples de paires question-réponse que vous fournissez. Il agit sur la forme davantage que sur le fond : ton, format de sortie, respect d'une structure, vocabulaire métier.

‍

Le fine-tuning convient lorsque vous cherchez un comportement constant sur une tâche précise, et lorsque vous disposez de plusieurs centaines d'exemples de qualité. Il ne remplace pas le RAG pour l'accès à une connaissance factuelle à jour.

‍

Les deux techniques se combinent : un modèle affiné sur votre format de réponse, alimenté par un RAG sur votre documentation.

Entraîner un modèle de zéro

Vous construisez un modèle à partir d'une architecture et d'un jeu de données que vous constituez. Le modèle apprend les relations présentes dans vos données, sans connaissance préalable.

‍

Cette approche reste justifiée dans deux situations. Les tâches spécialisées sur données structurées : prévision de demande, détection de fraude, scoring, classification d'images industrielles, maintenance prédictive. Ces modèles restent de taille modeste et s'entraînent avec des ressources raisonnables. Et les domaines sans modèle existant adapté, avec des données propriétaires d'un type particulier, signaux industriels ou mesures scientifiques.

‍

Entraîner un modèle de langage généraliste de zéro reste hors de portée de la quasi-totalité des organisations, avec des coûts en dizaines de millions et des besoins en infrastructure spécialisée.

Comment choisir la bonne approche selon votre besoin et votre budget ?

‍

Trois questions orientent le choix. Votre besoin porte-t-il sur du langage ou sur des données structurées ? Votre connaissance métier change-t-elle régulièrement ? Disposez-vous d'un historique exploitable avec les résultats attendus ?

Les étapes pour créer une IA sur mesure

1. Formuler le problème en objectif mesurable

Un objectif utilisable comporte une métrique, une valeur cible et un point de comparaison. « Améliorer le traitement des demandes clients » n'oriente aucune décision technique. « Ramener le délai de première réponse de 4 heures à 30 minutes sur 80 % des demandes de niveau 1 » définit un périmètre, un seuil et une méthode de vérification.

‍

Établissez le point de départ à cette étape : volume traité, temps unitaire, taux d'erreur actuel, coût complet par unité. Sans cette mesure initiale, l'évaluation du gain final relève de l'appréciation.

‍

Identifiez également le coût d'une erreur. Une recommandation de contenu erronée n'a pas les mêmes conséquences qu'une erreur de facturation ou qu'un diagnostic incorrect. Ce coût détermine le niveau de contrôle humain à prévoir.

2. Réunir et qualifier les données

Inventoriez les sources disponibles : bases internes, exports d'outils métier, documents, historiques d'échanges, données externes. Vérifiez pour chacune le volume, la profondeur historique, la fréquence de mise à jour et les droits d'usage.

‍

Trois vérifications conditionnent la suite. La représentativité : vos données couvrent-elles les cas que le système rencontrera en production, y compris les situations rares ? Le volume utile : sur un modèle entraîné, quelques centaines d'exemples par catégorie constituent un plancher, quelques milliers un confort. Et la présence du résultat attendu : un modèle prédictif apprend à partir d'exemples où la bonne réponse figure dans les données.

‍

Une réponse négative sur ces trois points modifie l'approche, parfois vers une méthode qui n'exige pas d'entraînement.

3. Nettoyer, annoter et structurer le jeu de données

Cette étape consomme la part la plus importante de la charge sur les projets à base de données, régulièrement plus de la moitié.

‍

Le nettoyage traite les valeurs manquantes, les doublons, les incohérences de format, les valeurs aberrantes et les erreurs de saisie. L'annotation ajoute les étiquettes que le modèle apprendra à reproduire, tâche qui mobilise vos experts métier.

‍

Deux points de vigilance méritent attention. Les biais présents dans l'historique se propagent dans le modèle : un historique de décisions déséquilibré produit un modèle déséquilibré. Et les fuites de données, lorsqu'une variable du jeu d'entraînement contient indirectement la réponse, produisent des performances excellentes en test et décevantes en production.

‍

Séparez enfin vos données en trois ensembles distincts : entraînement, validation, test. Le troisième reste intouché jusqu'à l'évaluation finale.

4. Sélectionner l'algorithme ou le modèle de base

Le choix découle du type de problème. Une régression prédit une valeur continue, prix ou délai. Une classification attribue une catégorie, fraude ou non, type de demande. Un regroupement identifie des ensembles sans catégories définies à l'avance. Les tâches de langage relèvent des modèles de langage, les tâches d'image des modèles de vision.

‍

Commencez par un modèle simple. Une régression logistique ou un arbre de décision constitue un point de comparaison, se déploie facilement et s'explique aux utilisateurs. Un modèle complexe se justifie lorsqu'il apporte un gain mesurable sur ce point de comparaison.

‍

Sur les modèles de langage, arbitrez entre modèles propriétaires par interface de programmation et modèles ouverts déployés sur votre infrastructure. Le second chemin coûte davantage en exploitation et apporte la maîtrise complète des données.

5. Entraîner et ajuster

L'entraînement expose le modèle aux données et ajuste ses paramètres. Le réglage des hyperparamètres, éléments de configuration fixés en amont, se conduit par expérimentations comparées.

‍

Surveillez le surapprentissage : un modèle qui atteint 99 % de réussite sur ses données d'entraînement et 70 % sur des données inédites a mémorisé au lieu d'apprendre. L'écart entre les deux mesures constitue le signal à suivre.

‍

Conservez la trace de chaque expérimentation : version des données, configuration, résultats obtenus. Sans cette traçabilité, reproduire un bon résultat obtenu trois semaines plus tôt devient impraticable.

6. Évaluer sur un jeu de test indépendant

L'évaluation finale se conduit sur des données que le modèle n'a jamais vues, avec des seuils d'acceptation fixés en amont avec les utilisateurs.

‍

Complétez la mesure statistique par une revue humaine des cas d'échec. Vos experts examinent les erreurs et repèrent les motifs récurrents : une catégorie sous-représentée, un type de document mal traité, un vocabulaire absent du jeu d'entraînement.

‍

Testez également le comportement face aux situations limites : entrée vide, format inattendu, cas hors périmètre. Un système qui répond avec assurance à une question hors de son domaine crée davantage de risque qu'un système qui signale son incapacité.

7. Déployer et intégrer au système d'information

Le déploiement expose le modèle par une interface de programmation, avec la gestion des montées en charge, des temps de réponse et de la disponibilité.

‍

L'intégration détermine l'usage réel. Le résultat rejoint l'endroit où vos équipes travaillent déjà : la fiche client dans le CRM, l'écran de saisie de l'ERP, le document dans l'outil bureautique. Une interface parallèle, aussi soignée soit-elle, se vide en quelques semaines.

‍

Prévoyez la gestion des droits, la journalisation des traitements, le plan de reprise en cas d'indisponibilité, et une bascule progressive avec exécution en parallèle du processus manuel sur un échantillon.

Kayro vous accompagne dans la création de votre IA

Kayro a déployé plus de 120 projets IA dans 80 entreprises françaises et européennes, avec un principe constant : vous payez le résultat livré, pas le temps passé. Le risque de livraison reste de notre côté, et 80 % de nos déploiements sont rentables dès la première année.

‍

Notre différence tient au périmètre couvert. Un cabinet de conseil livre un diagnostic et s'arrête au bord du code. Une société de services facture des journées sans porter le risque du résultat. Nous portons la chaîne complète, de la question métier jusqu'à l'outil branché sur votre système d'information.

‍

Trois principes guident nos choix techniques :

‍

• Jamais plus de complexité que nécessaire. Un modèle simple qui règle le problème vaut mieux qu'une architecture sur mesure qui impressionne.
• Un mindset de co-fondateur. Nous vous déconseillons les cas d'usage qui ne rapportent pas, chiffres à l'appui.
• Votre autonomie comme objectif. Code, documentation et données vous appartiennent. Vos référents reprennent la main sur les paramètres et la supervision.

‍

Nos experts construisent des IA en production depuis dix ans, aux côtés d'instituts de recherche comme Stanford, Oxford, le CNRS et l'Inria. Certains de nos projets cadrés, sous 50 000 € de budget, libèrent jusqu'à 450 jours de travail par an.

Évaluer la qualité d'une IA : les métriques qui comptent vraiment

Le choix de la métrique dépend du type de tâche, et une métrique mal choisie masque un modèle défaillant.

‍

Sur une classification, l'exactitude globale trompe dès que les catégories sont déséquilibrées : un modèle qui prédit toujours « non frauduleux » atteint 99 % d'exactitude sur un jeu contenant 1 % de fraudes, sans détecter la moindre fraude. Regardez plutôt la précision, part des alertes justifiées, et le rappel, part des cas réels détectés. Ces deux mesures évoluent en sens inverse et s'arbitrent selon le coût respectif d'un faux positif et d'un cas manqué.

‍

Sur une régression, l'erreur absolue moyenne s'interprète directement dans l'unité mesurée. L'erreur quadratique moyenne pénalise davantage les écarts importants.

‍

Sur une tâche de langage, les métriques automatiques renseignent peu. La mesure utile passe par un jeu d'évaluation construit sur vos cas réels, avec les réponses attendues validées par vos experts, rejoué à chaque modification et à chaque changement de modèle. Ce dispositif transforme une impression en mesure, et détecte les régressions silencieuses lors d'une mise à jour de modèle.

‍

Complétez toujours par les métriques d'exploitation : temps de réponse, coût par requête, taux d'indisponibilité, taux d'escalade vers un humain.

Créer une IA sans coder : ce que permettent réellement les outils no-code

Les plateformes sans code couvrent un périmètre réel, avec des limites qu'il vaut mieux connaître avant de s'engager.

‍

Ce qu'elles traitent correctement : l'assemblage de scénarios entre applications, l'appel à un modèle de langage dans un flux automatisé, la construction d'un agent conversationnel sur une base documentaire, l'extraction de données depuis des documents, la classification de contenus entrants. Pour un premier cas d'usage à volume modéré, ces outils livrent en quelques jours ce qui prendrait plusieurs semaines en développement.

‍

Leurs limites apparaissent sur quatre points. La logique complexe dépasse rapidement ce qu'un canevas visuel absorbe proprement. Le coût à l'échelle croît avec le volume, puisque la facturation s'établit à l'opération. La maîtrise fine du comportement du modèle reste limitée aux paramètres exposés par la plateforme. Et la dépendance s'installe : plusieurs dizaines de scénarios dans une plateforme propriétaire deviennent difficiles à déménager.

‍

Les plateformes ouvertes, hébergeables sur votre infrastructure, lèvent la question de la localisation des données et découplent le coût du volume, en échange d'un peu d'exploitation technique.

Les compétences et le budget à prévoir

Les profils mobilisés varient selon l'approche retenue.

‍

• Approche par interface de programmation : un développeur familier des intégrations, un référent métier. Aucun profil en science des données.
• RAG et fine-tuning : un ingénieur en apprentissage automatique, un développeur, un référent métier pour la validation des sorties.
• Modèle entraîné sur mesure : un scientifique des données, un ingénieur données pour la préparation, un ingénieur de mise en production, des experts métier pour l'annotation.

‍

Côté budget, quatre postes se cumulent :

‍

‍

Deux lignes disparaissent régulièrement des prévisions et faussent le calcul : le coût d'annotation, qui mobilise vos experts sur plusieurs semaines, et le coût d'adoption, formation et accompagnement des premières semaines. Un système performant que personne n'ouvre affiche un retour sur investissement négatif.

Comment maintenir correctement une IA en production ?

Un modèle se dégrade avec le temps, sans qu'aucune ligne de code change. Le phénomène porte un nom : la dérive.

‍

La dérive des données survient lorsque les entrées évoluent : nouveaux produits au catalogue, changement de format de documents fournisseurs, évolution du vocabulaire client. La dérive du concept survient lorsque la relation entre les entrées et le résultat attendu change : un comportement d'achat qui se modifie, une réglementation qui redéfinit une catégorie.

‍

Quatre mécanismes couvrent la maintenance :

‍

• La surveillance des entrées, qui compare la distribution des données reçues à celle du jeu d'entraînement et alerte sur les écarts.
• La surveillance des sorties, qui suit le taux de correction humaine et le taux d'escalade. Une hausse progressive signale une dégradation avant que les utilisateurs ne se plaignent.
• Le rejeu périodique du jeu d'évaluation, tous les mois ou à chaque changement de modèle, qui détecte les régressions.
• Le réentraînement programmé, sur données actualisées, avec comparaison systématique à la version en service avant bascule.

‍

Anticipez également le changement de modèle. Isolez la couche modèle derrière une abstraction, de sorte qu'un changement de fournisseur touche un fichier de configuration au lieu de traverser votre application. Conservez vos données, vos index et vos jeux d'évaluation chez vous : ce patrimoine reste le vôtre, quel que soit le modèle branché derrière.

Données, propriété intellectuelle et conformité AI Act

Trois questions juridiques accompagnent la création d'une IA.

‍

Les droits sur les données d'entraînement. Vérifiez que vous disposez du droit d'usage sur chaque source : contrats clients, conditions d'utilisation des données collectées, licences des jeux de données externes. Les données personnelles relèvent du RGPD, avec une finalité déclarée, une base légale et une durée de conservation définie. L'anonymisation ou la pseudonymisation réduisent l'exposition lorsque l'identification n'apporte rien au modèle.

‍

La propriété du modèle produit. Le point se règle par contrat avec votre prestataire. Vérifiez la cession des droits sur les développements spécifiques, la restitution du code et de la documentation, l'accès aux poids du modèle en cas de fine-tuning, et la réversibilité sans négociation le jour du départ. Le test qui tranche : demandez ce qui reste chez vous si vous arrêtez demain.

‍

L'AI Act. Le règlement européen classe les systèmes selon leur niveau de risque : minimal, limité, élevé, inacceptable. Les systèmes à risque élevé, notamment ceux touchant au recrutement, au crédit, à l'éducation ou à des infrastructures critiques, supportent des obligations renforcées : documentation technique, gestion des risques, qualité des données, supervision humaine, traçabilité. Les systèmes à risque limité relèvent d'obligations de transparence, en informant l'utilisateur qu'il interagit avec une IA.

‍

Classifiez votre système au cadrage plutôt qu'après le développement. Une exigence de supervision humaine découverte tardivement modifie l'architecture.

FAQ

Peut-on créer une IA seul et sans budget ?

Oui pour apprendre et prototyper. Des bibliothèques ouvertes, des jeux de données publics, des environnements de calcul gratuits en version limitée et des modèles ouverts téléchargeables permettent de construire un projet fonctionnel sans investissement. La limite apparaît au passage en production : hébergement, montée en charge, supervision, sécurité et maintenance représentent un coût récurrent, indépendamment du développement initial.

Quel langage de programmation pour créer une IA ?

Python domine largement, avec un écosystème de bibliothèques dédiées à l'apprentissage automatique et à la manipulation de données. R conserve une place en statistiques et en recherche. Pour la mise en production, d'autres langages interviennent selon l'environnement cible. Sur les projets bâtis autour d'un modèle existant appelé par interface de programmation, le langage compte peu : n'importe quel langage capable d'effectuer une requête web convient.

Combien de données faut-il pour entraîner une IA ?

La réponse varie selon l'approche. Un fine-tuning produit des résultats à partir de quelques centaines d'exemples de qualité. Un modèle de classification sur données structurées demande plusieurs milliers d'exemples par catégorie pour une performance stable. Un modèle de vision réclame davantage. Le RAG ne nécessite aucun exemple d'entraînement, seulement vos documents. La qualité et la représentativité pèsent davantage que le volume brut : mille exemples propres et variés valent mieux que dix mille exemples bruités.

Quelle différence entre RAG et fine-tuning ?

Le RAG ne modifie pas le modèle : il récupère les passages pertinents dans vos documents et les transmet au modèle au moment de la question. Il convient à une connaissance qui évolue, et permet de citer la source d'une réponse. Le fine-tuning modifie les paramètres du modèle à partir d'exemples, et agit sur la forme : ton, structure, vocabulaire métier, format de sortie. Pour accéder à une information factuelle à jour, le RAG répond au besoin. Pour obtenir un comportement constant, le fine-tuning intervient. Les deux se combinent fréquemment.

Combien coûte l'entraînement d'un modèle d'IA en moyenne ?

Un fine-tuning sur un modèle existant se chiffre de quelques dizaines à quelques milliers d'euros de calcul, selon la taille du modèle et le volume d'exemples. Un modèle spécialisé entraîné de zéro sur données structurées se situe entre 40 000 et 150 000 € tout compris, dominé par la préparation des données plutôt que par le calcul. Un modèle de langage généraliste entraîné de zéro se chiffre en dizaines de millions et reste hors de portée des organisations non spécialisées.

Combien de temps faut-il pour créer une IA fonctionnelle en moyenne ?

Deux à huit semaines pour un cas d'usage bâti sur un modèle existant, avec des données propres et une intégration simple. Quatre à douze semaines pour un dispositif de type RAG sur une base documentaire. Huit à vingt semaines pour un modèle entraîné sur mesure, dont la moitié consacrée à la préparation des données. Les facteurs qui accélèrent : un historique exploitable, un décideur unique, un périmètre étroit assumé. Les facteurs qui ralentissent : un référentiel à nettoyer, une gouvernance à plusieurs comités, l'ambition de traiter tous les cas dès la première version.

Qui est propriétaire d'une IA entraînée sur mes données ?

La réponse relève du contrat, et le sujet se traite avant la signature. Quatre points à verrouiller : la cession des droits sur les développements spécifiques sans redevance, l'accès aux poids du modèle en cas de fine-tuning, la restitution du code et de la documentation à jour, et la réversibilité complète des données et des index. Vos données d'entraînement restent votre propriété dans tous les cas, mais le modèle qui en résulte suit le régime prévu au contrat. Une agence qui organise son propre départ répond à ces questions sans hésiter.

‍