Comment intégrer l'IA en entreprise : ce modèle innovant s'impose en Europe

Plus de deux ans après l'avènement de ChatGPT, la question pour les dirigeants n'est plus de savoir s'il faut intégrer l’intelligence artificielle dans l’entreprise, mais comment structurer son déploiement pour créer une valeur concrète. Car entre les promesses d'augmentation de productivité et la réalité du terrain, l'écart reste considérable pour beaucoup d'organisations.

Dans son livre blanc "Comment passer la GenAI à l'échelle", qui a interrogé une trentaine de décideurs en Belgique, France et Espagne, Inetum a identifié trois modèles opérationnels distincts. Chacun présente ses avantages et inconvénients en matière de vitesse d'exécution et de gouvernance.

Trois modèles, trois philosophies

Le modèle centralisé concentre l'expertise technologique et maîtrise les coûts, mais génère un risque d'"IA fantôme" (shadow AI) : les équipes métiers, frustrées par la lenteur des services centraux, utilisent des outils non autorisés par leur DSI, comme ChatGPT, Claude ou Perplexity.

À l'inverse, le modèle décentralisé favorise la verticalisation et raccourcit les délais de mise sur le marché. Mais cette approche multiplie les risques de duplication entre départements qui ne communiquent pas.

Le modèle fédéré combine les avantages des deux précédents : gestion locale des données par les équipes GenAI et pôle d'excellence pour centraliser les meilleures pratiques. Une approche qui séduit par son équilibre entre autonomie et coordination.

Pourquoi intégrer l’IA en entreprise avec le modèle fédéré ?

En France, la majorité des participants aux ateliers d'Inetum s'accordent sur la pertinence du modèle fédéré. "Le plus pragmatique et vertueux, avec un centre d'excellence qui centralise les meilleures pratiques, tout en laissant aux business units l'initiative de ne pas étouffer la créativité", témoigne un acteur du secteur de l'énergie.

Cette approche répond aux exigences contradictoires des organisations : maintenir une gouvernance rigoureuse tout en préservant la réactivité des équipes opérationnelles. Le centre d'excellence évite la duplication des efforts, tandis que l'autonomie locale stimule l'innovation.

Air Liquide Medical Systems illustre parfaitement cette philosophie. Lionel Genix, son directeur général, explique : "Le groupe Air Liquide définit les règles tout en laissant une certaine autonomie aux filiales pour mener à bien des projets spécifiques à leurs besoins. Si nous étions complètement centralisés, nous serions pénalisés par les délais d'obtention des services."

Les enjeux transversaux incontournables

Quel que soit le modèle choisi, trois considérations s'imposent à toutes les entreprises : sécurité, environnement et conformité.

La sécurité et souveraineté représentent des enjeux non négociables. La GenAI manipule des données sensibles, et les failles de sécurité peuvent avoir des conséquences dramatiques. 

L'impact environnemental préoccupe de plus en plus. L'entraînement et l’utilisation des grands modèles de langage est un gouffre environnemental. Beaucoup de chercheurs travaillent sur le concept d’IA “frugales”. "J'espère que le processus ralentira un peu en raison de la prise de conscience de la consommation d'énergie", confie Bruno Prévost chez Thales.

Enfin, la conformité réglementaire complexifie la donne. Entre RGPD, AI Act et autres contraintes légales, les entreprises doivent naviguer dans un environnement juridique dense. AG2R La Mondiale a ainsi mis en place "un comité de gouvernance réunissant la conformité, le juridique et le RSSI pour filtrer les cas d'usage", précise Stéphane Lapierre.

Face à ces contraintes, il est important de mettre au point des chartes et plans d’actions clairs, tout en choisissant des partenaires fiables. Une autre solution consiste à se passer des géants américains et à privilégier les modèles locaux, ouverts et open source. En disposant de sa propre IA sur des serveurs locaux, les entreprises s’assurent un contrôle sur leurs données, réduisent leur dépendance et peuvent mieux gérer la consommation énergétique de leurs modèles.

Téléchargez le livre blanc « Comment passer la GenAI à l'échelle »