Les fondamentaux
Comprendre l’intelligence artificielle
À qui s’adresse ce guide ?
Aux responsables formation et RH, DSI, RSSI, responsables Data, managers, chefs de projet, équipes IT et plus largement aux organisations qui souhaitent comprendre les enjeux de l’intelligence artificielle, identifier les compétences à développer et structurer la montée en compétences de leurs collaborateurs.
À retenir
- Distinguer IA, Machine Learning, Deep Learning et IA générative, et savoir où se situent les LLM.
- Identifier les briques technologiques utiles à un besoin : prompting, RAG, agents, Fine-Tuning, MLOps.
- Qualifier un cas d’usage sur la valeur, les données, la faisabilité, le risque et l’adoption.
- Encadrer les usages : sécurité, protection des données, gouvernance et supervision humaine.
- Cartographier les compétences par profil et organiser des cursus introductif, intermédiaire et avancé.
- Construire un plan de formation IA en dix étapes, du diagnostic au suivi dans le temps.
Le fil conducteur du guide
Comprendre l’IA → découvrir les technologies → identifier les usages → construire un projet → maîtriser les risques → cartographier les compétences → organiser les cursus et la montée en compétences → construire le plan de formation.
L’intelligence artificielle en entreprise : de quoi parle-t-on vraiment ?
L’intelligence artificielle n’est plus un sujet réservé aux laboratoires de recherche ou aux entreprises technologiques. Elle entre désormais dans les outils bureautiques, les environnements de développement, les applications métiers, les plateformes de Data, les solutions de cybersécurité et les processus de décision. Pour les entreprises, la question n’est donc plus seulement de savoir s’il faut s’intéresser à l’IA, mais de déterminer où elle crée réellement de la valeur, comment l’intégrer de manière responsable et quelles compétences développer pour en tirer parti.
La difficulté vient du fait que le terme « intelligence artificielle » recouvre des réalités très différentes : Machine Learning, Deep Learning, modèles de langage, IA générative, RAG, agents, MLOps, Computer Vision… À cela s’ajoutent les enjeux de sécurité, de gouvernance, de réglementation et d’accompagnement du changement. Une organisation peut rapidement multiplier les expérimentations sans disposer d’une vision claire des compétences nécessaires ni d’un plan de formation cohérent.
Ce guide a pour objectif de donner des repères concrets. Il permet de comprendre l’écosystème de l’IA, d’identifier les principaux usages en entreprise, de distinguer les technologies, de cartographier les profils concernés et de construire une démarche de montée en compétences adaptée aux besoins de l’organisation.
Une lecture pensée pour plusieurs niveaux
Chaque notion est d’abord expliquée avec des mots accessibles, puis approfondie lorsque le mécanisme technique aide à mieux comprendre les choix d’architecture, les limites ou les compétences nécessaires. Un responsable formation peut ainsi suivre le fil principal du guide, tandis qu’un développeur, un architecte, un Data Scientist ou un expert cybersécurité peut aller plus loin dans les repères techniques sans changer de ressource.
Qu’est-ce que l’intelligence artificielle ?
L’intelligence artificielle désigne un ensemble de méthodes et de technologies capables d’exécuter des tâches qui nécessitent habituellement certaines capacités humaines : reconnaître des formes, comprendre du langage, classer des informations, faire des prédictions, générer du contenu ou proposer une décision. Il ne s’agit pas d’une technologie unique, mais d’un vaste domaine qui rassemble plusieurs familles d’approches.
Dans une entreprise, l’IA peut être intégrée directement dans un logiciel du marché, appelée via une API, entraînée à partir de données internes ou combinée à des moteurs de recherche et des systèmes documentaires. Le niveau de complexité varie fortement selon l’objectif : résumer un document avec un assistant génératif ne demande pas les mêmes compétences que construire un modèle prédictif ou déployer un système de reconnaissance d’images en production.
Comment fonctionne une intelligence artificielle ?
La plupart des systèmes d’IA modernes reposent sur des modèles capables de détecter des relations dans les données. Lors de la phase d’apprentissage, le modèle ajuste ses paramètres à partir d’exemples afin de produire ensuite une prédiction, une classification ou une génération sur de nouvelles données. Plus le problème est complexe, plus la qualité des données, le choix du modèle, la puissance de calcul et l’évaluation deviennent déterminants.
Trois notions sont donc essentielles :
- Les données, qui alimentent le système.
- Le modèle, qui représente les relations apprises.
- Les règles d’évaluation, qui permettent de vérifier que les résultats répondent réellement au besoin métier.
Dans un projet d’entreprise, il faut y ajouter la sécurité, la supervision humaine, l’intégration au système d’information et le suivi dans le temps.
Repère technique : entraînement et inférence
On distingue généralement l’entraînement de l’inférence. Pendant l’entraînement, un algorithme ajuste les paramètres du modèle pour réduire une erreur mesurée sur des exemples. Pendant l’inférence, le modèle déjà entraîné reçoit une nouvelle entrée et produit un résultat. Dans un projet classique de Machine Learning, les données sont souvent séparées en jeux d’entraînement, de validation et de test afin d’éviter de mesurer la qualité du modèle sur les mêmes exemples que ceux utilisés pour l’apprendre.
Selon le problème, l’apprentissage peut être supervisé (chaque exemple possède une cible connue, comme « fraude » ou « non-fraude »), non supervisé (on cherche des structures sans étiquette préalable), ou auto-supervisé, approche très utilisée pour les grands modèles de fondation. L’important pour l’entreprise est de comprendre que la qualité d’un modèle dépend autant de la représentation du problème, des données et des métriques choisies que de l’algorithme lui-même.
IA, Machine Learning, Deep Learning et IA générative : quelles différences ?
L’intelligence artificielle est le terme le plus large. Le Machine Learning en est une sous-catégorie : les systèmes apprennent à partir de données plutôt que d’être entièrement décrits par des règles programmées. Le Deep Learning est lui-même une famille du Machine Learning fondée sur des réseaux de neurones comportant de nombreuses couches. Il est particulièrement utilisé pour l’image, la voix, le langage et d’autres données complexes.
L’IA générative désigne des modèles capables de produire de nouveaux contenus : texte, images, code, son ou combinaisons de plusieurs formats. Les grands modèles de langage, ou LLM, constituent l’une des technologies majeures de cette génération d’outils. Un même projet peut combiner plusieurs de ces approches : par exemple un modèle de langage associé à un système de recherche documentaire et à des règles métier.
Repère technique : une hiérarchie, pas quatre technologies concurrentes
IA, Machine Learning et Deep Learning s’emboîtent : le Deep Learning appartient au Machine Learning, qui appartient lui-même au champ plus large de l’IA. L’IA générative décrit plutôt une capacité (générer du contenu) qui peut s’appuyer sur le Deep Learning. Cette distinction évite un malentendu fréquent : choisir entre « IA » et « Machine Learning » n’a pas réellement de sens sans préciser le besoin et le type de modèle envisagé.
Qu’est-ce qu’un LLM ?
Un LLM, pour Large Language Model, est un modèle entraîné sur de grandes quantités de textes afin d’apprendre les régularités du langage. Il peut produire, transformer, résumer ou analyser du texte à partir d’instructions formulées en langage naturel. Les LLM sont à la base de nombreux assistants génératifs et peuvent également être intégrés à des applications métiers via des API.
Pour l’entreprise, leur intérêt ne se limite pas à la génération de contenu. Ils peuvent faciliter la recherche dans une base documentaire, l’analyse de contrats, l’assistance au développement, la préparation de réponses, la synthèse de données textuelles ou encore l’automatisation de certaines étapes d’un processus.
Repère technique : comment un LLM génère du texte
Un LLM découpe d’abord le texte en unités appelées tokens. Ces tokens sont transformés en représentations numériques, puis traités par une architecture de type Transformer. Le mécanisme d’attention permet au modèle de pondérer les éléments du contexte utiles pour prédire la suite. À chaque étape, le modèle calcule une distribution de probabilités sur les prochains tokens possibles et en sélectionne un selon les paramètres de génération. Cette mécanique explique pourquoi une réponse peut être fluide sans être factuellement correcte : le modèle optimise la cohérence de la séquence produite, pas une vérification automatique de la vérité.
La « fenêtre de contexte » correspond à la quantité d’information que le modèle peut prendre en compte lors d’un appel. Plus elle est grande, plus on peut fournir de documents ou d’historique, mais le coût, la latence et la capacité à retrouver l’information réellement utile restent à surveiller. Pour les applications professionnelles, le contexte doit donc être sélectionné et structuré, pas simplement rempli au maximum.
Pourquoi l’IA connaît-elle une accélération aussi importante ?
Plusieurs facteurs se combinent : l’augmentation des capacités de calcul, la disponibilité de volumes de données importants, les progrès des architectures de modèles et surtout la simplification de l’accès aux outils. L’IA générative a rendu visibles des capacités auparavant réservées à des spécialistes. Un utilisateur métier peut désormais interagir avec un modèle en langage naturel, tandis qu’un développeur peut intégrer des fonctions d’IA dans une application sans entraîner lui-même un modèle de fondation.
Quelle place occupe aujourd’hui l’IA dans l’entreprise ?
Dans la plupart des organisations, l’IA se développe simultanément à plusieurs niveaux. Les collaborateurs utilisent des assistants pour gagner du temps ; les équipes IT intègrent des services d’IA dans des applications ; les métiers expérimentent de nouveaux processus ; les directions Data industrialisent des modèles ; les RSSI et les directions juridiques renforcent les règles d’usage. L’enjeu est donc moins de lancer une initiative isolée que d’organiser l’ensemble de ces pratiques dans un cadre cohérent.
À retenir
La réussite d’une démarche IA dépend autant des compétences, des usages et de la gouvernance que des modèles eux-mêmes. La technologie n’est qu’une partie de l’équation.
Voir les formations d’acculturation à l’IA →Comprendre l’écosystème
Les grandes technologies de l’intelligence artificielle
L’écosystème de l’IA évolue rapidement et les termes peuvent se multiplier. Pour construire un parcours de formation pertinent, il est utile de distinguer les principales briques technologiques et leur rôle.
Machine Learning
Le Machine Learning permet à un système d’apprendre à partir de données afin de prédire une valeur, classer un élément, détecter une anomalie ou identifier des groupes. Il peut être utilisé pour la prévision de demande, la détection de fraude, la maintenance prédictive, la recommandation ou l’analyse de comportements. Les compétences nécessaires couvrent généralement la préparation des données, les algorithmes, l’évaluation des modèles et leur mise en production.
Repère technique : variables, cible et généralisation
Dans un problème supervisé, les données sont décrites par des variables d’entrée (souvent appelées features) et une cible à prédire. Un algorithme ajuste un modèle en minimisant une fonction de perte. Une régression peut prédire une valeur continue ; un classifieur peut attribuer une catégorie ; un modèle de ranking peut ordonner des résultats. L’objectif n’est pas de mémoriser le jeu d’entraînement, mais de généraliser à de nouvelles données.
L’évaluation dépend du cas d’usage. L’accuracy peut être trompeuse lorsque les classes sont déséquilibrées ; on utilise alors des métriques comme précision, rappel, F1 ou AUC. Pour une prévision, on s’intéresse plutôt à des erreurs absolues ou quadratiques. Cette étape est directement métier : le coût d’un faux positif n’est pas toujours le même que celui d’un faux négatif.
Deep Learning
Le Deep Learning s’appuie sur des réseaux de neurones profonds. Il est particulièrement adapté aux problèmes où les données sont nombreuses et complexes : images, sons, texte, vidéo. Il est au cœur de nombreuses avancées récentes en reconnaissance d’images, traitement du langage et IA générative. Son utilisation demande généralement une maîtrise plus poussée de la modélisation, du calcul et des frameworks spécialisés.
Repère technique : réseaux de neurones et rétropropagation
Un réseau de neurones est composé de couches qui transforment progressivement une entrée en représentation utile pour la tâche. Lors de l’entraînement, la propagation avant calcule la sortie ; une fonction de perte mesure l’écart attendu ; la rétropropagation calcule comment chaque paramètre contribue à cette erreur ; un optimiseur, comme une variante de descente de gradient, met ensuite les poids à jour. Répété sur de nombreux exemples, ce processus permet au réseau d’apprendre des représentations de plus en plus abstraites.
Les architectures varient selon les données : les réseaux convolutifs ont longtemps dominé l’image, tandis que les Transformers se sont imposés dans le langage et gagnent aussi du terrain en vision et multimodal. L’entraînement de grands réseaux demande souvent des GPU ou accélérateurs spécialisés, mais leur utilisation en inférence peut être optimisée grâce à la quantification, au batching ou à des modèles plus compacts.
IA générative
L’IA générative produit de nouveaux contenus à partir d’une instruction ou d’un contexte. Dans l’entreprise, elle est utilisée pour rédiger, reformuler, synthétiser, rechercher, coder, analyser ou générer des supports. Son adoption rapide impose cependant des règles claires sur la confidentialité, la validation des résultats et les données qui peuvent être transmises aux outils.
Repère technique : génération probabiliste
Un modèle génératif ne récupère pas nécessairement une réponse stockée : il construit une sortie étape par étape à partir des probabilités apprises pendant l’entraînement. Des paramètres de décodage, comme la température ou le top-p, modifient le degré de variété de la génération. Pour un usage professionnel qui exige de la reproductibilité, on privilégie généralement des réglages plus contrôlés, des formats de sortie structurés et des tests sur un jeu de cas représentatifs.
Prompt Engineering
Le Prompt Engineering consiste à structurer les instructions adressées à un modèle génératif afin d’obtenir des résultats plus fiables, précis et réutilisables. Il ne s’agit pas seulement de « bien poser une question » : il faut savoir définir le rôle, le contexte, le format attendu, les contraintes, les exemples et les critères de qualité. Dans un cadre professionnel, le prompting devient particulièrement intéressant lorsqu’il est standardisé et intégré à un processus.
Repère technique : du prompt libre au contrat d’interface
Dans une application, le prompt peut être construit en plusieurs couches : instructions système, demande utilisateur, contexte documentaire, exemples et contraintes de format. Le few-shot prompting fournit quelques exemples attendus ; les sorties structurées imposent un schéma JSON ou équivalent ; le tool calling permet au modèle de demander l’exécution d’une fonction plutôt que d’inventer une action. Plus le prompt devient un composant logiciel, plus il doit être versionné, testé et observé comme du code.
LLM
Les LLM sont des modèles spécialisés dans le langage. Ils comprennent et génèrent des séquences de texte et peuvent être utilisés directement via des assistants ou intégrés à des applications. Leur efficacité dépend notamment du contexte fourni, de la qualité des instructions, du modèle choisi, des garde-fous et de l’évaluation des réponses.
Repère technique : Transformer, attention et paramètres
La plupart des LLM modernes reposent sur l’architecture Transformer. Chaque token est représenté par un vecteur, puis transformé au fil des couches. L’attention met en relation les tokens du contexte afin de calculer quelles informations doivent peser dans la représentation courante. Les milliards de paramètres évoqués pour certains modèles correspondent aux valeurs numériques apprises pendant l’entraînement ; ils ne sont pas une base documentaire consultable mot à mot.
L’inférence d’un LLM a un coût lié au nombre de tokens d’entrée et de sortie, à la taille du modèle et à l’infrastructure. Les choix d’architecture doivent donc arbitrer qualité, latence, confidentialité et coût. Un modèle plus petit peut être préférable pour une tâche étroite, répétitive et bien évaluée.
RAG
Le RAG, pour Retrieval-Augmented Generation, combine un modèle génératif avec une recherche dans des sources documentaires. Au lieu de demander au modèle de répondre uniquement à partir de ses connaissances générales, l’application récupère d’abord des informations pertinentes dans une base de documents puis les fournit au modèle. Cette architecture est particulièrement utile pour les assistants internes, les bases de connaissances et les applications qui doivent s’appuyer sur des informations propres à l’entreprise.
Repère technique : le pipeline d’un RAG
Un RAG comporte généralement deux phases. À l’ingestion, les documents sont extraits, découpés en fragments (chunks), enrichis de métadonnées, transformés en embeddings puis indexés. À la requête, la question est elle aussi transformée en vecteur ; un moteur recherche les fragments les plus proches, éventuellement complétés par une recherche lexicale et un reranking ; les passages retenus sont injectés dans le contexte du LLM, qui génère la réponse.
La qualité du RAG dépend rarement du seul modèle de langage. Le découpage des documents, les métadonnées, les droits d’accès, la qualité de l’index, la stratégie de recherche et le reranking ont souvent un impact majeur. Un RAG peut réduire les hallucinations et faciliter la citation des sources, mais il ne les élimine pas : il faut tester à la fois la qualité du retrieval et celle de la génération.
Agents IA
Un agent IA est un système capable d’utiliser un modèle pour déterminer des actions, appeler des outils, consulter des données et enchaîner plusieurs étapes en fonction d’un objectif. Les agents ouvrent des perspectives d’automatisation plus avancées que le simple chatbot. Ils nécessitent toutefois des garde-fous, des droits d’accès maîtrisés, de la traçabilité et une supervision adaptée.
Repère technique : boucle agentique et outils
Un agent combine généralement un modèle, un état de travail et un ensemble d’outils autorisés : recherche, API métier, base de données, création de ticket, envoi de message, exécution de code, etc. Le modèle choisit une action, l’application exécute l’outil, renvoie le résultat au modèle, puis la boucle se poursuit jusqu’à une condition d’arrêt. Cette capacité augmente la valeur potentielle mais aussi le niveau de risque, car une erreur peut déclencher une action réelle.
Pour un agent en production, on limite les permissions au strict nécessaire, on valide les paramètres d’outils, on impose des budgets de temps ou d’étapes, on journalise les décisions et on prévoit des validations humaines pour les actions sensibles. Les workflows déterministes restent souvent préférables lorsqu’un processus peut être décrit de façon stable sans laisser le modèle décider de chaque étape.
Fine-Tuning
Le Fine-Tuning consiste à adapter un modèle existant à partir d’un jeu d’exemples afin de modifier son comportement ou de le spécialiser. Il ne répond pas au même besoin qu’un RAG : le RAG apporte des connaissances à partir de documents, tandis que le Fine-Tuning agit davantage sur le comportement ou la spécialisation du modèle. Le choix entre prompting, RAG et Fine-Tuning dépend du cas d’usage, du volume de données, des exigences de qualité et du coût.
Repère technique : ajuster les poids du modèle
Le Fine-Tuning poursuit l’entraînement d’un modèle sur un corpus ciblé. Un ajustement complet modifie un grand nombre de poids ; des approches de type PEFT, dont LoRA, n’entraînent qu’un petit nombre de paramètres additionnels et réduisent les besoins de calcul. Les jeux d’exemples doivent être soigneusement préparés : un mauvais dataset peut spécialiser le modèle dans la mauvaise direction ou dégrader des capacités utiles.
Le Fine-Tuning n’est pas le meilleur moyen d’injecter des informations qui changent souvent. Pour des procédures, tarifs ou documents mis à jour régulièrement, un RAG est généralement plus maintenable. Le Fine-Tuning est plus adapté à un style, un format de réponse, un vocabulaire spécialisé ou un comportement récurrent difficile à obtenir uniquement par prompting.
Computer Vision
La Computer Vision permet d’analyser des images et des vidéos : classification, détection d’objets, reconnaissance de caractères, contrôle qualité, analyse de scènes ou extraction d’informations visuelles. Elle est utilisée dans l’industrie, la santé, le retail, la sécurité, les services documentaires et de nombreux autres secteurs.
Repère technique : classification, détection et segmentation
Les tâches de vision ne demandent pas le même type de sortie. La classification attribue une étiquette à une image ; la détection localise plusieurs objets avec des boîtes ; la segmentation produit une classe au niveau des pixels ; l’OCR extrait du texte. Les modèles peuvent s’appuyer sur des réseaux convolutifs ou des Vision Transformers. En production, la qualité dépend fortement des conditions réelles : éclairage, angle, résolution, dérive des équipements ou diversité des objets.
MLOps
Le MLOps transpose aux projets de Machine Learning des pratiques d’industrialisation proches de celles du DevOps. Il couvre notamment la gestion des données et modèles, l’automatisation des déploiements, le suivi des performances, la reproductibilité et la supervision. Il devient essentiel lorsqu’un modèle doit fonctionner durablement en production.
Repère technique : cycle de vie et dérive
Une chaîne MLOps peut versionner le code, les données et les modèles ; automatiser l’entraînement et les tests ; enregistrer les artefacts dans un model registry ; déployer par étapes ; puis suivre les métriques d’usage et de qualité. Le monitoring doit détecter non seulement les pannes, mais aussi le data drift (les données d’entrée changent) ou le concept drift (la relation entre entrées et résultat cible évolue).
Pour les applications LLM, on parle aussi de LLMOps : suivi des prompts, versions de modèles, coûts, latence, traces de génération, évaluations et feedback utilisateur. Les principes restent proches : rendre le comportement observable, reproductible et contrôlable dans le temps.
Knowledge Management et IA
L’IA peut renforcer la gestion des connaissances en facilitant la recherche, la synthèse, la classification et l’accès à l’information interne. Associée à un RAG ou à des outils de recherche sémantique, elle peut transformer une base documentaire en assistant capable d’aider les collaborateurs à retrouver plus rapidement une procédure, une référence, un retour d’expérience ou une information métier.
Repère technique : recherche hybride et droits d’accès
Une application de Knowledge Management efficace combine souvent recherche lexicale et recherche vectorielle. La première est précise sur les mots-clés, références ou identifiants ; la seconde retrouve des contenus proches par le sens. Les métadonnées (source, date, métier, niveau de confidentialité) servent à filtrer et à améliorer le classement. Surtout, le moteur doit appliquer les droits de l’utilisateur au moment de la recherche afin qu’un assistant ne révèle jamais un document auquel la personne n’aurait pas accès directement.
Choisir la bonne technologie
Un cas d’usage ne nécessite pas toujours la solution la plus complexe. Une bonne démarche commence par le besoin métier, puis choisit la technologie et le niveau d’expertise réellement nécessaires.
Explorer les formations par technologie →Passer de la technologie à la valeur
Identifier les usages de l’IA en entreprise
Les cas d’usage constituent le point de rencontre entre les capacités techniques de l’IA et les besoins réels de l’organisation. Une même technologie peut répondre à des objectifs très différents selon le métier, le niveau de risque et le système d’information. Cette partie présente les grandes familles d’usages sans réduire l’IA à une simple liste d’outils.
3.1 Automatiser et améliorer la productivité
Les assistants d’IA générative peuvent accélérer la rédaction, la synthèse, la préparation de réunions, la recherche d’information, la traduction ou la production de premières versions de livrables. À un niveau plus avancé, l’IA peut être intégrée à des workflows pour enchaîner plusieurs opérations : extraire des informations, classifier une demande, générer un document, créer une tâche ou alimenter un outil métier.
Repère technique : du copilote au workflow automatisé
Un assistant répond à une requête dans un contexte donné. Un workflow automatisé orchestre plusieurs étapes déterministes et peut appeler un LLM au moment utile. Un système agentique ajoute davantage d’autonomie : le modèle peut choisir parmi des outils autorisés, planifier des actions et exploiter leur résultat. Plus on augmente l’autonomie, plus les contrôles, permissions, journaux d’exécution et mécanismes de validation deviennent importants.
3.2 Exploiter et enrichir les données
L’IA permet de prédire, classer, détecter des anomalies, segmenter des populations, extraire des informations de documents ou explorer des données non structurées. Les approches de Machine Learning restent centrales pour les cas prédictifs, tandis que les LLM et les embeddings ouvrent de nouveaux usages sur les textes, comptes rendus, tickets, contrats ou bases de connaissances.
Repère technique : données structurées et non structurées
Sur des données tabulaires, un modèle supervisé peut apprendre à partir de variables explicatives et d’une cible connue. Sur des contenus non structurés, on peut combiner extraction, embeddings, recherche vectorielle et modèle de langage. Le choix dépend du type de signal recherché : prédire un résultat, retrouver un passage, résumer un corpus ou produire une réponse argumentée.
3.3 Transformer la relation client et l’accès à l’information
Les assistants conversationnels peuvent aider les équipes support, qualifier une demande, proposer une réponse ou faciliter l’accès à une documentation complexe. Dans un contexte B2B, l’enjeu n’est pas seulement de générer du texte : il faut fournir une réponse cohérente avec les sources, les règles commerciales, les droits d’accès et le niveau de service attendu.
Repère technique : appuyer la réponse sur les sources
Un RAG peut par exemple rechercher les passages pertinents dans une base documentaire avant de les fournir au LLM. Cette architecture réduit la dépendance aux connaissances internes du modèle, mais elle impose de travailler la qualité des documents, l’indexation, les métadonnées, le filtrage par droits et l’évaluation des réponses.
3.4 Augmenter les équipes IT et le développement logiciel
Les développeurs utilisent l’IA pour générer ou expliquer du code, produire des tests, documenter une API, analyser une erreur ou accélérer certaines tâches de maintenance. Les équipes techniques peuvent également intégrer directement des modèles dans leurs applications pour créer des assistants, des moteurs de recherche augmentés, des outils de classification ou des agents.
Repère technique : l’IA ne remplace pas l’ingénierie logicielle
Une application basée sur un LLM doit toujours gérer des sujets classiques d’ingénierie : authentification, autorisation, gestion des erreurs, tests, versioning, observabilité, performance, coût et sécurité. À ces briques s’ajoutent des problématiques propres aux modèles : contexte, prompts, évaluation, hallucinations, variabilité des sorties et dépendance au fournisseur.
3.5 Renforcer certains usages de cybersécurité
L’IA peut assister l’analyse d’alertes, la synthèse d’incidents, la classification de messages, la recherche dans une base de connaissance sécurité ou la production de premiers éléments de remédiation. Elle peut aussi être utilisée par des attaquants pour accélérer l’ingénierie sociale, la génération de contenus trompeurs ou certaines phases d’attaque. Les équipes cyber doivent donc maîtriser à la fois les usages défensifs et les nouveaux risques.
3.6 Transformer les fonctions métier
Les fonctions RH peuvent utiliser l’IA pour préparer des contenus, analyser des corpus ou faciliter l’accès à l’information interne ; la finance pour synthétiser des documents, assister l’analyse ou automatiser certaines tâches ; le marketing et le commerce pour produire, personnaliser et analyser des contenus ; le juridique pour explorer des documents ; les fonctions support pour traiter plus rapidement des demandes récurrentes.
La pertinence d’un usage dépend toutefois du niveau de fiabilité nécessaire. Un brouillon marketing peut tolérer une validation humaine simple ; une décision financière, juridique ou RH sensible exige des contrôles plus stricts, une traçabilité adaptée et parfois l’interdiction d’automatiser certaines étapes.
3.7 De l’idée au cas d’usage IA pertinent
Toutes les opportunités offertes par l’IA ne justifient pas un projet. Un bon cas d’usage combine une valeur métier identifiable, un volume ou une fréquence suffisants, des données disponibles, une faisabilité technique réaliste et un niveau de risque compatible avec l’organisation. Il faut également comparer le gain attendu au coût de construction, d’intégration, de supervision et de changement des pratiques.
Réflexe utile
Partir du processus et du problème à résoudre, puis choisir la technologie. L’IA est un moyen : la valeur attendue et les conditions d’usage doivent rester le point de départ.
Identifier les compétences nécessaires au cas d’usage →Construire et industrialiser
Comment construire et déployer un projet IA ?
Une démonstration convaincante ne suffit pas à créer un service fiable. Le passage à la production oblige à articuler besoin métier, données, architecture, sécurité, coûts, évaluation et exploitation. Les projets IA les plus solides sont traités comme des produits numériques : ils disposent d’objectifs mesurables, d’un propriétaire, d’un cycle de vie et d’une boucle d’amélioration.
4.1 Cadrer le besoin et définir une référence
Avant de choisir un modèle, il faut décrire le processus actuel, les utilisateurs, les données disponibles, les contraintes et le résultat attendu. Une référence (ou baseline) permet de mesurer si l’IA apporte réellement un progrès :
- Temps moyen de traitement
- Taux d’erreur
- Qualité d’une classification
- Taux de résolution
- Coût par dossier
- Satisfaction utilisateur
4.2 Acheter une solution ou développer une application ?
Une solution SaaS peut répondre rapidement à un besoin standard et réduire l’effort de maintenance. Une application spécifique apporte davantage de contrôle sur les interfaces, les données, les règles métier et l’expérience utilisateur. Le choix doit intégrer le coût total, la dépendance fournisseur, les exigences de sécurité, les capacités d’intégration et la vitesse de mise sur le marché.
4.3 Choisir un modèle et une plateforme
Le modèle le plus puissant n’est pas automatiquement le meilleur choix. Les critères incluent la qualité sur les tâches réelles, la latence, le coût, la taille de contexte, les langues, les capacités multimodales, les garanties contractuelles, la localisation des traitements et les possibilités de supervision. Pour les modèles open source, il faut aussi intégrer l’infrastructure et les compétences d’exploitation.
Repère technique : construire un benchmark métier
Un benchmark utile repose sur un jeu d’évaluation représentatif : cas fréquents, cas difficiles, données ambiguës, formats longs et situations à risque. Chaque modèle est testé avec les mêmes prompts, le même contexte et les mêmes critères. On compare ensuite qualité, stabilité, latence et coût plutôt que de s’appuyer uniquement sur des benchmarks publics.
4.4 Prompt Engineering, RAG ou Fine-Tuning : quelle approche choisir ?
Le Prompt Engineering est généralement le premier levier : clarifier les instructions, fournir les informations utiles et imposer un format de sortie. Le RAG devient pertinent lorsque l’application doit s’appuyer sur des connaissances internes ou fréquemment mises à jour. Le Fine-Tuning intervient plutôt lorsqu’il faut adapter durablement un comportement, un style ou une tâche à partir d’exemples. Ces approches peuvent se combiner.
4.5 Intégrer l’IA au système d’information
L’intégration doit traiter les identités, les droits d’accès, les API, les sources de données, les systèmes métiers, les journaux, le stockage et la supervision. Une application IA ne doit pas contourner les règles du SI sous prétexte qu’elle est expérimentale.
Repère technique : composants d’une architecture d’entreprise
Une architecture peut combiner IAM, backend d’orchestration, passerelle de modèles, stockage de conversations, moteur de recherche ou base vectorielle, outils métiers, système d’observabilité et couche de contrôle. Les appels au modèle peuvent être isolés derrière une interface commune afin de changer de fournisseur, appliquer des politiques de sécurité et centraliser la mesure des coûts.
4.6 Passer du POC à la production
Un POC cherche d’abord à démontrer la faisabilité et la valeur. La production exige davantage :
- Des données propres et des droits d’accès cohérents.
- La gestion des cas limites et des procédures de reprise.
- Des niveaux de service et un support identifiés.
- Des responsabilités attribuées et une documentation à jour.
Il est utile de limiter le périmètre initial, mesurer les résultats puis étendre progressivement aux populations ou processus supplémentaires.
4.7 Évaluer la qualité d’un système IA
La qualité technique doit être reliée au résultat métier. Selon le système, on peut suivre précision, rappel, taux de réponses correctes, qualité des citations, respect du format, taux de refus, taux de résolution, temps de traitement ou appréciation humaine. Pour une application générative, plusieurs métriques sont souvent nécessaires car une réponse peut être fluide mais factuellement incorrecte.
Repère technique : évaluation continue
On constitue un jeu d’évaluation versionné, puis on rejoue les tests lors d’un changement de prompt, de modèle, de corpus ou de pipeline. Cette pratique rapproche l’IA de l’ingénierie logicielle : une modification ne doit pas être mise en production sans vérifier qu’elle n’a pas dégradé d’autres cas.
4.8 Préparer le passage à l’échelle
Une application utilisée par dix personnes et une application utilisée par plusieurs milliers de collaborateurs n’ont pas les mêmes contraintes. Il faut anticiper les quotas, la latence, la concurrence des requêtes, le coût des tokens, la résilience, le cache, les files d’attente et la capacité des systèmes connectés.
4.9 Exploiter, superviser et faire évoluer
Le projet continue après sa mise en production. Les modèles, données, corpus documentaires et usages évoluent. L’organisation doit suivre les incidents, la qualité, les coûts, les comportements inattendus et les nouvelles versions. Pour les modèles prédictifs, le MLOps aide à gérer le cycle de vie et les dérives ; pour les applications LLM, on parle souvent de LLMOps pour l’observabilité, les évaluations, le versioning des prompts et la supervision des chaînes RAG ou agentiques.
Point clé
Industrialiser un projet IA, c’est transformer une expérimentation en service mesurable, sécurisé et exploitable dans le temps. La qualité du modèle n’est qu’une composante de la réussite.
Identifier les compétences techniques nécessaires →Maîtriser les risques
Sécurité, gouvernance et IA responsable
L’adoption de l’IA doit être accompagnée d’un cadre clair. Les risques ne sont pas uniquement techniques : ils concernent aussi la confidentialité, la conformité, la qualité des décisions, la propriété intellectuelle, la sécurité des données et la responsabilité des utilisateurs.
Quels sont les principaux risques liés à l’IA ?
- Hallucinations et erreurs : un modèle peut produire une réponse plausible mais incorrecte.
- Biais : les résultats peuvent reproduire ou amplifier des biais présents dans les données ou les usages.
- Confidentialité : des informations sensibles peuvent être exposées si les règles d’utilisation sont insuffisantes.
- Cybersécurité : l’IA crée de nouvelles surfaces d’attaque et peut aussi renforcer certaines attaques existantes.
- Propriété intellectuelle : les contenus fournis au modèle et les résultats générés doivent être traités avec prudence.
- Dépendance et traçabilité : l’organisation doit pouvoir comprendre quels outils sont utilisés, par qui et dans quel cadre.
Comment sécuriser l’utilisation de l’IA générative en entreprise ?
La première étape consiste à définir les outils autorisés et les catégories d’informations qui peuvent ou non être saisies. Il faut ensuite gérer les identités et accès, sensibiliser les collaborateurs, encadrer l’usage des connecteurs et extensions, mettre en place des contrôles sur les applications internes et prévoir une procédure de validation pour les cas à fort impact.
Repère technique : défense en profondeur
La sécurité ne doit pas reposer sur le seul prompt système. Une application robuste contrôle l’identité de l’utilisateur, applique les permissions avant d’accéder aux données, filtre les outils disponibles, valide les paramètres transmis aux API et traite la sortie du modèle comme une donnée non fiable tant qu’elle n’a pas été validée. Les secrets ne doivent pas être présents dans les prompts ; les actions sensibles doivent être séparées de la génération et soumises à des règles déterministes ou à une approbation.
La prompt injection illustre cette logique : un document récupéré par un RAG peut contenir une instruction destinée au modèle, par exemple lui demander d’ignorer les règles précédentes. Comme le contenu externe n’est pas fiable, l’application doit limiter ce que le modèle peut faire, distinguer instructions et données autant que possible, et empêcher qu’une simple instruction textuelle donne accès à une ressource privilégiée.
Comment gouverner les usages de l’IA ?
Une gouvernance efficace attribue des responsabilités claires :
- Les métiers expriment le besoin et évaluent la valeur.
- La DSI maîtrise l’intégration au système d’information.
- Les équipes Data et IA apportent l’expertise technique.
- Le RSSI évalue les risques.
- Les fonctions juridiques et conformité traitent les obligations.
- Les RH et responsables formation accompagnent la montée en compétences.
Cette gouvernance doit rester proportionnée : tous les usages n’exigent pas le même niveau de contrôle.
Comment établir une politique d’utilisation de l’IA ?
Une politique d’usage doit être compréhensible par les collaborateurs. Elle peut préciser les outils autorisés, les données interdites, les règles de validation, les usages sensibles, les responsabilités et les canaux de support. Elle doit également être accompagnée de formations concrètes : une charte seule ne suffit pas si les utilisateurs ne savent pas reconnaître les situations à risque.
IA et protection des données
Les projets d’IA doivent respecter les règles applicables aux données personnelles et aux informations confidentielles. Il est essentiel de connaître les données utilisées, leur finalité, leur localisation, leur durée de conservation et les éventuels transferts vers des services externes. Les choix d’architecture et de fournisseurs ont donc un impact direct sur la conformité et la sécurité.
Repère technique : maîtriser le cycle de la donnée
Il faut distinguer les données envoyées à l’inférence, les journaux techniques, les documents indexés dans un RAG, les jeux d’évaluation et les éventuelles données d’entraînement. Chacune peut avoir une durée de conservation et des droits d’accès différents. Les mécanismes utiles incluent chiffrement, DLP, pseudonymisation, redaction de logs, séparation des environnements et contrôle des politiques de réutilisation des données par le fournisseur.
Que faut-il savoir sur l’AI Act ?
Le règlement européen sur l’intelligence artificielle introduit un cadre fondé notamment sur le niveau de risque des systèmes et sur le rôle des acteurs impliqués. Pour les entreprises, l’enjeu consiste à identifier les systèmes concernés, documenter les usages, répartir les responsabilités et adapter les contrôles aux obligations applicables. L’analyse doit être réalisée avec les fonctions juridiques, conformité et sécurité, en tenant compte des usages réels et de leur évolution.
Mise à jour réglementaire
Cadre réglementaire en cours de déploiement progressif. Cette sous-partie est revue à chaque grande échéance d’application et lors de nouvelles lignes directrices européennes. Elle ne constitue pas un conseil juridique : les obligations applicables doivent être vérifiées auprès des sources officielles (Commission européenne, CNIL) avec vos fonctions juridiques et conformité.
Qu’est-ce qu’une IA responsable ?
Une IA responsable cherche à concilier performance et maîtrise des impacts. Elle repose sur la qualité des données, la transparence adaptée au contexte, la sécurité, la protection des personnes, la capacité à expliquer ou justifier les décisions lorsque cela est nécessaire, et la possibilité de conserver une supervision humaine.
Repère technique : garder une boucle de contrôle
La supervision humaine ne signifie pas ajouter une validation manuelle partout. Elle consiste à décider où l’automatisation peut être complète, où un seuil de confiance ou une règle doit déclencher une revue, et où une décision ne peut pas être déléguée au modèle. Cette logique doit être reliée au niveau de risque, à la réversibilité de l’action et à la capacité de détecter une erreur après coup.
Quel rôle pour les DSI, RSSI et directions métiers ?
La DSI doit éviter une adoption fragmentée et non maîtrisée, sans pour autant bloquer l’innovation. Le RSSI apporte une lecture des risques, des accès et des données. Les métiers doivent rester responsables de la pertinence des usages. Le rôle du management est de créer un cadre dans lequel l’expérimentation est possible, mais avec des règles, des responsabilités et des compétences adaptées.
Point de vigilance
La sensibilisation des utilisateurs est un contrôle de sécurité à part entière. Former les équipes aux limites et bonnes pratiques de l’IA réduit les usages à risque et améliore la qualité des résultats.
Découvrir les formations IA, sécurité et gouvernance →Identifier les populations
Les métiers et profils concernés par l’IA
L’IA ne crée pas uniquement de nouveaux métiers spécialisés. Elle transforme également des fonctions existantes. La stratégie de formation doit donc distinguer les experts qui construisent les solutions, les professionnels qui les intègrent et les utilisateurs qui les exploitent au quotidien.
Les profils spécialisés
Les profils spécialisés conçoivent, entraînent, évaluent et industrialisent les modèles et applications d’IA.
- AI Engineer : conçoit et intègre des applications basées sur des modèles d’IA.
- Machine Learning Engineer : développe et industrialise des modèles prédictifs.
- Data Scientist : explore les données et construit des modèles d’analyse ou de prédiction.
- MLOps Engineer : automatise le déploiement, la supervision et le cycle de vie des modèles.
- Data Engineer : construit les pipelines et plateformes nécessaires à l’exploitation des données.
Les profils IT
Développeurs, architectes, DevOps, équipes Cloud et experts cybersécurité voient l’IA entrer directement dans leur environnement. Les développeurs intègrent des API et des agents, les architectes définissent les patterns d’intégration, les équipes Cloud opèrent les services et les RSSI doivent évaluer de nouveaux risques.
Les fonctions de pilotage
DSI, chefs de projet, Product Owners et managers doivent savoir arbitrer entre valeur métier, faisabilité, risques, coûts et adoption. Ils n’ont pas besoin du même niveau de maîtrise qu’un spécialiste, mais doivent comprendre suffisamment les technologies pour cadrer un projet, poser les bonnes questions et décider en connaissance de cause.
Les utilisateurs métier
RH, finance, marketing, commerciaux, fonctions support ou communication utilisent de plus en plus l’IA directement dans leurs outils. Leur priorité est de savoir identifier les tâches adaptées, formuler des instructions efficaces, vérifier les réponses et respecter les règles de sécurité et de confidentialité.
L’IA va-t-elle transformer tous les métiers ?
Tous les métiers ne seront pas transformés de la même manière, mais une grande partie des fonctions comportent des tâches susceptibles d’être assistées par l’IA. La question la plus utile n’est donc pas « quel métier va disparaître ? », mais « quelles tâches vont évoluer, quelles compétences deviennent plus importantes et quel niveau de maîtrise de l’IA est nécessaire pour chaque population ? »
Construire une cartographie
Quelles compétences IA développer et comment organiser la montée en compétences ?
Une stratégie de formation efficace ne cherche pas à rendre tous les collaborateurs experts en IA. Elle définit des niveaux de maîtrise différents selon les rôles, les usages, les responsabilités et la maturité des équipes. L’enjeu est donc double : cartographier les compétences à acquérir et organiser leur développement dans le temps, depuis l’acculturation jusqu’à l’expertise technique.
7.1 Les grandes familles de compétences
- Culture et compréhension de l’IA : vocabulaire, capacités, limites, risques et grands principes de fonctionnement.
- Utilisation des outils d’IA générative : choix des outils, méthodes de travail, contrôle des réponses et protection des informations.
- Prompt Engineering : formulation des instructions, contexte, exemples, contraintes et sorties structurées.
- Usages métier et automatisation : transformation d’un processus, orchestration de workflows et intégration dans les pratiques quotidiennes.
- Développement d’applications IA : API de modèles, RAG, agents, outils, tests et sécurité applicative.
- Data, Machine Learning et Deep Learning : préparation des données, modélisation, entraînement, évaluation et mise en production.
- Architecture, MLOps et LLMOps : industrialisation, observabilité, coûts, performance, versioning et cycle de vie.
- Sécurité, conformité et gouvernance : accès, confidentialité, risques modèles, AI Act et politiques d’usage.
- Pilotage et conduite du changement : qualification des cas d’usage, valeur métier, adoption, gouvernance et mesure des résultats.
7.2 Quelles compétences selon les profils ?
Le même sujet IA n’implique pas le même niveau de maîtrise pour un collaborateur métier, un manager, un développeur ou un RSSI. Une cartographie par profil permet d’éviter deux écueils : proposer un contenu trop technique à des utilisateurs qui n’en ont pas besoin, ou rester superficiel avec des équipes expertes qui doivent concevoir et exploiter des solutions.
7.3 Des cursus différents selon le niveau
La montée en compétences gagne à être organisée en cursus plutôt qu’en catalogue de formations indépendantes. Les intitulés exacts peuvent varier selon les publics, mais trois niveaux offrent une grille simple pour construire les parcours.
Repère technique : le niveau avancé ne se résume pas à « savoir utiliser un LLM »
Pour un profil technique, le niveau avancé implique de maîtriser une chaîne complète : choix et évaluation du modèle, gestion du contexte, sorties structurées, retrieval, droits d’accès, outils, tests, observabilité, coût et sécurité. Pour un expert métier, l’avancement se mesure autrement : capacité à redéfinir un processus, formaliser les règles de validation, construire des jeux de cas représentatifs et évaluer la qualité de l’IA dans son domaine.
7.4 Construire des parcours plutôt que des formations isolées
Une formation ponctuelle peut suffire pour un besoin précis. Lorsqu’une population doit réellement changer de niveau, un parcours progressif est plus robuste. Il permet de consolider les fondamentaux, mettre en pratique, puis approfondir les briques nécessaires au rôle.
7.5 L’ingénierie pédagogique pour déployer l’IA à grande échelle
Former quelques spécialistes et former plusieurs centaines ou milliers de collaborateurs sont deux projets différents. À grande échelle, le contenu pédagogique ne suffit plus : il faut concevoir un dispositif capable de segmenter les publics, maintenir une qualité homogène, suivre la progression et actualiser les compétences dans un domaine qui évolue vite.
- Diagnostiquer le niveau initial : mesurer la maturité, les usages existants, les compétences et les besoins métiers avant de constituer les groupes.
- Segmenter les populations : distinguer socle commun, utilisateurs réguliers, managers, référents IA, experts métiers et équipes techniques.
- Construire des cursus cohérents : articuler modules introductifs, formations métier, ateliers pratiques et parcours avancés selon les objectifs.
- Choisir les modalités de déploiement : présentiel, classe virtuelle, intra, parcours par cohortes, dispositifs hybrides ou formation de formateurs selon les volumes et contraintes.
- Organiser la formation de masse : standardiser le socle lorsque c’est pertinent tout en préservant des variantes métier et des espaces de pratique pour éviter une approche trop générique.
- Prévoir un suivi dans le temps : mises en pratique, retours d’expérience, sessions d’approfondissement, communautés internes, référents ou ambassadeurs IA.
- Mesurer l’efficacité : progression des compétences, adoption des outils, qualité des usages, cas d’usage réellement déployés et besoins complémentaires.
Principe de conception
Former largement ne signifie pas former uniformément. Un dispositif à grande échelle doit combiner un socle commun, des parcours différenciés et un suivi dans le temps.
Construire les parcours par population →Adapter les parcours
Quels collaborateurs faut-il former à l’intelligence artificielle ?
La réponse est rarement « tout le monde de la même manière ». Une entreprise peut donner un socle commun à une population large, puis concentrer des parcours plus approfondis sur les équipes qui utilisent, pilotent, intègrent ou sécurisent l’IA. Le principe directeur est simple : former largement lorsque l’IA touche les pratiques de travail, mais différencier fortement les objectifs et les niveaux.
Former l’ensemble des collaborateurs à l’IA
Un socle d’acculturation permet de comprendre ce que l’IA sait faire, ses limites, les règles d’usage et les bonnes pratiques. L’objectif n’est pas de transformer chaque salarié en expert, mais de créer un langage commun et de réduire les usages à risque.
Former les managers
Les managers doivent identifier les tâches et processus qui peuvent évoluer, évaluer la valeur, accompagner l’adoption et arbitrer les usages. Ils ont besoin d’une culture suffisante pour dialoguer avec les équipes techniques sans suivre nécessairement un cursus d’ingénieur IA.
Former les développeurs
Les développeurs ont deux besoins : utiliser l’IA pour accélérer certaines tâches et savoir intégrer des capacités IA dans les applications. Les parcours peuvent couvrir les assistants de code, les API LLM, le RAG, les agents, les tests, la sécurité et l’industrialisation.
Former les équipes Data
Les équipes Data doivent consolider ou compléter les compétences en Machine Learning, Deep Learning, qualité des données, évaluation et MLOps. Pour les équipes déjà matures, l’enjeu se déplace souvent vers l’IA générative, les architectures RAG, les modèles de fondation et le LLMOps.
Former les équipes cybersécurité
Les équipes cyber doivent comprendre les risques liés aux modèles, prompts, données, agents et applications basées sur l’IA. Elles doivent également savoir évaluer les nouveaux contrôles à mettre en place et les usages défensifs de l’IA.
Former la DSI
La DSI doit disposer d’une vision transverse : architecture, sélection des services, intégration, coûts, sécurité, gouvernance, exploitation et conduite de l’adoption. Les parcours peuvent associer décideurs, architectes, responsables Cloud et équipes d’exploitation.
Former les fonctions métier
Les formations métier doivent partir de situations de travail réelles. Elles peuvent s’appuyer sur des documents, réunions, processus, règles et outils proches de l’environnement des participants afin d’apprendre à identifier les bons cas d’usage et contrôler la qualité des résultats.
Identifier des référents ou ambassadeurs IA
Dans un déploiement large, certaines organisations gagnent à former plus fortement un réseau de référents. Ils relaient les règles, collectent les retours, partagent les bonnes pratiques et aident les équipes à transformer un usage individuel en pratique maîtrisée. Leur rôle doit rester articulé avec la DSI, la sécurité, les métiers et la formation.
Former largement, mais pas uniformément
Le niveau de formation doit correspondre au rôle réel : utilisateur, manager, expert métier, développeur, Data, architecte, RSSI ou responsable de la montée en compétences.
Passer à la construction du plan de formation →Passer à l’action
Comment construire un plan de formation IA en entreprise ?
Un plan de formation IA doit être conçu comme un dispositif de transformation des compétences. Il ne s’agit pas d’additionner des sessions, mais d’organiser une progression cohérente, adaptée aux populations, aux cas d’usage et au rythme d’adoption de l’organisation. La méthode ci-dessous peut servir de trame à un projet allant de quelques équipes pilotes à un déploiement de masse.
Identifier les populations concernées
Lister les fonctions exposées à l’IA et les équipes qui portent déjà des projets. Distinguer utilisateurs occasionnels, utilisateurs avancés, managers, experts métiers, équipes techniques, Data, sécurité, architecture et gouvernance.
Évaluer le niveau actuel des collaborateurs
Mesurer la compréhension des concepts, l’usage réel des outils, les compétences techniques et la maturité des équipes. Cette étape permet de positionner les personnes dans un cursus introductif, intermédiaire ou avancé sans répéter inutilement des acquis.
Identifier les cas d’usage prioritaires
Relier chaque population à des situations concrètes : analyse documentaire, assistance au code, automatisation, recherche dans une base de connaissance, aide au support, Machine Learning ou pilotage d’un projet. Les cas d’usage donnent du sens au parcours.
Cartographier les compétences à développer
Pour chaque population, définir les compétences cibles : culture IA, prompting, usages métier, sécurité, développement, Data, architecture, MLOps / LLMOps, gouvernance ou pilotage. Il devient alors possible de mesurer l’écart entre niveau actuel et niveau cible.
Définir les niveaux de cursus
Organiser une progression lisible : cursus introductif pour comprendre et utiliser, cursus intermédiaire pour appliquer l’IA à un métier ou un projet, cursus avancé / expert pour concevoir, sécuriser et industrialiser. Certaines populations peuvent s’arrêter au premier niveau, d’autres parcourir plusieurs étapes.
Construire les parcours par population
Assembler des modules cohérents plutôt que proposer la même formation à tous. Un développeur peut évoluer vers RAG, agents et LLMOps ; un manager vers cas d’usage, risques et conduite du changement ; un expert métier vers l’évaluation et la transformation de processus.
Définir l’ingénierie pédagogique
Choisir la durée, les modalités, les rythmes, les exercices, les évaluations et les supports. Pour des volumes importants, définir le socle commun, les variantes métier, les cohortes, la formation de formateurs éventuelle et les mécanismes garantissant une qualité homogène.
Déployer progressivement et à l’échelle
Commencer si nécessaire par des populations pilotes, mesurer les retours puis industrialiser le dispositif. La formation de masse peut combiner sessions larges pour le socle, groupes plus restreints pour la pratique et parcours avancés pour les experts et référents.
Suivre la montée en compétences dans le temps
Prévoir des points de consolidation après la formation : mise en pratique, ateliers de retour d’expérience, sessions d’approfondissement, communauté interne ou accompagnement des référents. L’IA évoluant rapidement, le cursus doit vivre avec les usages et les outils.
Évaluer et faire évoluer le dispositif
Mesurer au-delà de la satisfaction : progression des compétences, autonomie, adoption, qualité des usages, cas d’usage déployés, erreurs évitées et besoins complémentaires. Ces résultats permettent d’ajuster les contenus, niveaux et parcours au fil du temps.
Un modèle simple de progression
Besoin de structurer un plan de montée en compétences IA ?
PLB peut accompagner l’identification des populations, le positionnement des niveaux, la construction des cursus et l’ingénierie pédagogique d’un déploiement dans la durée.
Échanger avec un expert PLB →Orienter vers le bon niveau
Comment choisir une formation en intelligence artificielle ?
Le choix d’une formation dépend moins du mot « IA » que de l’objectif recherché. Avant de sélectionner un programme, il faut clarifier le profil du participant, son niveau technique, le cas d’usage visé et le niveau d’autonomie attendu à l’issue de la formation.
Quelle formation IA pour débuter ?
Pour un public non technique, une formation d’acculturation ou d’état de l’art permet de comprendre les concepts, les usages et les risques. Elle constitue un bon point de départ avant d’aller vers des formations d’IA générative ou des parcours métier.
Quelle formation pour utiliser l’IA générative ?
Les formations doivent combiner prise en main des outils, Prompt Engineering, méthodes de travail, validation des résultats et sécurité. Pour une équipe métier, il est pertinent d’utiliser des cas proches de ses activités réelles.
Quelle formation pour un développeur ?
Un développeur peut commencer par l’usage des assistants de code puis évoluer vers l’intégration d’API, le développement d’applications LLM, le RAG, les agents et la sécurité des applications IA.
Quelle formation pour travailler sur le Machine Learning ?
Les parcours techniques nécessitent généralement des bases en Python, en manipulation de données et en statistiques. Ils peuvent ensuite couvrir les algorithmes, l’évaluation, le Deep Learning et la mise en production.
Quelle formation pour développer des agents IA ?
Il est préférable de maîtriser les LLM, les API, le prompting, la gestion du contexte et les bases du développement d’applications IA avant d’aborder des systèmes agentiques plus avancés.
Quelle formation pour un manager ?
Le manager a besoin d’une vision des usages, de la valeur, des risques et de l’impact sur les équipes. Une formation très technique n’est généralement pas nécessaire, sauf dans les fonctions de pilotage IT ou Data.
Quelle formation pour une équipe Data ?
Le choix dépend de la maturité : fondamentaux du Machine Learning, Deep Learning, MLOps, IA générative, RAG ou évaluation des modèles. Un diagnostic du niveau permet d’éviter les redondances avec les compétences déjà acquises.
Formation standard ou parcours sur mesure ?
Une formation standard répond efficacement à un besoin clairement identifié. Un parcours sur mesure devient intéressant lorsque plusieurs populations sont concernées, que les niveaux sont hétérogènes ou que l’entreprise souhaite travailler sur ses propres cas d’usage et outils.
Trouver rapidement une formation
Lorsque le besoin est déjà identifié, l’accès au catalogue doit rester direct : technologie, usage ou profil → liste de formations correspondantes → fiche formation.
Voir le catalogue des formations IA →Anticiper sans courir après chaque nouveauté
Tendances : comment l’IA évolue-t-elle ?
L’écosystème évolue rapidement. Pour les entreprises, l’enjeu n’est pas de suivre chaque nouveau modèle, mais d’identifier les tendances qui modifient réellement les architectures, les compétences ou les usages.
Agents IA
Les agents rapprochent l’IA de l’automatisation des processus. Ils nécessitent des compétences en orchestration, intégration, sécurité et supervision, au-delà du simple Prompt Engineering.
Modèles multimodaux
Les modèles capables de traiter simultanément texte, image, audio ou vidéo élargissent les cas d’usage et rapprochent plusieurs domaines de l’IA dans une même application.
Modèles plus petits et spécialisés
Toutes les applications n’ont pas besoin d’un très grand modèle généraliste. Des modèles plus compacts ou spécialisés peuvent offrir des avantages en coût, latence, contrôle ou déploiement.
IA embarquée et déploiements maîtrisés
Le besoin de contrôle sur les données et la latence encourage certains usages sur des infrastructures dédiées, en périphérie ou dans des environnements Cloud maîtrisés.
Automatisation et orchestration
L’IA est de plus en plus intégrée à des workflows. Les compétences se déplacent donc vers la conception de processus, les outils d’automatisation, les API et la gouvernance des actions déclenchées.
IA dans le développement logiciel
Les assistants de code deviennent un outil quotidien pour de nombreuses équipes. Leur impact dépendra de la capacité des organisations à adapter leurs pratiques de revue, de test, de sécurité et de transmission des compétences.
Gouvernance et souveraineté
Le choix des fournisseurs, la localisation des données, la maîtrise des dépendances et la conformité prennent une importance croissante dans les décisions d’architecture.
Évolution des compétences
La compétence clé devient progressivement la capacité à combiner une expertise métier ou technique avec une bonne compréhension de l’IA. Les profils capables de cadrer, évaluer et intégrer les modèles deviennent particulièrement importants.
Conseil
Former sur des fondamentaux durables (architecture, données, sécurité, évaluation, usages) permet de rester pertinent même lorsque les outils et modèles évoluent.
Les termes essentiels
Glossaire de l’intelligence artificielle
Ce glossaire rassemble les notions fondamentales utiles pour lire le guide et dialoguer avec des équipes IA, Data, développement ou cybersécurité. Les termes plus spécialisés sont définis directement dans les chapitres où ils interviennent afin de conserver un glossaire exploitable.
- Agent IA
- Système qui utilise un modèle d’IA pour décider d’actions et appeler des outils autorisés : API, recherche, base de données, création de ticket ou workflow. Un agent ne se limite donc pas à produire du texte ; il peut agir sur un environnement. En production, ses permissions, son nombre d’étapes, ses journaux et ses validations doivent être strictement contrôlés.
- API
- Interface de programmation permettant à une application d’appeler un service de façon structurée. De nombreux modèles d’IA sont consommés par API : l’application envoie des instructions et des données, puis reçoit une réponse. Les API permettent d’intégrer l’IA dans un SI mais imposent de gérer authentification, quotas, erreurs, coûts, confidentialité et dépendance fournisseur.
- Attention
- Mécanisme central des Transformers qui permet au modèle de pondérer les relations entre les tokens d’une séquence. Pour traiter un mot ou un fragment de texte, le modèle peut ainsi accorder davantage d’importance à certains éléments du contexte. L’attention contribue fortement à la capacité des LLM à exploiter des dépendances à longue distance dans le langage.
- Base vectorielle
- Système conçu pour stocker et rechercher des vecteurs, souvent des embeddings. Au lieu de retrouver uniquement les documents contenant les mêmes mots, une base vectorielle peut chercher les contenus dont la représentation numérique est proche de celle d’une requête. Elle est couramment utilisée dans les architectures RAG et les moteurs de recherche sémantique.
- Computer Vision
- Domaine de l’IA consacré à l’analyse d’images et de vidéos. Les tâches courantes incluent classification, détection d’objets, segmentation, reconnaissance de documents ou analyse visuelle. Les modèles modernes reposent souvent sur le Deep Learning et peuvent être combinés à des modèles multimodaux capables de traiter simultanément texte et image.
- Deep Learning
- Sous-domaine du Machine Learning basé sur des réseaux de neurones comportant de nombreuses couches. Il est particulièrement adapté aux données complexes comme le langage, l’image ou la voix. Son entraînement demande généralement beaucoup de données et de calcul. Les grands modèles de langage sont eux-mêmes issus de techniques de Deep Learning.
- Embedding
- Représentation numérique d’un contenu sous forme de vecteur. Deux contenus sémantiquement proches ont tendance à produire des vecteurs proches, même s’ils n’utilisent pas exactement les mêmes mots. Les embeddings sont utilisés pour la recherche sémantique, la recommandation, le regroupement de contenus et les pipelines RAG.
- Fine-Tuning
- Adaptation d’un modèle préentraîné à partir d’un jeu d’exemples spécifiques afin de modifier son comportement ou de le spécialiser. Le Fine-Tuning ne sert pas principalement à lui donner accès à des informations régulièrement mises à jour : pour cela, un RAG est souvent plus adapté. Il intervient plutôt lorsqu’on veut apprendre une tâche, un style ou un format de réponse récurrent.
- GPU
- Processeur massivement parallèle initialement conçu pour le calcul graphique et devenu central dans le Deep Learning. L’entraînement et l’inférence de grands modèles utilisent des GPU car ils exécutent efficacement les opérations matricielles nécessaires aux réseaux de neurones. Le choix des GPU influence capacité, coût, latence et architecture de déploiement.
- Hallucination
- Réponse produite par un modèle génératif qui paraît plausible mais contient une information fausse, inventée ou insuffisamment étayée. Une hallucination n’est pas une panne exceptionnelle : elle découle du fonctionnement probabiliste du modèle. On réduit le risque par le contexte, le RAG, les outils, l’évaluation, les règles de refus et la validation humaine selon la criticité.
- IA générative
- Famille de modèles capables de produire de nouveaux contenus : texte, code, image, son ou combinaisons multimodales. Les modèles génératifs apprennent des régularités à partir de grands ensembles de données puis génèrent une sortie à partir d’une instruction et d’un contexte. Leur usage professionnel nécessite de maîtriser qualité, sécurité, confidentialité et contrôle des résultats.
- Inférence
- Phase pendant laquelle un modèle déjà entraîné est utilisé pour produire une prédiction ou une génération à partir de nouvelles données. Pour un LLM, l’inférence correspond notamment à la génération de tokens en réponse à un prompt. Son coût dépend de la taille du modèle, du volume de contexte, du nombre de tokens produits et de l’infrastructure utilisée.
- LLM (Large Language Model)
- Grand modèle de langage entraîné sur d’importants corpus afin de prédire et générer des séquences de tokens. Un LLM peut résumer, extraire, classer, traduire ou générer du texte et du code. Il ne constitue pas à lui seul une application : en entreprise, il est souvent entouré de données, règles, outils, contrôles, évaluations et interfaces métier.
- Machine Learning
- Approche dans laquelle un modèle apprend des relations à partir de données plutôt que de reposer uniquement sur des règles écrites manuellement. Le Machine Learning couvre notamment classification, régression, recommandation, détection d’anomalies ou clustering. La qualité d’un système dépend de ses données, de son protocole d’évaluation et de sa capacité à généraliser sur de nouveaux cas.
- MLOps / LLMOps
- Ensemble de pratiques et d’outils destinés à industrialiser le cycle de vie des systèmes IA. Le MLOps couvre par exemple données, entraînement, versioning, déploiement, monitoring et dérive des modèles prédictifs. Le LLMOps étend ces pratiques aux applications basées sur des LLM : prompts, évaluations, chaînes RAG, coûts, observabilité et versions de modèles.
- Modèle de fondation
- Modèle entraîné à grande échelle sur des données variées puis réutilisé pour de nombreuses tâches. Un modèle de fondation peut être exploité tel quel, guidé par prompting, connecté à des données via RAG ou adapté par Fine-Tuning. Cette logique permet de construire de nombreuses applications sans entraîner un modèle complet depuis zéro.
- Multimodal
- Qualifie un modèle ou un système capable de traiter plusieurs types de données, par exemple texte, image, audio ou vidéo. Un modèle multimodal peut analyser une capture d’écran et répondre à une question, extraire des informations d’un document mêlant texte et schémas ou combiner voix et texte dans un assistant. Les usages doivent tenir compte des risques propres à chaque modalité.
- NLP (Natural Language Processing)
- Domaine de l’IA consacré au traitement automatique du langage : classification de textes, extraction d’entités, traduction, résumé, recherche, analyse de sentiments ou génération. Les LLM ont profondément fait évoluer le NLP mais ne remplacent pas toutes les méthodes classiques, qui restent pertinentes pour des tâches spécialisées, contraintes ou fortement contrôlées.
- Prompt
- Ensemble des instructions et informations fournies à un modèle génératif pour produire une réponse. Un prompt peut comporter la tâche, le contexte, des exemples, des contraintes, un format de sortie et des règles de comportement. Dans une application, il est souvent construit dynamiquement à partir de plusieurs sources plutôt que rédigé manuellement par l’utilisateur.
- Prompt Engineering
- Discipline consistant à concevoir et tester les instructions adressées à un modèle afin d’obtenir des résultats plus fiables et réutilisables. Elle inclut la structuration du contexte, les exemples few-shot, les contraintes, les sorties structurées et l’évaluation. Dans un système professionnel, le Prompt Engineering doit être traité comme une composante versionnée et testée de l’application.
- RAG (Retrieval-Augmented Generation)
- Architecture qui ajoute une étape de recherche avant la génération. L’application retrouve des passages pertinents dans un corpus puis les fournit au LLM comme contexte. Un RAG permet de travailler avec des connaissances internes ou actualisées, mais sa qualité dépend fortement du découpage des documents, des embeddings, du moteur de recherche, des métadonnées, des droits d’accès et de l’évaluation.
- Réseau de neurones
- Modèle composé de couches de calcul paramétrées qui transforment progressivement une entrée en sortie. Pendant l’entraînement, les paramètres (ou poids) sont ajustés pour réduire une fonction d’erreur à l’aide de la rétropropagation et d’un optimiseur. Les réseaux de neurones sont à la base du Deep Learning et des architectures modernes de vision et de langage.
- Token
- Unité manipulée par un modèle de langage. Un token peut correspondre à un mot, une partie de mot, un signe ou quelques caractères selon le tokenizer. Les limites de contexte, le coût de nombreuses API et le temps d’inférence dépendent du nombre de tokens en entrée et en sortie. Un texte long ne correspond donc pas directement à un nombre fixe de mots.
- Transformer
- Architecture de réseau de neurones fondée notamment sur le mécanisme d’attention. Elle permet de traiter efficacement des séquences et de modéliser les relations entre leurs éléments. Introduite pour le langage, elle s’est imposée dans les LLM et a été adaptée à l’image, à l’audio et aux systèmes multimodaux.
- Vector search / recherche vectorielle
- Méthode de recherche qui compare des embeddings selon une mesure de proximité. Elle permet de retrouver des contenus sémantiquement proches même si les mots exacts diffèrent. Dans un RAG, la recherche vectorielle est souvent combinée à des filtres de métadonnées, à une recherche lexicale ou à un reranking pour améliorer la précision des documents fournis au modèle.
Pour les notions plus spécialisées (chunking, reranking, quantification, tool calling, température, dérive des données, few-shot ou sorties structurées) les définitions sont intégrées dans les chapitres techniques où elles sont directement utiles. Cette approche conserve au glossaire son rôle de repère sans dupliquer l’ensemble des explications du guide.
Questions fréquentes
FAQ sur l’intelligence artificielle en entreprise
Conclusion
L’intelligence artificielle crée de nouvelles possibilités pour les entreprises, mais sa valeur dépend de la capacité à choisir les bons usages, maîtriser les risques et développer les compétences appropriées. Les organisations les plus efficaces ne cherchent pas à former tout le monde au même niveau : elles construisent un socle commun, identifient les populations clés et organisent des parcours cohérents avec leurs projets.
Pour les responsables formation, DSI, équipes Data, RSSI et managers, la montée en compétences devient donc un chantier structurant. Elle doit avancer au même rythme que les outils, la gouvernance et les cas d’usage. Une organisation mature ne se contente pas d’une action ponctuelle : elle différencie les cursus, accompagne les experts comme les utilisateurs, organise les déploiements à grande échelle et suit la progression dans le temps.
Développer les compétences IA de vos équipes
PLB propose des formations en intelligence artificielle couvrant l’acculturation, l’IA générative, le Machine Learning, le Deep Learning, le Prompt Engineering, le RAG, les agents IA, le MLOps et les principaux usages professionnels.