Les questions qu'on nous pose.

Une IA souveraine est une intelligence artificielle dont les données, les modèles et l'hébergement restent sous contrôle de l'organisation utilisatrice et de son cadre juridique. En pratique pour une entreprise française ou européenne : modèles hébergés en UE, données qui ne transitent pas vers des fournisseurs hors RGPD, code et architecture documentés et auditables. Ce n'est pas une marque, c'est une posture architecturale - et une exigence forte du AI Act européen pour les usages à risque.

Notre diagnostic dure 2 à 4 semaines. Le tarif est fonction du périmètre (nombre de directions impliquées, volume de données, profondeur de la cartographie) et se chiffre sur devis après un premier échange d'une heure - gratuit et sans engagement. Compter typiquement de quelques milliers à quelques dizaines de milliers d'euros selon la taille de l'organisation. Le livrable est une feuille de route 6-18 mois exploitable directement par la direction.

La BI désigne l'infrastructure qui industrialise la production d'indicateurs réguliers et fiables - dashboards de direction, reporting financier, KPI consolidés. La data analytics regroupe les analyses ponctuelles et exploratoires sur ces mêmes données - tests d'hypothèses, segmentation, modélisation. La BI fournit le socle stable, l'analytics produit l'insight ponctuel. Une organisation mature a besoin des deux, dans cet ordre.

Le règlement européen sur l'intelligence artificielle (Règlement (UE) 2024/1689) encadre la mise sur le marché et l'usage des systèmes IA dans l'UE. Il classe les systèmes par niveau de risque (prohibé, haut risque, risque limité, minimal) et impose des obligations différenciées : documentation, transparence, supervision humaine, évaluation de conformité. Toute organisation qui développe, déploie ou utilise un système IA touchant le marché européen est concernée - éditeurs, intégrateurs, employeurs, administrations.

Trois signaux simples : (1) vous arrivez à expliquer en une phrase ce qu'un projet IA changerait pour une direction métier précise, (2) vous savez où vivent les données nécessaires et qui en est responsable, (3) vous acceptez de tuer un projet IA s'il n'a pas de valeur mesurable. Si l'un des trois est flou, commencez par un diagnostic court avant de lancer le moindre POC. C'est moins glamour mais ça évite l'écueil partagé par 80 % des organisations qui ne tirent aucun impact tangible de leur GenAI (McKinsey, State of AI 2024).

Cela dépend du cas d'usage et du périmètre. Les copilotes documentaires bien cadrés génèrent 15-30 % de temps gagné sur les tâches concernées. Les automatisations documentaires peuvent diviser par 2 à 5 le temps de traitement. Les dashboards de direction réduisent les cycles budgétaires de 30-50 %. Mais ces chiffres ne valent que si le cas est cadré ET mesuré dès le départ - sinon vous n'avez ni preuve d'usage ni base de comparaison. Le ROI s'instrumente, il ne se devine pas.

Architecture par défaut : modèles hébergés en France ou en UE, données qui ne quittent pas l'infrastructure cliente sauf accord explicite, code et configuration documentés et transférés. Quand le cas le justifie, nous développons sur des stacks fully open-source ou on-premise. Aucun envoi de données client vers OpenAI, Anthropic ou autre modèle tiers sans contrat écrit et accord direction. Cette posture s'applique aussi aux outils internes (notamment les copilotes métiers).

Un copilote assiste un humain dans son flux de travail - il propose, l'humain valide (ex : génération d'un brouillard de mail, suggestion d'une réponse contractuelle). Un agent IA exécute des actions de manière autonome dans un périmètre défini - il décide et agit (ex : routing automatique de tickets, traitement de bout en bout de documents standards). Le copilote convient quand le jugement humain reste critique. L'agent convient quand le périmètre est bien borné et les contrôles automatisables.

Compter 2 à 6 mois selon la complexité du paysage existant. Une petite structure (1-2 sources, 1 direction) peut converger en 6-8 semaines. Une organisation multi-filiales avec un parc d'outils empilés demande 4-6 mois pour rationaliser, consolider et fiabiliser. Nous livrons par incréments mesurables : un dashboard direction usable au bout de 4-6 semaines, puis enrichissements successifs. Pas de tunnel.

Non - mais il faut savoir où sont les données, qui les produit, et accepter de fiabiliser ce qui doit l'être pour le cas d'usage visé. La quête de données parfaites en absolu est un piège : elle empêche d'avancer. La bonne discipline : sélectionner le cas, identifier les 2-3 sources critiques pour ce cas, fiabiliser ces sources-là, puis déployer. Tout le reste peut attendre l'itération suivante.