Choisir le bon prestataire IA : les repères clés

Crédit photo : ©Canva.com

Après l’émergence de l’Intelligence Artificielle générative, les entreprise sont confrontées au choix problématique de trouver le « bon » prestataire pour les accompagner dans leur projet de déploiement. Victor Dupuy, en charge de l’ingénierie chez Skillup, start-up qui aborde des questions propres à la gestion des ressources humaines et à la montée en compétences, apporte ses conseils sur les principaux repères pour identifier les prestataires IA « sérieux ».

1. La pertinence des modèles pour des besoins spécifiques

« Un modèle d’IA performant pour un usage peut être totalement inadéquat pour un autre », explique Victor Dupuy. Par exemple, GPT d’OpenAI excelle dans la génération multilingue de contenu, mais Claude 3.5-Sonnet d’Anthropic surpasse ses concurrents pour la génération de code. Le premier piège est donc de ne pas définir clairement vos besoins en amont.

Selon lui, une cartographie précise des cas d’usage est indispensable : « Si vous avez des besoins précis, optez pour des modèles spécialisés. Mais si vous souhaitez tester différents usages, commencez par des plateformes généralistes comme Google Gemini ou OpenAI. » Cela vous permettra d’expérimenter avant de faire un choix définitif.

2. Les coûts cachés

Les solutions IA peuvent sembler abordables en surface, mais elles cachent souvent des coûts difficilement prévisibles. « Le tarif de base d’un chatbot peut paraître attractif, mais lorsqu’on commence à intégrer l’IA à des produits internes ou à gérer des volumes importants, les coûts explosent ».

Ces frais dépendent de plusieurs facteurs :

• Les tokens d’entrée : toute donnée ou instruction envoyée au modèle (comme un texte ou une commande).
• Les tokens de sortie : la réponse générée par le modèle.
• Les tokens de raisonnement : spécifiques à certains modèles avancés, ces coûts supplémentaires concernent les étapes de réflexion intermédiaires produites automatiquement.

« Ces frais peuvent être difficiles à anticiper et représenter une part importante du budget, surtout pour des usages intensifs », précise-t-il.

3. Les enjeux de confidentialité

La confidentialité des données est l’un des aspects les plus critiques dans le choix d’un fournisseur IA. « Le meilleur moyen d’éviter les fuites de données est de ne pas en envoyer du tout ». Cela passe par une anonymisation rigoureuse avant toute transmission.

Toutefois, cela ne suffit pas toujours. « Un prestataire doit proposer des options claires pour activer un mode de non-rétention des données et garantir que vos données ne seront pas utilisées pour entraîner leurs propres modèles voire les modèles de leurs autres clients ».

Sans ces garanties, le risque d’exposition des données devient inacceptable, surtout dans des secteurs sensibles comme la santé ou la finance.

4. Les alternatives open-source

« Les modèles open-source, comme Mistral ou Llama de Meta, sont une excellente alternative aux solutions propriétaires ». Ces modèles offrent davantage de contrôle sur les données et permettent d’éviter la dépendance à des fournisseurs traditionnels comme OpenAI.

Cependant, leur mise en œuvre demande une expertise technique et des infrastructures adaptées. « Pour les entreprises sans compétences internes, des plateformes comme OVH proposent des modèles open-source clé en main, certifiés pour la sécurité et la confidentialité », ajoute-t-il. Cela peut constituer une solution intermédiaire idéale pour bénéficier des avantages de l’open-source sans la complexité technique.

5. La durée du contrat

Dans un marché aussi dynamique que celui de l’IA, s’engager sur un contrat à long terme peut devenir un handicap. « Chaque semaine, de nouveaux modèles et acteurs apparaissent, souvent avec des capacités supérieures à moindre coût ». Il conseille donc de privilégier des contrats flexibles ou à durée limitée : « Cela vous permettra de rester agile et de migrer vers une meilleure solution si nécessaire, sans pénalité. »

6. Les certifications de sécurité et de conformité

La sécurité et la conformité réglementaire sont des critères souvent sous-estimés. « Un fournisseur digne de confiance doit être transparent sur ses certifications, comme le RGPD, le SOC ou l’ISO 27001« .

Victor Dupuy recommande également de vérifier que les fournisseurs tiers intégrant l’IA dans leurs produits effectuent des audits rigoureux de leurs propres prestataires : « Cette chaîne de contrôle est essentielle pour garantir la sécurité des données, en particulier dans des secteurs réglementés. »

7. Les promesses irréalistes

Les solutions IA sont puissantes, mais leurs limites sont réelles. « L’automatisation totale est encore un mythe ». Il met en garde contre les promesses de certains prestataires qui vantent des capacités dépassant les réalités technologiques actuelles.

« Ces modèles ne comprennent pas réellement les informations qu’ils traitent. Cela conduit à des erreurs, parfois graves, qu’on appelle des ‘hallucinations’. Une supervision humaine reste indispensable pour garantir l’exactitude des réponses ».

8. Céder à l’argument du « Made in France » sans analyse approfondie

« Le label ‘Made in France’ est séduisant, mais il ne garantit pas une solution optimale ». Pour illustrer le contraste, notre expert cite en exemple le modèle Gemini Ultra de Google (USA), dont l’entraînement a coûté près de 200 millions de dollars, un budget quasi inaccessible pour des acteurs locaux.

Mais attention : Cela ne signifie pas que les initiatives européennes manquent d’intérêt. « Des projets comme Mistral, qui est français, montrent qu’il est possible de développer des alternatives compétitives, MAIS : elles nécessitent souvent des capitaux internationaux pour évoluer ».

9. Les retours d’expérience d’autres entreprises

Les témoignages d’utilisateurs constituent un indicateur précieux. « Si un fournisseur n’a pas de références dans des entreprises ayant des besoins similaires aux vôtres, et autres que ses actionnaires, c’est un signe d’alerte ». Il recommande de rechercher des études de cas ou des rapports concrets : « Un exemple comme celui de Gumroad, qui utilise les modèles d’Anthropic, montre comment une entreprise SaaS peut tirer parti de ces technologies. »

10. Les pratiques d’entraînement des modèles

La manière dont un modèle est entraîné peut avoir des implications éthiques et opérationnelles. « Un fournisseur doit pouvoir expliquer clairement ses méthodes d’entraînement pour garantir qu’elles respectent vos standards éthiques et de confidentialité ».

Il cite l’indice de transparence d’IBM comme une référence pour évaluer la clarté des pratiques : « Cela permet aussi de vérifier si le fournisseur utilise vos données à votre insu pour améliorer ses modèles. »