Couches IA
Je pars d'un modèle classique (infrastructure, données, applications, intégration, présentation, sécurité) et vous me direz où ça diverge.
L'IA n'est pas une couche de plus, elle est transversale¶
On la représente souvent comme un étage ajouté au-dessus des applications. C'est trompeur, car elle touche toutes les couches existantes et en introduit de nouvelles.
Les composants propres à la couche IA¶
- Les modèles : LLM généralistes (API ou auto-hébergés), modèles spécialisés ou fine-tunés, ML « classique » (prédiction, scoring, vision). L'enjeu est la stratégie de sourcing : API propriétaire, open weights, ou hybride.
- La plateforme d'IA, qui donne un accès unifié et contrôlé aux modèles : passerelle (routage, quotas, journalisation, filtrage), gestion des prompts, cycle de vie des modèles (MLOps/LLMOps).
- La couche de connaissance, qui relie l'IA aux données de l'entreprise : RAG, bases vectorielles, graphes de connaissances, catalogue de données. C'est souvent là que se joue la valeur, car un modèle sans contexte métier reste générique.
- L'orchestration et les agents : workflows, agents autonomes ou semi-autonomes, appels d'outils. Des standards comme MCP (Model Context Protocol) émergent pour connecter les modèles aux systèmes existants.
- Les usages et interfaces : assistants conversationnels, copilotes intégrés aux outils métier, automatisation de processus, IA embarquée dans les applications.
- La gouvernance, la sécurité et l'observabilité, transversales : évaluation de la qualité, traçabilité, gestion des droits, détection de dérives, conformité.
Ce que l'IA change dans les couches existantes¶
- Infrastructure : besoin de GPU ou d'accès à du calcul spécialisé, nouveaux arbitrages cloud / on-premise / souverain, et un FinOps différent (coût à la requête, au token).
- Données : la qualité, la documentation et le contrôle d'accès deviennent critiques. L'IA expose sans pitié les silos et les droits mal gérés.
- Applications : le logiciel devient en partie probabiliste, ce qui oblige à repenser les tests, la validation et la responsabilité des résultats.
- Intégration : les API deviennent consommables par des agents, avec des questions d'autorisation et de périmètre d'action.
- Sécurité : nouvelles surfaces d'attaque (injection de prompt, fuite de données via les modèles, empoisonnement, shadow AI).
- Interface : le langage naturel devient une interface de plus, parfois à la place des écrans.
Les enjeux structurants¶
- Souveraineté et dépendance aux fournisseurs de modèles, avec un risque de verrouillage.
- Conformité : RGPD, AI Act européen (classification par niveau de risque, obligations de transparence et de documentation).
- Mesure de la valeur : sortir des POC pour industrialiser, avec des critères d'évaluation clairs.
- Responsabilité humaine : où place-t-on l'humain dans la boucle, et qui répond d'une décision assistée ou automatisée ?
- Rythme de changement : les modèles évoluent en quelques mois, donc l'architecture doit rester modulaire pour pouvoir les remplacer.
Le principe d'architecture à retenir¶
Découpler : ne pas câbler un modèle ou un fournisseur dans chaque application, mais passer par une couche mutualisée (passerelle, connaissance, gouvernance). C'est ce qui permet de changer de modèle, de maîtriser les coûts et d'appliquer les règles de sécurité une seule fois.