Logiciels et donnéesArticle pilier
Faut-il construire son IA, l'acheter, ou détourner un outil grand public ?
Construire, acheter ou détourner un outil grand public : les trois routes vers l'IA en usine, les critères qui tranchent vraiment, et par où commencer.
La demande arrive souvent d'en haut, sous une forme qui n'aide personne : « il nous faut de l'IA ».
Le responsable qui récupère le sujet ouvre le marché. Il tombe sur des dizaines de plateformes qui promettent la même chose dans les mêmes mots, une démonstration qui impressionne en réunion, et aucun moyen de savoir laquelle tiendra une fois branchée sur ses données à lui.
Le vrai point de départ n'est pas la liste des plateformes. C'est de savoir quel problème précis vous voulez résoudre, et laquelle des trois routes vers l'IA y répond.
L'essentiel
Il n'existe pas une « plateforme d'IA » unique qu'il suffirait de bien choisir. Il existe trois routes : construire sur mesure, acheter un logiciel spécialisé, ou détourner un outil grand public. Le choix ne se joue pas sur les fonctions annoncées, mais sur trois questions qui vous concernent : dans quel état sont vos données, où ont-elles le droit d'aller, et qui fera vivre l'outil quand le prestataire sera parti. Une solution brillante posée sur des données en désordre ne produit rien.
Construire, acheter ou détourner : quelle route pour quel besoin ?
Derrière la confusion du marché, il n'y a que trois façons d'amener de l'IA dans une usine. Les nommer suffit déjà à trier la moitié des offres.
| Route | En un mot | Ce qu'elle apporte | Le risque à surveiller | Quand la choisir |
|---|---|---|---|---|
| Construire | Sur mesure | Épouse votre procédé au plus près | Meurt sans référent pour l'entretenir | Quand rien n'existe pour votre besoin |
| Acheter | Clé en main | Solution éprouvée, support, mises à jour | Dépendance à l'éditeur, réversibilité | Quand un éditeur de votre métier a déjà résolu le problème |
| Détourner | Outil grand public | Rapide, quasi gratuit | Fuite de données, aucune garantie | Pour des tâches sans enjeu, une fois les usages cadrés |
Tableau faisant défiler horizontalement sur petit écran.
Construire sur mesure
Faire développer une solution adaptée à votre procédé, seul ou avec un prestataire. C'est la route qui colle le mieux à votre réalité, et la plus exigeante.
Elle suppose des données propres, un cahier des charges tenu, et surtout quelqu'un pour entretenir l'outil ensuite. Beaucoup de projets sur mesure meurent non à la livraison, mais six mois après, faute d'avoir prévu qui les ferait vivre.
Acheter un logiciel spécialisé
Un éditeur de votre domaine a déjà résolu votre problème pour d'autres sites. Vous achetez une solution éprouvée, un support et des mises à jour.
Le prix à payer : une adaptation imparfaite à vos particularités et une dépendance à l'éditeur. Vérifiez le point que personne ne regarde à l'achat : comment on récupère ses données le jour où l'on part.
Détourner un outil grand public
Vos équipes utilisent déjà, parfois sans le dire, une IA généraliste pour résumer un document ou rédiger un compte rendu. C'est la route la plus rapide et la moins chère.
C'est aussi la plus risquée si elle n'est pas cadrée : coller un rapport confidentiel dans un outil public, c'est le faire sortir de l'entreprise. Ce point est traité en détail dans la fuite de données et le shadow AI.
La bonne pratique : combiner les routes
Les sites matures ne choisissent pas une seule route. Ils détournent un outil grand public pour les tâches sans enjeu, achètent un logiciel spécialisé pour leur cœur de métier, et ne construisent sur mesure que là où rien n'existe. L'erreur n'est pas de choisir la mauvaise route : c'est de prendre la même pour tout.
Qu'est-ce qu'une « plateforme d'IA » recouvre vraiment ?
Le mot « plateforme » donne de la consistance à des choses très différentes. Il faut le décomposer, parce que c'est là que les attentes se brisent. Une offre mélange en général trois couches :
- Une surcouche posée sur un grand modèle de langage existant. L'intelligence vient d'ailleurs ; vous payez l'habillage, l'intégration et le support. Ce n'est pas un défaut, à condition de le savoir.
- Un travail réel et spécifique : lire des documents techniques, extraire des mesures, retrouver dans un historique, classer des défauts. C'est là qu'est la valeur, et c'est ce qu'il faut faire démontrer sur vos documents.
- Ce qu'aucune plateforme ne fait : décider d'un maintien en service, requalifier, signer, engager la responsabilité.
Cette dernière frontière est la même pour toutes : l'outil propose, l'humain valide. Elle est développée dans la validation humaine de l'IA industrielle.
Une solution qui prétend s'en affranchir ne vous fait pas gagner du temps. Elle vous transfère un risque.
Quels critères font vraiment la différence ?
Les comparatifs notent les solutions sur des dizaines de lignes. En pratique, cinq questions tranchent, et elles portent sur votre situation, pas sur le produit.
Dans quel état sont vos données ?
C'est le critère que personne ne veut regarder en premier, et le seul qui décide de tout. Une IA se nourrit de ce que vous avez déjà : rapports, historiques, repères d'équipement.
Si ces données sont dispersées en PDF, mal repérées, incomplètes, aucune solution ne compensera. Choisir une plateforme avant de regarder ses données, c'est acheter une voiture sans vérifier qu'on a une route.
Où vos données ont-elles le droit d'aller ?
Hébergement en ligne ou traitement sur vos serveurs : ce n'est pas une préférence technique, c'est parfois un critère éliminatoire.
En agroalimentaire et en pharmaceutique, l'état réel des installations est une information sensible que certaines directions refusent de voir sortir du site. La question se tranche au début du projet, pas à la fin. Le sujet est traité dans l'IA locale, hors cloud.
Avec quoi la solution devra-t-elle communiquer ?
Une IA isolée devient une saisie de plus. Une IA utile échange avec ce qui existe déjà : la GMAO, l'ERP, la supervision.
La bonne question n'est pas « propose-t-elle des connecteurs », mais « quels flux vais-je réellement brancher, et lesquels vais-je continuer à ressaisir à la main ».
Qui la fera vivre en interne ?
Une solution déployée par un prestataire et confiée à personne s'éteint lentement. Il faut un référent : quelqu'un que le problème concerne directement, formé à faire tourner l'outil et à juger ses résultats.
Sans ce relais, le meilleur déploiement retombe en six mois. Ce que suppose cette montée en compétence est décrit dans former une équipe maintenance à l'IA.
Que pourrez-vous récupérer en partant ?
La réversibilité se vérifie avant de signer, jamais après. Une solution dont on ne peut pas extraire ses données, ses historiques et ses paramétrages vous tient captif, quel que soit son prix.
Demandez explicitement comment on sort, et sous quel format.
Quand la démo tient et l'outil tombe
Un site agroalimentaire cherchait à exploiter enfin ses rapports d'inspection, dispersés en PDF entre deux prestataires. Une plateforme fait une démonstration convaincante en réunion de direction : glisser un rapport, voir les mesures apparaître, interroger l'historique en langage courant. Le projet est lancé dans la foulée.
Il n'a pas échoué sur la technique. Il a échoué parce que les rapports réels ne ressemblaient pas à ceux de la démonstration : repères d'équipement changeant d'un prestataire à l'autre, scans de mauvaise qualité, formats hétérogènes.
L'outil lisait bien un rapport propre et se perdait sur le parc réel. Personne, en interne, n'avait le temps de reprendre les repères. La donnée nécessaire pour que l'IA soit utile n'a jamais été constituée.
Le problème n'était pas la plateforme. C'était d'avoir choisi l'outil avant d'avoir regardé l'état de ses données.
Outil généraliste ou spécialisé : lequel pour quelle tâche ?
C'est le point où les projets se trompent le plus, parce que les deux familles se ressemblent en démonstration.
| Critère | Outil généraliste | Outil spécialisé |
|---|---|---|
| Connaissance du métier | Aucune | Vocabulaire, formats, référentiels |
| Souplesse | Très polyvalent | Cadré sur un domaine |
| Coût | Faible | Plus élevé |
| Face à l'erreur | Se trompe avec aplomb | Se trompe moins là où ça compte |
| Bon pour | Brouillons, résumés, traduction | Extraire des mesures, préparer une décision technique |
Tableau faisant défiler horizontalement sur petit écran.
Le partage n'est pas « lequel est meilleur », mais « pour quelle tâche » :
- Rédiger un brouillon de compte rendu : le généraliste suffit.
- Extraire des mesures d'un rapport de contrôle pour alimenter un historique dont dépendront des décisions de maintien en service : le spécialisé, avec vérification humaine.
Confier une décision qui engage à un outil généraliste parce qu'il impressionne en démonstration est la faute la plus fréquente, et la plus coûteuse.
Pourquoi le déploiement compte autant que le choix ?
Une solution bien choisie et mal déployée échoue comme une mauvaise solution. Le calendrier compte autant que la comparaison.
La règle qui tient : commencer petit. Un périmètre réduit, un seul cas d'usage que vous saurez juger.
Un déploiement total en une fois échoue presque toujours, pour deux raisons :
- Il demande à toute l'organisation de changer d'habitude le même jour.
- Il ne laisse aucune place à l'apprentissage.
Un premier cas qui marche entraîne le reste bien mieux qu'un plan d'ensemble imposé. La façon de cadrer ce premier périmètre est détaillée dans le premier projet d'IA en 90 jours.
Cette prudence oriente le choix : préférez une solution qui vous laisse démarrer sur un petit périmètre sans engager tout le site. Et avant de lancer, posez le calcul qui manque presque toujours, celui du retour réel, avec le business case d'un projet d'IA.
Comment choisir, concrètement, en cinq temps ?
Nommer le problème avant de regarder les outils
Pas « il nous faut de l'IA », mais une tâche précise que vous voulez arrêter de faire à la main : ressaisir des rapports, retrouver un historique, préparer un audit. C'est elle qui définit la route, pas la brochure des éditeurs.
Regarder l'état de ses données avant de comparer
Une solution ne vaut que les données qu'on lui donne. Si la donnée n'est pas là, le premier chantier n'est pas l'IA, c'est la donnée.
Trancher l'hébergement au tout début
Vos données ont-elles le droit de sortir du site ? Cette seule question élimine d'emblée une partie des offres, et évite de tomber amoureux d'un outil qu'une direction refusera à la fin.
Faire démontrer sur vos documents, pas sur la démo
Exigez un essai sur vos rapports réels, avec leurs défauts, leurs formats, leurs repères hétérogènes. C'est là que la plupart des solutions révèlent leur limite.
Commencer sur un périmètre réduit et vérifier la sortie
Un cas d'usage, un atelier, et la réversibilité posée avant de signer. Un déploiement qui marche petit se généralise ; un déploiement total qui échoue emporte le projet entier.
- Choisir l'outil avant de regarder ses données.L'erreur mère, celle qui contient toutes les autres. Une plateforme brillante sur des données en désordre ne produit rien.
- Prendre la même route pour tout.Le généraliste pour les tâches sans enjeu, le spécialisé pour le cœur de métier, le sur-mesure là où rien n'existe.
- Se décider sur la démonstration.Une démo est faite pour convaincre, sur des données idéales. Ce qui compte est le comportement sur vos documents réels.
- Oublier qui fera vivre l'outil.Sans référent interne, la meilleure solution s'éteint en quelques mois.
- Confier une décision qui engage à un outil généraliste.Il énonce une erreur avec le même aplomb qu'une réponse juste.
- Négliger la réversibilité.Une solution dont on ne peut pas sortir ses données est un piège, quel que soit son prix.
Faut-il construire sa propre IA ou en acheter une ?
Cela dépend du problème. Achetez un logiciel spécialisé quand un éditeur de votre métier a déjà résolu votre besoin ; construisez sur mesure seulement là où rien n'existe et où vous pourrez entretenir l'outil ensuite. Le sur-mesure épouse mieux votre réalité mais meurt sans quelqu'un pour le faire vivre.
Peut-on utiliser une IA généraliste comme ChatGPT en usine ?
Pour des tâches sans enjeu (rédiger un brouillon, résumer un texte), oui, à condition de cadrer les usages. Le risque n'est pas l'outil mais ce qu'on y met : un rapport confidentiel collé dans un service public sort de l'entreprise. Ne jamais lui confier une décision technique sans vérification humaine.
Comment comparer des plateformes d'IA industrielle ?
Pas sur la liste des fonctions, qui se ressemblent toutes. Sur cinq points qui vous concernent : l'état de vos données, où elles ont le droit d'aller, ce que l'outil devra brancher, qui le fera vivre en interne, et ce que vous pourrez récupérer en partant. Et en faisant démontrer sur vos documents réels.
Par où commencer un projet d'IA en usine ?
Par le problème précis à résoudre, puis par l'état de vos données. Si la donnée n'est pas prête, le premier chantier est la donnée, pas l'IA. Ensuite seulement vient le choix de la solution, sur un périmètre réduit avant tout déploiement large.
Une solution d'IA sur mesure est-elle plus fiable qu'un logiciel du marché ?
Pas par nature. Le sur-mesure colle mieux à votre procédé, mais il dépend entièrement de la qualité de ce qui a été développé et de l'entretien qui suit. Un logiciel spécialisé éprouvé sur d'autres sites est souvent plus sûr, au prix d'une adaptation imparfaite. La fiabilité tient moins à la route qu'à la donnée et au suivi.
Écrit par Adama CamaraConsultant IA · Industrie · voir le profil
Publié le 4 août 2026
Logiciels et données
L'IA industrielle : ce qu'elle est vraiment, et ce qu'elle change en usine
L'IA industrielle sans jargon : ce qu'elle recouvre vraiment, ses cas d'usage par fonction et par secteur, ses limites, et par où commencer dans votre usine.
IA et maintenance
Réussir un premier projet d'IA en maintenance : une feuille de route en 90 jours
Mener un premier projet d'IA en maintenance sans se disperser : le périmètre à choisir, les 90 premiers jours, et les pièges qui font échouer.
IA et maintenance
IA locale hors cloud en industrie : déployer un LLM ou un LMM sur site
Déployer l'IA en local plutôt que dans le cloud : ce que fait un LLM sur un site industriel, les tâches automatisées et les vraies contraintes.
IA et maintenance
Défendre un projet d'IA en maintenance devant sa direction : construire le dossier économique
Chiffrer un projet d'IA en maintenance pour le défendre en comité : ce qui se mesure, ce qui s'assume comme hypothèse, et ce qu'il ne faut jamais promettre.