
Projet IA : comment rédiger un cahier des charges qui privilégie le ROI à l'effet de mode ?
Multipliées par les promesses de productivité, les demandes de services ou de fonctionnalités dopés à l'IA se heurtent rapidement à des limites concrètes : comportements non déterministes, explosion des factures d'API, impératifs de souveraineté des données et complexité de maintenance. Pour éviter de tomber dans ces travers, la rédaction d’un cahier des charges à l’heure de l’IA exige une rigueur nouvelle.
Julien Colomb, président et cofondateur de Sokeo, nous partage son retour d'expérience et les questions incontournables à se poser pour réussir le cadrage de son projet IA. Chez Sokeo, l'équipe intègre l'intelligence artificielle dans les outils métier de ses clients, en la branchant sur leurs données.
Voici un exemple parlant chez l'un de nos clients : un grossiste en fruits et légumes qui reçoit entre 300 et 500 commandes quotidiennes par SMS, rédigées avec fautes d'orthographe et des références approximatives. L'idée initiale d'interfacer une IA pour retranscrire ces messages s'est avérée financièrement disproportionnée et chronophage en vérifications. La vraie réponse pragmatique n'était pas un LLM, mais le déploiement d'une application mobile ergonomique type drive BtoB permettant aux clients de saisir directement leur panier.
Quels éléments autour de la data doivent impérativement figurer dans le CDC initial ?
Dans un projet informatique standard, comme pour un CRM sur mesure, la donnée est déjà le nerf de la guerre. Mais avec l'intelligence artificielle, la qualité de la data prend une dimension critique : si vous alimentez un moteur avec des données incomplètes, biaisées ou non dédupliquées, vous obtenez des hallucinations à l'échelle industrielle. Dès la rédaction du cahier des charges, le porteur de projet doit donc formaliser les éléments suivants :
- La traçabilité et l'autorisation d'usage : d’où proviennent les données ? L'entreprise dispose-t-elle des droits légaux et contractuels pour les soumettre à des traitements algorithmiques ?
- Le référent de la donnée (Data Owner) : qui valide l’exactitude de l'information source au sein de l'entreprise ? En développement sur mesure, nous nous appuyons sur la donnée client, mais nous devons savoir à qui remonter les anomalies de cohérence.
- L’hygiène du jeu de données : les flux sont-ils dédupliqués ? Nettoyés régulièrement ? Quels sont les mécanismes de protection contre l'injection de fausses données (antispam, captchas, contrôles d'intégrité) ?
- La dynamique de traitement (Live vs Asynchrone) : l'IA doit-elle interroger des données en direct à la volée, ou s'appuyer sur un entrepôt mis à jour la nuit par batch ? Traiter la donnée en direct démultiplie la facture technique, il faut donc formaliser la juste fréquence dès le départ pour préserver le budget d'exploitation.
- L’architecture de stockage : selon les cas d'usage de recherche sémantique ou de RAG (Retrieval-Augmented Generation), le besoin de recourir à des bases de données vectorielles doit être anticipé dans la trajectoire technique.
Pour les PME et ETI qui ne disposent pas toujours d’un DPO ou d’un DSI dédié, formaliser cette gouvernance dans le cahier des charges évite de découvrir des failles structurelles en cours de route.
“Si le projet brasse des données hautement sensibles, s'adjoindre un conseil juridique spécialisé dès l’étape de rédaction constitue un investissement rentable.”
Comment formaliser contractuellement la notion de résultat attendu quand le comportement de l'IA n'est pas déterministe ?
C'est la rupture majeure avec le développement informatique traditionnel. Dans un cahier des charges classique, on contractualise une logique binaire : « si l'utilisateur clique sur A, le système exécute B de manière immuable ». Avec l'IA, le résultat est probabiliste. Exiger contractuellement « 100 % de réponses parfaites » est techniquement impossible. La contractualisation doit donc reposer sur des seuils statistiques et des jeux de tests représentatifs :
- Remplacer le test unitaire par des cas complexes réels : au lieu de décrire un cas théorique isolé, le client doit intégrer au cahier des charges une sélection de 3 à 4 scénarios métier complexes et représentatifs de la vie courante de l'entreprise.
- Définir des seuils de validation d'acceptabilité : l’idée est de contractualiser un taux de conformité mesurable avant intervention humaine. Par exemple, un taux de réussite de 80 % ou 90 % sur le jeu d'essai pour valider une étape de livraison (MVP).
- Encadrer le modèle par du code déterministe : l'IA ne doit pas être laissée en roue libre. Le cahier des charges doit prévoir des mécanismes de garde-fous (harnais, hooks, règles de filtrage métier strictes) qui brident la réponse avant qu'elle ne parvienne à l'utilisateur final.
“Un projet IA doit intégrer des jalons de décision. Si après plusieurs itérations sur les prompts et les harnais de vérification, le seuil d'acceptation de 90 % n'est pas franchi, il faut savoir s'arrêter ou pivoter par avenant vers une autre architecture, plutôt que de s'acharner sur une approche inadaptée.”
Cette réalité transforme également la répartition des charges : si l'IA permet aux développeurs de prototyper et coder plus rapidement, le temps alloué aux tests, aux validations croisées et à l'historisation des prompts augmente significativement. Ce temps d'assurance qualité doit être explicitement inscrit au budget et au planning du cahier des charges.
Que spécifier dans son cahier des charges concernant la conformité et la confidentialité de ses données métier ?
La conformité ne se greffe pas a posteriori : elle dicte l’architecture logicielle dès la première ligne de code. Avec l'entrée en application de réglementations européennes comme l'AI Act (EU), la directive NIS 2 ou le RGPD, le cahier des charges doit poser des barrières strictes :
- La clause de non-entraînement : c'est la règle d'or en environnement BtoB. Le cahier des charges doit impérativement interdire que les données transmises via les interfaces ou les API soient conservées par les fournisseurs tiers pour réentraîner leurs modèles publics.
- L’obligation de transparence : conformément aux règles de l'AI Act, tout système interagissant avec des utilisateurs ou traitant des contenus doit signaler explicitement la présence d'un composant d'intelligence artificielle.
- La souveraineté vs performance : viser une souveraineté totale suppose soit de faire tourner des modèles ouverts sur des serveurs locaux dédiés (des infrastructures matérielles on-premise qui peuvent dépasser les 100 000 € d'investissement initial), soit d'héberger des modèles open-source chez des hébergeurs européens souverains (OVH, Scalingo, Hetzner).
Face aux coûts élevés d'une infrastructure 100 % locale, la majorité des PME choisissent des services managés via API tout en compartimentant les données.
“Le cahier des charges doit préciser le niveau d'anonymisation requis : pseudonymisation préalable des données clients avant tout appel d'API tiers, chiffrement de bout en bout et localisation contractuelle des serveurs d'application en Europe.”
Le coût d'un projet IA ne s'arrête pas à sa livraison : quelles questions financières et d'exploitation faut-il anticiper dès la rédaction du cahier des charges ?
L'illusion du coût dérisoire de l'IA est entretenue par les abonnements grand public à une vingtaine d'euros par mois. En environnement d'entreprise, la tarification industrielle repose sur la consommation de tokens via API, et la facture mensuelle peut déraper si l'exploitation n'est pas cadrée dès le départ. Le cahier des charges doit adresser quatre dimensions économiques clés :
Le dimensionnement du modèle selon la tâche
Utiliser un modèle généraliste surdimensionné pour extraire trois champs d'une facture revient à utiliser un semi-remorque pour livrer une lettre. Le cahier des charges doit privilégier des modèles plus légers, spécialisés ou segmentés par typologie de tâches, pour maintenir le coût au token au niveau le plus bas possible.
Le verrouillage fournisseur (Vendor Lock-in)
Les modèles économiques des géants de l'IA sont actuellement très agressifs et fortement subventionnés. Si les tarifs d'un éditeur quadruplent soudainement ou si un modèle est brutalement déprécié, l'entreprise ne doit pas se retrouver prisonnière. Nous préconisons une architecture logicielle agnostique : une couche intermédiaire permettant de basculer d'un fournisseur de modèle à un autre sans réécrire l'intégralité du code métier.
La TMA à l'ère de l'accélération technologique
En matière d'IA, une version de modèle peut évoluer en quelques jours, modifier subtilement les sorties et provoquer des régressions inattendues. La maintenance corrective et évolutive (TMA) doit prévoir des environnements de bac à sable (sandbox) pour tester et mesurer les montées de versions avant tout déploiement en production.
Le circuit d'escalade vers l'humain
Pour maîtriser les coûts et garantir la continuité de service, le système doit savoir s'arrêter. Le cahier des charges doit donc formaliser que si l'IA n'atteint pas un niveau de confiance suffisant après deux boucles de calcul (par exemple), elle doit immédiatement passer la main à un opérateur humain plutôt que de consommer inutilement des tokens dans des boucles de traitement stériles.
“Dans un contexte où les modèles changent toutes les deux semaines et les repères tarifaires vacillent, vouloir figer un projet IA dans un cahier des charges rigide est une illusion coûteuse. Le rôle de ce dernier n'est pas de prétendre tout anticiper, mais d'instituer un cadre lucide et maîtrisé.”
Vous avez un projet applicatif et vous hésitez sur la place à accorder à l’IA ? Échanger sur votre cahier des charges avec les experts Sokeo
Contactez-nous dès maintenant !
Appelez-nous au 04 30 22 02 14.
Comment faire la distinction entre un réel cas d'usage IA et un simple besoin d'automatisation ou d'algorithme classique ?
Le premier piège à éviter dans le cadre d’un développement informatique sur mesure est l’effet de mode : vouloir intégrer de l’IA simplement parce que le sujet est omniprésent.
La première question discriminante est simple : le résultat final exige-t-il une fiabilité à 100 %, sans intervention humaine possible ?
Si la réponse est oui (par exemple un calcul fiscal, une conformité comptable stricte ou l’envoi automatisé d'un ordre de virement), l’IA est à proscrire. Un algorithme classique, déterministe et auditable, reste la seule approche sécurisée.
Si le processus tolère une marge d'incertitude et qu'une validation humaine finale est prévue, l’IA devient envisageable.
Pour autant, tolérance à l'erreur ne veut pas dire opportunité automatique. Par exemple, l'IA générative produit d'immenses volumes d'informations, d'options ou de textes. Si le collaborateur passe plus de temps à vérifier, corriger et trier les propositions de l'IA qu'à exécuter sa tâche manuellement, la technologie alourdit le flux de travail au lieu de le soulager.