Top 10 des bonnes pratiques de développement d’IA étroite

Les bonnes pratiques de développement d’IA étroite se résument à une discipline : définir exactement ce dont le système est responsable, limiter ses connaissances à cette mission et garder ce périmètre visible quand le produit grandit. Concrètement : cadrage précis, données fiables, tests et suivi spécifiques, modèles bien dimensionnés et relais humain pour tout ce qui sort du cadre.

Pour un fondateur ou un Head of Product qui a une fonctionnalité d’IA sur sa roadmap, les décisions coûteuses se prennent avant même le choix d’un modèle : ce dont le système est responsable, d’où viennent ses connaissances et qui prend le relais quand il hésite. Quand ces réponses restent floues, les projets s’enlisent au stade de la démo. Dans nos services de développement en intelligence artificielle, nous les tranchons en premier, et un système d’IA étroite de complexité moyenne passe ensuite généralement d’un prototype fonctionnel en quelques jours à la production en 6 à 12 semaines.

Qu'est-ce que l'IA étroite ?

L’IA étroite (aussi appelée IA faible, ou artificial narrow intelligence en anglais) est une intelligence artificielle conçue pour accomplir une tâche précise ou un ensemble de tâches étroitement défini, comme recommander des produits, router des tickets de support ou signaler des paiements frauduleux. Elle ne peut pas transposer son savoir-faire à un problème sans rapport. L’intelligence artificielle générale (AGI), un système capable d’apprendre et de raisonner dans n’importe quel domaine comme le ferait une personne, n’existe pas encore : tous les systèmes d’IA en production aujourd’hui sont donc des IA étroites, des assistants vocaux aux moteurs de recommandation des plateformes de streaming.

En pratique, une entreprise exploite rarement un seul système d’IA étroite. L’automatisation de l’e-commerce par l’IA, par exemple, en implique généralement plusieurs : l’un recommande des produits, un autre valide les retours et un troisième signale les commandes suspectes.

Les grands modèles de langage brouillent un peu les pistes, car un même modèle sait rédiger, résumer et traduire. Mais dès que vous déployez ce modèle dans votre produit pour une mission précise, vous construisez un système d’IA étroite, et sa réussite dépend de la manière dont vous définissez et protégez cette mission.

Les 10 bonnes pratiques de développement d'IA étroite en un coup d'œil

Connaître ces pratiques avant de démarrer vous permet de consacrer le budget à ce qui détermine si un système d’IA étroite résiste à de vrais utilisateurs : son périmètre, ses données et son relais vers les humains. Elles vous donnent aussi une grille concrète pour juger la proposition d’un prestataire ou un plan interne, car une équipe incapable d’expliquer ses règles d’escalade ou son jeu d’évaluation risque d’apprendre ces leçons sur votre budget. Enfin, elles transforment la question « l’IA va-t-elle fonctionner ? » en une série de vérifications à mener avant et après le lancement.

Pratiques de développement d'IA étroite : erreur courante et meilleure approche
Pratique
Erreur courante
Que faire à la place
Pratique

1. Définir le périmètre de la tâche

Erreur courante

« Aider l’équipe support » en guise de spécification

Que faire à la place

Formaliser les entrées, les sorties, les décisions autorisées et les transferts avant de coder

Pratique

2. Limiter les connaissances

Erreur courante

Laisser le modèle répondre à partir de ses données d’entraînement générales

Que faire à la place

Ancrer les réponses dans une base de connaissances métier sélectionnée et versionnée (RAG)

Pratique

3. Anticiper les vrais modes de défaillance

Erreur courante

Utiliser une checklist générique des risques liés à l’IA

Que faire à la place

Lister les défaillances propres à cette tâche et les classer par coût

Pratique

4. Cadrer la mémoire

Erreur courante

Aucune mémoire, ou une mémoire de tout

Que faire à la place

Ne conserver que l’état nécessaire à la tâche, avec points de reprise et journaux d’audit

Pratique

5. Prévoir des voies d’escalade

Erreur courante

Laisser le modèle deviner face à des entrées inconnues

Que faire à la place

Détecter les cas hors périmètre et les confier à un humain avec leur contexte

Pratique

6. Surveiller la dérive de la tâche

Erreur courante

Ne suivre que la disponibilité, la latence et le coût en tokens

Que faire à la place

Mesurer la précision sur la tâche précise, à partir d’échantillons de production

Pratique

7. Tester les vrais cas limites

Erreur courante

Dérouler une checklist QA générique

Que faire à la place

Constituer un jeu d’évaluation à partir d’entrées réelles et désordonnées du domaine

Pratique

8. Bien dimensionner le modèle

Erreur courante

Choisir par défaut le plus grand modèle de pointe

Que faire à la place

Adapter la taille du modèle à la difficulté réelle et au volume de la tâche

Pratique

9. Documenter le périmètre

Erreur courante

Garder le périmètre dans la tête de quelqu’un

Que faire à la place

Tenir un document de périmètre à côté du code

Pratique

10. Planifier les évolutions du périmètre

Erreur courante

Élargir le périmètre au fil de demandes ponctuelles

Que faire à la place

Traiter chaque extension comme un petit cycle de découverte

1. Définir le périmètre de votre IA étroite avant d'écrire la moindre ligne de code

Le mode de défaillance le plus courant en IA étroite est la dérive du périmètre (scope creep). Un système conçu pour bien faire une tâche se voit confier une deuxième, puis une troisième, et sa précision baisse sur toutes.

Rédigez le périmètre sous la forme d’une courte spécification que n’importe quel membre de l’équipe pourrait tester :

  • Entrées : ce que le système accepte (un e-mail entrant en anglais ou en allemand, de moins de 2 000 mots)
  • Sorties : ce qu’il produit (l’une des 12 catégories de tickets, plus un brouillon de réponse pour 4 d’entre elles)
  • Décisions : ce qu’il peut faire seul (étiqueter et router) et ce qu’il peut seulement suggérer (les remboursements)
  • Transferts : ce qu’il transmet à une personne, et comment

Une spécification comme « classer les tickets entrants en 12 catégories et rédiger un brouillon de réponse pour les 4 qui disposent de réponses documentées » donne aux développeurs, aux testeurs et au responsable métier la même référence à vérifier.

Nul besoin d’exigences complètes pour en arriver là. Définir le périmètre est précisément le rôle de la phase de découverte et, comme nous l’expliquons dans comment l’IA transforme la phase de découverte des projets logiciels, une découverte assistée par l’IA offre désormais en 1 à 3 semaines la même profondeur qu’un processus classique de 4 à 8 semaines, en transformant les entretiens avec les parties prenantes en user stories, en contradictions signalées et en document de périmètre.

2. Limiter délibérément les connaissances de votre système d'IA étroite

Un système d’IA étroite doit bien connaître votre domaine et presque rien d’autre. La génération augmentée par récupération (RAG) est la méthode de référence pour y parvenir avec des modèles de langage : le système récupère les passages pertinents dans votre propre base de connaissances et répond uniquement à partir de ceux-ci.

Les pratiques les plus importantes, détaillées dans notre guide des bonnes pratiques RAG :

  • Demander au modèle de répondre uniquement à partir du contexte fourni et de dire qu’il ne sait pas quand la réponse est absente
  • Limiter les sources autorisées à une liste blanche et versionner la base de connaissances
  • Évaluer la récupération (a-t-il trouvé le bon passage ?) séparément de la génération (a-t-il utilisé ce passage fidèlement ?)

La récupération est le meilleur choix par défaut pour des connaissances qui changent souvent ou qui exigent des citations, tandis que le fine-tuning convient aux formats de sortie stricts et au ton. Notre grille de décision fine-tuning ou RAG explique quand chaque approche est adaptée et pourquoi la plupart des systèmes en production finissent par les combiner.

Rien de tout cela ne fonctionne sans données exploitables. Gartner prévoit que jusqu’en 2026, les organisations abandonneront 60 % des projets d’IA non soutenus par des données prêtes pour l’IA, et le même communiqué de Gartner indique que 63 % des organisations n’ont pas, ou ne sont pas sûres d’avoir, les bonnes pratiques de gestion des données pour l’IA. Les données structurées exigent le même soin : les fonctionnalités d’IA dans le CRM comme le lead scoring ne fonctionnent que si les résultats sont étiquetés et les champs remplis de manière cohérente. Auditez les documents, tickets ou enregistrements sur lesquels votre système s’appuiera avant de construire le pipeline autour d’eux.

3. Concevoir l'IA étroite autour des vrais modes de défaillance de la tâche

Les domaines critiques pour la sécurité l’illustrent le mieux. Dans notre guide sur le développement de logiciels automobiles basés sur l’IA, la sécurité fonctionnelle selon l’ISO 26262 est une contrainte qui traverse chaque décision d’ingénierie dès le premier jour. Les systèmes avancés d’aide à la conduite (ADAS) doivent rester précis dans des conditions que leurs données d’entraînement n’ont jamais couvertes, et les niveaux d’intégrité de sécurité automobile (ASIL A à D) fixent l’effort de sécurité requis pour chaque fonction.

La plupart des systèmes métier comportent des enjeux moindres, mais la méthode se transpose. Pour un classificateur de tickets, la défaillance coûteuse est une demande de résiliation classée comme simple retour client, alors qu’une précision moyenne légèrement inférieure compte à peine. Pour un modèle d’extraction de factures, un total erroné est bien plus grave qu’une adresse fournisseur manquante. Dans l’IA pour l’iGaming, un modèle de jeu responsable qui passe à côté d’un joueur à risque a un coût réglementaire et humain que quelques fausses alertes supplémentaires n’ont pas.

Listez les cinq à dix façons dont votre système peut échouer sur sa tâche réelle, estimez ce que chacune coûte à l’entreprise et concevez un contrôle spécifique pour les plus coûteuses : un seuil de confiance, une règle de validation, une seconde vérification ou une revue humaine obligatoire.

Vous prévoyez une fonctionnalité d'IA étroite pour votre produit ?
Contactez-nous

4. Donner au système une vraie mémoire, dans les limites de son périmètre

La mémoire est le point où de nombreux agents d’IA étroite cèdent en production. Un agent qui oublie ce qu’il faisait au milieu d’une tâche en plusieurs étapes refait le travail, se contredit ou abandonne le dossier.

C’est l’une des trois décisions d’architecture qui font ou défont un agent de support en production, comme le montre notre analyse détaillée d’un agent de support client IA construit avec n8n. En pratique, une mémoire limitée au périmètre signifie :

  • Conserver l’état dont la tâche a besoin (le dossier ouvert, l’historique du client sur ce dossier, l’étape en cours du workflow) et rien au-delà
  • Enregistrer des points de reprise en base de données pour qu’une tâche interrompue reprenne là où elle s’est arrêtée
  • Journaliser chaque action avec son entrée, le contexte récupéré par l’agent et sa sortie

Les journaux d’audit sont rentabilisés dès la première fois que quelqu’un demande pourquoi le système a pris une décision donnée. Ils sont aussi la matière première des pratiques de surveillance et de test présentées plus loin dans cette liste.

5. Prévoir des voies d'escalade pour ce qui sort du périmètre de la tâche

Tout système d’IA étroite recevra des entrées pour lesquelles il n’a jamais été conçu. Un modèle de langage interrogé hors de son périmètre a tendance à produire une supposition fluide et assurée, soit le comportement le plus risqué pour un système en contact avec les clients.

Concevez la sortie de manière explicite :

  • Donnez au modèle une issue « hors périmètre » ou « incertain » et récompensez-le lorsqu’il l’utilise
  • Fixez des seuils de confiance en dessous desquels le cas passe à une personne
  • Exigez une validation humaine (human-in-the-loop) pour les actions irréversibles comme les remboursements, les modifications de compte ou les e-mails sortants
  • Transmettez tout le contexte pour que la personne ne reparte pas de zéro

Surveillez ensuite le taux d’escalade. Un taux qui ne cesse de grimper signifie que le périmètre est trop étroit ou le modèle trop faible. Un taux proche de zéro signifie généralement que le système devine.

Flux d'escalade d'un système d'IA étroite : vérifier le périmètre de la tâche, la confiance et le caractère irréversible de l'action, puis transférer, demander une validation ou traiter automatiquement, et comment interpréter le taux d'escalade

6. Surveiller la dérive sur la tâche précise

Les tableaux de bord standard suivent la disponibilité, la latence et le coût en tokens : ils montrent que le système tourne, sans dire si ses réponses sont toujours correctes.

En IA étroite, la dérive se traduit par une baisse de précision sur la tâche précise : de nouveaux noms de produits que le modèle n’a jamais vus, une évolution dans la façon dont les clients formulent leurs demandes, une mise à jour de politique que la base de connaissances n’a pas encore intégrée. Suivez des indicateurs liés à la tâche elle-même :

  • Part des décisions de l’IA que des personnes annulent ou corrigent
  • Évolution du taux d’escalade dans le temps
  • Ancrage des réponses dans la base de connaissances
  • Précision sur un échantillon aléatoire hebdomadaire de cas de production revus par une personne

Mesurez aussi ces chiffres avant le lancement. Comme le souligne notre panorama des cas d’usage de l’IA en entreprise, un déploiement sans référence d’avant lancement n’a rien à quoi comparer ses résultats.

Relancez votre jeu d’évaluation à chaque changement de modèle, de prompt ou de base de connaissances, et déclenchez une alerte en cas de baisse de précision sur la tâche, comme vous le faites pour une indisponibilité.

7. Tester l'IA étroite sur les vrais cas limites de la tâche

Les suites de tests génériques passent à côté des modes de défaillance propres à ce que fait réellement un système d’IA étroite, car ces défaillances se cachent dans les particularités des données de votre domaine.

Constituez le jeu d’évaluation à partir de données historiques réelles, anonymisées si nécessaire :

  • Entrées désordonnées : fautes de frappe, chaînes d’e-mails transférés, PDF scannés, langues mélangées
  • Cas ambigus sur lesquels même vos équipes ne sont pas d’accord
  • Cas limites situés juste à l’intérieur et juste à l’extérieur du périmètre de la tâche
  • Entrées malveillantes comme l’injection de prompt, si le système lit du texte fourni par les utilisateurs

Convenez des seuils de réussite avec le responsable métier avant le lancement, et transformez chaque incident de production en nouveau cas de test, pour que le jeu d’évaluation grandisse avec le système.

8. Adapter la taille du modèle aux besoins réels de la tâche

Choisir par défaut le plus grand modèle disponible est une habitude courante et coûteuse. Gartner prévoit que d’ici 2027, les organisations utiliseront des modèles d’IA de petite taille et spécifiques à une tâche au moins trois fois plus que les LLM généralistes, en notant que les modèles généralistes perdent en précision sur les tâches qui exigent un contexte métier spécifique.

La recherche va dans le même sens. L’étude LoRA Land a fine-tuné 310 modèles sur 31 tâches et constaté que les modèles fine-tunés avec LoRA en 4 bits surpassent les modèles de base de 34 points et GPT-4 de 10 points en moyenne, avec 25 modèles fine-tunés de 7 milliards de paramètres servis depuis un seul GPU.

Une approche raisonnable consiste à prouver la valeur d’abord avec l’API d’un modèle de pointe, à collecter du trafic réel et un jeu d’évaluation, puis à vérifier si un modèle plus petit atteint le même niveau pour une fraction du coût d’exploitation. Ce modèle plus petit peut venir du fine-tuning de LLM sur vos propres exemples ou de la distillation de modèle, où le grand modèle apprend à un modèle compact à faire le même travail. Nous détaillons l’aspect économique dans pourquoi un petit modèle distillé peut battre GPT-5 sur votre tâche.

9. Documenter le périmètre pour ceux qui maintiendront le système

Le périmètre de la tâche qui avait du sens au lancement s’efface des mémoires en moins d’un an. Un nouvel ingénieur ajoute une « petite » fonctionnalité, un prompt est modifié pour gérer un client difficile, et le système dérive hors du périmètre pour lequel il a été testé.

Tenez un document de périmètre dans le dépôt, à côté du code, qui couvre :

  • La tâche, en un paragraphe
  • Ce qui est dans le périmètre et, explicitement, ce qui en est exclu
  • Les sources de données et leurs versions
  • Les règles d’escalade et les seuils de confiance
  • Le jeu d’évaluation, les seuils de réussite et le responsable nommément désigné

Mettez-le à jour à chaque changement de périmètre, dans la même pull request. C’est aussi le premier document que nous demandons quand Redwerk reprend un système d’IA à moitié développé par une autre équipe.

10. Faire évoluer le périmètre de votre IA étroite avec l'entreprise

Le périmètre d’un système d’IA étroite n’est pas figé pour toujours, et il ne doit pas l’être. Nouvelles gammes de produits, nouveaux marchés et nouvelles réglementations vont tous le mettre sous tension.

Élargir le périmètre revient à créer une nouvelle tâche, que les résultats d’évaluation initiaux ne couvrent pas. Lorsque Google DeepMind a appliqué le machine learning au refroidissement des data centers, le système a permis de réduire de 40 % l’énergie consacrée au refroidissement, mais l’équipe a noté que chaque data center possède une architecture et un environnement uniques, si bien qu’un modèle ajusté sur mesure pour un système peut ne pas s’appliquer à un autre.

Traitez chaque changement de périmètre comme un petit cycle de découverte : mettez à jour le document de périmètre, ajoutez des modes de défaillance et des cas limites au jeu d’évaluation, ajustez les règles d’escalade et revoyez le périmètre avec le product owner à intervalle fixe, par exemple une fois par trimestre.

Quand l'IA étroite n'est pas le bon outil

Certains problèmes n’ont pas du tout besoin d’un système d’IA étroite. Si quelques règles déterministes résolvent la tâche de manière fiable, ces règles coûtent moins cher à exécuter, sont plus faciles à auditer et ne dérivent jamais. Si le travail est peu volumineux, créatif ou change chaque semaine, un assistant généraliste utilisé par une personne vous servira généralement mieux qu’un système sur mesure. L’IA étroite justifie son coût sur des tâches répétitives, bien définies et à fort volume, dont les entrées sont assez désordonnées pour mettre les règles en échec.

Comment Redwerk développe des systèmes d'IA étroite

Nos projets de développement de logiciels d’IA sur mesure commencent par le périmètre. Une phase de découverte assistée par l’IA de 1 à 3 semaines transforme des exigences incomplètes en un périmètre testable, un prototype fonctionnel suit en quelques jours à trois semaines, et le jeu d’évaluation, les règles d’escalade et les journaux d’audit sont construits en parallèle des fonctionnalités. Vous bénéficiez d’une équipe senior qui monte rapidement en compétence et vous tient informé à chaque étape, qu’il s’agisse d’un agent de support ou d’un outil de workflow interne.

Bien développer une IA étroite dépend de la précision avec laquelle vous définissez, limitez et maintenez le périmètre de ce qu’elle est censée faire. Si vous cherchez une équipe qui l’a déjà fait, parlez-nous de la tâche que vous souhaitez automatiser.

FAQ

Qu'est-ce que l'IA étroite, en termes simples ?

L’IA étroite est une intelligence artificielle conçue pour accomplir une tâche précise, comme recommander des produits, filtrer les spams ou router des tickets de support. Elle peut très bien accomplir cette tâche, mais ne peut pas appliquer son savoir-faire à des tâches sans rapport. Tous les systèmes d’IA utilisés aujourd’hui sont des IA étroites.

Quels sont des exemples d'IA étroite ?

Parmi les exemples courants, on trouve les assistants vocaux, les moteurs de recommandation du streaming et de l’e-commerce, les filtres anti-spam des messageries, la détection de fraude dans la banque, la reconnaissance d’images dans les applications photo et les agents de support client qui répondent aux questions à partir de la base de connaissances de l’entreprise.

ChatGPT est-il une IA étroite ou une IA générale ?

Selon la définition habituelle, ChatGPT reste une IA étroite. C’est un modèle de langage généraliste qui gère de nombreuses tâches textuelles, mais il ne peut pas apprendre et raisonner de façon autonome dans n’importe quel domaine comme le ferait une intelligence artificielle générale. Dès que vous déployez un modèle de ce type pour une tâche précise dans votre produit, vous construisez un système d’IA étroite.

Combien de temps faut-il pour développer un système d'IA étroite ?

Sur les projets Redwerk, la découverte assistée par l’IA prend de 1 à 3 semaines, un prototype fonctionnel de quelques jours à trois semaines, et un système de complexité moyenne prêt pour la production de 6 à 12 semaines. Les systèmes plus importants, avec de nombreuses intégrations, demandent de 3 à 6 mois.

Quelle est la différence entre l'IA étroite et l'AGI ?

L’IA étroite accomplit des tâches précises et prédéfinies, et c’est elle qu’utilisent tous les systèmes d’IA en production aujourd’hui. L’intelligence artificielle générale (AGI) serait capable de comprendre, d’apprendre et de raisonner dans n’importe quel domaine à un niveau humain. L’AGI reste un objectif de recherche et n’a pas encore été créée.

Découvrez comment Redwerk a entraîné un réseau neuronal sur plus de 1,5 million d'enregistrements pour alimenter une plateforme de mise en relation IA, plus tard acquise par un géant américain du recrutement

Veuillez saisir votre adresse courriel professionnelle n'est pas un courriel professionnel