IA générative en production : au-delà du prompt

Générer un texte correct avec ChatGPT, tout le monde sait le faire en 2026. Mettre l'IA en production, pour qu'elle traite cent tâches par jour, sans supervision permanente, sans dériver, et sans incident sur des données sensibles, c'est un autre métier.

Depuis 2022, nous avons déployé de l'IA générative pour une dizaine de clients, sur des cas très concrets : qualification automatique de prospects à partir de courriels entrants, génération de premières versions de contrats, résumé de comptes rendus de réunion, réponse à des demandes de soutien technique de niveau 1. Voici les trois principes que l'expérience nous a imposés.

Premier principe : jamais de boucle fermée. Pour toute tâche avec un impact externe (envoi de courriel à un client, génération d'un document légal, modification de données dans le CRM), il y a toujours une validation humaine. Pas de contrôle qualité par échantillonnage. Une validation, à chaque fois. L'automatisation commence avant et continue après, mais le point de décision reste humain.

Deuxième principe : les garde-fous sont plus importants que les consignes. Une consigne bien rédigée, c'est entre 5 et 15 % du travail. Les 85 % restants, c'est tout ce qui empêche l'IA de partir en vrille : validation de format des sorties, détection de contenu hors-sujet, rejet des demandes qui ressemblent à des tentatives d'extraction, journalisation complète des interactions. Sans ces garde-fous, l'IA fonctionne en démo et casse en production.

Troisième principe : la traçabilité est obligatoire. Chaque sortie IA doit être attribuable à une entrée spécifique, une version de consigne précise, un modèle versionné. Quand un client reçoit une réponse incorrecte, on doit pouvoir reconstituer exactement ce qui s'est passé, changer ce qui doit être changé, et redéployer sans attendre une semaine.

La pile technique que nous utilisons le plus souvent : Claude API d'Anthropic pour la génération (pour sa fiabilité et sa conformité), une base de connaissances vectorisée sur Pinecone ou Supabase pour les contextes spécifiques à l'entreprise, un orchestrateur léger en Node.js qui applique les garde-fous, et une journalisation complète dans PostgreSQL. Stack simple, éprouvée, pas de choix exotiques.

Le piège que nous voyons souvent : une entreprise teste un outil IA grand public sur un cas concret, les résultats sont prometteurs, elle passe en production sans garde-fous. Deux mois plus tard, un client reçoit une réponse inappropriée, parfois embarrassante. La confiance est cassée, et l'entreprise enterre tout le projet IA pour deux ans.

Ce qu'on recommande : commencer petit, avec un garde-fou systématique (« humain dans la boucle »), mesurer la qualité pendant 30 jours, puis progressivement retirer les validations sur les cas les plus maîtrisés. C'est plus lent à démarrer, mais ça tient en production.

Un chiffre pour finir : sur les déploiements que nous avons mis en place entre 2023 et 2025, le temps gagné moyen pour l'équipe cliente est de 12 à 18 heures par semaine, soit environ 0,3 équivalent temps plein. Pour un projet de 12 à 25 000 $ CAD, l'amortissement se fait en moins d'un an, à condition de ne pas avoir à tout refaire six mois plus tard parce que la mise en production a été bâclée.