Skip to content

L'intégration de l'IA dans le SI

L'IA ne s'ajoute pas simplement comme une couche de plus à côté des autres : elle est plutôt une couche transversale, qui vient se brancher sur toutes les autres et redistribue les priorités du SI.

1. Une couche transversale, pas une couche verticale

Dans la pile classique (infrastructure, données, middleware/applications, intégration, présentation), chaque couche s'appuie sur celle du dessous. La couche IA fonctionne différemment :

  • Elle consomme la couche données (sources, entrepôts, lacunes)
  • Elle s'intègre à la couche applicative (copilots embarqués dans le CRM, l'ERP…)
  • Elle s'appuie sur la couche d'intégration (API, ESB/iPaaS, event streaming)
  • Elle expose ses propres services vers la couche présentation et les agents
flowchart TB
    subgraph SI existant
        INFRA[Infrastructure / Cloud]
        DATA[Données : entrepôts, lakes]
        APPS[Applications : ERP, CRM, métiers]
        INTEG[Intégration : API, iPaaS, events]
    end
    subgraph Couche IA
        GW[Passerelle IA / gestion des modèles]
        RAG[RAG + bases vectorielles]
        ORCH[Orchestration : agents, workflows]
        MLOPS[LLMOps : monitoring, évaluation, coût]
    end
    DATA --> RAG
    APPS --> ORCH
    INTEG --> GW
    GW --> RAG --> ORCH --> APPS
    ORCH --> MLOPS

iaintegration.png

2. Les briques constitutives

La passerelle IA (AI gateway) — le point d'entrée unifié vers les modèles (Llama, Mistral, GPT, etc.) : routage, authentification, quotas, gestion des coûts, fallback entre modèles. C'est l'équivalent de ce que l'ESB ou l'API management a été pour le SI classique.

Le socle de données augmenté — la couche IA hérite de la couche données mais exige plus : qualité, métadonnées, droits d'accès, et surtout des bases vectorielles avec embeddings pour le RAG. Le RAG est devenu le modèle d'architecture dominant en entreprise : c'est lui qui "rabote" le modèle avec les données internes, sans réentraînement.

L'orchestration et les agents — chaînes d'appels, appel d'outils (function calling), agents capables d'agir sur les applications du SI (créer un ticket, écrire dans l'ERP). C'est la partie la plus structurante, car un agent IA devient un utilisateur non humain du SI.

Le LLMOps / MLOps — évaluation continue des réponses, détection de dérive, monitoring des prompts, gestion des versions de modèles et de garde-fous. Souvent la brique la moins matures chez les entreprises, et pourtant indispensable.

3. Ce qui change pour les autres couches

  • La couche données devient stratégique : un modèle n'est bon que par les données qu'on lui donne. La gouvernance des données (qualité, lignage, habilitations) passe du back-office au cœur de la valeur.
  • La couche d'intégration doit être "AI-ready" : les agents ont besoin d'API propres, documentées, découvrables. Un SI mal API-séifié limite l'IA.
  • La sécurité s'étend : nouveaux risques (injection de prompt, fuite de données par les prompts, données d'entraînement propriétaires), nouvelles obligations (AI Act européen avec sa graduation par niveaux de risque, RGPD pour les traitements de données personnelles).
  • Le coût devient une métrique d'architecture : le pricing par token fait que le dimensionnement (choix du modèle selon la tâche, cache, petites vs grandes tailles de modèles) devient une décision d'architecture au même titre que le sizing serveur hier.

4. Les trois patterns d'adoption

  1. IA embarquée : les éditeurs intègrent l'IA dans leurs produits (Copilot dans Office, IA native dans le CRM). Adopter sans architecter — rapide mais hétérogène, risques d'ombre IT ("shadow AI") et de dispersion des données.
  2. IA comme service interne : une plateforme IA d'entreprise (passerelle + RAG + orchestration) que les équipes métier consomment. Cohérence, gouvernance, maîtrise des coûts.
  3. IA agentique : des agents autonomes qui opèrent le SI. Le plus prometteur, le plus exigeant en maturité (droins d'accès fins, auditabilité, garde-fous humains).

La trajectoire réaliste pour une entreprise : partir du pattern 1 pour la valeur rapide, bâtir le pattern 2 pour la maîtrise, et atteindre le 3 quand la gouvernance suit.

En résumé : la couche IA transforme le SI de l'intérieur — elle ne remplace pas les couches existantes, mais elle en change la hiérarchie des priorités (les données et les API montent au premier plan) et impose ses propres briques transversales (passerelle, RAG, orchestration, LLMOps). Voulez-vous qu'on creuse un point en particulier — l'architecture RAG, la gouvernance face à l'AI Act, ou le dimensionnement économique ?