Leur IA générative est en production. Auditée, mesurée, gouvernée.

Nous produisons un bench de test spécifique au cas d'usage, exécuté en continu à chaque évolution du modèle ou des prompts. Les métriques de qualité sont publiées dans un tableau de bord dédié, avec alertes sur les dégradations. Aucune évolution n'est déployée sans passage du bench.

Nous sélectionnons le modèle au cas par cas : Anthropic Claude pour le raisonnement complexe et la rédaction, Mistral et modèles ouverts pour les déploiements souverains ou on-premise, Gemini pour le multimodal, OpenAI quand l'écosystème client l'impose. Le choix est justifié par un bench comparatif.

Nous cartographions les flux en amont, filtrons les données personnelles avant envoi au modèle, pseudonymisons lorsque c'est nécessaire et hébergeons régionalement. Les environnements Loi 25 (Canada) et RGPD (UE) sont isolés. Les prompts et réponses sont journalisés de façon conforme.

Cloud (Azure OpenAI, AWS Bedrock) : déploiement rapide, modèles managés, coûts à la consommation. On-premise (vLLM, Ollama, modèles open-source Llama/Qwen/Mistral) : souveraineté totale, confidentialité maximale, coûts fixes. Recommandation au cas par cas selon contraintes réglementaires et sensibilité des données.

6 à 12 semaines pour un POC validé en prod sur un corpus restreint (quelques milliers de documents). 3 à 6 mois pour un déploiement à l'échelle (corpus volumineux, multi-tenants, SLA). Bench de qualité en place dès la phase POC pour mesurer l'amélioration continue.

Dépend du volume. Sous ~1M tokens/jour : cloud (Claude, GPT) généralement plus économique. Au-delà : self-hosted avec GPU dédiés devient compétitif. Nous calculons le point de bascule précis dans le document de chiffrage, avec projections 1/3/5 ans.

Trois audits obligatoires : qualité, biais, confidentialité. Tableaux de bord d'observabilité (LangSmith, LangFuse). Versioning prompts + modèles. Politiques de rétention claires. Hébergement régional avec isolation tenant. Documentation audit trail complète pour inspections. Compliance Loi 25 / RGPD / secteur.

Nos développeurs utilisent Claude Code, Copilot, Cursor au quotidien pour générer boilerplate, tests, documentation, refactoring. Productivité x2-3. Pratique structurée : revue humaine obligatoire, versioning des prompts stratégiques, audit mensuel de qualité sur code IA-généré vs manuel. Capacity building transféré au client.

Oui, systématiquement. Transfert de compétences planifié dès Discovery : pair-programming sur les patterns RAG, ateliers mensuels, documentation des prompts et modèles. À la livraison, l'équipe cliente est autonome sur l'évolution et l'exploitation du système IA.

Cinq critères que nous appliquons sur chaque engagement, dans cet ordre. (1) Adéquation au cas d'usage — profondeur de raisonnement, suivi d'instructions, qualité multilingue varient selon les modèles ; benchmarker sur la tâche réelle du client avant de décider. (2) Résidence des données et confidentialité — Loi 25 et RGPD contraignent où les données peuvent être traitées ; certains modèles offrent une inférence EU-only ou Canada-only, d'autres non. (3) Latence et débit — les cas d'usage interactifs (chat client) demandent des réponses sub-2-secondes, les cas batch tolèrent secondes à minutes. (4) Coût total de possession — tarification token, coût de fine-tuning, faisabilité de self-hosting sur Mistral ou Llama si la confidentialité l'exige. (5) Risque éditeur — changements de tarifs, politiques de dépréciation, lock-in modèle. Notre position est vendor-agnostic : le choix du modèle est une décision de cas d'usage, pas une allégeance organisationnelle. Nous benchmarkons avant d'engager. Voir l'expertise IA, Data & Automatisation.

Cela dépend du volume, de la confidentialité et de la capacité d'équipe. API managée (Anthropic, OpenAI, Mistral, Azure OpenAI) est le défaut raisonnable en-dessous de ~10 M tokens par mois : zéro infrastructure à gérer, modèles à jour, facturation à l'usage, fiable. Self-hosted (vLLM, Ollama, TGI sur GPU H100/A100 avec modèles open-source type Llama, Qwen, DeepSeek, Mistral self-hosted) devient économique au-delà de ~10-50 M tokens par mois, OU quand la confidentialité bloque les LLM en cloud public. Le coût caché du self-hosting n'est rarement la facture GPU — c'est 1 à 2 ETP nécessaires pour l'exploiter de façon fiable. La troisième option fréquente est Azure OpenAI en tenant privé avec intégration VNet et clés client : le meilleur des deux mondes pour les organisations régulées qui veulent du managé mais conforme. Nous benchmarkons sur la charge réelle du client avant d'engager. Voir l'expertise IA, Data & Automatisation.