Le cimetière entre le POC et la production
Toutes les entreprises ont désormais leur POC d’IA. Beaucoup en ont plusieurs. Très peu ont des systèmes en production. Entre les deux s’étend un cimetière, et il ne se remplit pas par malchance : un POC d’IA meurt presque toujours pour la même raison. Il a prouvé la démo, pas le workflow.
Le passage du POC IA à la mise en production n’est pas une étape de plus, c’est un changement de nature. Comprendre ce que la production exige, et que le POC a soigneusement contourné, est le meilleur moyen de cadrer un POC qui a une chance d’en sortir vivant.
Ce qu’un POC prouve vraiment
Un POC classique montre qu’avec des données choisies, un utilisateur bienveillant et un opérateur qui connaît les bonnes questions, le système produit des résultats impressionnants. C’est une information, mais pas celle qu’on croit : elle dit que la technologie fonctionne, ce qui en 2026 n’est plus vraiment en doute. Elle ne dit rien de ce qui tue les projets : les données réelles, les cas limites, les utilisateurs pressés, le coût à volume réel.
Le POC garde pourtant une utilité, à condition de changer la question posée. Non pas "la technologie marche-t-elle", mais "marche-t-elle sur nos données, à notre niveau d’exigence, dans notre workflow". Formulée ainsi, la question transforme tout ce que le POC doit contenir, et c’est l’objet du reste de cette note.
Ce que la mise en production exige
Cinq chantiers que le POC a sautés. C’est normal, il était fait pour ça ; le problème commence quand on croit qu’ils se rattraperont en quelques jours.
La gestion des erreurs. En démonstration, quand le système se trompe, on relance. En production, l’erreur part chez un client, dans une écriture comptable, dans une décision. Que fait le système quand il n’est pas sûr ? Vers qui escalade-t-il ? Un système de production sait refuser de répondre et transmettre à un humain ; un POC ne sait même pas qu’il se trompe.
L’évaluation. "Ça a l’air de bien marcher" ne survit pas au premier changement de prompt ou de modèle. Il faut un jeu d’évaluation : des cas réels avec la réponse attendue, rejoués à chaque modification. Sans lui, chaque amélioration est un pari, et les régressions passent inaperçues jusqu’à la plainte d’un utilisateur.
Le monitoring. Un système d’IA se dégrade en silence : les documents changent, les usages dérivent, un fournisseur met à jour son modèle. Sans traçage des requêtes, des coûts et de la qualité, vous pilotez à l’aveugle et vous l’apprendrez tard.
Les permissions. Le POC tournait sur un dossier partagé et un extrait de données. En production, l’assistant ne doit jamais répondre depuis un document que le demandeur ne peut pas ouvrir, et un système qui agit sur vos outils a besoin de droits délimités. Ce chantier peut coûter plus cher que l’IA elle-même, et il ne se découvre pas en dernière semaine.
La maîtrise des coûts. À 50 requêtes par jour, la facture des modèles est anecdotique. À 50 000, elle devient une ligne de budget, et le coût unitaire se conçoit avant l’échelle, pas après.
Comment cadrer un POC qui peut passer en production
Trois règles. Des vraies données dès le premier jour : si le POC tourne sur un échantillon nettoyé, vous testez un autre système que le vôtre. Le vrai workflow : le POC doit s’insérer là où le travail se fait, pas dans une interface de démonstration posée à côté. Et les contraintes de production posées d’emblée : droits d’accès, volumétrie, seuil de qualité exigé, budget de fonctionnement.
Un POC cadré ainsi coûte un peu plus cher qu’une démo. Il coûte surtout beaucoup moins cher que trois démos enterrées, et les fourchettes de budget restent raisonnables : c’est le format que nous appelons prototype, 2 à 4 semaines sur données réelles.
Ajoutez-y ce qui fait survivre tous les projets IA : un responsable métier et une métrique de départ, dont l’absence explique la plupart des échecs. Et si le doute porte sur le sujet lui-même, mieux vaut le réexaminer maintenant : l’ennuyeux bat le spectaculaire pour un premier chantier.
Notre façon de travailler consiste à écraser cette frontière plutôt qu’à la franchir : le prototype tourne dès le départ sur vos données réelles, dans vos systèmes, avec les contraintes de production posées au cadrage, pour que la mise en production soit une continuation et non un second projet. C’est le cœur de notre offre d’IA sur mesure.