We Do Dev Work
We Do Dev Work
AI development
• 01 Jun 2025 • Mis à jour le 04 Nov 2026

Développement IA : définition, coûts et exemples concrets

Développement IA : définition, coûts et exemples concrets

La réponse courte : le développement IA consiste à construire des logiciels qui utilisent un modèle d'IA (un modèle de langage, un modèle d'image ou votre propre modèle entraîné) pour faire un travail que des règles fixes ne savent pas faire : lire des documents, répondre à des questions ou prendre des mesures à partir d'une photo. L'essentiel du travail, c'est du logiciel classique autour du modèle : faire entrer vos données, vérifier les réponses, le connecter à vos systèmes et surveiller la qualité après le lancement. La facture du modèle est généralement le plus petit poste de coût. Ci-dessous : ce que l'IA peut faire, les étapes, ce qui fait le coût, quand construire ou acheter, et deux projets réels.

Soyons très clairs : nous n'allons pas parler de « vibe coding » dans cet article. Nous allons plutôt explorer la complexité supplémentaire qu'apporte l'intégration de l'intelligence artificielle comme solution à un problème technique.


La technologie de l'IA a progressé rapidement ces dernières années, mais elle n'est pas vraiment nouvelle. Les réseaux de neurones profonds font l'objet de recherches depuis les années 1950. Et en 1985, le marché de la recherche en IA valait déjà plus d'un milliard de dollars américains.

Alors, qu'est-ce qui a changé ?

  • Nous disposons désormais d'une puissance de calcul massive, grâce à une infrastructure cloud accessible à la demande.

  • Les grandes entreprises technologiques ont accès à des jeux de données extrêmement vastes issus de décennies de données numériques archivées.

  • Des frameworks open source donnent un accès gratuit à la mise en œuvre de solutions d'IA et abaissent la barrière d'entrée.


Ces évolutions ont transformé ce qui relevait de la recherche académique en une discipline d'ingénierie pratique.


Le développement d'IA est le processus de création de systèmes informatiques qui intègrent un composant d'IA. Il couvre la reconnaissance d'images, la détection de motifs, la prise de décision, la reconnaissance du langage et bien d'autres choses. Contrairement à un logiciel traditionnel, le comportement d'un système d'IA provient de données et d'un modèle, et non uniquement de règles que vous avez écrites. La plupart des systèmes d'entreprise actuels ne se réentraînent pas eux-mêmes ; ils utilisent un modèle pré-entraîné, et la qualité change lorsque le modèle, le prompt ou vos données changent.

Les défis du développement d'IA

Développer des systèmes d'IA introduit de nouvelles couches de complexité. De même qu'un ingénieur logiciel doit comprendre les systèmes d'exploitation sur lesquels tournent ses applications, un ingénieur IA doit comprendre les technologies d'IA qu'il intègre à ses solutions.


En tant que développeur d'IA, vous devez comprendre les modèles de machine learning, les architectures de deep learning, les réseaux de neurones, les espaces vectoriels, les métriques d'évaluation, et même prendre des décisions d'ordre éthique sur l'usage de l'IA.


Heureusement pour les développeurs d'IA, les grands modèles de langage (LLM) ont facilité les parties classiques du développement logiciel, car elles posent encore des défis comme le déploiement, la montée en charge du système et le développement front-end. Après tout, il faut toujours un moyen d'interagir avec le système, et le système doit être disponible.


Le développement d'IA peut être puissant, mais ce n'est pas un processus automatique. On ne peut pas simplement jeter l'e-mail d'un client dans un modèle et s'attendre à obtenir un système informatique abouti. Cela demande une réflexion soignée, un développement itératif, des tests et une compréhension profonde du problème à résoudre.


Le développement d'IA introduit aussi un nouveau type d'erreur : une sortie informatique inutilisable. Autrefois, toute erreur d'un système traditionnel était une erreur humaine, des bugs dans le code. Mais désormais l'ordinateur peut donner des résultats étranges ou fondamentalement faux, parfois appelés « hallucinations ». Le développeur d'IA doit savoir gérer ce type d'erreurs en mettant en place de nouvelles stratégies de validation, un fine-tuning du modèle et une logique de repli.


Autre remarque : en raison des progrès rapides des technologies d'IA disponibles, un développeur d'IA doit se tenir continuellement au courant des nouveaux outils qui émergent pour rester compétitif dans ce paysage.

Que peut faire l'IA pour une entreprise aujourd'hui ?

La plupart des projets d'IA utiles n'ont rien d'exotique. Ce sont des modèles de langage ou des classificateurs rattachés à un système ordinaire. Voici les cas d'usage qui, selon notre expérience, fonctionnent, chacun avec la limite à prévoir.

Cas d'usageCe qu'il fait bienLimite à connaître
Assistant de support clientRépond aux questions courantes à partir de vos propres documents, rédige des brouillons de réponses pour le personnelRépondra parfois avec assurance et à tort ; nécessite un transfert vers un humain
Traitement de documentsExtrait des champs de factures, de contrats, de formulaires vers des données structuréesLes mauvais scans et les mises en page inhabituelles échouent ; quelqu'un doit relire les résultats à faible confiance
Recherche dans vos propres contenusTrouve des réponses dans des manuels, des tickets, des wikis par le sens, pas par mots-clésVaut ce que valent les documents ; des fichiers obsolètes ou contradictoires donnent des réponses obsolètes
Classification et routageÉtiquette des e-mails, des prospects ou des tickets et les envoie à la bonne équipeLes cas limites et les nouvelles catégories demandent un suivi
Rédaction et résuméPremiers jets, comptes rendus de réunion, descriptions de produitsUn humain reste responsable du texte final
Prévision et détection d'anomaliesDemande, attrition, signaux de fraude à partir de votre historiqueDemande assez d'historique propre ; ne peut pas prédire ce qui ne s'est jamais produit

Si une règle peut résoudre le problème (« si la commande dépasse 5 000 baht, demander une validation »), écrivez la règle. L'IA gagne sa place là où les données d'entrée sont désordonnées, riches en langage ou trop variées pour des règles. Pour le contexte technique, voir les bases de l'IA.

À quoi ressemble un projet d'IA, étape par étape ?

  1. Définir le problème et la mesure de réussite. « Réduire de moitié le délai de première réponse du support » est un objectif. « Ajouter de l'IA » n'en est pas un.
  2. Vérifier les données. Les avez-vous, avez-vous le droit de les utiliser, et sont-elles assez propres ? C'est souvent là que beaucoup de projets changent de périmètre.
  3. Construire un petit prototype. Quelques jours de travail avec un modèle hébergé vous disent si l'idée est réalisable.
  4. Constituer un jeu d'évaluation. Rassemblez 50 à 200 exemples réels avec les bonnes réponses, et évaluez chaque changement par rapport à eux. Sans cela, vous devinez.
  5. Construire le vrai système. Prompts ou récupération, validation des sorties, repli vers un humain, journalisation, et l'interface que les gens utilisent réellement.
  6. Intégrer. Se connecter à votre CRM, votre ERP, votre messagerie ou votre site web, avec permissions et gestion des erreurs.
  7. Lancer auprès d'un petit groupe, puis surveiller. Suivez la qualité, le coût par requête, le temps de réponse et les corrections des utilisateurs. Les modèles, les prompts et vos propres données changent, donc la qualité dérive.

Les étapes 2, 4 et 7 sont celles que l'on saute, et elles font la différence entre une démo et un produit. Le même écart existe pour tout prototype ; voir mon produit conçu en vibe coding est-il prêt ?

Qu'est-ce qui fait le coût d'un projet d'IA ?

  • Usage du modèle et de l'API. Les modèles hébergés sont facturés au token (environ trois quarts d'un mot). Les tokens d'entrée et de sortie sont tarifés séparément, et la sortie coûte plus cher.
  • Préparation des données. Nettoyage, étiquetage, permissions et extraction des données d'anciens systèmes sont souvent le plus gros poste du premier projet.
  • Évaluation. Constituer des jeux de test et relire les résultats demande un vrai temps de la part de personnes qui connaissent votre métier.
  • Intégration. Connexion à vos systèmes existants, authentification et interface utilisateur.
  • Suivi et maintenance. Tableaux de bord, alertes, mises à jour des prompts et du modèle, et revue régulière de la qualité.

Exemple : ce que coûte l'usage d'une API

En octobre 2026, Anthropic affiche ces prix d'API par million de tokens sur sa page de tarifs :

ModèleEntréeSortie
Haiku 5.5 (prompts jusqu'à 100K tokens)$0.10$0.50
Sonnet 5.5$2$10
Opus 5.5$4$20
Fable 5.1$10$50

La page indique aussi 50 % d'économie pour le traitement par lots et des lectures bien moins chères pour le texte de prompt mis en cache. Les prix changent souvent : consultez la page du fournisseur avant d'établir un budget.

Un calcul rapide de notre part : un assistant de support qui gère 1 000 conversations par jour, chacune avec environ 3 000 tokens d'entrée et 500 de sortie, consomme chaque jour 3 millions de tokens d'entrée et 0,5 million de tokens de sortie. Avec Sonnet 5.5, cela donne $6 + $5 = $11 par jour, soit environ $330 par mois. La facture du modèle est souvent modeste ; les personnes et l'ingénierie autour ne le sont pas. C'est pourquoi le coût n'est pas nul, même quand l'outil est bon marché.

Deux projets d'IA réels

UniMeasureAI : des mensurations depuis le navigateur d'un téléphone

Les acheteurs en ligne commandent souvent la mauvaise taille. UniMeasureAI voulait mesurer un corps depuis un smartphone, dans le navigateur, sans application. Nous l'avons construit avec eux dès le premier jour : la partie IA, et le produit web autour, celui que les acheteurs utilisent réellement. Lisez le cas UniMeasureAI.

Notre propre outil de tickets, connecté à Claude

En octobre 2026, nous avons connecté notre propre outil de gestion de tickets à Claude via un serveur MCP, pour que l'IA puisse lire et écrire des tickets, des commentaires et des heures avec les droits d'accès de chaque personne. Il a été construit le 14 octobre et mis en production le 21 octobre. Au cours de ses 10 premiers jours, il a effectué 1 338 modifications via Claude. Le plus difficile n'était pas le modèle : c'étaient les droits d'accès, la journalisation de chaque écriture et les limites. Comment nous avons fait : connecter votre logiciel à Claude ou ChatGPT.

Le point commun des deux : le modèle s'achète, le produit autour se construit. C'est là que part l'essentiel du temps et du budget.

Construire ou acheter ?

  • Acheter lorsque le problème est courant (notes de réunion, chatbots génériques, transcription) et qu'un produit le fait déjà bien. Vous payez un abonnement et acceptez ses limites.
  • Construire lorsque l'IA touche vos propres données, votre processus ou vos clients, lorsque vous avez besoin de contrôler le comportement et le coût, ou lorsqu'elle fait partie de ce que vous vendez.
  • Combiner dans la plupart des cas : acheter le modèle via une API, construire les éléments autour qui vous sont spécifiques.

L'arbitrage plus large est traité dans construire ou acheter : le calcul a changé. Si vous souhaitez qu'une équipe le construise avec vous, consultez notre service de développement d'IA et quelques projets réalisés.

Quels sont les risques ?

Vie privée et protection des données

Tout ce que vous envoyez à un modèle quitte vos systèmes. Décidez de ce qui peut être envoyé, vérifiez les conditions de conservation des données et d'entraînement du fournisseur pour votre formule, supprimez les données personnelles quand c'est possible, et vérifiez les règles locales comme la PDPA thaïlandaise ou le RGPD si vous servez des clients de l'UE.

Hallucinations

Les modèles peuvent affirmer des choses fausses avec aisance. Réduisez le risque en répondant uniquement à partir de documents fournis, en validant les sorties par rapport à un schéma ou une base de données, en affichant les sources et en orientant les cas incertains vers une personne. On ne peut pas le ramener à zéro : concevez donc le système en prévoyant l'échec.

Dépendance à un fournisseur

Les prompts, les modèles affinés et les fonctionnalités spéciales vous lient à un seul fournisseur. Gardez le modèle derrière une seule interface dans votre code, conservez votre jeu d'évaluation, et vous pourrez tester un modèle moins cher ou meilleur en un après-midi.

Mauvaises surprises de coût et dérive de qualité

Fixez des limites d'usage et des alertes, et relancez votre jeu d'évaluation après chaque changement de modèle ou de prompt.

Pour un développement sur mesure, voir développement d'application web sur mesure : coût et déroulement. Si un outil d'IA a déjà construit une partie de votre application, vérifiez si elle est prête pour de vrais utilisateurs.

Pour conclure

Même si de nombreuses technologies d'IA sont disponibles via des API pour une mise en œuvre rapide, le développement d'IA ne se résume pas à écrire un bon prompt et à y plaquer une interface en vibe coding. Apprendre à faire confiance à la sortie de la machine, à la vérifier et à la corriger, voilà ce qui sépare une preuve de concept d'une solution d'IA prête pour la production. Avant d'envisager de construire une solution pilotée par l'IA, demandez-vous :

  • Avons-nous assez de données de qualité ?

  • Comment pouvons-nous mesurer la réussite ?

  • Sommes-nous prêts à maintenir un système qui apprend et s'adapte avec le temps ?

L'IA n'est pas le futur, c'est le présent. Mais c'est une discipline d'ingénierie comme une autre, qui demande des connaissances, de l'esprit critique et de la créativité pour produire de vrais résultats.

Toutes les tâches d'IA n'exigent pas un grand modèle de langage. Pour des décisions rapides et structurées comme le routage ou le scoring, lisez LLM vs modèles de type System One.

Sources

Questions fréquentes

Qu'est-ce que le développement d'IA ?

C'est la construction de logiciels qui intègrent un composant d'IA, comme un modèle de langage ou un classificateur, pour des tâches telles que répondre à des questions, extraire des données ou orienter des demandes. L'essentiel du travail reste de l'ingénierie autour du modèle.

Combien coûte le développement d'IA ?

Cela dépend du périmètre. Les frais d'API des modèles sont facturés au token et peuvent représenter quelques centaines de dollars par mois pour un assistant très sollicité, tandis que la préparation des données, l'évaluation, l'intégration et le suivi constituent l'essentiel du coût du projet.

Comment les API d'IA sont-elles tarifées ?

Par million de tokens, avec des prix distincts pour l'entrée et la sortie. En octobre 2026, Anthropic affiche Sonnet 5.5 à 2 $ en entrée et 10 $ en sortie par million de tokens, avec 50 % de remise pour le traitement par lots.

Faut-il construire ou acheter une solution d'IA ?

Achetez lorsque le problème est courant et qu'un produit le résout déjà. Construisez lorsque l'IA utilise vos propres données ou votre processus, et dans la plupart des cas, combinez un modèle acheté avec un logiciel sur mesure autour.

L'IA peut-elle se tromper dans un système d'entreprise ?

Oui. Les modèles peuvent produire des réponses assurées mais fausses. Utilisez des réponses ancrées dans vos documents, validez les sorties et envoyez les cas incertains à une personne.

Comment éviter la dépendance à un fournisseur d'IA ?

Gardez le modèle derrière une interface unique dans votre code et conservez votre propre jeu d'évaluation. Vous pourrez alors tester un autre modèle et changer sans réécrire le système.

Un problème de dev ?

Pas besoin de savoir exactement ce qui ne va pas. C'est justement le principe.

Envoyer le signal