Vous n’avez pas besoin d’une nouvelle démo d’IA. Vous avez besoin d’une IA qui tient en production.

Trois critères, dans cet ordre : tolérance à l’erreur, traçabilité requise, coût d’un faux positif. Une IA est pertinente quand l’erreur a un coût borné et qu’un humain peut la rattraper avant impact ; elle ne l’est pas quand une seule mauvaise sortie engage la responsabilité juridique de l’entreprise sans gate humaine. On commence toujours par un audit du workflow ciblé : où l’IA réduit vraiment du travail, où elle ajoute du risque, où une simple consolidation d’outils ferait mieux le travail à un dixième du coût. Toutes les fonctions ne méritent pas un agent.

C’est le scénario qu’on architecture dès le départ. Le pipeline est rendu indépendant du fournisseur via une couche d’abstraction : chaque agent a une assignation de modèle qui se change par configuration, pas par réécriture. En pratique, on garde au moins deux fournisseurs câblés en chaîne de repli (Claude principal, GPT en bascule, règles déterministes en dernier recours). Quand un fournisseur change ses prix ou déprécie un modèle, on bascule l’assignation et on relance les régressions. La même gouvernance multi-agents qui rend le système fiable rend la migration triviale.

Trois couches, par ordre de priorité. Couche un : validation déterministe avant chaque sortie (schémas Zod sur les structures, vérification que les citations sont sourcées, contrôles de format). Couche deux : retrieval-augmented generation contre une base de connaissances entité-résolue, jamais une recherche web générique. Couche trois : gate humaine sur les sorties à fort impact, avec un dashboard de revue qui montre prompt, réponse et sources. Les hallucinations ne disparaissent pas ; elles sont interceptées avant d’atteindre le client. Sur certaines surfaces réglementées, on ne livre rien sans signature humaine, et c’est un choix d’architecture, pas un correctif.

Les deux modèles existent, mais la réalité de l’IA en production penche vers l’engagement continu. Les modèles évoluent (Claude 4.7, GPT-5.1, Gemini 3), les prix bougent, les garde-fous fournisseurs changent ; un système IA câblé en mars 2026 ne se comporte pas comme le même système en mars 2027. Concrètement : un build initial de trois à cinq mois, puis un retainer mensuel léger pour les régressions, l’observabilité et les arbitrages de modèle. Vous gardez le code, l’infrastructure et les prompts ; je reste disponible pour les évolutions structurantes. La même approche s’applique aux outils métier sur mesure qui dépendent d’un modèle externe.

L’AI Act s’applique dès août 2026 sur les systèmes à haut risque, et les patterns qu’il exige sont précisément ceux qui rendent une IA fiable en production : journaux d’audit complets (Article 12), supervision humaine câblée (Article 14), documentation de gestion des risques (Article 9). Si votre système IA touche des décisions RH, financières, juridiques ou de santé, vous êtes concerné. Le bon réflexe n’est pas d’attendre août 2026 pour tout reprendre, c’est de construire dès maintenant avec ces patterns : ils paient leur coût en fiabilité avant même de payer leur coût en conformité. Pour creuser le cadre réglementaire, voir la conformité à l’AI Act.