Pourquoi OIDANEOS construit une plateforme interne d’expérimentation IA

L’intelligence artificielle entre progressivement dans les entreprises. Mais entre tester ChatGPT et intégrer réellement l’IA dans un système d’information, il existe un écart considérable.

Bases de données, automatisations, modèles d’IA, interfaces métiers, hébergement, sécurité, conformité, coûts des API : un projet IA devient rapidement un véritable projet d’architecture numérique.

C’est précisément pour explorer ces enjeux qu’OIDANEOS développe progressivement sa propre plateforme interne d’expérimentation IA.

Aujourd’hui, l’accès à l’intelligence artificielle est extrêmement simple.

Quelques secondes suffisent pour ouvrir ChatGPT, Claude, Gemini ou Mistral.

Mais lorsqu’une entreprise souhaite connecter l’IA à ses propres données ou automatiser un véritable processus métier, les questions deviennent beaucoup plus complexes :

• Où sont stockées les données ?
• Comment les structurer ?
• Quel modèle d’IA utiliser ?
• Comment connecter les différentes applications ?
• Où héberger la solution ?
• Comment sécuriser les accès ?
• Comment maîtriser les coûts liés aux API ?
• Comment respecter le RGPD et les nouvelles exigences liées à l’AI Act ?

OIDANEOS a commencé à construire un environnement technique dédié permettant d’héberger et de tester différentes briques technologiques.

Le principe repose notamment sur un serveur dédié et sur l’utilisation de solutions pouvant être auto-hébergées.

L’intérêt est important : plutôt que de dépendre systématiquement de plateformes SaaS externes, il devient possible de reconstruire certaines briques dans un environnement maîtrisé et de tester différentes architectures.

L’une des premières expérimentations réalisées concerne les bases de données développées dans le cadre de cas d’usage professionnels.

Certaines comportent plusieurs tables reliées entre elles et représentent déjà la structure d’une future application métier.

L’objectif est alors de récupérer cette structure, de la reconstruire dans l’environnement OIDANEOS puis d’étudier :

• les relations entre les données ;
• les éventuelles améliorations du modèle ;
• les interfaces pouvant être créées ;
• les automatisations possibles ;
• la manière dont une IA pourrait interagir avec ces informations.

Cette approche permet de travailler non seulement sur l’IA elle-même, mais surtout sur l’écosystème nécessaire pour qu’elle devienne réellement utile à l’entreprise.

L’IA générative modifie également profondément la manière de développer des applications.

Lors de nos expérimentations, une interface peut désormais être imaginée, maquettée puis transformée rapidement en application fonctionnelle.

Le code peut ensuite être directement modifié et amélioré à l’aide d’assistants IA.

Il devient possible de commencer petit : une base de données, une interface, un premier processus automatisé.

Puis d’améliorer progressivement la solution.

Construire sa propre architecture permet également de ne pas dépendre d’un seul fournisseur.

Selon les besoins, une application peut potentiellement utiliser différents modèles proposés par OpenAI, Anthropic, Mistral ou encore des modèles open source exécutés dans des environnements dédiés.

Cette capacité à changer de modèle pourrait devenir stratégique.

Le meilleur modèle aujourd’hui ne sera pas nécessairement le meilleur demain. Les performances, les coûts, les règles de confidentialité et les capacités des modèles évoluent extrêmement rapidement.

Cette liberté technique implique cependant de nouvelles responsabilités.

Durant les phases de test, les données clients réelles ne doivent notamment pas être envoyées sans précaution vers des services d’IA externes.

Les structures peuvent être reproduites et les données anonymisées afin d’expérimenter sans exposer inutilement des informations sensibles.

Il faut également contrôler les accès et encadrer les appels aux modèles. Une application mal configurée peut multiplier les requêtes API et entraîner une consommation importante de tokens.

Cette plateforme constitue également une évolution dans la manière dont nous envisageons notre rôle chez OIDANEOS.

Former aux outils d’intelligence artificielle reste essentiel.

Mais les organisations auront progressivement besoin d’aller plus loin : comprendre comment intégrer ces technologies dans leurs systèmes, leurs données et leurs processus métiers.

Notre plateforme interne doit nous permettre d’expérimenter ces architectures avant de les transposer dans des situations professionnelles concrètes.

L’intelligence artificielle évolue extrêmement rapidement. Il serait probablement illusoire de chercher aujourd’hui une architecture définitive.

Notre approche est donc différente :

Tester. Mesurer. Comprendre. Améliorer.

Certaines technologies disparaîtront. D’autres deviendront des standards. Les modèles d’IA évolueront encore.

Mais une chose semble déjà se dessiner : les entreprises ne se contenteront pas éternellement d’utiliser des interfaces d’IA généralistes.

Elles construiront progressivement leurs propres environnements, connectés à leurs données et adaptés à leurs métiers.

C’est cette transition qu’OIDANEOS souhaite commencer à explorer dès aujourd’hui.