_Résumé
IA et conformité : faut-il vraiment tout développer en interne ?
Toute organisation amenée à gérer des processus ESG, des obligations réglementaires ou des procédures de due diligence finit tôt ou tard par se poser la question. Et la réponse que nous entendons le plus souvent est la même : « Nous avons déjà nos propres solutions d’IA en interne. »
Cette position est compréhensible. La technologie paraît désormais accessible, les modèles open source sont performants et une solution entièrement développée et exploitée en interne peut sembler offrir davantage de sécurité et de maîtrise. Pourtant, lorsqu’on s’intéresse au devenir de ces projets, les études disponibles — dont plusieurs travaux indépendants publiés au cours des douze derniers mois — livrent un constat plus nuancé. Elles font ressortir quelques difficultés récurrentes qui permettent de comprendre pourquoi les projets d’IA développés en interne pour répondre aux enjeux de conformité finissent si souvent par s’enliser.
Le véritable défi : passer du prototype à une solution d’IA pleinement opérationnelle
La plupart des entreprises n’ont aucun mal à lancer un projet d’IA. C’est lorsqu’il faut le mener jusqu’à son terme que les difficultés commencent.
En quelques semaines, une équipe interne peut développer un chatbot, connecter un LLM aux documents de l’entreprise, automatiser certaines tâches ou présenter une preuve de concept convaincante.
Les véritables difficultés apparaissent ensuite :
- Le système peut-il fonctionner de manière fiable avec les données réelles de l’entreprise ?
- Peut-il fournir des résultats cohérents ?
- Les utilisateurs peuvent-ils se fier à ses réponses ?
- Chaque décision importante peut-elle être retracée et expliquée ?
- Le système peut-il s’intégrer aux outils existants ?
- Peut-il faire l’objet d’un suivi lorsque le modèle, la réglementation ou les données sous-jacentes évoluent ?
- Et surtout, l’entreprise peut-elle démontrer que cet investissement génère réellement une valeur mesurable ?
Sur ce point, les données sont de plus en plus éloquentes : il existe un fossé considérable entre expérimenter l’IA et parvenir à la déployer à grande échelle dans des conditions opérationnelles.
C’est précisément l’une des principales raisons pour lesquelles les entreprises ont intérêt à envisager de travailler avec un partenaire spécialisé dans les logiciels et l’IA plutôt que de chercher à tout développer elles-mêmes.
L’IA se généralise en interne, mais les déploiements réussis restent rares
En 2025, une étude menée dans le cadre de l’initiative NANDA du MIT, intitulée The GenAI Divide: State of AI in Business 2025, a analysé plus de 300 projets d’IA rendus publics et s’est appuyée sur des entretiens et des enquêtes menés auprès de dirigeants et de salariés.
Le constat est frappant : 95 % des organisations étudiées n’ont enregistré aucun retour financier mesurable à l’issue de leurs projets pilotes d’IA générative. Seules 5 % environ sont parvenues à créer une valeur significative.
Mais le plus intéressant est ailleurs !
L’étude montre que le problème ne vient pas simplement des performances des modèles d’IA.
Elle met plutôt en évidence un « learning gap » ou « déficit d’apprentissage » en français : les systèmes peinent à s’adapter au contexte de l’organisation, à ses processus de travail et aux retours des utilisateurs. L’étude souligne également l’écart considérable entre l’expérimentation de l’IA et son intégration effective dans les processus métier.
Cette distinction est essentielle.
La question n’est pas :
« Sommes-nous capables de faire fonctionner l’IA ? »
Mais plutôt :
« Sommes-nous capables de la faire fonctionner de manière fiable au sein de notre organisation ? »
D’un point de vue technique, ce sont deux problématiques très différentes.
Du prototype à la production : le véritable défi des projets développés en interne
D’autres données publiées en 2025 et 2026 viennent confirmer ce constat.
Selon une étude menée par IDC et Lenovo, sur 33 preuves de concept (POC) lancées par les entreprises dans le domaine de l’IA, seules quatre environ débouchent sur une mise en production.
En clair, réussir une démonstration ne suffit pas à garantir qu’une solution d’IA sera réellement opérationnelle.
Un prototype peut donner de bons résultats avec :
- un nombre limité de documents ;
- des données propres et bien structurées ;
- des exemples soigneusement sélectionnés ;
- un petit groupe d’utilisateurs particulièrement impliqués ;
- des contrôles manuels ;
- des ingénieurs disponibles pour intervenir immédiatement en cas de problème.
Le passage en production change complètement la donne.
Le système doit alors pouvoir prendre en charge :
- des données provenant de sources et de formats très divers ;
- des milliers, voire des millions de documents ;
- les évolutions réglementaires ;
- différents profils d’utilisateurs et cas d’usage ;
- la sécurité et la gestion des droits d’accès ;
- l’intégration aux systèmes existants ;
- les mises à jour des modèles ;
- des données qui ne correspondent pas aux cas initialement prévus ;
- la supervision et la journalisation des opérations ;
- les exigences de performance ;
- la maîtrise des coûts ;
- la supervision humaine ;
- les exigences d’audit.
C’est généralement à ce stade qu’un projet développé en interne dépasse le cadre de l’expérimentation autour de l’IA pour devenir un véritable projet d’ingénierie logicielle.
Et cela représente un chantier autrement plus complexe que de sélectionner un grand modèle de langage (LLM) et de développer une interface pour l’exploiter.
Pourquoi les projets d’IA développés en interne échouent-ils ?
Il n’existe pas une cause unique.
Les différentes études font toutefois ressortir une même tendance : les projets d’IA échouent parce que les entreprises sous-estiment tout ce qu’implique la mise en place d’un système autour de l’IA.
Cinq difficultés reviennent régulièrement.
1. Un prototype concluant ne suffit pas à transformer les processus
L’IA est souvent abordée avant tout comme un projet technologique :
« Voyons ce que ce modèle est capable de faire. »
Mais les entreprises n’ont pas besoin de modèles. Elles ont besoin de résultats.
Une équipe chargée de la conformité n’a que faire d’un chatbot impressionnant. Ce dont elle a besoin, c’est d’analyser les éléments justificatifs plus rapidement et de manière plus fiable, de repérer les lacunes, de préparer des rapports et de documenter les décisions.
Pour y parvenir, l’IA doit être pleinement intégrée aux processus concernés.
C’est précisément ce que montrent les travaux du MIT : les organisations qui parviennent à créer de la valeur grâce à l’IA tendent à délaisser les outils généralistes au profit de solutions étroitement intégrées à des processus métier bien définis.
Cela explique notamment pourquoi de nombreux projets pilotes développés en interne en restent au stade de l’expérimentation.
La technologie fonctionne.
Mais les processus dans lesquels elle doit s’intégrer, eux, n’ont pas été repensés.
2. Un modèle performant ne suffit pas à faire une bonne IA
On pourrait être tenté de résumer une plateforme d’IA à ce schéma :
Utilisateur → Modèle d’IA → Réponse
Dans la réalité, un système destiné à être utilisé en production ressemble plutôt à ceci :
Utilisateur → application → droits d’accès → données → recherche d’informations → différents modèles/outils → validation → règles métier → contrôle humain → piste d’audit
Et tous ces éléments doivent fonctionner ensemble.
Dans le domaine réglementaire ou de la conformité, le système peut notamment devoir :
- identifier les documents pertinents ;
- retrouver le contexte réglementaire applicable ;
- distinguer les informations à jour de celles qui ne le sont plus ;
- croiser et analyser plusieurs sources ;
- générer une réponse ;
- signaler les éventuelles incertitudes ;
- fournir les éléments qui étayent la réponse ;
- appliquer les règles métier ;
- soumettre les cas nécessitant une intervention à un opérateur humain ;
- consigner les opérations effectuées afin d’en assurer la traçabilité lors d’un audit.
Le LLM n’est donc qu’une composante parmi d’autres.
La véritable solution, c’est tout le système qui l’entoure.
Et ce système doit être conçu, testé et maintenu.
3. L’expertise métier est là, mais les ressources nécessaires à une plateforme d’IA font souvent défaut
La distinction est importante. Les professionnels de la conformité connaissent leur métier bien mieux qu’un éditeur de logiciels externe ne pourra jamais le connaître.
Ils savent :
- quelles réglementations doivent être prises en compte ;
- quels documents font autorité ;
- où se situent les failles dans les processus actuels ;
- quelles décisions nécessitent une appréciation humaine ;
- quels éléments les auditeurs demandent ;
- quelles sont les attentes des autorités de régulation.
Cette expertise est indispensable.
Mais cela ne signifie pas pour autant que l’on soit capable de développer et d’exploiter un système d’IA.
Selon une étude de Moody’s publiée en 2026 et menée auprès de 600 professionnels du risque et de la conformité, 41 % des répondants considèrent le manque de compétences ou d’expertise en interne comme le principal frein au déploiement de l’IA à plus grande échelle. Parmi les autres obstacles majeurs figurent les incertitudes réglementaires, l’intégration aux systèmes existants et le manque de ressources.
Ce constat est révélateur.
Le principal problème n’est pas nécessairement que les entreprises maîtrisent mal l’IA.
C’est plutôt qu’elles disposent rarement, en interne, de suffisamment de profils réunissant toutes les compétences nécessaires :
ingénierie de l’IA + architecture logicielle + ingénierie des données + cybersécurité + évaluation des systèmes d’IA + expertise métier + exploitation en production.
Réunir toutes ces compétences en interne est difficile.
Et même lorsqu’une entreprise en dispose, elle doit ensuite mobiliser ces équipes pour assurer la maintenance du système dans la durée.
4. Gouvernance et évaluation : des exigences à intégrer dès le départ
Un logiciel classique présente un fonctionnement relativement déterministe : à code et données d’entrée identiques, on s’attend généralement à obtenir le même résultat.
Avec l’IA, ce principe ne tient plus de la même manière. Une équipe d’ingénierie compétente peut — et doit — maîtriser la plupart des variables : figer les versions des modèles, contrôler les informations contextuelles auxquelles le système accède, gérer les différentes versions des prompts et superviser les services externes.
Cette rigueur est indispensable, mais elle ne change pas une caractéristique fondamentale : le modèle reste probabiliste. Même lorsque toutes les données d’entrée sont identiques, un même prompt peut produire une réponse différente d’un jour à l’autre. Aucune rigueur d’ingénierie ne permet d’éliminer totalement cette variabilité.
Elle permet en revanche d’en assurer la traçabilité. C’est précisément le rôle de la gouvernance et de l’évaluation : non pas empêcher le modèle de fonctionner de manière probabiliste, mais pouvoir déterminer précisément pourquoi il a produit une réponse donnée et détecter tout écart par rapport au comportement attendu.
Un système d’IA utilisé en entreprise doit donc disposer de ses propres dispositifs d’évaluation et de gouvernance.
Les organisations doivent pouvoir répondre à plusieurs questions :
- Quel est son niveau de précision ?
- Dans quelles situations échoue-t-il ?
- Quels types de cas présentent un manque de fiabilité ?
- Quel modèle a généré la réponse ?
- Quelles sources ont été utilisées ?
- À quelles données le système a-t-il accédé ?
- Quand le résultat a-t-il été généré ?
- Une intervention humaine a-t-elle eu lieu ?
- Que se passe-t-il lorsque l’IA exprime une incertitude ?
- Les performances ont-elles évolué depuis la dernière mise à jour du modèle ?
Le cadre de gestion des risques liés à l’IA du NIST (AI Risk Management Framework) prévoit explicitement que ces risques soient pris en compte tout au long de la conception, du développement, du déploiement et de l’utilisation des systèmes d’IA. Son profil consacré à l’IA générative (Generative AI Profile) insiste également sur les enjeux d’évaluation et de fiabilité tout au long du cycle de vie de l’IA.
Et plus les systèmes d’IA gagnent en autonomie, plus la problématique se complexifie.
Gartner prévoit que plus de 40 % des projets d’IA agentique seront abandonnés d’ici fin 2027, notamment en raison de la hausse des coûts, d’une valeur métier mal définie et de dispositifs de maîtrise des risques insuffisants.
Il ne faut pas en conclure que les agents d’IA ne fonctionnent pas.
Mais plus leur degré d’autonomie augmente, plus les exigences d’ingénierie et de gouvernance autour des modèles deviennent importantes.
5. Quel est le coût réel d’une IA développée en interne ?
Même lorsqu’une organisation dispose des compétences techniques et métier nécessaires, elle se heurte à une autre difficulté : la viabilité économique du projet. Selon l’enquête de KPMG du deuxième trimestre 2026, près de la moitié des organisations ont déjà remis en question, retardé, revu à la baisse ou suspendu un déploiement d’IA après avoir constaté que les coûts prévus risquaient de dépasser la valeur générée. Seul un tiers environ déclare avoir une vision complète des coûts d’exploitation quotidiens de ses systèmes d’IA. Or, les organisations qui disposent de cette visibilité sont cinq fois plus nombreuses à faire état d’un retour sur investissement clairement établi.
Les données de Moody’s consacrées spécifiquement à la conformité vont dans le même sens : 41 % des personnes interrogées citent le manque de compétences ou d’expertise en interne comme principal obstacle au déploiement de l’IA à plus grande échelle dans les domaines du risque et de la conformité, devant les incertitudes réglementaires, la complexité de l’intégration ou encore le budget lui-même.
Les ingénieurs spécialisés en IA capables de développer et de maintenir un système suffisamment robuste pour être mis en production sont rares et coûteux. Et ces dépenses ne s’arrêtent pas au lancement : elles se répètent à chaque mise à niveau d’un modèle, à chaque évolution réglementaire ou dès qu’un incident survient en production.
À cela s’ajoute le coût d’utilisation de l’IA elle-même. La plupart des modèles de pointe sont facturés en fonction du nombre de tokens consommés. Or, pour des traitements portant sur des documents volumineux et nécessitant des analyses réglementaires successives, il est particulièrement difficile d’anticiper cette consommation. Le constat de KPMG illustre parfaitement cette pression : l’accès à des modèles à la fois performants et moins coûteux est désormais le facteur dont l’influence sur les stratégies d’IA progresse le plus rapidement, avec une hausse de 7 points en un seul trimestre. Les organisations découvrent ainsi qu’utiliser l’IA est une chose ; savoir précisément combien elle coûte et quelle valeur elle génère en est une autre.
Les questions que se posent les responsables de la conformité avant de faire leur choix
« À long terme, développer notre propre solution ne revient-il pas moins cher, puisque nous évitons les frais récurrents liés à un prestataire ? »
Généralement, non, dès lors que l’on tient compte du coût total. L’investissement initial nécessaire au développement est relativement facile à estimer. Les coûts récurrents sont beaucoup plus difficiles à anticiper : adaptation du système aux évolutions réglementaires, maintenance d’une infrastructure sécurisée et recours aux compétences techniques spécialisées nécessaires pour assurer son fonctionnement dans la durée. Or, selon l’enquête menée par Moody’s auprès des professionnels de la conformité, le manque de compétences en interne constitue déjà le frein au déploiement de l’IA à grande échelle le plus souvent cité dans ce domaine.
« Nous disposons d’ingénieurs très compétents. N’est-ce pas suffisant pour développer nous-mêmes la solution ? »
Disposer de solides compétences en ingénierie et assurer durablement l’exploitation d’un système d’IA sont deux choses différentes. Les travaux du MIT identifient le learning gap comme l’une des principales causes d’échec des projets d’IA en entreprise : ce n’est donc souvent pas lors du développement initial que les difficultés apparaissent, mais dans les mois et les années qui suivent, lorsqu’il faut continuellement adapter le système. C’est précisément à ce stade que, selon les données de KPMG, près de la moitié des organisations finissent par revoir leurs déploiements à la baisse face aux coûts et à la complexité qu’elles rencontrent réellement.
« Nos données sont trop sensibles pour être confiées à une plateforme externe. Ne vaut-il donc pas mieux développer notre propre solution ? »
La préoccupation est légitime, mais la véritable question est celle de l’environnement dans lequel l’IA est exécutée, et non de savoir qui l’a développée. Une plateforme spécialisée peut fonctionner intégralement dans l’environnement de l’entreprise ou dans un centre de données situé en Suisse ou dans l’Union européenne, sans qu’aucune donnée ne sorte de ce périmètre. Les impératifs de souveraineté des données peuvent ainsi être respectés sans avoir à développer et à maintenir soi-même l’ensemble du système d’IA.
« Ne pourrions-nous pas commencer par un projet pilote à petite échelle, puis le déployer progressivement ? »
C’est précisément le scénario sur lequel les études attirent l’attention. Selon IDC, seules quatre preuves de concept (POC) sur 33 environ parviennent jusqu’à la mise en production. Les prévisions de Gartner concernant l’abandon de projets d’IA agentique illustrent la même trajectoire : des projets pilotes prometteurs qui se heurtent ensuite aux volumes réels de documents, à la complexité des exigences réglementaires et aux contraintes d’audit.
« Si nous décidons malgré tout de développer notre propre solution, de quoi avons-nous besoin, au minimum, au-delà des compétences techniques ? »
Les différentes études font régulièrement ressortir au moins trois éléments qui font encore souvent défaut : un dispositif de gouvernance de l’IA suffisamment mature — selon Deloitte, seule une organisation sur cinq environ en dispose —, une méthode clairement définie pour mesurer l’efficacité réelle du système — un tiers des équipes de conformité interrogées par Moody’s ne la mesure pas du tout — et une vision complète de ses coûts d’exploitation. KPMG constate en effet que les organisations qui disposent d’une telle visibilité sont cinq fois plus nombreuses à faire état d’un retour sur investissement (ROI) clairement établi.
Pourquoi faire appel à un fournisseur de solutions d’IA plutôt que tout développer en interne ?
C’est sans doute l’un des principaux enseignements à retenir au moment de choisir entre développer sa propre solution d’IA et opter pour une solution existante.
L’étude menée dans le cadre de l’initiative NANDA du MIT montre que les projets réalisés avec des fournisseurs externes, à partir de systèmes d’IA personnalisés capables d’apprendre et de s’adapter, ont été déployés environ deux fois plus souvent que les solutions développées en interne : environ 67 % contre 33 % dans l’échantillon étudié. Les chercheurs précisent toutefois que l’échantillon est limité et que ces chiffres ne doivent pas être interprétés comme des taux de réussite généralisables. La tendance observée n’en reste pas moins significative.
Cela ne signifie pas pour autant que :
« Les entreprises devraient externaliser leurs projets d’IA. »
Mais plutôt que :
« Développer une solution en interne n’est pas nécessairement le choix le moins risqué. »
Dans de nombreux cas, la meilleure approche consiste à associer l’expertise métier de l’entreprise au savoir-faire technologique d’un fournisseur spécialisé.
L’entreprise conserve la maîtrise de ses données, de ses règles métier et de ses décisions.
Le fournisseur apporte la technologie nécessaire pour les mettre en œuvre à grande échelle, en mesurer les résultats et assurer la pérennité de la solution.
Dydon AI : des gains d’efficacité mesurables, des coûts maîtrisés et une IA fiable et sécurisée
C’est sur cette approche que repose Dydon AI. Plutôt que de confier l’ensemble des tâches à un seul modèle, nous combinons plusieurs modèles et technologies, chacun étant utilisé en fonction de ses points forts et des besoins à couvrir. Le tout fonctionne sur une infrastructure déployée directement dans l’environnement du client ou dans des centres de données situés en Suisse ou dans l’Union européenne.
C’est aussi la raison pour laquelle notre tarification n’est pas directement indexée sur le nombre de tokens consommés. Nous déterminons avec nos clients où se situe réellement la valeur créée, puis définissons une tarification fondée sur des résultats métier prévisibles. Le budget ne dépend donc pas d’une estimation préalable, nécessairement incertaine, de la consommation de tokens. De même, chaque réponse fait l’objet d’une validation humaine avant d’être intégrée à un rapport. Il ne s’agit pas d’une limite de l’IA : les professionnels interrogés par Moody’s considèrent eux-mêmes que c’est cette intervention humaine qui permet d’établir la confiance.
Le choix entre développer une solution en interne et faire appel à un fournisseur ne dépend donc pas réellement des compétences de vos équipes. La question est plutôt de savoir si vous souhaitez mobiliser durablement ces compétences pour développer, orchestrer et évaluer un système d’IA répondant aux exigences réglementaires, tout en assumant ses coûts d’exploitation dans la durée.
Identifiez le potentiel de l’IA pour votre entreprise !
Dydon AI propose une analyse du potentiel de l’IA afin d’identifier les domaines dans lesquels elle peut générer des gains d’efficacité mesurables, les étapes du processus qui doivent continuer à faire l’objet d’une validation humaine et les modalités d’une mise en œuvre adaptée aux exigences de l’entreprise.
Découvrez le potentiel de l’IA pour votre entreprise
Sources
- Challapally, A. et al. (2025). The GenAI Divide: State of AI in Business 2025. MIT Media Lab, Project NANDA.
- Gartner, Inc. (2025). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. Press release, June 25, 2025.
- IDC / Lenovo (2025). AI proof-of-concept to production benchmark findings.
- KPMG International (2026). Global AI Pulse Q2 2026: From Deployment to Value Realization. June 2026.
- Moody’s, with We Live Context (2025). From Reactive to Proactive: How AI is Transforming Risk and Compliance.
- Moody’s (2026). Navigating the Shift: How Agentic AI is Reshaping Risk and Compliance.
- Deloitte (2026). State of AI governance maturity findings, cited via Dreamix RegTech industry analysis.