Comment cadrer une mission IA générative ?

Un client DSI qui demande « un expert LLM » peut chercher un data scientist qui fine-tune des modèles, un ingénieur backend qui intègre une API OpenAI, ou un architecte qui conçoit un système RAG complet pour 200 000 documents réglementaires. Ce ne sont pas les mêmes profils, pas les mêmes TJM, pas la même durée de mission.

Le premier acte d'un cadrage correct est d'identifier le type de mission. On distingue cinq grandes familles en IA générative :

• RAG (Retrieval-Augmented Generation) — Accès intelligent à une base documentaire
• Agents LLM — Automatisation de tâches complexes avec des LLM pilotant des outils
• Fine-tuning — Adaptation d'un modèle fondation à un domaine spécifique
• Évaluation & MLOps LLM — Infrastructure de qualité et monitoring en production
• Stratégie & cadrage IA — Feuille de route, choix de stack, ROI pour la DSI

70 % des PoC IA génératives échouent à passer en production pour une seule raison : les données de test étaient propres, représentatives et bien structurées. Les données de production ne l'étaient pas.

Dans votre brief, documentez systématiquement :

« Un système RAG fonctionnel » n'est pas un livrable. C'est une phrase. Un livrable, c'est un artefact que vous pouvez tester, mesurer et réutiliser.

Exemples de livrables bien définis pour une mission RAG :

• API FastAPI dockerisée exposant un endpoint /ask
• Pipeline d'indexation automatique des nouveaux documents
• Benchmark RAGAS avec scores précision, recall, faithfulness
• Documentation architecture decision records (ADR)
• Tableau de bord monitoring Langfuse ou Phoenix