Les 24 fonctionnalités de l'usine logicielle AI-native
Analytics & BI
Les métiers retrouvent les mêmes indicateurs partout : dans la BI, dans leurs applications et dans les réponses des agents.
Objectif : Donner à chacun des indicateurs certifiés, à l'endroit où il en a besoin dans son travail.
Composants
- Embedded analytics : Tableaux de bord intégrés directement dans les applications métier, là où l'utilisateur travaille.
- Self-service : Les métiers construisent eux-mêmes leurs analyses, sans passer par l'équipe data.
- Préparation en libre-service : Les analystes partent des produits de données du Lakehouse, puis y ajoutent leurs propres fichiers et calculs.
- Headless BI : Les indicateurs sont définis une seule fois et servis à tous les outils : BI, tableurs, agents.
- Certification : Chaque tableau de bord a un statut, un responsable et une date de validité.
Indicateurs de pilotage
- Couverture sémantique : > 90 % — des indicateurs critiques définis dans la couche sémantique. Si hors cible : bloquer les nouveaux tableaux de bord non alignés.
- Tableaux de bord certifiés : > 80 % — des tableaux de bord qui servent à décider. Si hors cible : revoir, recertifier ou retirer.
- Usage des données certifiées : > 75 % — des analyses passent par des produits gouvernés. Si hors cible : repérer les circuits parallèles.
- Correction d'une anomalie : < 48 h — entre sa détection et sa correction. Si hors cible : ouvrir un incident et prévenir les utilisateurs.
Anti-patterns à éviter
- Self-service sans règles : chacun calcule ses chiffres, qui finissent par se contredire. Signal d'alerte : plusieurs définitions d'un même indicateur. Contre-mesure : couche sémantique et certification.
- Tableau de bord sans propriétaire : plus personne ne le corrige ni ne le met à jour. Signal d'alerte : tableaux jamais revus. Contre-mesure : un responsable désigné et une revue régulière.
- Exports massifs non contrôlés : risque de fuite et de non-conformité RGPD. Signal d'alerte : volumes d'export anormaux. Contre-mesure : quotas, masquage et journalisation.
- Indicateur redéfini localement : la BI et les agents ne donnent pas le même chiffre. Signal d'alerte : écarts entre outils. Contre-mesure : une définition unique servie à tous (headless BI).
Écosystème technique
Power BI, Tableau, Qlik Sense, Looker, ThoughtSpot, Sigma, Omni, Hex, Metabase, Toucan, DigDash, Strategy, Alteryx
Data & AI APIs
Expose les données, les connaissances et les capacités IA aux applications de l'entreprise, avec des accès sécurisés, versionnés et suivis.
Objectif : Remplacer les intégrations au cas par cas par des contrats d'interface clairs.
Composants
- API de données : Accès programmatique, sécurisé et versionné aux produits de données.
- Data sharing : Partage de données avec des partenaires sans copie, avec contrôle des droits.
- Intégration applicative : Branchement des résultats data et IA dans les applications existantes : ERP, CRM, portails.
Indicateurs de pilotage
- API documentées : 100 % — des API en production ont une documentation à jour. Si hors cible : bloquer la mise en production.
- Engagements de service tenus : > 99 % — des appels dans les délais et la disponibilité promis. Si hors cible : analyser l'incident et ajuster la capacité.
- Appels en erreur : < 1 % — des appels légitimes. Si hors cible : trouver la cause et corriger.
- Tests de contrat : > 95 % — des API critiques couvertes. Si hors cible : bloquer le déploiement.
Anti-patterns à éviter
- API sans version : une évolution casse les applications sans prévenir. Signal d'alerte : erreurs juste après un déploiement. Contre-mesure : numéros de version et règles de compatibilité.
- Accès direct à la base : on contourne les contrôles de sécurité et de qualité. Signal d'alerte : connexions non référencées. Contre-mesure : passerelle d'API et contrôle d'accès.
- API IA sans quota : la facture dérape. Signal d'alerte : consommation anormale. Contre-mesure : quotas et refacturation aux équipes.
- Documentation périmée : les équipes intègrent mal. Signal d'alerte : tickets d'intégration récurrents. Contre-mesure : tests de contrat et portail développeur.
Écosystème technique
Kong, Apigee, Envoy, Azure API Management, OpenAPI, OAuth 2.0 / OIDC
AI Applications
Les interfaces par lesquelles les utilisateurs se servent des capacités data et IA : assistants, copilotes, applications métier.
Objectif : Que les utilisateurs adoptent l'IA parce qu'ils comprennent ce qu'elle fait et gardent la main.
Composants
- Copilots : Assistant intégré à un outil métier, qui suggère et rédige sans décider à la place de l'utilisateur.
- Assistants : Interface conversationnelle qui répond aux questions à partir des données de l'entreprise.
- Agentic analytics : Un agent mène l'analyse lui-même : il interroge les données, croise les sources et explique le résultat.
Indicateurs de pilotage
- Adoption : > 45 % — des utilisateurs cibles actifs (DAU/MAU). Si hors cible : revoir l'interface et le cas d'usage.
- Suggestions acceptées : > 70 % — acceptées sans grosse retouche. Si hors cible : améliorer le contexte, le prompt ou l'interface.
- Résolution au premier contact : > 75 % — des tâches terminées sans escalade. Si hors cible : analyser les échecs.
- Validations sans lecture : < 5 % — des validations faites sans consulter le contenu. Si hors cible : mieux présenter le contexte et renforcer le contrôle humain.
Anti-patterns à éviter
- Chatbot fourre-tout : il fait un peu de tout et rien de précis. Signal d'alerte : faible adoption. Contre-mesure : un cas d'usage délimité.
- Validation « clic oui » : l'utilisateur approuve sans lire et sa responsabilité devient fictive. Signal d'alerte : validations très rapides. Contre-mesure : afficher le contexte et les sources.
- Réponse sans source : personne ne peut vérifier ce que dit l'IA. Signal d'alerte : aucune citation. Contre-mesure : sources cliquables.
- Lenteur non gérée : l'utilisateur croit à une panne. Signal d'alerte : temps de réponse élevé. Contre-mesure : affichage progressif, état de chargement, mode asynchrone.
Écosystème technique
React, Vercel AI SDK, WebSockets/SSE, TanStack Query, Radix UI, Streamlit, Dust
Decisions & HITL Workflows
Encadre le passage de la recommandation à la décision, puis à l'action, et fixe les cas où une personne doit valider (human-in-the-loop).
Objectif : On sait qui a décidé, sur quelle base et avec un contrôle adapté au risque.
Composants
- Workflows métier : Enchaînement d'étapes métier dont l'IA prépare ou exécute une partie.
- Human approval : Étape du processus où une personne valide la décision avant qu'elle soit exécutée.
- Temps réel : Décisions prises en quelques secondes, au fil des événements : fraude, stock, tarification.
Indicateurs de pilotage
- Actions critiques classées : 100 % — des actions critiques ont un niveau de risque défini. Si hors cible : bloquer les actions non classées.
- Délai de validation : Selon la criticité — entre la demande et la décision. Si hors cible : escalader et revoir les seuils.
- Demandes expirées : < 5 % — des demandes restées sans réponse. Si hors cible : escalade automatique.
- Actions à risque non validées : 0 — action sensible exécutée sans accord. Si hors cible : arrêt d'urgence et enquête.
Anti-patterns à éviter
- Tout faire valider : les validateurs saturent et signent sans lire. Signal d'alerte : délais longs et validations mécaniques. Contre-mesure : seuils et matrice de risque.
- L'agent se valide lui-même : la séparation des rôles disparaît. Signal d'alerte : demandeur et validateur identiques. Contre-mesure : rôles séparés.
- Valider sans contexte : la personne engage sa responsabilité à l'aveugle. Signal d'alerte : validation sans consultation des sources. Contre-mesure : contexte obligatoire et trace de la décision.
- Demandes sans expiration : elles s'accumulent et bloquent le processus. Signal d'alerte : vieilles demandes en attente. Contre-mesure : relance, expiration et escalade.
Écosystème technique
BPMN, Camunda, Temporal, IAM, n8n
Process Intelligence & Mining
Exploite les traces laissées par les applications pour reconstituer les processus tels qu'ils se déroulent vraiment, et pas tels qu'ils sont documentés.
Objectif : Réduire les écarts, les délais, les coûts et les risques, dans une boucle d'amélioration continue.
Composants
- Journaux d'événements : Pour chaque étape : le dossier concerné, l'activité, l'heure et l'acteur.
- Découverte des processus : Reconstitue les chemins réellement suivis, avec leurs variantes.
- Contrôle de conformité : Compare le processus réel au processus cible et repère les écarts.
- Analyse de performance : Mesure les délais, les temps d'attente, les goulots et les coûts.
- Boucle d'amélioration : Chaque constat devient une action, confiée à un responsable.
Indicateurs de pilotage
- Étapes tracées : > 95 % — des étapes critiques produisent un événement exploitable. Si hors cible : compléter l'instrumentation.
- Conformité : Selon le processus — des dossiers suivent le modèle cible. Si hors cible : analyser les écarts et les règles.
- Durée de traitement : Selon le processus — médiane et 95e centile, mesurés sur le réel. Si hors cible : cibler les goulots.
- Reprises : Sous le seuil métier — des dossiers repris ou corrigés. Si hors cible : traiter la cause racine.
Anti-patterns à éviter
- Événements sans numéro de dossier : impossible de reconstituer le processus. Signal d'alerte : événements impossibles à relier. Contre-mesure : un format de journal standard.
- Confondre le documenté et le réel : les vrais écarts restent invisibles. Signal d'alerte : écarts jamais analysés. Contre-mesure : découverte et contrôle de conformité.
- Visualiser sans agir : le process mining devient décoratif. Signal d'alerte : constats sans responsable ni action. Contre-mesure : une boucle d'amélioration suivie.
- Automatiser une déviance : on industrialise une erreur. Signal d'alerte : automatisation d'une variante non conforme. Contre-mesure : corriger la cause avant d'automatiser.
Écosystème technique
Celonis, Signavio, UiPath Process Mining, Apromore, PM4Py, XES, BPMN
Model Factory
Produit et adapte les modèles d'IA de l'entreprise, de façon reproductible.
Objectif : Aucun modèle n'arrive en production sans évaluation et chaque expérience peut être refaite.
Composants
- Entraînement & fine-tuning : Entraîner un modèle, ou adapter un modèle existant aux données de l'entreprise.
- Distillation : Transférer le savoir d'un gros modèle vers un petit, moins cher à faire tourner.
- Suivi des expériences : Garder la trace de chaque essai (données, réglages, résultats) pour comparer et reproduire.
- Feature store & datasets : Données d'entraînement et variables préparées, versionnées et contrôlées, réutilisables d'un projet à l'autre.
Indicateurs de pilotage
- Délai de mise en production : < 6 semaines — de l'idée validée au modèle en production. Si hors cible : réduire le périmètre.
- Reproductibilité : 100 % — des expériences peuvent être relancées. Si hors cible : corriger la chaîne et les artefacts.
- Couverture d'évaluation : 100 % — des modèles critiques ont un jeu de test de référence. Si hors cible : bloquer la promotion.
- Écart de qualité : Selon le cas d'usage — entre le modèle adapté et la référence. Si hors cible : ne pas promouvoir.
Anti-patterns à éviter
- Fine-tuning pour apprendre des faits : le modèle devient vite périmé. Signal d'alerte : besoin de mises à jour fréquentes. Contre-mesure : RAG et knowledge engineering.
- Un modèle par cas d'usage : la maintenance explose. Signal d'alerte : nombre de modèles en hausse. Contre-mesure : mutualiser, utiliser des adaptateurs.
- Promotion sans évaluation : une régression passe inaperçue. Signal d'alerte : pas de jeu de test de référence. Contre-mesure : validation obligatoire.
- Données non versionnées : impossible de refaire une expérience. Signal d'alerte : expériences non relançables. Contre-mesure : versionner données et artefacts.
Écosystème technique
Databricks, Dataiku, SageMaker, Azure ML, DataRobot, MLflow, Kubeflow, Feast, Hugging Face, PEFT/LoRA, Unsloth
Model Serving
Fait tourner les modèles en production et les surveille.
Objectif : Un niveau de service prévisible pour chaque modèle en production.
Composants
- Inférence : Faire répondre le modèle en production, avec un temps de réponse et un coût maîtrisés.
- Runtimes GPU : Moteurs optimisés qui font tourner les modèles sur les cartes graphiques.
- Quantification : Compresser un modèle pour qu'il tourne plus vite et moins cher, avec une perte de qualité limitée.
- Endpoints & batching : Points d'accès aux modèles, qui regroupent les requêtes pour mieux utiliser les GPU.
Indicateurs de pilotage
- Latence P95 : Selon le cas d'usage — temps de réponse en production. Si hors cible : ajouter de la capacité, changer de route ou optimiser.
- Disponibilité : > 99,9 % — des services critiques. Si hors cible : incident et revue de capacité.
- Détection de régression : < 1 h — après un déploiement progressif. Si hors cible : retour arrière et enquête.
- Coût par requête : Suivi — coût d'inférence. Si hors cible : optimiser le modèle ou regrouper les requêtes.
Anti-patterns à éviter
- Déployer sans surveiller : la qualité baisse sans que personne ne le voie. Signal d'alerte : aucune mesure de qualité. Contre-mesure : supervision obligatoire.
- Compresser sans réévaluer : la perte de qualité passe inaperçue. Signal d'alerte : écart après quantification. Contre-mesure : évaluation avant promotion.
- Déploiement direct : les utilisateurs servent de testeurs. Signal d'alerte : ni test en ombre ni déploiement progressif. Contre-mesure : déploiement progressif (shadow, canary).
- Retour arrière jamais testé : le jour où il faut s'en servir, il ne marche pas. Signal d'alerte : aucun exercice. Contre-mesure : exercices réguliers.
Écosystème technique
vLLM, NVIDIA Triton, ONNX Runtime, KServe, Replicate, Mistral
AI Asset & Prompt Lifecycle
Gère le cycle de vie de tout ce qui détermine le comportement d'un système d'IA : modèles, prompts, outils et configurations d'agents.
Objectif : Versionner, évaluer, mettre en production et retirer ces éléments de façon contrôlée.
Composants
- Model registry : Catalogue des modèles validés, avec leurs versions et leur historique.
- Validation & promotion : Circuit d'approbation qui fait passer un modèle du test à la production.
- Rollback & dépréciation : Revenir à la version précédente en cas de problème, et retirer proprement les anciens modèles.
- Prompt registry : Les prompts sont versionnés et testés comme du code, pour savoir lequel tourne en production.
Indicateurs de pilotage
- Éléments versionnés : 100 % — des modèles, prompts et configurations critiques. Si hors cible : bloquer le déploiement.
- Traçabilité : 100 % — on sait quelle combinaison exacte tourne en production. Si hors cible : interdire le déploiement.
- Couverture d'évaluation : > 95 % — des éléments critiques testés. Si hors cible : bloquer la promotion.
- Délai de retour arrière : < 15 min — entre la décision et le retour à la version précédente. Si hors cible : automatiser davantage.
Anti-patterns à éviter
- Prompt modifié en production : plus personne ne sait ce qui tourne. Signal d'alerte : modifications hors registre. Contre-mesure : registre et chaîne de déploiement.
- Configuration d'agent non versionnée : impossible de reproduire un comportement. Signal d'alerte : configurations non tracées. Contre-mesure : configuration gérée comme du code.
- Retrait sans migration : les utilisateurs se retrouvent bloqués. Signal d'alerte : dépendances encore actives. Contre-mesure : politique de dépréciation.
Écosystème technique
MLflow, Hugging Face Hub, LangSmith, Langfuse, Pezzo, Craft AI, OpenAI Evals, Git, OCI registry
Evaluation & Assurance
Teste les systèmes d'IA avant leur mise en production puis en continu : qualité des réponses, sécurité et conformité.
Objectif : Un niveau de service prévisible, même si l'IA ne répond jamais deux fois exactement pareil.
Composants
- Benchmarks : Jeux de tests de référence pour comparer les modèles sur les tâches de l'entreprise.
- Red teaming : Attaques volontaires pour trouver les failles avant les utilisateurs malveillants.
- Tests de non-régression : Rejouer les mêmes tests à chaque changement pour vérifier que rien ne s'est dégradé.
- Validation avant production : Contrôle final, automatique et humain, avant toute mise en service.
Indicateurs de pilotage
- Fidélité : > 0,92 — les réponses s'appuient sur le contexte fourni. Si hors cible : revoir la recherche ou le prompt.
- Détection de dérive : < 24 h — entre l'apparition d'une dérive et l'alerte. Si hors cible : réentraîner ou ajuster.
- Détection de régression : < 1 h — après un test en ombre. Si hors cible : retour arrière.
- Cas critiques couverts : 100 % — des usages sensibles testés. Si hors cible : bloquer la mise en production.
Anti-patterns à éviter
- Évaluer seulement en laboratoire : la production se comporte autrement. Signal d'alerte : aucune évaluation en ligne. Contre-mesure : évaluation continue.
- Juge IA non calibré : la mesure est biaisée. Signal d'alerte : écart entre le juge et les humains. Contre-mesure : calibrage et échantillons relus par des humains.
- Pas de jeu de test de référence : impossible de comparer deux versions. Signal d'alerte : aucune référence. Contre-mesure : le constituer dès le départ.
- Incidents non réutilisés : les mêmes erreurs reviennent. Signal d'alerte : incidents récurrents. Contre-mesure : chaque incident devient un test.
Écosystème technique
Giskard, RAGAS, DeepEval, LangSmith, Langfuse, Arize Phoenix, Evidently, Garak
Agent Harness
Le programme qui pilote l'agent : il assemble le contexte, appelle le modèle, vérifie la réponse, délègue les outils et réinjecte les résultats.
Objectif : Transformer une demande en tâche contrôlée, traçable et que l'on peut arrêter.
Composants
- Orchestration d'agents : Répartit le travail entre plusieurs agents spécialisés, parfois en essaim, et coordonne leurs échanges jusqu'au résultat.
- Boucle agentique : Cycle « raisonner, agir avec un outil, observer le résultat », répété jusqu'à la fin de la tâche ou une limite fixée.
- Runtime d'exécution : Environnement qui fait tourner les agents : état, reprise après erreur, limites de temps et de coût.
- Protocoles d'interopérabilité : Standards qui branchent un agent sur des outils et des données (MCP) ou sur d'autres agents, y compris d'éditeurs différents (A2A).
- Outils : Fonctions qu'un agent peut appeler pour agir : rechercher, calculer, écrire dans une application.
Indicateurs de pilotage
- Tâches menées à terme : > 85 % — des tâches lancées. Si hors cible : analyser les échecs.
- Réponses valides : > 98 % — des sorties conformes au format attendu. Si hors cible : renforcer la validation et le prompt.
- Escalade humaine : < 15 % — des tâches demandent un arbitrage. Si hors cible : ajuster la politique de validation.
- Budget dépassé : 0 — dépassement du temps, des tokens ou du coût alloués. Si hors cible : arrêt d'urgence et alerte.
Anti-patterns à éviter
- Appel direct d'un système métier : la sécurité est contournée. Signal d'alerte : appels sortants hors Action Runtime. Contre-mesure : délégation obligatoire.
- Boucle sans budget : le coût n'a plus de limite. Signal d'alerte : nombre d'étapes ou de tokens anormal. Contre-mesure : budget et plafond par tâche.
- Perte d'état : une tâche interrompue repart de zéro. Signal d'alerte : relances complètes. Contre-mesure : points de reprise.
- Agents qui discutent sans agir : des tokens consommés pour rien. Signal d'alerte : étapes sans action. Contre-mesure : objectifs et outils explicites.
Écosystème technique
MCP, LangGraph, Temporal, AutoGen, CrewAI, OpenTelemetry, Claude Code, Codex, OpenCode, Hermes Agent
Context Runtime
Choisit ce que l'agent doit savoir pour répondre, avec des informations récentes, sourcées et auxquelles l'utilisateur a droit.
Objectif : Le bon contexte, au bon moment, dans le respect des droits.
Composants
- RAG : Le modèle va chercher les documents utiles avant de répondre, au lieu de se fier à sa seule mémoire.
- Retrieval & reranking : Recherche des passages pertinents, puis tri pour ne garder que les meilleurs.
- Mémoire : Conserve ce qui a été dit et appris, d'une session à l'autre.
- Sélection et assemblage du contexte : Choisit et ordonne les informations envoyées au modèle, dans la limite de ce qu'il peut lire.
Indicateurs de pilotage
- Précision : > 0,85 — des 5 premiers passages sont pertinents (Precision@5). Si hors cible : améliorer l'index et le tri.
- Latence P95 : < 400 ms — pour la recherche et le tri. Si hors cible : optimiser l'index et l'infrastructure.
- Contexte autorisé : 100 % — des passages respectent les droits de l'utilisateur. Si hors cible : bloquer et enquêter.
- Citation vérifiable : > 95 % — des réponses citent une source exploitable. Si hors cible : renforcer la traçabilité.
Anti-patterns à éviter
- Tout mettre dans le contexte : coût maximal et précision faible. Signal d'alerte : volume de tokens anormal. Contre-mesure : sélectionner et compresser.
- Mémoire sans règles : on garde des données sans raison. Signal d'alerte : durée de conservation non définie. Contre-mesure : durée de vie, effacement et cloisonnement.
- Compression excessive : une information critique disparaît. Signal d'alerte : baisse de fidélité. Contre-mesure : évaluer et garder les sources.
Écosystème technique
LangChain, LlamaIndex, Cohere Rerank, Mem0, Zep, Letta, Redis
Model Gateway
Le point d'entrée unique et contrôlé de l'agent vers les modèles, internes comme externes.
Objectif : Tous les appels aux modèles passent par un seul point, où l'on contrôle coûts, quotas et conformité.
Composants
- Routage : Aiguille chaque requête vers le modèle le plus adapté selon la qualité, le coût, la latence et la localisation des données.
- Quotas : Limite la consommation par équipe ou par application pour éviter les dérives.
- Fallback : Bascule automatiquement vers un modèle de secours si le modèle principal est indisponible.
- Gestion des modèles : Liste des modèles autorisés, de leurs versions et de leurs conditions d'usage.
Indicateurs de pilotage
- Disponibilité : > 99,95 % — de la passerelle. Si hors cible : incident et revue de capacité.
- Contrôles entrée et sortie : 100 % — des appels critiques contrôlés. Si hors cible : bloquer et enquêter.
- Respect des quotas : 100 % — de la consommation reste plafonnée. Si hors cible : blocage ou service dégradé.
- Bascules vers le secours : Suivi — appels basculés vers un modèle de secours. Si hors cible : revoir les fournisseurs et la résilience.
Anti-patterns à éviter
- Modèle de secours non évalué : la qualité devient imprévisible après une bascule. Signal d'alerte : qualité dégradée. Contre-mesure : modèles de secours validés.
- Pas de coupe-circuit : la panne d'un fournisseur se propage. Signal d'alerte : latence du fournisseur. Contre-mesure : coupe-circuit et délais maximum.
- Quota global : impossible de savoir qui consomme. Signal d'alerte : coûts non attribuables. Contre-mesure : quotas par équipe ou par application.
Écosystème technique
Portkey, LiteLLM, OpenRouter, Azure AI Gateway, Kong, OpenAI (GPT), Anthropic (Claude), Gemini, Mistral
Action Runtime
Exécute à la place de l'agent les actions qu'il demande, dans un environnement isolé et contrôlé.
Objectif : Seules les actions autorisées, validées et journalisées sont exécutées.
Composants
- Autorisations : Vérifie avant chaque action que l'agent a le droit de la faire.
- Idempotence : Une action rejouée par erreur ne produit pas deux fois son effet : pas de double paiement.
- Checkpoints : Points de sauvegarde qui permettent de reprendre une tâche longue sans tout recommencer.
- Approbations : Mécanisme technique qui suspend une action sensible jusqu'à la validation d'une personne.
Indicateurs de pilotage
- Actions conformes : 100 % — des droits vérifiés par des règles codées (Policy-as-Code) avant exécution. Si hors cible : bloquer et enquêter.
- Doublons : 0 — effet produit deux fois pour une même demande. Si hors cible : corriger l'idempotence.
- Actions sensibles suspendues : 100 % — des actions au-dessus du seuil attendent une validation. Si hors cible : blocage et escalade.
- Traces : 100 % — des appels journalisés. Si hors cible : instrumentation obligatoire.
Anti-patterns à éviter
- Outil sans schéma : porte ouverte aux attaques. Signal d'alerte : outils non référencés. Contre-mesure : registre et schéma obligatoires.
- Exécution hors bac à sable : l'agent atteint des ressources non prévues. Signal d'alerte : accès réseau ou fichiers anormaux. Contre-mesure : isolation stricte.
- Relance non idempotente : un paiement part deux fois. Signal d'alerte : doublons. Contre-mesure : clé d'idempotence.
- Pas de compensation : une action irréversible n'a pas de plan B. Signal d'alerte : aucune procédure d'annulation. Contre-mesure : compensation ou validation obligatoire.
Écosystème technique
MCP, OpenAPI, OPA, HashiCorp Vault, E2B, Firecracker, gVisor
Lakehouse & Data Product
Le socle où l'on transforme les données brutes en produits documentés, chacun avec un responsable.
Objectif : Que chaque équipe trouve des données propres sans avoir à les retraiter.
Composants
- Formats ouverts : Tables Apache Iceberg ou Delta Lake, lisibles par tous les moteurs, sans dépendance à un éditeur.
- Modélisation médaillon : Trois étages : Bronze (brut), Silver (nettoyé), Gold (prêt à consommer).
- Transformation (ELT) : Les données arrivent brutes. On les transforme ensuite dans la plateforme, d'un étage à l'autre, avec des modèles SQL versionnés et testés (dbt).
- Data products : Jeux de données gérés comme des produits, avec un responsable, une documentation et une qualité mesurée.
Indicateurs de pilotage
- Tests qualité : > 98 % — de tests réussis à chaque mise à jour. Si hors cible : bloquer le déploiement.
- Délai de purge RGPD : < 72 h — de la demande à la suppression partout. Si hors cible : escalade conformité.
- Usage des produits : Suivi — adoption et valeur de chaque produit de données. Si hors cible : revoir le portefeuille.
Anti-patterns à éviter
- Marécage de données : un lac sans règles où plus personne ne sait ce qui est fiable. Signal d'alerte : jeux de données sans propriétaire. Contre-mesure : catalogue et responsables nommés.
- Couche Gold sans définitions communes : la BI et les agents calculent différemment. Signal d'alerte : écarts de calcul. Contre-mesure : un référentiel unique d'indicateurs (metrics store).
- Format propriétaire : dépendance à un éditeur. Signal d'alerte : migration impossible. Contre-mesure : formats ouverts.
Écosystème technique
Snowflake, BigQuery, Databricks, Microsoft Fabric, ClickHouse, DuckDB, Teradata, Iceberg, Delta Lake, Starburst, dbt, Y42
Semantic & Knowledge Services
Donne le sens métier des données : définitions, relations entre concepts, index et moteurs de recherche.
Objectif : Que tout le monde, humains comme agents, donne le même sens aux mêmes mots.
Composants
- Couche sémantique : Définitions uniques des indicateurs métier (CA, marge…), partagées par la BI et les agents.
- Ontologies : Modèle des concepts de l'entreprise et de leurs relations : client, contrat, produit.
- Base vectorielle : Stocke le sens des textes sous forme de vecteurs (embeddings) pour retrouver les passages proches d'une question.
- Base graphe : Stocke les entités et leurs liens pour répondre aux questions de relations : qui dépend de quoi.
Indicateurs de pilotage
- Information retrouvée : Selon le cas d'usage — part de l'information utile effectivement retrouvée (Recall@K). Si hors cible : enrichir le corpus ou l'ontologie.
- Fuite entre périmètres : 0 — accès à des données d'un autre client ou service. Si hors cible : blocage et enquête.
- Fraîcheur : Selon le domaine — écart entre la source et l'index. Si hors cible : réindexer.
Anti-patterns à éviter
- Index sans contrôle d'accès : des données fuient. Signal d'alerte : tests d'accès croisés. Contre-mesure : filtrer selon les droits à chaque recherche.
- Recherche sans tri : les résultats utiles sont noyés. Signal d'alerte : faible précision. Contre-mesure : reranking et évaluation.
- Ontologie périmée : le sens des données devient faux. Signal d'alerte : conflits de définitions. Contre-mesure : une gouvernance de l'ontologie.
- Résultat sans provenance : la réponse ne peut pas être vérifiée. Signal d'alerte : aucune source. Contre-mesure : métadonnées et citations.
Écosystème technique
Pinecone, Qdrant, pgvector, Weaviate, Elasticsearch, Neo4j, Looker, Cube, MetricFlow, Denodo, Starburst, Palantir
Knowledge Engineering
Transforme les documents et contenus non structurés en connaissances exploitables, traçables et tenues à jour.
Objectif : Des connaissances fraîches, structurées et reliées à leur source.
Composants
- Documents : Collecte des contenus non structurés de l'entreprise : contrats, procédures, e-mails, présentations.
- Parsing : Extraction du texte, des tableaux et de la structure de chaque document.
- Découpage (chunking) : Découpe des documents en passages courts, que le modèle peut retrouver et citer.
- Indexation : Rangement des passages pour les retrouver vite, en gardant la source de chaque information.
Indicateurs de pilotage
- Fraîcheur des index : < 24 h — d'écart entre la source et l'index. Si hors cible : réindexer.
- Documents obsolètes : < 5 % — des contenus à retirer ou à mettre à jour. Si hors cible : revue et purge.
- Qualité d'extraction : > 95 % — des documents correctement structurés. Si hors cible : corriger la chaîne.
- Passages traçables : 100 % — reliés à leur document source. Si hors cible : bloquer l'indexation.
Anti-patterns à éviter
- Indexer sans version : l'IA s'appuie sur des documents périmés. Signal d'alerte : plusieurs versions d'un même document. Contre-mesure : versions et contrôle de fraîcheur.
- Découpage mécanique : les passages perdent leur sens. Signal d'alerte : recherche peu précise. Contre-mesure : découper selon la structure du document.
- Données personnelles non détectées : risque de fuite. Signal d'alerte : alertes de prévention des fuites. Contre-mesure : détection et masquage.
Écosystème technique
Unstructured, Apache Tika, Tesseract, Whisper, LlamaIndex, LangChain
Data Contracts, Quality & Governance
La gouvernance des données au quotidien : contrats, qualité, rôles, conformité, traçabilité et correction des anomalies.
Objectif : Les engagements de qualité sont écrits, vérifiés automatiquement et suivis.
Composants
- Data contracts : Engagement écrit entre producteur et consommateur sur le format et la qualité d'une donnée.
- Business glossary : Dictionnaire des termes métier et de leurs règles, partagé par toute l'entreprise.
- Catalogue & lineage : Inventaire des données et traçage de leur origine, de la source jusqu'au tableau de bord.
- Data observability : Surveillance continue des données pour détecter retards, trous ou valeurs anormales.
Indicateurs de pilotage
- Couverture contrats : > 90 % — des datasets Gold contractualisés. Si hors cible : bloquer la publication.
- Contrats vérifiés : > 95 % — contrôles exécutés à chaque livraison. Si hors cible : bloquer le déploiement.
- Traçabilité de bout en bout : > 90 % — des données suivies de la source à l'usage final. Si hors cible : compléter l'instrumentation.
- Correction d'une anomalie critique : < 48 h — entre sa détection et sa correction. Si hors cible : escalade et incident.
Anti-patterns à éviter
- Contrat sans effet technique : une gouvernance sur le papier. Signal d'alerte : aucun test automatique. Contre-mesure : validation automatique des contrats.
- Rôles non nommés : personne n'est responsable. Signal d'alerte : incidents sans propriétaire. Contre-mesure : responsabilités nommées (RACI).
- Traçabilité arrêtée au tableau de bord : on ignore ce que les agents font des données. Signal d'alerte : lignage incomplet. Contre-mesure : l'étendre jusqu'aux agents.
- Purge non propagée : la donnée reste dans les index et les caches. Signal d'alerte : résidus après purge. Contre-mesure : purge propagée.
Écosystème technique
Great Expectations, Soda, Sifflet, OpenLineage, Collibra, Purview, Unity Catalog, DataGalaxy, Coalesce Catalog, Actian, OpenMetadata, Precisely
Data & AI Marketplace
La vitrine interne où les équipes trouvent les données, API, modèles ou agents disponibles et en demandent l'accès.
Objectif : Faciliter la réutilisation en respectant les contrats, les droits, la qualité et la conformité.
Composants
- Catalogue unifié : Données, API, modèles, agents, prompts et outils au même endroit.
- Fiche produit : Description, responsable, version, engagement de service, qualité et origine des données.
- Demande d'accès : L'utilisateur indique sa finalité ; la demande est approuvée et tracée.
- Attribution des droits : Rôles et permissions donnés automatiquement après accord, puis retirés quand ils ne sont plus justifiés.
- Suivi de l'usage : Consommation, coût et valeur de chaque actif.
Indicateurs de pilotage
- Délai d'accès : < 48 h — de la demande à l'accès opérationnel. Si hors cible : automatiser l'approbation.
- Réutilisation : > 60 % — des actifs servent à plusieurs cas d'usage. Si hors cible : améliorer la découverte et la qualité.
- Produits sous contrat : > 90 % — des produits publiés ont un contrat actif. Si hors cible : bloquer la publication.
- Accès tracés : 100 % — demandes, décisions, usages et retraits enregistrés. Si hors cible : bloquer tout accès non tracé.
Anti-patterns à éviter
- Catalogue sans circuit d'accès : chacun se sert sans demander. Signal d'alerte : accès sans demande. Contre-mesure : circuit d'accès obligatoire.
- Fiche sans responsable ni engagement : personne ne maintient l'actif. Signal d'alerte : fiches incomplètes. Contre-mesure : publication conditionnée à une fiche complète.
- Agent publié sans évaluation : risque de qualité et de sécurité. Signal d'alerte : aucune évaluation. Contre-mesure : validation avant publication.
- Droits jamais retirés : les accès survivent aux changements de poste. Signal d'alerte : accès après changement de rôle. Contre-mesure : retrait automatique des droits.
Écosystème technique
Huwise, CKAN, Snowflake, DataGalaxy, Collibra, Purview, Unity Catalog, OpenMetadata, DataHub, Backstage, OAuth 2.0 / OIDC
Connectors & APIs
Relie l'usine aux systèmes sources et ouvre aux agents, de façon sécurisée, les systèmes sur lesquels ils agissent.
Objectif : Plus de scripts maison : chaque connexion est documentée, sécurisée et surveillée.
Composants
- Applications métier : Connexion aux ERP, CRM et outils internes de l'entreprise.
- SaaS : Connecteurs prêts à l'emploi vers les logiciels en ligne : Salesforce, HubSpot…
- API : Connexion aux applications qui exposent leurs données via une interface programmable.
- Bases de données : Lecture des bases opérationnelles sans perturber leur fonctionnement.
- Événements : Captation des flux continus (capteurs, clics, transactions) via des bus de messages.
Indicateurs de pilotage
- Connecteurs documentés : 100 % — des connecteurs en production. Si hors cible : bloquer la mise en production.
- Disponibilité des sources critiques : > 99,5 % — des connecteurs opérationnels. Si hors cible : incident et solution de repli.
- Appels en échec : < 1 % — des appels légitimes. Si hors cible : analyser et corriger.
- Secrets renouvelés : 100 % — des identifiants à jour de leur rotation. Si hors cible : rotation immédiate.
Anti-patterns à éviter
- Script maison : fragile et vite oublié. Signal d'alerte : scripts non référencés. Contre-mesure : catalogue de connecteurs maintenus.
- Identifiant partagé : impossible de savoir qui a fait quoi. Signal d'alerte : un même secret utilisé par plusieurs. Contre-mesure : une identité par connecteur ou par agent.
- Lecture et écriture au même niveau : le risque de l'écriture est sous-estimé. Signal d'alerte : écriture sans règle dédiée. Contre-mesure : séparer les droits selon le risque.
- Quota fournisseur non surveillé : le service s'arrête net. Signal d'alerte : erreurs 429 (trop de requêtes). Contre-mesure : surveillance et limitation du débit.
Écosystème technique
Fivetran, Airbyte, Hevo, Kafka Connect, MuleSoft, Boomi
Ingestion & CDC
Collecte, vérifie, sécurise et achemine les flux de données vers le Lakehouse, avec une reprise possible en cas d'incident.
Objectif : Absorber la diversité du système d'information sans polluer les données de référence.
Composants
- Batch : Chargement des données par lots, à heure fixe.
- Streaming : Chargement en continu, au fil de l'eau, pour les usages temps réel.
- CDC & réplication : Ne recopier que ce qui a changé dans les bases sources, sans tout recharger.
- Traitement du non structuré : Prise en charge des documents, images et fichiers, en plus des tables.
Indicateurs de pilotage
- Fraîcheur P95 : < 15 min — du producteur au niveau Bronze. Si hors cible : examiner la chaîne ou la source.
- Latence streaming : < 5 s — de l'événement à l'écriture. Si hors cible : optimiser le flux.
- Complétude : > 99,5 % — des sources attendues livrées. Si hors cible : relance et incident.
- Flux reprenables : 100 % — des flux repartent après une panne, sans perte ni doublon. Si hors cible : corriger la sauvegarde de position.
Anti-patterns à éviter
- Ingérer sans contrat : les erreurs de format se paient plus loin, au prix fort. Signal d'alerte : erreurs de schéma. Contre-mesure : contrats appliqués à l'entrée.
- Pas de point de reprise : pertes ou doublons après une panne. Signal d'alerte : rechargements complets. Contre-mesure : mémoriser la position de lecture.
- Pas de file d'erreurs : des messages se perdent en silence. Signal d'alerte : messages manquants. Contre-mesure : file d'erreurs et rejeu.
- Tout en streaming : complexité et coût inutiles. Signal d'alerte : temps réel sans valeur métier. Contre-mesure : choisir lot ou flux selon l'usage.
Écosystème technique
Kafka, Flink, Debezium, Popsink, Starlake, Fivetran, Airbyte, Talend, Informatica, Azure Data Factory, Tale of Data, Airflow
Trust, Security & Compliance
Protège toute l'usine : identités, droits, conformité, attaques propres à l'IA et journal d'audit.
Objectif : Pouvoir prouver à tout moment qui a fait quoi et que les règles ont été respectées.
Composants
- Identity & Access : Chaque humain, machine ou agent a une identité et ne reçoit que les droits strictement nécessaires (moindre privilège).
- Policy enforcement : Règles appliquées automatiquement : outils autorisés, données visibles, contrôle de ce qui entre et sort du modèle.
- Conformité : Respect du RGPD, respect de l'AI Act et marquage des contenus générés par l'IA (watermarking).
- Isolation & secrets : Chaque client et chaque agent travaille dans un espace cloisonné ; clés et mots de passe sont stockés à part et renouvelés.
- AI safety & security : Protection contre les attaques propres à l'IA : injection de prompt, fuite de données, empoisonnement des connaissances, détournement d'outils.
- Audit & traçabilité : Journal infalsifiable de qui a fait quoi, humain ou agent, pour pouvoir rendre des comptes.
Indicateurs de pilotage
- Jailbreaks bloqués : > 99 % — des attaques du corpus de test. Si hors cible : renforcer les garde-fous.
- Arrêt d'urgence : < 1 s — entre le déclenchement et l'arrêt effectif. Si hors cible : tester et corriger.
- Agents identifiés : 100 % — des agents ont des droits explicites. Si hors cible : suspendre l'agent.
- Décisions prouvées : 100 % — des actions critiques auditables. Si hors cible : enquête.
Anti-patterns à éviter
- Filtrer seulement l'entrée : les fuites passent par les réponses. Signal d'alerte : aucun contrôle en sortie. Contre-mesure : contrôle dans les deux sens.
- Arrêt d'urgence jamais testé : il ne marche pas le jour où on en a besoin. Signal d'alerte : aucun exercice. Contre-mesure : exercices réguliers.
- Conformité traitée à la fin : il faut revoir l'architecture. Signal d'alerte : ni analyse d'impact ni registre. Contre-mesure : conformité dès la conception.
- Agent sans identité : on ne sait pas qui a agi. Signal d'alerte : identité partagée. Contre-mesure : une identité et des droits délégués par agent.
Écosystème technique
OPA, HashiCorp Vault, Microsoft Presidio, Lakera, NeMo Guardrails, Llama Guard, Guardrails AI, WORM Storage, SIEM
Ops & FinOps
Pilote les coûts, la valeur, la capacité et l'empreinte environnementale.
Objectif : Savoir ce que coûte chaque usage et ce qu'il rapporte.
Composants
- FinOps : Suivi et optimisation des dépenses cloud et IA, par équipe et par usage.
- GreenOps : Mesure et réduction de l'empreinte énergétique et carbone.
- Politique de routage par coût : Règles et budgets qui indiquent au routage quand privilégier un modèle moins cher. Les économies obtenues sont mesurées.
- Semantic caching : Réutilise la réponse à une question déjà posée sous une autre forme, sans rappeler le modèle.
Indicateurs de pilotage
- Dépenses imputées : > 90 % — des dépenses attribuées à une équipe ou un usage. Si hors cible : compléter la répartition.
- Coût par résultat métier : Selon le cas d'usage — coût ramené à la valeur produite. Si hors cible : revoir les priorités.
- Réutilisation du cache : > 35 % — des requêtes éligibles servies par le cache. Si hors cible : améliorer la clé de cache.
- Empreinte carbone : −40 % — par millier de requêtes, par rapport à la référence. Si hors cible : optimiser modèles et infrastructure.
Anti-patterns à éviter
- Compter seulement les tokens : le vrai coût reste invisible. Signal d'alerte : ni coût par tâche ni coût par résultat. Contre-mesure : mesurer le coût par tâche et par résultat.
- Pas de refacturation : la dérive des coûts n'est vue par personne. Signal d'alerte : coûts non attribués. Contre-mesure : affichage et refacturation par équipe.
- Cache sans contrôle d'accès : une réponse mise en cache fuit vers un autre utilisateur. Signal d'alerte : accès croisés. Contre-mesure : cache cloisonné.
- Tout vers le gros modèle : la facture s'envole. Signal d'alerte : coût par requête élevé. Contre-mesure : politique de routage par criticité.
Écosystème technique
LiteLLM, Redis, OpenCost, Cloud Carbon Footprint
Observability & SRE
Suit l'usine de bout en bout, déclenche les alertes et organise la réponse aux incidents.
Objectif : Détecter vite, diagnostiquer juste et progresser après chaque incident.
Composants
- Logs : Journal détaillé des événements de chaque composant.
- Traces : Suivi d'une requête de bout en bout, à travers tous les services et agents.
- Métriques : Mesures chiffrées en continu : temps de réponse, erreurs, consommation.
- SLO : Objectifs de service chiffrés (par exemple 99,9 % de disponibilité) qui déclenchent les alertes.
- Incidents : Détection, gestion et analyse des pannes pour qu'elles ne se reproduisent pas.
Indicateurs de pilotage
- Délai de détection (MTTD) : < 15 min — pour un incident critique. Si hors cible : améliorer les alertes.
- Délai de résolution (MTTR) : < 2 h — pour un incident critique. Si hors cible : post-mortem et automatisation.
- Alertes utiles : > 80 % — des alertes demandent vraiment une action. Si hors cible : réduire le bruit.
- Tâches d'agents tracées : 100 % — des tâches critiques. Si hors cible : instrumenter ce qui manque.
Anti-patterns à éviter
- Alertes inutiles : les équipes finissent par les ignorer. Signal d'alerte : alertes ignorées. Contre-mesure : seuils revus et un responsable par alerte.
- Traces sans identifiant commun : impossible de suivre une requête de bout en bout. Signal d'alerte : traces non reliées. Contre-mesure : propager un identifiant de corrélation.
- Supervision en silos : chacun ne voit que sa partie. Signal d'alerte : trous dans les traces. Contre-mesure : traçage distribué.
- Pas de post-mortem : les incidents se répètent. Signal d'alerte : incidents similaires. Contre-mesure : analyse et plan d'action après chaque incident.
Écosystème technique
OpenTelemetry, Prometheus, Grafana, Loki, Tempo, Jaeger, PagerDuty, Datadog
Infrastructure & Résilience
Les fondations de calcul, de stockage, de réseau, de sécurité et de continuité de l'usine.
Objectif : Assez de puissance au bon endroit, des données hébergées où il faut et une reprise rapide après une panne.
Composants
- Calcul GPU : Mise à disposition et partage des cartes graphiques entre les équipes.
- Autoscaling : Ajuste automatiquement les ressources à la charge, à la hausse comme à la baisse.
- Résilience & reprise : Redondance, sauvegardes et plan de reprise pour rester disponible en cas de panne.
- Infra observability : Surveillance de l'infrastructure : machines, réseau, stockage.
Indicateurs de pilotage
- Disponibilité critique : > 99,99 % — des services critiques. Si hors cible : incident et redondance.
- Utilisation des GPU : > 75 % — d'occupation moyenne. Si hors cible : réallouer ou réduire.
- Reprise (RTO / RPO) : < 15 min / < 1 min — durée d'interruption et perte de données maximales. Si hors cible : corriger le plan de reprise.
- Exercices de reprise : ≥ 2 par an — exercices documentés. Si hors cible : planifier un exercice.
Anti-patterns à éviter
- Cloud sans analyse de souveraineté : risque juridique. Signal d'alerte : données sensibles hébergées sans savoir où. Contre-mesure : politique de localisation.
- GPU surdimensionnés : gaspillage. Signal d'alerte : utilisation faible. Contre-mesure : partage et ordonnancement des GPU.
- Files non priorisées : un traitement de nuit bloque les usages interactifs. Signal d'alerte : latence interactive. Contre-mesure : classes de priorité.
- Reprise limitée aux données : modèles et index ne reviennent pas. Signal d'alerte : aucune sauvegarde des modèles ni des index. Contre-mesure : plan de reprise qui couvre l'IA.
Écosystème technique
Kubernetes, KubeVirt, NVIDIA MIG, Run:AI, Slurm, Ceph, Terraform, OpenTofu
