L'IA sous le capot : ce qu'un DSI doit vérifier
Carte 10 / 10
Cette carte s'adresse à ceux qui devront faire tourner l'IA, l'intégrer, la sécuriser et la payer : DSI, responsables d'architecture, chefs de projet CCaaS. Elle ne reprend pas les concepts des cartes précédentes ; elle les transforme en questions à poser, en clauses à exiger et en pièges à éviter avant la signature.
Ce que l'IA change dans l'architecture d'un centre de contact
Un centre de contact classique est une chaîne : téléphonie, routage, poste conseiller, CRM, enregistrement, reporting. L'IA ne remplace aucun maillon ; elle s'insère entre eux, et chaque insertion est un flux de données vers un modèle.
| Maillon | Ce que l'IA y ajoute | Ce qui circule vers le modèle |
|---|---|---|
| Routage | Compréhension de l'intention en langage naturel | La demande du client, parfois son historique |
| Poste conseiller | Copilote : résumé, suggestion, recherche dans la base | La transcription en temps réel, la base de connaissances |
| Face client | Chatbot, voicebot, agent | Toute la conversation, les données du CRM si l'agent agit |
| Enregistrement | Transcription, speech analytics, qualité | 100 % des enregistrements |
| Reporting | Prévision de charge, analyse de verbatims | L'historique de contacts |
La question d'architecture n'est donc pas « quel modèle ? » mais « quel flux, vers où, sous quel contrat ? ». Chaque ligne du tableau est un transfert de données à cartographier avant d'être activé.
Natif, tiers ou maison : trois façons d'avoir de l'IA
L'IA native de l'éditeur CCaaS. Genesys, Amazon Connect, NICE, Five9 et les autres intègrent leurs propres fonctions d'IA. Avantage : intégration immédiate, un seul contrat, un seul support. Inconvénient : vous prenez le modèle qu'ils ont choisi, au prix qu'ils fixent, et vous ne pouvez pas en changer sans changer de plateforme.
Une solution tierce spécialisée. Un éditeur de speech analytics, de bot ou de copilote, branché sur votre plateforme par API. Avantage : souvent meilleur sur sa spécialité, et remplaçable. Inconvénient : une intégration à maintenir, deux contrats, deux supports qui se renvoient la balle en cas d'incident.
Une brique maison. Un modèle ouvert ou une API de modèle, orchestrés par vos équipes, avec votre RAG sur votre base de connaissances. Avantage : maîtrise totale des données et du coût unitaire. Inconvénient : une équipe à constituer, et une responsabilité entière sur la qualité.
Aucune des trois n'est la bonne en général. Le choix dépend de trois choses : la criticité de l'usage (un résumé d'appel tolère le natif, un agent face client mérite le choix), la sensibilité des données, et ce que vous pouvez maintenir dans deux ans.
Cadrer : les questions avant tout engagement
- Quel usage, pour quel indicateur ? Si le métier n'a pas répondu à cette question (carte 09), l'architecture n'a pas d'objet.
- Quelles données entrent dans le modèle ? Enregistrements, transcriptions, historique client, base de connaissances, données du CRM. Pour chacune : contient-elle des données personnelles, des données sensibles, des secrets ?
- Quel est le volume ? Nombre de contacts par jour, durée moyenne, taille des documents. C'est la base de tout calcul de coût.
- Quelles contraintes réglementaires s'appliquent ? AI Act, RGPD, secteur régulé (banque, assurance, santé). Vu à la carte 08.
- Qui portera l'outil en production ? Une fonction d'IA sans propriétaire côté métier et sans propriétaire côté IT s'arrête à la fin du pilote.
Architecturer : la grille d'évaluation d'un éditeur
Face à un éditeur, les questions suivantes font la différence entre une démonstration et une intégration. Elles valent pour les trois options, natif, tiers ou maison.
| Question | Pourquoi elle compte | Mauvaise réponse |
|---|---|---|
| Quel modèle de langage derrière, et chez qui ? | Détermine la qualité, le coût, et où vont les données | « C'est notre IA propriétaire » sans plus de détail |
| Où sont hébergés le modèle et la base vectorielle ? | Transfert hors UE, souveraineté | « Dans le cloud » |
| Nos données servent-elles à entraîner le modèle ? | Vos conversations peuvent ressortir chez un concurrent | Une réponse évasive ou un « oui par défaut » |
| Comment le RAG est-il alimenté, et par qui ? | La qualité dépend de la base de connaissances et de sa mise à jour | « On s'en occupe » sans processus décrit |
| Quelles API pour brancher nos outils ? Supportez-vous MCP ? | Réversibilité, enfermement | Des connecteurs propriétaires uniquement |
| Peut-on changer de modèle sans tout refaire ? | Le modèle d'aujourd'hui ne sera pas le meilleur dans un an | « Pourquoi voudriez-vous changer ? » |
| Quel est le coût par contact, sur notre volume réel ? | Le prix au token ou à la minute cache le coût total | Un prix de licence sans simulation sur vos chiffres |
| Chaque décision du modèle est-elle journalisée ? | Audit, incident, régulateur | « On peut l'activer sur demande » |
Sécuriser : les points de contrôle
Les données en transit et au repos. Chiffrement, oui, mais surtout : qui détient les clés, et le fournisseur peut-il lire les données en clair ? Pour un modèle externe, la réponse est presque toujours oui.
L'injection de prompt. Toute entrée utilisateur est hostile par défaut. L'éditeur doit décrire ce qu'il fait contre les tentatives de détournement, et accepter un test de pénétration sur le bot.
Les droits de l'agent. Si l'IA peut agir (carte 07), chaque outil qu'elle appelle est une surface d'attaque. Principe du moindre privilège : l'agent qui consulte une commande n'a pas besoin du droit de la rembourser. Plafonds, double validation au-delà, journal complet.
La conservation. Les transcriptions, résumés, embeddings et scores sont des données personnelles. Durée de conservation définie, purge automatique, et réponse possible à une demande d'accès ou d'effacement.
Le plan de repli. Que se passe-t-il si l'API du modèle tombe, si le fournisseur double ses prix, si une mise à jour dégrade la qualité ? Un copilote qui tombe est un désagrément ; un agent face client qui tombe est une panne de service. Chaque usage doit avoir un mode dégradé défini.
Optimiser : le coût réel
Le coût d'un projet d'IA se lit rarement sur le devis. Trois postes à chiffrer avant de signer.
L'inférence. Chaque appel au modèle coûte des tokens ou des minutes. Un résumé d'appel, c'est la transcription en entrée (plusieurs milliers de tokens) et le résumé en sortie. Un agent, c'est quatre à dix allers-retours par conversation. Multipliez par votre volume quotidien, puis par 250 jours. C'est souvent le premier poste, et il croît avec l'usage.
L'intégration et la maintenance. Brancher le modèle sur la téléphonie, le CRM, la base de connaissances ; maintenir ces branchements à chaque mise à jour de l'un ou de l'autre. Pour une solution tierce ou maison, c'est un poste permanent, pas un coût de projet.
La base de connaissances. Un RAG ne vaut que ce que vaut sa base. La tenir à jour demande du temps métier, chaque semaine, pour toujours. Ce coût n'apparaît sur aucun devis d'éditeur ; il est pourtant celui qui décide de la qualité.
Et une mesure à exiger dès le pilote : le coût par contact traité, toutes charges comprises, comparé au coût du même contact sans IA.
Vu en mission
<!-- TODO : trois encadrés, un par cas, 150 à 250 mots chacun, anonymisés et validés. Angle DSI : architecture, intégration, sécurité, coût, réversibilité. Structure suggérée : - Le contexte en deux lignes (secteur, plateforme CCaaS, ce qu'on voulait brancher) - La difficulté rencontrée (intégration, données, contrat, coût) - Ce qu'on a fait, et ce qu'on en retient Idéalement : un cas natif éditeur, un cas solution tierce, un cas où la question des données ou de la réversibilité a pesé sur la décision. -->Cas 1 : [titre]
<!-- TODO -->Cas 2 : [titre]
<!-- TODO -->Cas 3 : [titre]
<!-- TODO -->Ce qu'on retient
- L'IA s'insère entre les maillons du centre de contact ; chaque insertion est un flux de données à cartographier.
- Natif, tiers ou maison : le choix dépend de la criticité de l'usage, de la sensibilité des données et de ce qu'on peut maintenir.
- Huit questions à un éditeur : quel modèle, hébergé où, entraîné sur quoi, RAG alimenté comment, quelles API, quelle réversibilité, quel coût par contact, quel journal.
- Sécuriser : clés, injection de prompt, droits de l'agent, conservation, plan de repli.
- Le coût réel, c'est l'inférence au volume, l'intégration permanente et la tenue de la base de connaissances. Exigez le coût par contact dès le pilote.
Quiz
Quelle est la première question d'architecture face à un projet d'IA en centre de contact ?
Quand une solution tierce spécialisée est-elle préférable à l'IA native de l'éditeur CCaaS ?
Quelle réponse d'éditeur doit alerter à la question « nos données servent-elles à entraîner votre modèle ? » ?
Quel principe de sécurité s'applique aux outils qu'un agent IA peut appeler ?
Quel poste de coût n'apparaît sur aucun devis d'éditeur et décide pourtant de la qualité ?