La course à l'IA a commencé : comment nous avons choisi de ne pas courir

Chaque mois, un nouveau modèle IA sort. GPT-5, Claude Opus 4, Gemini Ultra 2... La presse tech s'emballe. Les early adopters testent. Les agences marketing publient leurs "10 prompts qui vont changer votre vie". Et la plupart des entreprises courent — abonnement après abonnement, outil après outil — sans jamais vraiment arriver nulle part.

Chez WELL ASSOCIÉS, on a décidé de ne pas courir. Pas par manque d'intérêt — bien au contraire. On regarde chaque nouveau modèle avec attention. On teste. On prend ce qu'il y a de bon. Et on le reconstruit nous-mêmes, sur notre infrastructure, avec notre vocabulaire, nos données, nos processus.

Ce que l'IA cloud nous a appris (et ce qu'elle nous a coûté)

En 2022, quand ChatGPT est sorti, on a fait comme tout le monde : on s'est abonnés. Puis on a ajouté Jasper pour la rédaction. Puis Notion AI pour la base de connaissances. Puis un outil de transcription IA pour les appels commerciaux. Puis un assistant IA pour le CRM. Et ainsi de suite.

Résultat après un an : 36 outils différents, 2 200€/an d'abonnements cumulés, et une fragmentation totale de nos données. Chaque outil avait sa propre IA, son propre contexte, son propre format de sortie. Rien ne se parlait. On perdait plus de temps à copier-coller entre outils qu'on n'en gagnait grâce à l'automatisation.

Mais le vrai problème n'était pas financier. C'était la question des données. Chaque prompt qu'on envoyait à OpenAI — analyse d'un dossier client, résumé d'un appel commercial, draft d'un email de relance — partait vers des serveurs américains. Et selon les conditions générales de la plupart des fournisseurs, ces données pouvaient être utilisées pour améliorer leurs modèles.

Qu'est-ce que le Fine-Tuning, vraiment ?

Non, c'est pas une voiture pimpée. Et non, ça ne veut pas dire "apprendre à l'IA à faire du Python".

Le fine-tuning, c'est le processus par lequel on prend un modèle de langage de base — comme Mistral, qui est open source et 100% français — et on le spécialise sur des données spécifiques. On lui apprend notre vocabulaire. Notre façon de présenter un lead. Nos critères de qualification. Les objections typiques de nos prospects. Le ton qu'on utilise dans nos emails.

Concrètement : un modèle de base, si vous lui demandez "rédige un email de relance pour un lead mutuelle senior", va produire quelque chose de générique, probable, plat. Un modèle fine-tuné sur nos données de relance va produire quelque chose qui ressemble exactement à ce que nos meilleurs commerciaux écrivent — parce qu'il a appris sur leurs emails.

• Le modèle apprend votre vocabulaire métier (les termes spécifiques à votre secteur)
• Il apprend votre format de sortie (comment vous structurez un dossier, un email, un rapport)
• Il apprend vos contraintes (RGPD, tonalité, longueur des messages)
• Il apprend vos cas d'exception (les situations où la règle générale ne s'applique pas)

Résultat : une IA qui vous ressemble. Pas une IA générique qui ne connaît pas votre secteur, vos clients, votre façon de travailler.

Le risque modèle : quand votre outil disparaît du jour au lendemain

Il y a une chose dont on ne parle pas assez dans la presse tech : le risque de disparition d'un outil IA. Et ce n'est pas hypothétique — c'est arrivé.

En 2023, on utilisait un outil IA spécialisé dans la génération de leads assurance — un outil bâti sur un modèle d'OpenAI. En quelques semaines, OpenAI a changé ses conditions d'utilisation, rendant le use case de cet outil non-conforme. L'outil a fermé en 48h. Nos processus qui en dépendaient se sont arrêtés net.

Le principe est simple : si vous construisez votre workflow sur une IA que vous ne possédez pas, votre workflow dépend de la survie d'une entreprise tierce, de ses décisions commerciales, des régulations qui s'appliquent à elle, et de la géopolitique. Ce n'est pas une stratégie — c'est une dépendance.

Notre décision : tout centraliser en local

En 2024, on a pris une décision structurante : migrer l'intégralité de notre stack IA vers une architecture locale, déployée sur nos propres serveurs OVH à Paris.

Pourquoi Mistral ? Parce que c'est le seul LLM open source de niveau mondial qui soit 100% français. Fondé par d'anciens chercheurs de DeepMind et Meta, basé à Paris, Mistral offre des performances comparables à GPT-4 sur la plupart des tâches de traitement du langage naturel — avec un avantage décisif : le code est open source. On peut le modifier, l'améliorer, le fine-tuner, le déployer où on veut. On le possède.

Pourquoi OVH ? Parce que c'est l'hébergeur français de référence, avec des datacenters sur le territoire de l'Union Européenne. Nos données ne quittent pas le territoire. RGPD natif. Souveraineté numérique réelle — pas une case cochée dans un formulaire de conformité.

La migration a pris 6 semaines. On a audité chaque use case IA qu'on avait (29 au total). On en a abandonné 18 — ils n'apportaient pas assez de valeur pour justifier la complexité. On a reconstruit les 11 restants sur notre stack Mistral + OVH, avec du fine-tuning spécifique pour chacun.

Le résultat, 12 mois après

Les chiffres parlent d'eux-mêmes :

• Coût annuel de la stack IA : divisé par 3 (on a remplacé 2 200€/an d'abonnements par une infrastructure propre)
• Temps de traitement des dossiers leads : réduit de 40%
• Qualité des sorties IA (mesurée par le taux de validation humaine) : en hausse de 67%
• Zéro incident de données — nos informations clients n'ont jamais quitté notre infrastructure
• Conformité RGPD : entière, documentée, auditée

Mais le bénéfice le plus important est difficile à chiffrer : on dort mieux. On sait que notre stack IA ne peut pas disparaître du jour au lendemain. On sait que nos données clients sont protégées. On sait qu'on est propriétaires de nos outils — pas locataires.

C'est le choix qu'on a fait. Et c'est le choix qu'on propose maintenant à nos clients : construire une architecture IA qui leur appartient vraiment.