IA métier ou IA plateforme : le choix que les ETI européennes ne peuvent plus esquiver

# IA métier ou IA plateforme : le choix que les ETI européennes ne peuvent plus esquiver

En 2026, l'intégration de l'IA dans les systèmes d'information des ETI n'est plus un projet pilote. C'est un chantier ouvert — et souvent mal orienté. Entre la promesse des grandes plateformes américaines et les approches modulaires portées par des acteurs européens, le fossé n'est pas seulement technique. Il est stratégique. Et personne dans les salles de comité ne pose encore la bonne question : à qui appartient réellement l'intelligence que vous construisez ?

L'équation que le marketing ne résout pas

Les argumentaires des acteurs dominants américains sont bien rodés : une plateforme unifiée, une intégration native dans les outils déjà en place, un time-to-value rapide. Sur le papier, le DSI d'une ETI de taille intermédiaire y voit une réponse pragmatique à une pression réelle — livrer de la valeur IA sans recruter une équipe de data scientists.

Mais cette lecture est exactement ce que le marketing veut produire. Derrière la promesse d'unification se cache une réalité architecturale qu'il faut nommer clairement : la logique de plateforme est une logique de capture. Plus vous intégrez, plus le coût de sortie augmente. Plus vous entraînez des modèles sur vos données métier dans un environnement propriétaire, plus vous construisez une dépendance que vous ne mesurerez que le jour où vous voudrez en sortir — ou le jour où les conditions contractuelles changeront unilatéralement.

Face à cela, deux approches structurelles méritent une analyse honnête : l'IA plateforme US intégrée d'un côté, l'IA métier souveraine à architecture composable de l'autre. Une troisième voie — l'IA plateforme européenne en construction — commence à peser dans le débat, même si elle n'a pas encore atteint la maturité des deux premières.

Critère 1 — Architecture : où réside l'intelligence ?

IA plateforme US intégrée

L'architecture repose sur un modèle fondateur unique, hébergé dans le cloud de l'éditeur, exposé via API. Vos données métier y transitent pour l'inférence, parfois pour le fine-tuning. Le modèle lui-même est une boîte noire : vous ne savez pas exactement sur quoi il a été entraîné, vous ne contrôlez pas ses évolutions, et les mises à jour peuvent modifier silencieusement ses comportements sur vos cas d'usage.

La cohérence est réelle — tout parle à tout — mais elle est construite sur un périmètre que vous ne maîtrisez pas.

IA métier souveraine à architecture composable

Ici, l'intelligence est distribuée : des modèles spécialisés, de taille raisonnable, déployables on-premise ou sur infrastructure européenne certifiée, entraînés ou adaptés sur des corpus métier que vous possédez. Des acteurs comme Aleph Alpha (Allemagne) ou LightOn (France) ont construit leur positionnement précisément sur cette promesse : des modèles dont vous pouvez auditer le comportement, que vous pouvez versionner, et dont vous restez propriétaire des adaptations.

La contrepartie est réelle : l'intégration entre composants est votre responsabilité. Il n'y a pas de magie d'orchestration native. Vous construisez de la complexité — mais une complexité que vous comprenez.

Ce que cela implique pour votre organisation

Une architecture composable suppose que votre équipe IT soit capable de comprendre ce qu'elle assemble. Pas nécessairement de coder des modèles, mais de raisonner sur les dépendances, les contrats d'interface, les stratégies de versioning. Ce n'est pas une compétence qu'un prestataire externe peut porter à votre place sans que vous en devenez durablement dépendant.

Critère 2 — Intégration : la fluidité a un prix caché

IA plateforme US intégrée

L'intégration native dans les suites bureautiques et CRM américains est indéniablement fluide. Pour un utilisateur métier, l'IA semble surgir naturellement dans son outil de travail quotidien. Mais cette fluidité est le résultat d'un verrouillage intentionnel : les connecteurs propriétaires ne fonctionnent bien qu'à l'intérieur de l'écosystème. Brancher une source de données externe, un ERP européen, un outil de GED souverain ? La friction réapparaît immédiatement — et c'est là que les frais de prestation d'intégration explosent.

IA métier souveraine à architecture composable

L'intégration est plus laborieuse à l'entrée, mais elle s'appuie sur des standards ouverts : API REST, protocoles d'authentification interopérables, formats de données non propriétaires. Vous choisissez ce que vous branchez, et comment. La maintenance de ces connecteurs reste en interne ou chez des prestataires que vous pouvez mettre en concurrence — y compris des ESN européennes dont c'est aujourd'hui un axe de développement explicite.

Ce que cela implique pour votre organisation

La question à poser à votre DSI n'est pas « quelle solution s'intègre le plus vite ? » mais « dans six mois, qui sera capable de maintenir cette intégration — et à quel prix ? ». La rapidité initiale d'une plateforme fermée se paie souvent en dépendance prestataire durable, concentrée sur un pool d'experts certifiés par un seul éditeur américain.

Critère 3 — Gouvernance des données : la question que personne ne veut poser en premier

IA plateforme US intégrée

Les contrats ont évolué depuis 2023, mais la transparence reste partielle. Vos données métier utilisées pour l'inférence transitent sur des infrastructures soumises au droit américain — CLOUD Act inclus. Les clauses d'opt-out existent, mais leur effectivité réelle en cas de litige n'a pas encore été testée à grande échelle en contexte européen. Plus grave : quand vous utilisez une fonctionnalité de fine-tuning ou d'adaptation de modèle sur plateforme fermée, les améliorations produites par vos données appartiennent-elles à votre organisation ? Lisez attentivement les conditions générales avant de répondre.

IA métier souveraine à architecture composable

Le modèle de gouvernance est plus clair par construction : vos données restent sur votre infrastructure ou sur une infrastructure européenne sous contrat de droit européen. Les adaptations de modèles que vous produisez — par fine-tuning ou par RAG sur vos corpus — vous appartiennent contractuellement. L'auditabilité est possible parce que vous avez accès aux composants.

La gouvernance n'est pas automatique pour autant. Elle demande un effort interne : classification des données, politique d'accès aux modèles, traçabilité des inférences. Ce travail est un investissement en compétences, pas en licences.

Ce que cela implique pour votre organisation

Un RSSI qui ne s'est pas encore posé la question de la résidence des données d'inférence — pas seulement des données au repos — a un angle mort. En 2026, c'est un risque de conformité RGPD documentable. C'est aussi un risque de réputation vis-à-vis de clients grands comptes européens qui commencent à inclure ces exigences dans leurs appels d'offres.

Critère 4 — Compétences internes : ce que vous ne pouvez pas externaliser

C'est là que le débat technique devient un débat de management.

L'IA plateforme US maximise la dépendance à l'éditeur et à ses partenaires certifiés. Elle peut être déployée rapidement avec peu de compétences internes — c'est son argument commercial principal. Mais cette économie de court terme produit une organisation incapable d'évaluer ce qu'elle achète, de le questionner, ou d'en sortir. Votre équipe IT devient une équipe de configuration, pas de conception.

L'IA métier composable exige l'inverse : des profils capables de raisonner sur des architectures de modèles, de concevoir des pipelines de données, d'évaluer la qualité d'un modèle sur un cas d'usage métier spécifique. Ce ne sont pas nécessairement des chercheurs en IA — ce sont des ingénieurs IA appliqués, un profil en émergence dans les ETI européennes les plus avancées.

La vraie question pour un CTO en 2026 : quelle est la compétence minimale que vous devez absolument conserver en interne pour ne pas être otage de votre prestataire ? Pour l'IA, cette compétence minimale, c'est la capacité à évaluer un modèle sur vos données — pas à en entraîner un de zéro, mais à mesurer si ce qu'on vous vend fonctionne vraiment sur votre contexte métier. Sans ça, vous achetez une boîte noire et vous signez un chèque en blanc.

Le tableau de synthèse

| Critère | IA plateforme US intégrée | IA métier souveraine composable |

|---|---|---|

| Architecture | Modèle fondateur unique, boîte noire, dépendance cloud US | Modèles spécialisés, auditables, déployables on-premise |

| Intégration | Fluide dans l'écosystème propriétaire, friction hors périmètre | Standards ouverts, interopérable, effort d'assemblage interne |

| Gouvernance des données | Exposition au droit américain, propriété des adaptations floue | Données sous droit européen, propriété des adaptations claire |

| Compétences requises | Configuration, peu de profondeur technique interne | Ingénierie IA appliquée, évaluation de modèles, architecture |

| Coût de sortie | Élevé et croissant avec l'usage | Modéré, lié à la complexité d'intégration construite |

Ce que cela ne résout pas

Soyons honnêtes : l'approche souveraine composable n'est pas sans risques. Les modèles européens spécialisés ne couvrent pas encore tous les cas d'usage avec la même profondeur que les modèles américains les plus puissants. Le marché des ESN européennes capables d'accompagner ces architectures reste étroit. Et la pression interne pour « faire comme les autres » — c'est-à-dire adopter la plateforme dominante US — est réelle dans les comités de direction.

Mais ces limites ne sont pas des arguments pour ne pas commencer. Ce sont des paramètres à intégrer dans une feuille de route réaliste. La vraie question n'est pas « quelle approche est parfaite ? » — aucune ne l'est. La vraie question est : quelle approche construit une organisation capable de décider par elle-même dans trois ans ?

Celle qui vous rend autonome est rarement celle qui se vend le plus vite.