Comprendre ce qu’est (et n’est pas) l’IA / Chatbot

• Différence entre chatbot basé sur des règles et chatbot basé sur l’IA générative

• Notions clés : modèle, données d’entraînement, prompt, hallucinations

• Limites de l’IA (erreurs, biais, dépendance aux données)

• Ce que l’IA peut automatiser… et ce qu’elle ne peut pas faire seule

 

Connaître les objectifs métier du projet

• Problème à résoudre ou besoin métier précis

• Public cible et usages attendus

• Indicateurs de succès (qualité des réponses, taux d’usage, gain de temps)

• Niveau d’autonomie attendu du chatbot

 

Notions de données (fondamental)

• Types de données utilisées (documents, FAQ, bases internes)

• Qualité, fiabilité et mise à jour des données

• Données personnelles et sensibles

• Gouvernance et responsabilités liées aux données

 

Architecture et intégration (niveau macro)

• Où s’exécute l’IA (cloud, on-premise, SaaS)

• Intégration avec les systèmes existants (SI, CRM, outils métiers)

• Différence entre API, outils no-code, plateformes spécialisées

• Notions de sécurité et d’accès

 

Sécurité, conformité et éthique

• RGPD et protection des données personnelles

• AI Act (cadre européen sur l’IA)

• Gestion des biais et de la transparence

• Supervision humaine et responsabilité

• Traçabilité et auditabilité des réponses

 

Organisation et rôles projet

• Rôles clés : métier, IT, data, juridique, sécurité

• Collaboration entre experts métier et équipes techniques

• Nécessité de tests, d’itérations et d’amélioration continue

• Accompagnement au changement des utilisateurs

 

Coûts et pilotage

• Modèles de coûts (abonnement, usage, API)

• Suivi des consommations

• Arbitrage entre performance, coût et sécurité

• Anticipation des coûts d’évolution

 

Risques et facteurs d’échec

• Attentes irréalistes vis-à-vis de l’IA

• Mauvaise qualité des données

• Absence de gouvernance claire

• Dépendance excessive à un fournisseur

• Manque de compétences internes

​