une perspective alignée sur TOGAF©
1. risques stratégiques
risques:
- Désalignement entre l’IA et les objectifs métier : des initiatives IA se déploient en silo, sans lien avec la stratégie globale de l’entreprise.
- Prolifération incontrôlée (Shadow AI) : les équipes adoptent des outils IA sans supervision, créant des angles morts pour la direction.
- Perte de cohérence du portefeuille applicatif : l’IA s’intègre de façon anarchique dans l’écosystème existant, générant des redondances et des incohérences.
l’AEaligne les projets d’IA sur la stratégie:
- L’architecture d’entreprise part toujours des objectifs métier. Avant de déployer un modèle IA, elle pose la question : ce projet sert-il réellement la stratégie de l’organisation ?
- Elle permet ainsi d’éviter la prolifération de projets IA opportunistes, non coordonnés, et de s’assurer que chaque initiative s’inscrit dans une vision cohérente et partagée.
2. risques opérationnels
risques:
- Absence de standards et de patterns réutilisables : chaque projet IA repart de zéro, ce qui multiplie les coûts et les délais.
- Dépendances non maîtrisées vis-à-vis des fournisseurs (vendor lock-in) sans vision d’ensemble pour les anticiper.
- Fragilité des intégrations : des modèles IA connectés à des systèmes critiques sans cartographie des flux ni gestion des impacts en cas de défaillance.
l’AE structure et standardise:
- En cartographiant les systèmes existants, l’architecture d’entreprise identifie où et comment l’IA peut s’intégrer sans fragiliser l’existant.
- Elle définit des patterns réutilisables (des façons standardisées d’intégrer, de déployer et de connecter les modèles IA) ce qui évite que chaque équipe réinvente la roue et crée des solutions incompatibles entre elles.
3. risques liés à la gouvernance et à la non-conformité
risques:
- Non-conformité réglementaire (AI Act européen, RGPD…) : sans architecture de référence, il est difficile de démontrer la traçabilité, l’explicabilité ou la gestion des données personnelles.
- Absence de redevabilité claire : personne ne sait qui est responsable d’un modèle en production, de ses mises à jour, ou de ses dérives.
- Impossibilité d’auditer les décisions prises par ou avec l’IA.
l’AE crée la traçabilité et la redevabilité:
Elle définit qui est responsable de quoi. Pour chaque composant IA, elle permet d’établir :
- Qui a autorisé son déploiement,
- Quelles données il utilise et d’où elles viennent,
- Quels processus métier il influence,
- Comment il est surveillé et mis à jour.
4. risques financiers et humains
risques:
- Coûts cachés et dette technique : des choix d’architecture non gouvernés génèrent une dette qui se paie plus tard, souvent à un coût bien supérieur.
- Duplication des investissements : plusieurs équipes financent des solutions similaires faute de vision partagée.
- Perte de confiance des parties prenantes (collaborateurs, clients, régulateurs) en cas d’incident ou de biais non détecté.
l’AE optimise les investissements:
En offrant une vue d’ensemble du portefeuille applicatif et des projets en cours, l’architecture d’entreprise évite les doublons et les dépenses inutiles. Elle permet aussi d’anticiper la dette technique avant qu’elle ne devienne ingérable.
appliquer les bonnes pratiques
La bonne nouvelle, c’est que les entreprises n’ont pas besoin d’inventer un nouveau cadre d’architecture pour gouverner l’IA. Une méthode comme l’ADM (Architecture Development Method) du référentiel TOGAF© fournit un processus structuré et itératif pour créer, gérer et faire évoluer les architectures d’entreprise.
Mais quel que soit le référentiel utilisé, nous recommandons de respecter l’approche suivante:
- Cadrer votre vision et préparer un terreau favorable à l’adoption.
- Repenser vos architectures (Métier, SI et Technique) pour maîtriser le potentiel de l’IA.
- Bâtir une feuille de route concrète en ciblant les meilleures opportunités.
- Gouverner l’incertitude et adapter vos projets avec agilité.
phase préliminaire
créer les conditions favorables à l’IA
Les entreprises doivent préparer leur culture, leur gouvernance et leurs capacités d’architecture avant d’introduire des technologies de rupture comme l’IA. Cette phase définit les principes, la gouvernance et l’état de préparation.- Objectif principal: Aligner les initiatives IA avec la stratégie d’entreprise, l’éthique et la conformité.
- Actions d’actions:
- Identifier les obligations réglementaire (ex.: IA Act, nLPD,)
- Définir les principes IA (ex. : « Ethique et transparence”, “L’humain reste dans la boucle de décisions”)
- Constituer une équipe d’architecture IA et un comité de gouvernance.
- Évaluer la maturité IA actuelle et les lacunes en compétences/capacités
- Livrables:
- Document de principes d’architecture IA.
- Cadre de gouvernance IA (autonomie des agents, responsabilité des humains)
- Plan de développement des compétences/capacités.
Exemple : Un prestataire de santé met en place un comité de gouvernance IA pour et s’assure que tous les outils IA garantissent la protection des données des patients.
Vision de l’architecture
Définir le cap de la transformation IA
Cette phase pose la question fondamentale: pourquoi ce changement, pourquoi maintenant? Elle établit la justification stratégique de l’IA, s’assure qu’elle répond à des besoins métier réels — et non à une logique technologique et obtient l’adhésion des décideurs, en dialogue avec les parties prenantes et les équipes sécurité.- Objectif principal: Créer une vision commune de l’IA et en définir la portée.
- Actions d’actions:
- Identifier les parties prenantes et leurs problématiques.
- Définir les objectifs de l’IA (p.ex. les gains d’efficacité ou la réduction de coûts)
- Élaborer les business case intégrant le ROI de l’IA et l’évaluation des risques.
- Livrables:
- Charte d’adoption de l’IA.
- Document de vision et de périmètre.
- Plan d’engagement des parties prenantes.
Architecture Métier
Repenser les processus pour tirer pleinement parti de l’IA (collaboration humain-IA)
Une fois la vision de l’architecture établie, le travail de conception de l’architecture peut commencer. Il s’agit de définir comment l’IA devient une capacité métier partagée plutôt qu’un ensemble de solutions isolées. Cette phase pose les fondations de la solution globale — les capacités métier deviennent le point d’ancrage de toutes les décisions architecturales ultérieures.- Objectif principal: Aligner les cas d’usage de l’IA avec la stratégie de l’entreprise
- Plan d’actions:
- Cartographier les processus métier actuels.
- Identifier les opportunités liées à l’IA (ex. : détection de fraude, maintenance prédictive).
- Définir les futurs processus intégrant l’IA.
- Livrables:
- Liste priorisée des cas d’usage de l’IA
- Processus métier enrichis par l’IA.
- Rapport d’analyse des écarts.
Exemples illustratifs:
- Dans le secteur de la santé, le tri et les diagnostics assistés par l’IA s’intègrent au processus d’admission des patients.
- Dans le secteur de la grande distribution des enseignes comme Walmart et Carrefour utilisent l’IA pour ajuster dynamiquement les prix et les promotions en fonction de la demande locale, des actions de la concurrence ou même des données météorologiques.
Architecture des systèmes d’information
Structurer les données et les applications pour supporter l’IA
Une fois les capacités et les processus métier clairement définis, on peut les décliner en :
- Données que le métier doit piloter
- Contexte sémantique
- Interactions applicatives sur lesquels les agents s’appuient pour raisonner, se coordonner et agir efficacement.
- Flux d’événements et responsabilités
- …
A ce stade l’architecture commence véritablement à prendre forme — non pas comme un monolithe fait de boîtes et de flèches, mais comme un écosystème vivant de services, d’agents et de flux de données.
Concernant l’Architecture des Données, l’efficacité de l’IA dépend intrinsèquement de données propres, décloisonnées et rigoureusement gouvernées. Avant de choisir un modèle LLM, la priorité est de soigner la qualité des données.
- Objectif principal: modéliser les flux et les structures de données de l’IA.
- Plan d’action:
- Identifier les sources de données fiables (bases de connaissances, historique client, etc.)
- Définir les pipelines d’entraînement, d’inférence et de feedback
- Définir les stratégies d’ingestion (chunking, embedding, …)
- Planifier le stockage (bases de données vectorielles, orientées graphe ou traditionnelles)
Concernant l’Architecture Applicative, elle définit le “cerveau” (LLM), le “squelette” (framework agentique) et les “mains” (outils) de l’IA — reliés et coordonnés par son “système nerveux”, l’orchestration.
- Objectif principal: définir et structurer les composants logiciels de l’IA.
- Plan d’actions:
- Définir les composants: moteurs LLM , agents, modules de raisonnement, API, Gateway IA, garde-fous en entrée et en sortie, …
- Décrire les interactions: l’IA interroge la base de données vectorielle pour des problèmes similaires, parcourt le graphe de connaissances pour les solutions et appelle des API externes (par ex. CRM, ERP, base de connaissances)
- Choisir une architecture applicative (p.ex. microservices agentiques, event-driven, streaming, …)
Exemple illustratif:
L’architecture applicative s’appuie sur un pipeline d’ingestion sécurisé (conforme aux normes FHIR/HL7) qui extrait en continu les dossiers médicaux pour les stocker et les structurer au sein d’un datalake centralisé, agissant comme source unique de vérité. En aval, un moteur d’inférence IA analyse ces données pour générer des prédictions qui sont ensuite distribuées via une API Gateway vers l’application front-end, enrichissant ainsi les tableaux de bord des cliniciens avec des diagnostics et des recommandations d’aide à la décision en temps réel.
Architecture Technologique
Concevoir l’infrastructure et le socle
AI requires significant compute L’IA requiert une puissance de calcul importante et des plateformes spécialisées pour fonctionner efficacement. C’est ici que nous choisissons le matériel, les services cloud et les réseaux qui donneront vie à nos applications IA. Pour les socles existants, cette phase va évaluer l’adéquation de l’infrastructure actuelle face aux exigences de performance et de volume de l’IA.- Objectif principal: concrétiser les architectures précédentes en définissant l’infrastructure cible qui supportera l’IA
- Plan d’actions:
- Définir les types de bases de données (vectorielle, orienté graphe, relationnelle, multimodale, séries temporelles)
o Définir les plateformes: laptop/stations de travail pour le prototypage, cloud pour la production - Sélectionner et dimensionner les ressources de calcul : CPU pour les petits modèles, GPU/TPU pour les LLM plus importants
- Choisir entre cloud public, cloud souverain, hybride ou on-premise pour chaque type de charge de travail IA
- Sélectionner les outils d’observabilité pour surveiller les performances de l’IA et détecter les dérives.
- Définir le socle MLOps/LLMOps nécessaire à l’industrialisation
- Garantir la conformité réglementaire by design (AI Act, RGPD)
- Définir les types de bases de données (vectorielle, orienté graphe, relationnelle, multimodale, séries temporelles)
Résultat: un socle technologique et sécuritaire robuste, évolutif et intégré à l’existant.
Opportunités et solutions
Sélectionner les meilleurs vecteurs de déploiement pour l’IA
Il est temps de traduire l’architecture IA en réalité. Cette phase est le moment décisif où l’on passe du “quoi” (la vision idéale) au “comment” (la réalité du terrain). C’est aussi l’étape de grands arbitrages : évaluer le Build vs. Buy, prioriser les projets selon le ROI et regrouper les idées en chantiers réalisables.
- Objectif: Identifier les projets, les fournisseurs et les solutions spécifiques pour réaliser la vision.
- Plan d’actions
- Arbitrage stratégique le “Build vs. Buy”
- Structurer de la livraison : Organiser les travaux en lots (projets/programmes) et définir une feuille de route priorisant les domaines à fort impact (Value Chain Analysis).
- Prioriser par le ROI : Lancer d’abord les initiatives offrant le gain le plus rapide avec le risque le plus faible.
- Conception Itérative : Valider la faisabilité via des prototypes locaux légers avant de passer à l’échelle sur le Cloud avec des architectures avancées
- Rationalisation Technique : Identifier les composants IA mutualisables et sélectionner les partenaires technologiques garantissant l’interopérabilité du système.
Exemple pratique : Utiliser l’IA pour le recrutement et pour l’intégration (onboarding) des nouveaux employés. L’équipe d’architecture analyse les solutions du marché.
- Décision (Buy) : Pour le tri des CV, l’entreprise décide d’acheter le module IA de son logiciel RH existant (Workday/SAP), car c’est un standard du marché et cela coûte moins cher.
- Décision (Build) : Pour l’onboarding, elle décide de construire un chatbot IA interne sécurisé, nourri exclusivement avec les documents confidentiels de l’entreprise, car aucune solution standard ne connaît la culture interne.
Planification de la migration
Créer la feuille de route de l’IA
La phase précédente a identifié les opportunités et défini “quoi” faire pour exploiter l’IA, cette phase définit maintenant le “quand” et “à quel coût” nous allons exécuter cette transformation, c’est à dire une feuille de route.
- Objectif principal: Finaliser le plan de transition détaillé et sécuriser le financement.
- Plan d’actions:
- Maximiser le retour sur investissement (ROI) par une approche incrémentale et maîtrisée
- Définir les étapes de transition : Prévoir des phases intermédiaires (l’IA assiste l’humain avant de devenir autonome).
- Estimer les ressources: Finaliser le budget, les délais et affecter les équipes.
- Publier la feuille de route: Montrer clairement quand chaque département recevra ses nouveaux outils IA.
Exemple illustratif
Lancement d’un portail citoyen unique équipé d’un assistant virtuel (Agent IA) pour toutes les démarches administratives. Le Plan de Migration: Priorisation par le volume et le risque légal.
- Palier 1 : L’Agent IA est lancé uniquement pour les requêtes à fort volume et faible risque (ex: horaires des poubelles, demande de certificat de naissance).
- Palier 2 : L’IA est utilisée en “copilote” pour les agents de la commune sur les dossiers complexes (ex: permis de construire). L’IA préremplit les formulaires, l’humain valide.
- Palier 3 : Automatisation complète de bout en bout pour 80% des démarches, avec un filet de sécurité humain pour les cas particuliers.
Gouvernance de la mise en œuvre
Veiller à ce que les projets IA restent alignés avec l’architecture cible.
Cette phase est le moment où les travaux commencent sur le terrain.
- Objectif principal: S’assurer que les solutions d’IA déployées sont conformes aux architectures et aux exigences
- Plan d’actions:
- Mettre en place des jalons de révision pour les projets IA.
- Surveiller le respect des standards de gouvernance et de conformité.
- Approuver ou ajuster les déploiements selon les besoins.
Gestion des changements d’architecture
S’adapter à l’évolution des besoins de l’IA
Entre progrès techniques et changements du contexte réglementaire, le paysage de l’IA évolue très vite, et nos modèles peuvent se dégrader avec le temps. Nous mettons en place un processus pour surveiller l’IA et adopter les nouvelles percées.
- Objectif principal: Adapter continuellement l’architecture IA afin de pérenniser sa valeur et sa fiabilité.
- Plan d’actions :
- Surveiller la dérive des modèles : Vérifier que l’IA ne prend pas de moins bonnes décisions avec le temps.
- Veille technologique : Identifier les nouvelles technologies IA moins chères ou plus rapides sur le marché.
- Gérer les mises à jour : Déployer les nouvelles versions de l’IA sans perturber l’activité quotidienne.
- Actualiser l’architecture en fonction des opportunités, de nouveaux risques, ou des règles en vigueur.
Exemple illustratif
Après plusieurs mois d’utilisation opérationnelle, nos outils de supervision ont mis en évidence que les modèles d’IA de notre service client ne parvenaient plus à traiter efficacement certains nouveaux scénarios d’incidents, impactant la valeur perçue. Le comité d’architecture a validé une évolution incrémentale permettant de réentraîner l’IA sur ces nouvelles données et de mettre à niveau l’infrastructure de traitement, assurant ainsi le maintien de la performance métier sans avoir à reconstruire toute l’architecture sous-jacente.
Gestion des exigences
Composer avec l’incertitude et le changement
Cette “phase” est en fait un processus continu, elle alimente et est alimentée dynamiquement par chacune des autres phases. Entre le moment où nous validons une stratégie d’investissement et le moment où la solution d’IA est pleinement opérationnelle, la vision d’entreprise, les réglementations sur les données, ou les conditions du marché peuvent évoluer.
- Objectif principal: Suivre et valider les besoins métiers et les exigences de l’IA en continu.
- Plan d’actions :
- Eliciter les besoins:
- Écouter activement les utilisateurs finaux pour recueillir leurs besoins fonctionnels.
- Suivre la conformité: Intégrer les exigences des nouvelles réglementations dans le design.
- Valider l’alignement: Vérifier constamment que les équipes techniques résolvent bien les problèmes du métier.
Réussir l’intégration de l’IA ne relève pas d’un simple choix technologique : c’est avant tout le résultat d’une démarche d’architecture d’entreprise structurée. Notre rôle consiste à vous accompagner dans cette démarche en nous appuyant sur des standards reconnus et adaptés à votre contexte. Seule une approche structurée vous permettra de transformer votre ambition en une architecture d’IA claire et cohérente, en s’appuyant sur des capacités clés — données fiables, sécurité, conformité, éthique — et sur une trajectoire claire et priorisée.
Une telle approche, comme celle de la méthode ADM, permet aux entreprises d’avancer vite, sans perdre le contrôle, et de piloter leur transformation IA de bout en bout.
Sans architecture, l’IA crée du chaos. Avec une approche structurée, elle crée de la valeur.”
plus d'insights
réussir la mise en place du CRM Salesforce à grande échelle grâce au change management
governance & service management
May 18, 2026
rejoignez itecor au congrès du management de projet 2026
company newsgovernance & service management
March 17, 2026
[IT Governance Breakfast] L’intégration de l’IA dans le SI et dans la culture d’entreprise
company newsgovernance & service management
January 26, 2026
