IA : pourquoi les LLM sont inadaptés quand on veut de la qualité

4/10 N'essayez pas d'intégrer un LLM dans un processus industriel qui exige qualité, traçabilité et stabilité. Cette ETI industrielle bretonne l'a appris à ses dépens.

Une entreprise reconnue pour la maîtrise de ses produits et services

Février 2026. Dans une entreprise de taille intermédiaire (ETI) – environ 1000 salariés, une activité industrielle, un budget 2026 validé après plusieurs semaines d’échanges entre septembre et novembre 2025.

L'intelligence artificielle générative y figure, prudemment. Ce qui n'y figure pas, c'est l'adoption massive des outils dits agentiques : des assistants capables d'enchaîner seuls des séquences de tâches complexes, par exemple écrire, tester et corriger du code. La direction veut une adoption rapide pour des raisons de compétitivité.

Quelques semaines plus tard, une nouvelle version du modèle sort. Puis une autre. En trois mois, les gains d'autonomie sont tels que la direction tranche : il faut accélérer pour créer un avantage concurrentiel. Le projet est lancé en février, livraison visée en juin. Quatre mois. C'est là que l'histoire devient instructive.

Un mécanisme qui se grippe à chaque version

Thomas pilote le processus. Il décompose le travail à réaliser, alloue les tâches au personnel, à un logiciel, à l’IA ; les tâches incluent les contrôles à réaliser pour maîtriser la qualité de bout en bout. Sophie, responsable qualité et conformité, définit et organise les contrôles : incluant la sécurité du code produit, la traçabilité, l’auditabilité. Abdel, référent technique, doit intégrer le code généré aux standards de sécurité maison pour ne pas fragiliser l'existant. Sophie et Abdel intègrent l’IA dans leur propre activité, en mode découverte par essais et erreurs, ils découvrent les capacités de l’IA, évaluent le niveau de performance et de qualité et arbitrent en conséquence. Autour d'eux, on rédige des modes opératoires, en utilisant le LLM (modèle d’IA générative), on forme les opérateurs. Grâce au LLM nouvelle génération, Sophie développe des tests de validation des connaissances en ligne, qui auraient coûté trop cher il y a quatre mois. L’équipe de communication fait la promotion des fonctionnalités rendues possibles grâce à l’IA, aux bénéfices du client. L’équipe commerciale ajuste le catalogue, les prix et le niveau de service garanti par contrat.

Le dispositif prend forme. Au bout de six semaines, il commence à tourner. Et c’est là qu’une nouvelle version de l’IA arrive. Elle est meilleure – plus autonome, plus fiable. La direction pousse à son adoption.

Or cette version ne se comporte pas exactement comme la précédente. Les prompts ne produisent plus tout à fait le même résultat. Les garde-fous installés par Sophie doivent être ajustés. Les modes opératoires écrits par l'équipe sont tous à revoir. Abdel analyse les conséquences. Les opérateurs, qui prenaient tout juste leurs marques, doivent se former à nouveau.

Pendant les quatre mois du projet, ce scénario se répète trois fois. À chaque fois, le mécanisme bien huilé se grippe et nécessite une nouvelle boucle de conception, développement, qualité, ajustement des niveaux de service, mise à jour des procédures, complément de formation et, parfois, remise en cause d'un pan entier de l'architecture. Au-delà des retards, on n’arrive pas à stabiliser le processus dans son ensemble. Finalement, le projet n’est jamais déployé.

Le goulot d'étranglement a changé de nature

Que révèle ce cas ? Que le point de blocage s'est déplacé. Ce n'est plus la performance du modèle – elle progresse plus vite que prévu. C'est le temps d'apprentissage humain et la lourdeur des dispositifs de gouvernance. Une part substantielle des gains de productivité attendus est absorbée par la multiplication des cycles (conception, développement…) à chaque montée de version.

L'entreprise se retrouve alors prise en tenaille : suivre le rythme des changements technologiques pour la compétitivité et maintenir la structure pour garantir la qualité à ses clients. Thomas, Sophie et Abdel ne manquent ni de compétence ni de volonté : la qualité de leur processus, qui fait la valeur ajoutée de l’entreprise et sa reconnaissance par le marché, n’est pas compatible avec des changements subis et non décidés.

Les LLM excellent pour générer du langage...

Les grands modèles de langage (LLM) trouvent leur plein potentiel dans tout ce qui relève de la production et compréhension de langage : automatisation du support client, synthèse documentaire, rédaction d’offres commerciales, formation interne ou analyse de retours clients.

De grands groupes français et européens les utilisent déjà avec succès :

Orange les intègre dans ses offres professionnelles pour le support et la productivité.
BNP Paribas et HSBC améliorent la relation client et les processus internes.
Air France assiste ses agents pour la gestion des demandes et réservations.

Ces usages génèrent de la valeur rapide, avec un retour sur investissement à court terme.

… mais peinent en contexte industriel...

Dès que l’on sort du langage pur pour entrer dans des processus industriels, les limites apparaissent. Les LLM sont mal adaptés pour garantir la qualité d'un processus de bout en bout (sécurité du code, traçabilité, auditabilité, intégration dans des systèmes existants, optimisation opérationnelle complexe). Toute nouvelle version du LLM fragilise le processus dans lequel il opère. La fréquence des versions nouvelles (4 versions majeures de Claude AI entre janvier et mai 2026, hors Mythos/Fable, et autant pour Le Chat et ChatGPT) rendent impossible la stabilisation d’un processus à grande échelle.

... et exigent une organisation décentralisée

Les petites entreprises et entités de grands groupes qui performent grâce aux LLM partagent plusieurs caractéristiques parmi les suivantes :

Elles sont agiles et décentralisées en petites unités autonomes, proches du terrain et du client.
Elles s’organisent autour de la satisfaction du client et de la création de valeur, et non autour du respect strict du budget ou des silos fonctionnels.
Elles génèrent de fortes marges sur un temps limité.
Le turnover peut être important : les collaborateurs trouvent leur compte dans l’apprentissage et la participation à des projets innovants mais l’entreprise ne garantit pas toujours une trajectoire de carrière longue dans ces entités.
La logique y est émergente, responsabilisante, ascendante : les équipes testent, ajustent, conservent ce qui fonctionne et rejettent le reste à cadence très élevée en toute liberté vis-à-vis du reste du groupe.

Les LLM ne sont pas la panacée. Ils excellent dans la génération de langage, mais sont inopérant dans les processus qui ont besoin de rigueur tels que l'industrie, le droit, la comptabilité, l'informatique... Dans le prochain article, nous explorerons les alternatives aux LLM – ces technologies IA plus spécialisées qui offrent souvent une meilleure stabilité et un retour sur investissement plus prévisible dans les environnements industriels.