Étude de cas
D’un POC IA bloqué à une mise en production sécurisée
Un assistant IA resté au stade de prototype est passé en production sur un périmètre métier réel, sous contrainte réglementaire.
- Client
- Un acteur de l’assurance, ~2 000 collaborateurs
- Secteur
- Finance & Assurance · ~2 000 collaborateurs
- Zone géographique
- France
- Offres mobilisées
- Data & AI · Cyber & GRC · QA & Testing
- Modes d’intervention
- Projet
Le nom du client n’est pas publié : ce cas est présenté sous forme anonymisée.
/// contexte
Le contexte
Le client avait lancé plusieurs expérimentations d’IA générative pour assister ses gestionnaires de sinistres. Les démonstrations convainquaient, mais aucune n’avait franchi le cap de la production.
Le contexte réglementaire (données personnelles, traçabilité des décisions, exigences du contrôle interne) demandait un niveau de preuve que les prototypes ne pouvaient pas apporter.
/// problématique
La problématique
Les équipes savaient que le système fonctionnait en démonstration, mais ne pouvaient pas prouver sa sûreté : ni socle de données maîtrisé, ni cadre de test pour qualifier les réponses du modèle, ni position claire de la sécurité.
/// approche
Notre approche
delivery
- Décider : cadrage du cas d’usage sur un périmètre restreint et mesurable, arbitrage sur la donnée réellement mobilisable.
- Construire : socle de données documenté, pipeline d’ingestion et d’indexation, service d’inférence isolé, journalisation complète des échanges.
- Opérer & Adopter : run assuré avec les équipes internes, formation des gestionnaires, boucle de retour qualité.
pilotage & produit
- Pilotage par la valeur : un seul indicateur métier suivi en continu plutôt qu’un tableau de bord technique.
- Porte Cyber franchie avant tout déploiement : analyse de risque, cloisonnement des données, revue avec le RSSI.
- Porte QA & Testing franchie avant ouverture aux utilisateurs : jeu de tests de référence, seuils d’acceptation, tests de non-régression sur chaque évolution.
/// delivery
Ce que nous avons livré
- Architecture RAG cloisonnée par entité juridique, avec chiffrement et filtrage des données sensibles à l’ingestion.
- Pipeline d’indexation incrémentale documenté et rejouable.
- Banc d’évaluation automatisé, avec rapport de non-régression exécuté à chaque déploiement.
- Journalisation des interactions et tableau de bord d’usage à destination du contrôle interne.
- Runbook d’exploitation et transfert de compétences aux équipes internes.
technologies
compétences mobilisées
/// résultats
Les résultats
Mise en production effective
Le service est passé en production sur un périmètre métier réel après un blocage au stade prototype.
source : suivi de projet Uneety
Qualité mesurée en continu
Chaque évolution est validée sur un jeu de tests de référence avant déploiement, ce qui n’existait pas auparavant.
source : banc d’évaluation livré
Cadre de conformité accepté
L’analyse de risque et la traçabilité ont été validées par la sécurité et le contrôle interne du client.
/// ai readiness
Ce que ce cas illustre
01
Ce qui bloquait n’était pas le modèle mais le socle : donnée maîtrisée, cloisonnement, preuve de qualité.
02
Les portes Cyber et QA & Testing ne ralentissent pas le passage en production, elles sont ce qui le rend possible.
03
Un seul indicateur métier suivi honnêtement vaut mieux qu’un tableau de bord technique que personne ne lit.