Dans cette tribune publiée le 23 février 2024 sur CIO-Online, Olivier Rafal (Consulting Director Strategy chez WeNvision) défend une idée alors à contre-courant : l'IA générative relève davantage du produit technologique que du projet d'IA ou de data science. Beaucoup d'organisations se trompent de priorité en cherchant à recruter des data scientists et des ingénieurs machine learning.

Premier argument : créer un foundation model de toute pièce « demande plusieurs mois, des millions d'euros et l'accès à d'énormes quantités de données ». Cela n'a de sens que pour des acteurs disposant de jeux de données spécifiques et monétisables — l'exemple emblématique étant Bloomberg, qui a créé BloombergGPT pour exploiter ses données financières. Pour la quasi-totalité des entreprises, mieux vaut s'appuyer sur les LLM commerciaux.

On n'a pas forcément besoin d'être data scientist, mais il faut comprendre les concepts de base, avoir des compétences de développement back office et de fortes compétences cloud.

— **Olivier Rafal** , cio-online.com

Deuxième argument : le décalage de compétences. Plutôt que des data scientists, il faut des ingénieurs de développement et d'intégration (back et front), de fortes compétences cloud et du DevOps. Un client résume : « On n'a pas forcément besoin d'être data scientist, mais il faut comprendre les concepts de base, avoir des compétences de développement back office et de fortes compétences cloud. »

Troisième argument : l'architecture. Les entreprises devraient bâtir une plateforme d'IA générative reposant sur des orchestrateurs et des API, ce qui rend « aisé de travailler avec les meilleurs LLM du marché et d'en changer au fur et à mesure de leurs évolutions respectives, sans retoucher aux applications » — une garantie d'indépendance face au vendor lock-in.

Quatrième argument, central : le passage du projet au produit. « La plate-forme […] il faut la considérer elle-même comme un produit », financé non par un investissement ponctuel mais par un flux mensuel, pour soutenir itérations et innovation continues.

Cinquième argument : la gouvernance. La GenAI « s'est démocratisée d'une manière inédite », ce qui engendre « tant du shadow AI que de fortes attentes vis-à-vis de la DSI ». Une gouvernance adéquate doit capter les besoins des différents métiers, prioriser les produits par la valeur créée et superviser le bon fonctionnement de l'ensemble.

Rafal annonce enfin un changement de paradigme à faire accepter : « on passe d'une programmation algorithmique classique à des agents Langchain qui gèrent une partie des décisions ». Texte fondateur, il pose dès début 2024 le socle (produit, plateforme/API, financement en flux, gouvernance) que les analyses ultérieures — jusqu'à la gouvernance financière FinOps/token de 2026 — ne feront que prolonger.