En mars 2022, je termine ma maîtrise en intelligence artificielle à l’Université Laval, pis je vis en même temps, dans mon travail de Directeur TI chez HLC, la version « salle machine » de l’IA en entreprise. Pas la théorie élégante des cours, mais la mécanique concrète: comment met-on un modèle en production sans qu’il devienne un boulet ou un risque? La rencontre entre l’IA pis les processus rigides d’une entreprise, je la vis des deux bords à la fois — l’étudiant qui connaît les algorithmes, pis le directeur qui doit les encadrer.

Ce qui m’a marqué pendant mes études, c’est l’écart entre un modèle qui marche dans un cahier de notes pis un modèle qui tourne dans une vraie organisation. Dans la salle machine, ce n’est plus l’exactitude qui décide. C’est la gouvernance.

La mécanique de gouvernance

flowchart TD
    A[Un modele IA qui marche] --> B{Le mettre en production}
    B --> C[Qualite des donnees: garbage in, garbage out]
    B --> D[Droits d'acces: qui voit quoi?]
    B --> E[Traces d'execution: pourquoi cette reponse?]
    B --> F[Seuils de confiance: quand douter?]
    B --> G[Validation humaine: qui tranche?]
    C --> H[IA gouvernee]
    D --> H
    E --> H
    F --> H
    G --> H
    H --> I[Utile ET defendable en production]

La pièce la plus délicate, c’est la traçabilité. Un modèle qui donne une réponse plausible, c’est facile. Un modèle qui peut expliquer d’où vient sa réponse, qui laisse une trace, qu’on peut auditer quand un résultat surprend — ça, c’est le vrai travail de salle machine. Une réponse trop confiante peut avoir l’air professionnelle même quand elle part d’une mauvaise prémisse. Sans trace, on ne le voit jamais.

Encadrer sans étouffer

Le piège de Directeur TI, c’est de tellement border l’IA qu’elle ne sert plus à rien. Trop de garde-fous pis l’outil devient lent, lourd, inutile. Pas assez pis on lâche dans la nature un système qui décide sans qu’on comprenne. Le dosage est un art.

Ce que mes études m’ont donné, ce n’est pas juste comprendre les modèles. C’est comprendre leurs limites, pis savoir où placer l’humain dans la boucle. Un seuil de confiance bien réglé, une validation humaine au bon endroit, une trace lisible: ça vaut souvent plus qu’un point de pourcentage d’exactitude.

Ce que je retiens

En mars 2022, achever ma maîtrise en IA pendant que je dirige les TI me donne un double regard sur la salle machine de l’intelligence artificielle. L’écart entre un modèle qui marche dans un cahier de notes pis un modèle qui tourne dans une vraie organisation, c’est ça le cœur du métier. Dans la salle machine, ce n’est pas l’exactitude qui décide, c’est la gouvernance.

Ce que je retiens, c’est que la mécanique concrète — qualité des données, droits d’accès, traces d’exécution, seuils de confiance, validation humaine — pèse plus lourd que la performance brute du modèle. Pis surtout, qu’encadrer sans étouffer est un art de dosage. Trop de garde-fous tue l’outil; pas assez le rend dangereux. Mes études me donnent la théorie, mais c’est dans la salle machine que je comprends vraiment ce que veut dire mettre l’IA au service du monde sans perdre le contrôle.