Qu’est-ce qu’une AI Factory ? Comment en créer une dans une grande organisation

Qu’est-ce qu’une AI Factory ?

Le mot « factory » est voulu. Un laboratoire explore, un centre d’excellence conseille, une usine produit, et elle produit de plus en plus fiablement la même chose. Je suis Head of AI Factory chez Devoteam depuis 2026. Voici la définition que je peux défendre, puis ce que j’ai fait.

Pourquoi une grande entreprise a-t-elle besoin d’une AI Factory ?

Sans usine, chaque équipe reconstruit les mêmes briques. L’une développe un pipeline de recherche documentaire, une autre en développe un légèrement différent, une troisième achète un outil qui recoupe les deux. L’évaluation est improvisée, les revues de sécurité repartent de zéro et personne ne sait dire quels cas d’usage ont créé de la valeur.

Un grand groupe aggrave le problème. Chez Devoteam, nous sommes plus de 10 000 consultants dans 25 pays, et la demande d’IA vient en même temps des équipes commerciales, de la livraison, des fonctions internes et des clients, dans plusieurs langues. L’AI Factory répond à un problème de coordination : un lieu qui possède les briques réutilisables, pour que ceux qui sont au plus près du métier se concentrent sur leur sujet.

Elle répond aussi à un problème de compétences. Des outils sans personnes formées donnent des démonstrations, et des personnes formées sans outils donnent de la frustration. L’usine doit traiter les deux comme un seul système.

Que contient une AI Factory ?

Ma définition repose sur trois moteurs qui s’alimentent mutuellement. Si l’on en retire un, on obtient autre chose : une équipe plateforme, un cabinet de conseil ou un service de formation. Le tableau montre ce que chacun recouvre dans mon cas.

Comment ai-je monté l’AI Factory chez Devoteam ?

J’ai rejoint Devoteam en 2023 comme Principal Product Manager, je suis devenu Lead of AI en 2024 puis Head of AI Factory en 2026.

Le premier pilier est la plateforme. NOVA Suite a été construit par une équipe pluridisciplinaire de 15 personnes, et j’ai exigé une discipline produit : une feuille de route, des utilisateurs, une boucle de retours et des critères de mise en production, pas une collection de prototypes. Elle a atteint 800 collaborateurs.

La livraison client est le deuxième pilier, et c’est elle qui garde la plateforme honnête. Sur la plateforme DILA, des composants partagés et l’évaluation ont accéléré les livraisons. Chez Decathlon, les chiffres publics de mon CV indiquent un programme de 4 M€ avec 13 personnes et des gains de productivité de 2,6x grâce à des équipes augmentées. Chez Carrefour, il s’agissait de machine learning appliqué à la chaîne logistique du commerce.

La montée en compétences est le troisième pilier, et elle ne doit pas attendre que la plateforme soit terminée. LEAP, notre programme interne d’apprentissage, a été conçu par une équipe de 5 personnes et a formé plus de 1 500 professionnels, et Prompt Arena offre une pratique concrète.

Comment une AI Factory fonctionne-t-elle au quotidien ?

Une usine est un flux, donc le rythme compte plus que la structure. Voici, en termes généraux, des habitudes qui font fonctionner une usine :

• Un guichet unique pour la demande d’IA, afin qu’une demande commerciale, client ou interne soit triée de la même manière.
• Un backlog partagé où les besoins de plateforme issus des missions rivalisent ouvertement avec les idées de feuille de route.
• Une règle : tout ce qui est construit deux fois devient un candidat pour la plateforme.
• L’évaluation avant le passage à l’échelle : aucun cas d’usage n’élargit son public avant d’avoir été testé selon des critères convenus.
• Des responsables nommés pour les questions de gouvernance : classification des données, validation humaine, usage acceptable.
• Une boucle d’apprentissage où les équipes de livraison remontent ce qui a cassé, et où les contenus de formation sont mis à jour en conséquence.

Quels sont les échecs fréquents d’une AI Factory ?

Ces échecs sont prévisibles.

• Une usine sans demande. Des équipes construisent des plateformes pour des cas d’usage que personne n’a demandés. Partez d’un problème métier et de clients.
• Une usine qui devient un goulot d’étranglement. Si toute demande d’IA doit passer par une équipe centrale, les gens la contournent. L’usine doit porter les éléments communs, pas chaque décision.
• Une plateforme qui ignore la livraison. Si l’équipe plateforme ne travaille jamais sur des problèmes clients, elle optimise l’élégance et non l’usage.
• La formation traitée en dernier. Déployer un outil auprès de milliers de personnes sans pratique donne un usage faible et quelques passionnés.
• La gouvernance comme dernière barrière. Sécurité et conformité impliquées à la fin créent des retards. Associez-les dès la première conception.
• Compter l’activité plutôt que la valeur. Le nombre de prototypes, d’ateliers et de participants dit peu de chose sur l’entreprise.
• Confondre dépôt public et production. Une conception publiée n’est pas un déploiement validé, et je m’efforce d’être clair sur cette distinction dans mon propre travail.

Comment mesurer la performance d’une AI Factory ?

La mesure est le point le plus faible de la plupart des usines, donc je la traite comme une contrainte de conception. J’utilise quatre angles et j’évite un chiffre unique, car chacun répond à une question différente.

Qu’ai-je observé ?

Je veux séparer les faits de l’interprétation. Les faits : NOVA Suite est utilisé par 800 collaborateurs, construit par une équipe de 15 personnes, au sein d’un groupe de plus de 10 000 consultants dans 25 pays. LEAP a été conçu avec une équipe de 5 personnes et a formé plus de 1 500 professionnels. L’AI Factory porte un pipeline commercial de plus de 12 M€.

Sur DILA, la plateforme du secteur public, les chiffres que je peux citer sont une création de contenu 70 % plus rapide et un délai de livraison d’une application RAG réduit de 60 %, de 10 à 4 semaines, avec 75 % des capacités techniques communes réutilisées. C’est le schéma auquel je crois le plus : plateforme partagée et évaluation rigoureuse accélèrent la livraison.

Mon interprétation, qui relève du jugement et non de la mesure : les trois moteurs se renforcent. La plateforme s’affine parce que la livraison révèle des contraintes réelles, la livraison accélère parce que la plateforme existe, et la montée en compétences crée à la fois des utilisateurs et de la demande. Je ne peux pas isoler l’apport de chaque moteur, et je me méfierais de quiconque prétend le faire.