Construire une AI Factory : structure d'engagement, modèle opérationnel et briques techniques
La plupart des entreprises qui se lancent dans l'IA générative accumulent aujourd'hui des cas d'usage dispersés, portés par des équipes différentes, sans langage commun ni pilotage partagé.
Le résultat est connu : des POC qui ne passent jamais à l'échelle, un coût qui échappe à tout contrôle dès que l'usage se généralise, et une gouvernance qui arrive en pompier.
L'AI Factory répond précisément à ce problème : c'est un modèle opérationnel industrialisé, conçu pour produire, déployer et exploiter des cas d'usage IA de façon répétable plutôt qu'artisanale.
Ce que couvre réellement une AI Factory
Une AI Factory se structure autour de cinq dimensions :
La gouvernance définit qui décide, qui priorise le portefeuille de cas d'usage, et comment les risques sont arbitrés. Sans elle, chaque équipe métier lance ses propres initiatives sans coordination, et l'entreprise se retrouve avec autant d'architectures différentes que de projets.
La plateforme est le socle technique mutualisé : gateway LLM, environnements d'exécution, observabilité, sécurité. C'est elle qui évite de refaire l'infrastructure à chaque nouveau cas d'usage.
Le delivery est la méthode de production reproductible qui fait passer un cas d'usage du prototype au run, avec un cycle de vie défini plutôt qu'un mode projet réinventé à chaque fois.
Le FinOps devient critique dès que l'entreprise dépasse le stade du POC : sans maîtrise du coût par cas d'usage, l'IA agentique en particulier peut faire exploser une facture cloud sans que personne ne comprenne pourquoi.
Les talents et l'organisation ferment la boucle : rôles d'AI engineer, de data steward, de product owner IA, et la montée en compétence des équipes internes qui devront reprendre la main sur le run.
Ces cinq dimensions peuvent recouvrir des réalités très différents en fonction du contexte (l'entreprise), de sa maturité et de sa trajectoire. C'est pour cette raison que nous avons conçu le diagnostic de maturité GAME (Greenfield AI Maturity Evaluation) il y a quelques semaines.
De facto, la conception d'une AI Factory se déroule en quatre phases :
Le diagnostic (GAME, deux à trois semaines) établit la maturité data et IA existante, inventorie les cas d'usage déjà en cours, souvent plus nombreux et plus dispersés que prévu, évalue la plateforme technique en place et mesure l'appétence au risque de l'organisation, avec un score et un rapport structuré.
La cible, ou target operating model, définit le modèle de gouvernance concret (comité, cadence de priorisation, budget), la plateforme technique retenue, et le mode de delivery. C'est l'étape où l'on décide d'adapter un référentiel existant plutôt que de partir d'une page blanche, d'où l'intérêt de proposer un referentiel clés en main, ce que nous faisons avec notre partenaire Boldo.
La roadmap et les quick wins sélectionnent deux ou trois cas d'usage pilotes, choisis non pas pour leur valeur stratégique mais pour leur capacité à démontrer la mécanique de bout en bout : diagnostic, gouvernance, delivery, pilotage du coût.
L'industrialisation met en place le run : FinOps opérationnel, montée en compétence des équipes internes, transfert progressif de la propriété du dispositif vers l'organisation cliente. C'est la phase la plus souvent négligée dans les missions de conseil classiques, alors qu'elle conditionne la survie du dispositif une fois le cabinet parti.
Le modèle opérationnel
Une AI Factory mature repose sur un comité de gouvernance qui arbitre le portefeuille avec une cadence régulière, un cycle de vie d'agent formalisé (de la conception au retrait, en passant par la revue périodique), et une séparation claire entre ce qui relève du socle mutualisé et ce qui relève de la personnalisation par cas d'usage.
Cette séparation est ce qui évite qu'une AI Factory ne redevienne, au bout de dix-huit mois, une collection de projets isolés déguisée sous un nom commun.
Les briques techniques de la plateforme
Trois briques techniques structurent le socle, et le choix de chacune dépend directement du contexte réglementaire du client.
L'exécution sandboxée isole le code généré par les agents dans un environnement contrôlé, pour éviter qu'un agent halluciné n'écrive dans des chemins arbitraires ou n'effectue des appels réseau imprévus. Pour un client soumis à des exigences fortes de souveraineté des données (banque, assurance, secteur régulé) une solution auto-hébergeable, avec un contrôle complet de l'infrastructure, est préférable à une solution cloud propriétaire, même si cette dernière offre une simplicité d'usage supérieure.
L'observabilité trace, évalue et suit le coût de chaque appel agentique en production. Une plateforme ouverte, auto-hébergeable et couvrant à la fois les traces, les évaluations et le suivi de coût dans un seul outil constitue un socle par défaut solide pour la grande majorité des cas d'usage ; des besoins plus avancés, comme la détection de dérive sur des systèmes RAG à fort volume, ne deviennent pertinents qu'une fois l'organisation déjà mature en MLOps.
Le pilotage du portefeuille et la compliance agentique ferment la boucle : un repository central qui cartographie les cas d'usage et leurs dépendances, et qui trace la conformité de chaque agent déployé, évite de multiplier les outils de gouvernance en parallèle des outils de delivery.
Le rôle spécifique du SDLC agentique dans l'AI Factory
Une AI Factory qui déploie des agents de développement logiciel doit traiter le SDLC agentique comme une brique à part entière, avec des exigences de gouvernance qui lui sont propres.
Un SDLC agentique se structure en un pipeline de rôles spécialisés (spécification, conception, code, revue et tests) plutôt qu'en un agent unique qui prétend tout faire. Chaque rôle s'appuie sur une mémoire partagée à trois niveaux : le contexte immédiat de la tâche en cours, un scratchpad où l'agent consigne ses décisions intermédiaires pour que l'étape suivante en hérite sans tout redécouvrir, et une mémoire à long terme constituée des conventions et décisions d'architecture déjà validées par l'organisation.
La vitesse de raisonnement n'est pas un réglage uniforme : elle se calibre par étape. La conception mérite un mode de raisonnement lent et délibératif, quitte à coûter plus cher en calcul, car les erreurs d'architecture sont les plus onéreuses à corriger en aval. Le code peut basculer dynamiquement entre un mode rapide pour les tâches répétitives et un mode lent dès que le scratchpad signale une décision non triviale à respecter. La revue et les tests, eux, ne devraient jamais transiger sur la rigueur : c'est le filet de sécurité du pipeline.
Cette architecture appelle une gouvernance spécifique, qui ne se limite pas au portefeuille de cas d'usage classique : traçabilité de chaque décision consignée en scratchpad, politique de rétention différenciée selon le niveau de mémoire, et validation humaine obligatoire aux points où une décision d'architecture est en jeu. Une AI Factory qui déploie un SDLC agentique sans traiter cette dimension prend un risque de qualité et de conformité qui se révèle au moment où l'audit devient inévitable, pas avant.
Les ressources que Gabriel Greenfield met à disposition
Nous nous appuyons sur des actifs propres plutôt que sur une méthode assemblée à la volée à chaque mission :
GAME (Greenfield AI Maturity Evaluation) outille la phase de diagnostic avec un score et un rapport type, ce qui transforme le point d'entrée de la mission en un livrable calibré plutôt qu'un audit ouvert.
Meridian, le référentiel maison de gouvernance agentique, structure la phase de cible. Il sert d'accélérateur : l'entreprise ne part pas de zéro sur la gouvernance, elle adapte un modèle déjà éprouvé au contexte réel du client.
Boldo centralise le pilotage en continu : cartographie du portefeuille de cas d'usage, gestion des dépendances entre eux, et traçabilité de la conformité agentique — un repository unique plutôt qu'un empilement d'outils disjoints.
Le livre blanc FinOps de l'IA et de l'agentique cadre le volet coût dès la phase de cible, plutôt que de le traiter en rustine une fois le dispositif déjà en production.
Assemblée, cette chaîne donne un pitch cohérent : un diagnostic outillé, une cible construite sur un référentiel éprouvé, un pilotage centralisé, et un cadrage du coût intégré dès le départ.
Pour nous joindre : contact@gabrielgreenfield.com
