Le framework AI КОМП-АС de Raft : comment ne pas se tromper d'architecture pour une solution d'IA

La plupart des initiatives d'IA des grandes entreprises échouent avant même l'écriture de la première ligne de code. Ni les limites technologiques ni le manque de données n'en sont la cause : le problème vient d'une mauvaise orientation prise dès le départ. C'est précisément ce problème systémique que traite la section « А » du framework AI КОМП-АС, développé par l'équipe de Raft.

Cette méthode de design produit et d'architecture des services d'IA permet de fixer le bon cap et de chiffrer le retour sur investissement avant le lancement du développement. AI КОМП-АС est un framework méthodologique conçu pour évaluer et concevoir des solutions d'IA sur mesure en environnement d'entreprise. Son acronyme russe reflète sa structure : design produit et d'Architecture, coût des Composants, scalabilité (Masshtabiruemost), Performance, Architecture des données, Scénarios d'usage.

Chaque bloc constitue une méthode à part entière, avec des questions précises et des critères de décision. Le framework s'adresse aux équipes qui prévoient de construire des produits d'IA sur mesure, from scratch ou à partir de modèles open source, et non de déployer des outils SaaS clés en main. Pour ces équipes, une erreur d'architecture détectée tardivement peut coûter plus que l'ensemble du budget initial.

La section « А » décrit la phase qui précède tout développement technique. Elle fournit des outils pour répondre à quatre questions clés que la plupart des équipes ignorent ou tranchent à l'intuition — et c'est précisément là que naissent les problèmes à venir. Première question : la formulation du problème.

La plupart des initiatives d'IA démarrent sur une formulation floue : « nous voulons un chatbot intelligent », « il faut automatiser le traitement des documents ». Le framework propose un cheminement structuré : de l'objectif business aux exigences fonctionnelles, puis à une tâche d'IA concrète dotée de critères de succès mesurables. Cette étape révèle souvent un fossé entre ce que veut le métier et ce qui est techniquement réalisable dans des délais raisonnables.

Deuxième question : le choix du type de solution. Toutes les tâches n'exigent pas un développement sur mesure. КОМП-АС propose une matrice pour déterminer quand il suffit d'intégrer l'API d'un fournisseur tiers, quand un fine-tuning d'un modèle existant sur les données de l'entreprise s'impose, et quand le développement d'une architecture from scratch se justifie.

Ce choix conditionne directement le budget, les délais, les exigences d'infrastructure et le coût futur de la maintenance. Troisième question : l'évaluation du ROI avant le développement. Le retour sur investissement maîtrisé figure parmi les principes centraux de КОМП-АС.

Les auteurs montrent comment bâtir, dès la phase de design, un modèle économique de base : définir les indicateurs de performance clés, calculer les seuils de rentabilité et modéliser des scénarios d'échec. Les équipes disposent ainsi d'un outil pour arrêter un projet à temps, avant que les ressources ne soient déjà engagées. Quatrième question : les décisions d'architecture de haut niveau.

RAG ou fine-tuning, cloud ou on-premise, architecture centralisée ou distribuée : tout se décide au départ. Les choix d'architecture pris en phase initiale fixent les contraintes de tout le développement ultérieur. Revenir sur des décisions fondamentales à un stade avancé coûte plusieurs fois plus cher que de faire le bon choix dès le début.

Selon les analystes du secteur, la plupart des pilotes d'IA en entreprise n'atteignent pas la production. La raison principale n'est pas technologique : c'est l'absence d'approche structurée de la conception. Dans les entreprises où plusieurs équipes mènent des initiatives d'IA en parallèle, l'absence de méthodologie commune aboutit à des choix d'architecture incompatibles et à des efforts dupliqués.

Des frameworks comme AI КОМП-АС comblent précisément ce manque : ils donnent aux équipes un langage commun et des critères de décision clairs. La série de Raft se poursuivra avec l'analyse des sections restantes : coût des composants, scalabilité, performance, architecture des données et scénarios d'usage. Pour les praticiens qui évaluent actuellement des initiatives d'IA ou s'apprêtent à défendre un budget devant leur direction, la section « А » constitue un bon point d'entrée : elle pose les bonnes questions avant que les choix d'architecture ne deviennent irréversibles.