Évaluer les fournisseurs d'IA et les décisions build-versus-buy

Un gestionnaire de flotte signe un contrat de trois ans pour une plateforme d'analytics connected-car. En deuxième année, il veut transférer les alertes de maintenance prédictive vers un prestataire moins cher. Il découvre que le fournisseur possède le modèle entraîné, conserve l'historique télématique et facture six chiffres pour exporter les données brutes des capteurs. L'analytics était bonne. Le contrat était le piège.

Cette leçon vous donne une méthode de scoring pour éviter ce piège : comment benchmarker une offre d'IA connected-car, lire les clauses de propriété des données, repérer le lock-in modèle et décider s'il faut licencier, s'associer ou construire.

Les trois options, définies

Licencier (buy) : vous payez un fournisseur pour un produit d'IA fini. Rapide, faible coût initial, contrôle minimal. Exemple : souscrire à une APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → de détection de somnolence du conducteur auprès d'un équipementier.

S'associer (partner) : vous co-développez avec un fournisseur ou un Tier 1 (une entreprise qui vend des systèmes complets directement aux constructeurs, comme Bosch ou Continental). IP partagée, risque partagé. Exemple : un OEM (Original Equipment Manufacturer, le constructeur lui-même) qui travaille avec une société de cartographie pour faire du fine-tuningfine-tuningLe fine-tuning adapte un modèle pré-entraîné à une tâche ou un domaine précis en poursuivant son entraînement sur un jeu de données plus petit et ciblé, ce qui améliore la précision et le style pour ce cas d'usage.Voir la définition complète → d'un modèle de stationnement autonome sur les données de sa propre flotte.

Construire (in-house) : vous recrutez l'équipe et vous possédez tout. Coût le plus élevé et délai le plus long, mais contrôle total. Exemple : Tesla qui entraîne ses propres modèles de vision sur la vidéo de sa flotte.

La plupart des décisions ne sont pas binaires. Vous licenciez souvent la couche commodity et vous construisez la couche différenciante.

Où l'IA s'applique réellement dans la chaîne de valeur automobile

Avant de scorer un fournisseur, vérifiez que le cas d'usage est réel, pas une démo. L'IA justifie vraiment son coût dans :

• La maintenance prédictive : détecter un turbocompresseur ou une cellule de batterie défaillante à partir des patterns de capteurs avant la panne.
• L'analytics connected-car : transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → la télématique (données véhicule transmises par réseaux cellulaires : vitesse, position, charge moteur) en insights sur l'efficacité de la flotte ou l'assurance à l'usage.
• L'ADAS et la perception : Advanced Driver Assistance Systems, le logiciel derrière le maintien de voie et le freinage automatique.
• Le contrôle qualité en production : la computer vision qui repère les défauts de peinture ou de soudure sur la ligne.

Si un fournisseur vous vend de « l'IA » pour quelque chose qu'un simple moteur de règles résout déjà (par exemple, « alerte-moi quand la pression d'huile descend sous X »), ce n'est pas une question de build-versus-buy. C'est du logiciel sur étagère.

Étape 1 : benchmarker la performance réelle

Les fournisseurs citent des chiffres de précision. Forcez-les à se placer dans votre contexte.

Demandez la performance sur votre distribution de données, pas sur leur jeu marketing. Un modèle de détection de défauts à 99 % de précision sur un dataset propre peut s'effondrer sur votre couleur de peinture spécifique sous l'éclairage de votre usine.

Trois questions qui séparent le réel du théâtre :

1. Quel est le taux de faux positifs ? Un modèle de maintenance prédictive qui crie au loup sera ignoré par les techniciens en quelques semaines. Demandez la precision et le recall, pas seulement l'accuracy.
2. Comment se dégrade-t-il ? Les modèles dérivent à mesure que les véhicules vieillissent et que les usages changent. Demandez à quelle fréquence ils réentraînent et qui paie.
3. Pouvons-nous lancer un shadow pilot ? Faites tourner le modèle du fournisseur en parallèle de votre process actuel pendant 60 à 90 jours avant de vous engager. Pas de pilote, pas de deal.

Un benchmark chiffré simple

Supposons qu'un fournisseur affirme que son modèle de dégradation de batterie signale les packs EV (véhicule électrique) à risque. Vous lancez un shadow pilot sur 1 000 véhicules. Résultats :

• Vrais positifs (signalés, réellement défaillants) : 40
• Faux positifs (signalés, sans défaillance) : 160
• Défaillances manquées : 10

Precision = vrais positifs / total des signalements = 40 / (40 + 160) = 20 %.

Recall = vrais positifs / total des défaillances réelles = 40 / (40 + 10) = 80 %.

Le modèle attrape donc la plupart des défaillances (bon recall) mais 80 % de ses alertes sont du bruit (precision faible). Pour un cas d'usage de coût de garantie où une défaillance manquée coûte cher, c'est peut-être acceptable. Pour une alerte adressée au client, la confiance s'éroderait vite. Le chiffre ne veut dire quelque chose qu'au regard de votre coût d'une fausse alerte face à celui d'un oubli.

Étape 2 : lire les clauses de propriété des données

C'est là que la plupart des deals d'IA automobile déraillent. Les véhicules connectés génèrent des volumes télématiques énormes, et celui qui contrôle ces données contrôle le futur modèle.

Vérifiez dans le contrat :

• Qui possède les données brutes ? Vous. Si le fournisseur possède les données de conduite de votre flotte, vous ne pourrez pas changer de prestataire ni construire en interne plus tard sans repartir de zéro.
• Qui possède le modèle entraîné et ses poids ? Dans un deal de partenariat, négociez-le explicitement. Un modèle fine-tuné sur vos données propriétairesdonnées propriétairesDonnées collectées directement auprès de vos clients et prospects via vos propres canaux : votre source la plus fiable et la plus conforme en matière de privacy.Voir la définition complète → est un actif stratégique.
• Droits et format d'export. Pouvez-vous récupérer vos données dans un format exploitable et documenté, sans coût punitif ? Faites écrire les frais d'export.
• Exposition réglementaire. En Europe, le RGPD (Règlement général sur la protection des donnéesRèglement général sur la protection des donnéesRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète →) encadre les données personnelles, et la localisation plus le comportement de conduite sont des données personnelles. L'EU Data Act, applicable depuis septembre 2025, donne aux utilisateurs des droits renforcés d'accès aux données générées par les produits connectés, véhicules inclus. Aux États-Unis, il n'existe pas d'équivalent fédéral unique ; des lois d'État comme le California Consumer Privacy Act s'appliquent. Vérifiez que les conditions du fournisseur ne mettent pas vos obligations de conformité en risque.

🎬 [VIDEO: "The EU Data Act explained" - youtube.com - aperçu rapide de la façon dont le Data Act modifie les droits sur les données des objets connectés et des véhicules]

Étape 3 : scorer le lock-in modèle

Le lock-in, c'est le coût de sortie que vous ne voyez pas avant d'essayer de partir.

Scorez chaque ligne. Si la plupart de vos réponses tombent dans la colonne de droite, vous n'achetez pas un outil, vous louez une dépendance.

Une grille de scoring opérationnelle

Notez chaque dimension de 1 à 5, puis pondérez selon ce qui compte pour le cas d'usage.

Vendor Score = (Performance x 0.30)
             + (Data ownership x 0.25)
             + (Lock-in resistance x 0.20)
             + (Integration effort x 0.15)
             + (Total cost of ownership x 0.10)

Decision guide (illustrative, not a hard rule):
  >= 4.0  -> License with confidence
  3.0-3.9 -> Partner and negotiate ownership terms
  <  3.0  -> Consider building the differentiating layer

Ajustez les pondérations à votre contexte. Pour une capacité ADAS cœur qui définit votre marque, la performance et la propriété dominent. Pour du reporting de flotte back-office, le coût et l'effort d'intégration comptent davantage.

Quand construire

Construire de l'IA en interne coûte cher et prend du temps. Cela n'a de sens que si trois conditions sont réunies ensemble :

1. La capacité est un différenciateur. Si elle est au cœur de votre façon de concurrencer (Tesla et sa stack vision, ou le modèle de risque propriétaire d'un assureur), la posséder compte.
2. Vous avez l'avantage data. Construire des modèles de perception n'a aucun sens sans données de flotte labellisées à grande échelle. Le goulot d'étranglement, c'est généralement la data, pas le talent.
3. Vous pouvez retenir l'équipe. Les acteurs automobiles concurrencent les big tech pour les ingénieurs machine learning et perdent souvent. Un build à moitié staffé est pire qu'une bonne licence.

Le choix par défaut honnête pour la plupart des acteurs automobiles non tech est : licencier la commodity (parole, détection d'objets standard), s'associer sur le semi-custom (modèles de maintenance spécifiques à la flotte) et ne construire que le joyau de la couronne.

Attentes de ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → réalistes

Ne modélisez pas le ROI de l'IA comme immédiat. Attendez-vous à :

• Une phase pilote de plusieurs mois avant que la valeur n'apparaisse.
• Des coûts d'intégration et de nettoyage de données qui dépassent souvent le montant de la licence lui-même. Les praticiens du secteur notent fréquemment que la préparation des données consomme la majeure partie de l'effort d'un projet d'IA ; traitez cela comme une estimation générale, pas comme un chiffre précis.
• Des coûts récurrents de réentraînement et de monitoring. Un modèle n'est pas un achat, c'est un engagement de maintenance.

Un programme de maintenance prédictive qui réduit l'immobilisation non planifiée de la flotte est mesurable : moins de pannes sur la route, moins de demandes de garantie. Exigez que le fournisseur s'accorde d'emblée sur la métrique par laquelle vous jugerez le succès, et sur la baseline de référence. « On le sentait mieux » n'est pas un ROI.

Points clés à retenir

• Benchmarkez sur vos données, pas les leurs. Lancez un shadow pilot de 60 à 90 jours et exigez precision et recall, pas seulement l'accuracy. Un modèle à 20 % de precision peut convenir pour de l'analytics de garantie et être inutile pour des alertes client.
• La propriété des données, c'est tout l'enjeu. Si le fournisseur possède votre télématique et le modèle entraîné, vous n'avez aucune voie de sortie ni de build ultérieur. Faites écrire les droits et frais d'export des données brutes.
• Scorez le lock-in explicitement sur les données, la portabilité du modèle, la profondeur d'intégration et le contrôle du réentraînement, avant de signer.
• Ne construisez que le joyau de la couronne. Licenciez les commodities, associez-vous sur le semi-custom, et ne construisez en interne que là où vous avez un vrai avantage data et où vous pouvez garder l'équipe.
• Modélisez le ROI de l'IA avec un état d'esprit de maintenance. La préparation des données et le réentraînement coûtent généralement plus que la licence. Fixez la métrique de succès et la baseline avant de démarrer.