Voici le verdict d'emblée : tout projet de vision par IA qui atteint 99% de précision à la réception tombera autour de 90% en six mois. Cela ne me surprend pas. Ce qui me surprend, c'est que neuf contrats sur dix que j'ai relus ne disent jamais qui est responsable de cette chute.
À l'automne 2024, un entrepôt 3PL de 120,000 pieds carrés à Riverside m'a demandé de faire une autopsie du projet. Plus tôt cette année-là, ils avaient déployé un système d'inventaire tournant basé sur la vision : des caméras fixes dans les allées de racks, un modèle qui comptait les palettes et reconnaissait les SKU chaque nuit. La précision à la réception était de 99.2%, et le patron a félicité l'équipe IT en réunion d'entreprise. Au 4e trimestre, les écarts d'inventaire n'arrêtaient pas de s'élargir. Un réaudit manuel a révélé que le modèle confondait un SKU reconditionné avec un autre : trois mois d'affilée d'inventaire comptable en désaccord avec le stock physique, en plein réapprovisionnement de la haute saison. Les causes racines se sont accumulées vite : plus de 40 nouveaux SKU lancés pendant l'été, tous avec de nouvelles couleurs d'emballage ; l'équipe de nuit avait baissé l'éclairage des allées de deux crans pour économiser l'énergie ; les nouveaux opérateurs empilaient les palettes de travers, d'une façon que les données d'entraînement n'avaient jamais vue. Aucune de ces causes n'était "le modèle est cassé". Toutes étaient "le monde a changé".
C'est cela, la dérive du modèle. Le jour de la mise en production est le jour le plus précis de la vie d'un système d'IA. À partir de là, il ne peut que devenir moins précis ; la seule question est à quelle vitesse. Ceux qui font la sélection parlent de la mise en production. Ceux qui font l'exploitation parlent des cinq années d'après.
La dérive est une saison, pas un bug
La dérive a trois visages. Le premier est la dérive des données : ce que les caméras voient a changé — nouveaux SKU, nouveaux emballages, éclairage plus faible, poussière sur l'objectif. Le second est la dérive conceptuelle : les règles métier ont changé. Les palettes mixtes étaient autrefois interdites ; maintenant la haute saison tolère discrètement deux SKU par palette, et le modèle s'effondre. Le troisième, et le plus sournois, est la dérive opérationnelle : le comportement des gens a changé. Même SOP, mais un débutant empile les palettes d'une façon qui ne ressemble en rien à celle d'un vétéran de vingt ans, et le modèle n'a appris que la technique du vétéran.
On ne détecte pas la dérive au feeling. On la détecte avec de la machinerie. Les règles permanentes que je donne à mes clients sont au nombre de quatre. Faites tourner deux semaines de mode fantôme après la mise en production, en rapprochant la sortie du modèle des comptages manuels chaque jour : l'écart est visible dès le premier jour. Puis faites des contrôles ponctuels hebdomadaires fixes, 200 palettes minimum, et convertissez les résultats directement en un chiffre de précision. Fixez une ligne rouge — disons, une précision au niveau SKU inférieure à 97% pendant deux semaines consécutives — qui page un être humain nommément désigné. Et faites un réaudit complet avant et après chaque haute saison, car le changement de saison est le terrain de chasse préféré de la dérive. Si vous manquez une seule de ces quatre règles, la dérive sera découverte trois mois trop tard, comme à Riverside, quand les livres seront déjà faux depuis un trimestre.
Où va réellement l'argent
La plupart des gens pensent que la maintenance, c'est "appeler le fournisseur quand le modèle se comporte mal". Faux. L'exploitation continue dépense de l'argent à trois endroits, et chacun a besoin d'un responsable.
Le premier est la recirculation des données. Chaque cycle de réentraînement a besoin de centaines à plus d'un millier d'images fraîchement étiquetées : quelqu'un doit photographier les cas problématiques sur le terrain, quelqu'un doit les étiqueter, quelqu'un doit contrôler la qualité des étiquettes. L'étiquetage est ce que tout le monde prévoit de faire "quand il y aura du temps", c'est pourquoi trois mois passent sans un jeu de données utilisable. Le second est le réentraînement lui-même. Louer des GPU cloud pour un run prend de quelques heures à deux jours ; la facture de calcul est une erreur d'arrondi face au total du projet. Le vrai coût, ce sont les jours d'attente, quand l'activité tourne sur des solutions manuelles de contournement — en haute saison, ça fait mal. Le troisième est la personne qui surveille les alertes. Quelle fiche de poste dit "lit le rapport de précision chaque semaine" ? Quel téléphone reçoit le page de la ligne rouge ? Si ce n'est le travail de personne, ce n'est le travail de personne : j'ai vu des alertes rester non lues dans un chat de groupe pendant trois jours, plus d'une fois.
Mon avis est franc : réservez de 15 à 20 pour cent des dépenses de première année du projet pour l'exploitation continue. C'est le dénominateur commun de tous les entrepôts que j'ai vus et qui n'ont pas explosé. Dépensez moins, et le jour où "un an de maintenance gratuite" du fournisseur expire sera le jour où la précision entamera sa chute libre. Tout ce que vous avez économisé reviendra en écarts d'inventaire et en heures supplémentaires, avec les intérêts.
Les lignes que votre contrat doit contenir avant la mise en production
Quand vous négociez avec le fournisseur, ne marchandez pas que le prix et la précision de réception. Faites entrer ces lignes dans le corps du contrat — et si un fournisseur refuse, trouvez un autre fournisseur.
Premièrement, comment la précision est mesurée : au niveau SKU ou au niveau palette, par échantillonnage ou en population complète. Le même système peut faire 99% d'une façon et 95% de l'autre, alors alignez-vous sur l'étalon avant tout, sinon vous parlerez dans le vide pendant des mois. Deuxièmement, ce qui se passe sous la ligne rouge : réponse sous combien d'heures, plan de réentraînement sous combien de jours, retour au-dessus de la ligne sous combien de jours après le réentraînement. Chaque palier a besoin d'une horloge. Troisièmement, qui est propriétaire des données : les données étiquetées recirculées vous appartiennent. Le fournisseur peut les utiliser pour améliorer le modèle, mais pas pour construire le projet de quelqu'un d'autre — sautez cette clause maintenant, vous la plaiderez dans deux ans. Quatrièmement, un plancher de réentraînement : au moins trimestriel, plus un avant la haute saison, avec les dates écrites noir sur blanc. Cinquièmement, qui fournit la main-d'œuvre d'étiquetage : vos gens qui photographient et contrôlent la qualité sur site, ou les leurs, et qui paie.
Tout ce qui n'est pas dans le contrat devient une négociation plus tard. La dispute la plus chère que j'aie vue a duré deux mois de bataille sur la définition de la "précision" — pendant que le modèle continuait à mal compter et que les livres continuaient à dériver. La seule facture d'arbitrage aurait payé deux cycles de réentraînement.
La checklist
Imprimez ceci, scotchez-le au mur du bureau IT. Ça bat n'importe quelle présentation de "stratégie IA", et vous pouvez commencer demain :
- Définition de la précision dans le contrat (niveau SKU vs. niveau palette, échantillonné vs. complet)
- Volume hebdomadaire de contrôles ponctuels verrouillé (200 palettes minimum recommandé)
- Seuil de ligne rouge et un premier répondant nommément désigné (nom et numéro de téléphone, pas un alias de groupe)
- Où vivent les données recirculées, et qui photographie, étiquette et contrôle la qualité
- Calendrier de réentraînement fixé (trimestriel, plus un avant la haute saison)
- SLA de réponse du fournisseur écrit noir sur blanc (heures pour répondre, jours pour livrer le modèle réentraîné)
- Un responsable nommé pour synchroniser les changements d'éclairage, d'emballage et de SKU avec le responsable IA
- Rapprochement en mode fantôme actif dès le premier jour de la mise en production
Traduit de l'anglais. En cas de divergence, la version anglaise fait foi.
