L'acceptation des projets IA ajoute une dimension « efficacité » par rapport aux logiciels traditionnels — valider 100 % des fonctionnalités ne suffit pas, la précision sur les cas d'usage centraux doit être ≥ 95 %, le taux d'hallucination ≤ 3 %, la latence au P99 ≤ 5 secondes et la sécurité à 100 % conforme. Selon le rapport 2025 sur le développement des applications IA de l'Académie chinoise des technologies de l'information et de la communication (CAICT), l'absence de critères d'acceptation systématiques est la première cause de litiges dans les projets IA. Cet article propose un modèle complet en quatre dimensions — fonctionnalité, performance, sécurité et efficacité — pour cadrer l'acceptation.
Comment réussir l'acceptation fonctionnelle ?
Acceptation fonctionnelle de base
| Élément à vérifier | Critère d'acceptation | Méthode de test |
|---|---|---|
| Tous les points fonctionnels réalisés | 100 % des fonctionnalités prévues au contrat réalisées | Validation item par item de la liste de tests fonctionnels |
| Contrôle d'accès fonctionnel | Contenus différenciés selon les rôles | Test multi-rôles |
| Flux de données normal | Synchronisation correcte des données entre systèmes | Test de processus de bout en bout |
| Gestion des exceptions fonctionnelle | Message d'alerte et solution de repli en cas d'anomalie | Test de scénarios d'exception |
Acceptation des fonctionnalités spécifiques à l'IA
| Élément à vérifier | Critère d'acceptation | Méthode de test |
|---|---|---|
| Reconnaissance d'intention | Précision de reconnaissance des intentions centrales ≥ 90 % | Validation avec 200+ cas de test |
| Récupération de connaissances | Rappel (Recall@10) ≥ 85 % | Évaluation sur jeu de test standard |
| Génération de réponse | Précision de la réponse ≥ 85 % | Annotation humaine de 100+ questions réelles |
| Prise de contrôle humaine | Processus de reprise fluide, contexte complet | Simulation de scénarios à faible confiance |
Quels sont les critères d'acceptation des performances ?
| Indicateur | Valeur standard | Condition de test |
|---|---|---|
| Temps de réponse moyen | ≤ 2 s | Charge normale |
| Temps de réponse P99 | ≤ 5 s | Charge normale |
| Débit en pic | ≥ valeur contractuelle | Test de charge |
| Disponibilité système | ≥ 99,9 % | Exécution pendant 7 jours |
| Occupation mémoire GPU | ≤ valeur contractuelle | Exécution continue |
| Support de la concurrence | ≥ nombre de connexions concurrentes contractuel | Test de concurrence |
Quels sont les points de contrôle obligatoires pour l'acceptation de sécurité ?
Sécurité des données
| Élément à vérifier | Standard | Méthode de test |
|---|---|---|
| Chiffrement des données en transit | TLS 1.2+ | Vérification par capture de paquets |
| Chiffrement des données stockées | AES-256 | Vérification de configuration |
| Masquage des données sensibles | CNI, numéro de téléphone, numéro de carte bancaire | 100+ cas de test |
| Contrôle d'accès | RBAC + permissions au niveau document | Test de dépassement de droits |
Sécurité de l'IA
| Élément à vérifier | Standard | Méthode de test |
|---|---|---|
| Protection contre l'injection de prompt | Instructions malveillantes non exécutées | 50+ tests d'attaque par injection |
| Contrôle des hallucinations | Taux d'hallucination sur les cas centraux ≤ 5 % | Vérification par annotation humaine |
| Filtrage des sorties | Contenu non conforme bloqué | Test sur mots sensibles et contenu interdit |
| Audit des opérations | Enregistrement complet des opérations critiques | Vérification de l'intégralité des logs |
Liste de vérification de sécurité
Comment évaluer l'acceptation des résultats ? C'est une dimension propre aux projets IA
Indicateurs de résultat
| Scénario | Objectif de précision | Objectif de taux d'hallucination |
|---|---|---|
| Cas centraux | ≥ 95 % | ≤ 3 % |
| Cas généraux | ≥ 85 % | ≤ 10 % |
| Cas limites | « Je ne sais pas » accepté | — |
Méthodes de test des résultats
| Méthode | Taille de l'échantillon | Responsable |
|---|---|---|
| Évaluation automatisée | 500+ éléments | Équipe technique |
| Évaluation par annotation humaine | 100+ éléments | Équipe métier |
| Test avec utilisateurs réels | 50+ utilisateurs | Utilisateurs cibles |
| Comparaison A/B | Comparaison avec l'ancien système | Équipe opérationnelle |
Test de dégradation des résultats
Exécution continue pendant 7 jours, variation de la précision ne dépassant pas ±3 %.
Que comprend l'acceptation documentaire ?
| Type de document | Contenu obligatoire |
|---|---|
| Manuel d'utilisation | Procédures utilisateur, captures d'écran, FAQ |
| Manuel d'exploitation | Architecture système, étapes de déploiement, indicateurs de surveillance, plan de continuité |
| Documentation API | Description des endpoints, exemples requête/réponse, codes d'erreur |
| Supports de formation | Présentation de formation, tutoriels vidéo, quiz d'évaluation |
| Gestion de la base de connaissances | Processus de mise à jour documentaire, modèles, critères de qualité |
Comment se déroule le processus d'acceptation ?
```
Pré-acceptation (interne) → Correction des problèmes → Acceptation formelle (participation client)
↓
Acceptation fonctionnelle → Acceptation des performances → Acceptation de la sécurité → Acceptation des résultats → Acceptation documentaire
↓
Rapport d'acceptation → Liste des problèmes résiduels → Correction sous délai → Mise en production officielle
```
Critères de validation de l'acceptation
Questions fréquentes
Quelle est la différence entre « l'acceptation des résultats » d'un projet IA et les « tests fonctionnels » d'un logiciel traditionnel ?
Les tests fonctionnels d'un logiciel traditionnel sont binaires — une fonction est présente ou non, le résultat est prévisible. L'acceptation des résultats en IA est probabiliste — une même entrée peut produire des sorties différentes, la précision est de 95 % et non de 100 %. C'est pourquoi un projet IA doit définir contractuellement des « seuils de précision » et la « taille de l'échantillon de test », et non pas simplement vérifier si une fonction est présente.
Comment distinguer les « cas centraux » et les « cas généraux » dans l'acceptation des résultats ?
Les cas centraux sont ceux qui impactent directement le chiffre d'affaires ou la conformité (ex. validation des risques, requêtes réglementaires) ; l'objectif de précision est ≥ 95 %. Les cas généraux sont des scénarios auxiliaires (ex. recommandation de produits, guide d'utilisation) ; une précision ≥ 85 % suffit. Il est recommandé de convenir par écrit de la classification des scénarios et des normes associées avec les métiers dès le lancement du projet.
Que faire si les résultats se dégradent après l'acceptation d'un projet IA ?
Il est essentiel de définir une « période de garantie de performance » lors de l'acceptation — généralement 3 à 6 mois. Pendant cette période, si la précision baisse de plus de 5 %, le prestataire doit optimiser sans frais. Les causes fréquentes de dégradation incluent une base de connaissances non mise à jour, des changements de règles métier, ou une dérive de la distribution des données. Le dossier d'acceptation doit intégrer un mécanisme d'optimisation périodique et une répartition des responsabilités.
Vous souhaitez définir des critères d'acceptation pour vos projets IA ? Demandez une consultation gratuite