Machine learning : cas d'usage en entreprise, mise en production et conformité AI Act

Le machine learning, ou apprentissage automatique, regroupe les méthodes qui déduisent des règles à partir de données au lieu de les recevoir sous forme de code. En entreprise, il détecte la fraude, prévoit la demande, anticipe les pannes et note les risques. Il n'est plus seul en scène : début 2026, plus des deux tiers des entreprises françaises de 20 salariés et plus utilisaient des outils d'IA générative, selon la Banque de France. Cette page suit la mise en production du ML dans l'univers IA et data, ses limites et son cadre réglementaire.

Le guide Machine learning

Résumé de l’article

REPÈRE : L'IA GÉNÉRATIVE EST MASSIVE, SES GAINS RESTENT LIMITÉS

Début 2026, plus des deux tiers des entreprises françaises de 20 salariés et plus utilisaient des outils d'IA générative, mais les gains de productivité restaient encore limités (Banque de France, bulletin n° 266, 3 septembre 2026).

Le machine learning, ou apprentissage automatique, regroupe les méthodes qui déduisent des règles à partir de données au lieu de les recevoir sous forme de code. En entreprise, il détecte la fraude, prévoit la demande, anticipe les pannes et note les risques. Il n'est plus seul en scène : début 2026, plus des deux tiers des entreprises françaises de 20 salariés et plus utilisaient des outils d'IA générative, selon la Banque de France. Cette page suit la mise en production du ML dans l'univers IA et data, ses limites et son cadre réglementaire.

Les cas d'usage où le ML prédictif garde l'avantage

Prévision de la demande, scoring, détection d'anomalies, classification de documents : sur des données structurées et un objectif mesurable, un modèle entraîné sur l'historique de l'entreprise reste plus simple à valider qu'un modèle de langage. Sa sortie est un score ou une catégorie, donc testable contre une référence. Notre position : un grand modèle de langage se justifie quand l'entrée est du texte libre, pas quand un tableau de chiffres suffit. Nous recommandons de fixer l'indicateur métier à améliorer avant de choisir la technique, et non l'inverse.

Pourquoi les projets s'arrêtent avant la production

En juillet 2024, Gartner prévoyait qu'au moins 30 % des projets d'IA générative seraient abandonnés après la preuve de concept d'ici fin 2025, en citant la qualité des données, des contrôles de risque insuffisants, des coûts en hausse et une valeur métier floue. Ces causes valent aussi pour le ML prédictif : un modèle sans propriétaire d'exploitation, dont personne ne surveille la dérive des données entrantes, finit désactivé. La question à poser avant le pilote est celle de l'exploitation : qui surveille, qui réentraîne, qui arrête. Nos dossiers l'abordent sous l'angle de la gestion des données massives.

AI Act : un calendrier décalé, pas une dispense

Le règlement qui repousse les échéances de l'AI Act est paru au Journal officiel de l'Union européenne le 24 juillet 2026 et en vigueur depuis le 27 juillet. Les systèmes à haut risque autonomes, ceux de l'annexe III, sont attendus au 2 décembre 2027 au lieu du 2 août 2026, ceux intégrés à des produits réglementés au 2 août 2028. Le délai ne dispense de rien : l'inventaire des modèles, la documentation et la traçabilité se préparent dès maintenant, dans le cadre de la gouvernance informatique, plutôt qu'à l'approche de l'échéance.

ML, IA générative et agents : une répartition des rôles

L'opposition entre familles de modèles est un faux débat de DSI. Notre lecture : un modèle prédictif produit le score ou la prévision, un modèle de langage rédige la réponse ou l'explication, et un agent orchestre les appels, un montage que nous suivons dans nos pages sur les agents d'IA. La conséquence est pratique : un seul référentiel de modèles, une même chaîne de validation, des journaux communs. Le ML prédictif reste, à notre avis, la brique la plus facile à auditer, donc un bon point d'entrée pour la conformité, en complément de l'analyse décisionnelle.

Questions fréquentes sur Machine learning

Qu'est-ce que le machine learning ?

Le machine learning, ou apprentissage automatique, est un ensemble de méthodes où un système apprend des règles à partir d'exemples plutôt que d'être programmé explicitement. Il produit des prédictions ou des classifications, par exemple un score de fraude ou une prévision de demande. C'est une branche de l'intelligence artificielle, à côté de l'IA générative.

Quelle est la différence entre machine learning et IA générative ?

Le machine learning prédictif produit un score, une classe ou une valeur à partir de données, alors que l'IA générative produit du contenu : texte, image, code. Les modèles génératifs relèvent aussi de l'apprentissage automatique, mais leur usage, leur coût d'exploitation et leur validation diffèrent de ceux d'un modèle de scoring.

Quelle est la différence entre machine learning et deep learning ?

Le deep learning est une sous-famille du machine learning fondée sur des réseaux de neurones à plusieurs couches. Il est efficace sur les images, le son et le texte, mais demande davantage de données et de puissance de calcul. Sur des données tabulaires, des modèles plus simples peuvent suffire et sont plus faciles à expliquer.

Pourquoi tant de projets de machine learning n'atteignent-ils pas la production ?

Les causes récurrentes sont la qualité des données, l'absence de propriétaire pour l'exploitation, des contrôles de risque insuffisants, des coûts sous-estimés et une valeur métier mal définie. Gartner citait ces facteurs en juillet 2024 en prévoyant l'abandon d'au moins 30 % des projets d'IA générative après la preuve de concept d'ici fin 2025.

Le machine learning est-il concerné par l'AI Act ?

Oui, dès lors que le système relève de la définition d'un système d'IA et d'un usage classé à haut risque. Après le report publié en juillet 2026, les obligations des systèmes à haut risque autonomes s'appliquent au 2 décembre 2027, et celles des systèmes intégrés à des produits réglementés au 2 août 2028.

Explorer la data et l'IA

Poursuivez avec l'univers IA et data (Data & IA), puis avec nos suivis des agents d'IA (IA agentique) et du Big Data (Big Data). La newsletter iTPro+ prolonge ces analyses pour les équipes data et les DSI.