L’intelligence artificielle est passée en quelques années du statut de promesse à celui de brique technique courante. Reconnaissance de documents, assistants conversationnels, recherche en langage naturel, recommandations personnalisées, transcription vocale : ces fonctionnalités sont désormais accessibles à des applications de toutes tailles, pas seulement aux géants de la tech. Encore faut-il savoir où l’IA apporte une vraie valeur, choisir la bonne architecture et maîtriser des coûts qui, mal anticipés, peuvent grimper vite. Chez Aventique, nous intégrons depuis longtemps des briques d’intelligence dans les applications que nous développons : reconnaissance d’image et recadrage automatique des pièces comptables pour Inqom, algorithmes de prédiction de disponibilité des places de stationnement pour Foxypark, et aujourd’hui modèles de langage et IA embarquée sur les projets de nos clients. Voici notre retour d’expérience pour intégrer l’IA dans une application mobile de façon utile, sûre et rentable.

Commencer par le problème, pas par la technologie

La première question n’est pas « quel modèle utiliser ? » mais « quelle tâche l’utilisateur accomplira-t-il plus vite ou mieux grâce à l’IA ? ». Une fonctionnalité d’IA ajoutée pour suivre la tendance, sans usage clair, génère des coûts récurrents et rarement de l’engagement. À l’inverse, une IA qui supprime une saisie fastidieuse ou raccourcit un parcours clé peut transformer la rétention d’une application.

Lors de nos ateliers de cadrage, nous passons chaque idée au crible de trois critères : la fréquence de la tâche concernée, le gain mesurable pour l’utilisateur (temps, erreurs évitées, conversion) et la tolérance à l’erreur. Ce dernier point est essentiel : un modèle d’IA produit des résultats probabilistes. Il convient parfaitement pour suggérer, pré-remplir ou résumer, beaucoup moins pour prendre seul une décision critique.

Les cas d’usage qui fonctionnent le mieux sur mobile

Capture et compréhension de documents

C’est l’un des cas d’usage les plus rentables. L’application Inqom que nous avons développée en React Native permet aux chefs d’entreprise de photographier leurs pièces comptables : l’application reconnaît le document, le recadre automatiquement et le classe par nature (facture d’achat, facture de vente, note de frais) avant envoi. Aujourd’hui, les modèles de vision et de langage permettent d’aller plus loin en extrayant directement les montants, dates et fournisseurs pour pré-remplir les écritures.

Recherche en langage naturel

Plutôt que d’empiler des filtres, l’utilisateur formule sa demande comme il la dirait à un humain. Dans une application de réservation comme celle que nous avons réalisée pour Restopolitan, qui combine géolocalisation, date, nombre de convives, prix, type de cuisine et ambiance, une requête du type « un italien calme pour quatre ce soir près de Bastille » peut être traduite par un modèle de langage en filtres structurés, puis exécutée par le moteur de recherche existant.

Assistants conversationnels et support

Un assistant alimenté par la documentation, la FAQ ou le catalogue de l’entreprise peut répondre aux questions fréquentes, guider dans un parcours ou préparer une demande au support. La technique dite RAG (génération augmentée par récupération) permet de fonder les réponses sur vos propres contenus plutôt que sur les connaissances générales du modèle, ce qui limite fortement les réponses inventées.

Recommandation et personnalisation

Proposer les bons contenus, produits ou offres au bon moment augmente l’engagement. Pour une application de bons plans et d’offres exclusives comme My Little App, développée pour le groupe aufeminin, ou pour une application média, la personnalisation des contenus et des notifications push selon les centres d’intérêt de chaque utilisateur est un levier direct de rétention.

Voix, transcription et traduction

La dictée vocale, la transcription de réunions ou de consultations, la traduction instantanée ouvrent des usages nouveaux, notamment en mobilité et en accessibilité. Pour des applications multilingues comme Amnir, conçue pour le Haut Commissariat des Nations Unies pour les Réfugiés en arabe et en espagnol, la traduction automatique des contenus publiés par les utilisateurs serait par exemple un prolongement naturel.

Prédiction et optimisation

Toute l’IA n’est pas générative. Les modèles prédictifs classiques restent très efficaces pour anticiper une disponibilité, détecter une anomalie ou estimer un délai. C’est la logique des algorithmes de prédiction que nous avons mis en place pour Foxypark afin d’anticiper la libération des places de stationnement.

IA embarquée ou IA dans le cloud ?

C’est le choix d’architecture le plus structurant, et il se fait fonctionnalité par fonctionnalité.

L’IA embarquée (on-device) s’exécute directement sur le smartphone. Côté Apple, Core ML, le framework Vision et, sur les appareils compatibles, le framework Foundation Models qui donne accès au modèle de langage intégré au système. Côté Android, ML Kit (reconnaissance de texte, scanner de documents, traduction, détection d’objets), LiteRT (anciennement TensorFlow Lite) et, sur les appareils compatibles, Gemini Nano. Avantages : latence très faible, fonctionnement hors ligne, confidentialité maximale puisque les données ne quittent pas le terminal, et aucun coût par requête. Limites : modèles plus petits, dépendance aux capacités de l’appareil, et disponibilité variable selon les modèles de smartphones.

L’IA dans le cloud fait appel à des modèles hébergés : OpenAI, Anthropic (Claude), Google (Gemini, notamment via Firebase AI Logic) ou Mistral AI, acteur français apprécié pour les projets soumis à des exigences de souveraineté. Avantages : modèles bien plus puissants, mise à jour sans republier l’application, capacités multimodales avancées. Limites : coût à l’usage, latence réseau, dépendance à un fournisseur et nécessité d’encadrer strictement le transfert de données.

Dans la pratique, nous combinons souvent les deux : un traitement embarqué pour les tâches simples et fréquentes (détecter et recadrer un document, reconnaître du texte), et un appel cloud pour les tâches complexes (comprendre le document, générer une réponse). Si vous développez en Flutter ou en React Native, ces briques natives restent accessibles via des plugins ou des modules natifs dédiés.

L’architecture que nous recommandons

Une intégration d’IA professionnelle ne se résume pas à appeler une API depuis l’application. Quelques principes sont non négociables.

• Aucune clé d’API dans l’application. Un binaire mobile peut être décompilé : une clé embarquée finira par être extraite et utilisée à vos frais. Les appels aux modèles passent par votre backend, par exemple une API en Node.js ou NestJS, qui authentifie l’utilisateur, applique des quotas et journalise l’usage. Nous détaillons ces principes dans notre guide pour sécuriser une application mobile.
• Une couche d’abstraction du fournisseur. Le marché des modèles évolue tous les trimestres. Isoler le fournisseur derrière votre propre API permet d’en changer, ou d’en combiner plusieurs, sans republier l’application.
• Le streaming des réponses. Pour les fonctionnalités conversationnelles, afficher la réponse au fil de sa génération améliore nettement la perception de rapidité.
• Des garde-fous. Filtrage des entrées et des sorties, limitation du périmètre de l’assistant, possibilité pour l’utilisateur de signaler une réponse inappropriée.
• La mesure. Suivi des coûts par fonctionnalité, de la latence, du taux d’utilisation et de la satisfaction, pour piloter la fonctionnalité comme n’importe quel autre levier produit.

Côté données, le RAG repose sur une base vectorielle (par exemple PostgreSQL avec l’extension pgvector) alimentée par vos contenus et hébergée dans l’infrastructure cloud de votre choix, un sujet que nous abordons dans notre article pour choisir entre AWS, Google Cloud et Azure.

RGPD, AI Act et règles des stores

Intégrer de l’IA, c’est aussi traiter des données, souvent personnelles. Plusieurs cadres s’appliquent simultanément.

Le RGPD impose une base légale, une information claire, une minimisation des données transmises et un encadrement contractuel des sous-traitants, en particulier lorsque le fournisseur de modèle est situé hors de l’Union européenne. Il faut aussi vérifier que vos données ne sont pas utilisées pour entraîner les modèles du fournisseur, une option généralement désactivée par défaut sur les offres professionnelles.

L’AI Act européen introduit des obligations graduées selon le niveau de risque, dont des obligations de transparence : l’utilisateur doit notamment savoir qu’il interagit avec un système d’IA. Les usages dans des domaines sensibles comme la santé, le recrutement ou le crédit appellent une analyse spécifique.

Les stores, enfin, encadrent ces usages. Apple exige notamment d’informer clairement l’utilisateur et d’obtenir son accord avant de partager ses données personnelles avec un service d’IA tiers, et les deux plateformes imposent des mécanismes de signalement pour les contenus générés. Ces points doivent être intégrés à la conception et aux déclarations de confidentialité, comme nous l’expliquons dans notre guide pour publier une application sur l’App Store et Google Play.

Combien coûte l’intégration de l’IA dans une application ?

Le budget se décompose en deux parties : le coût de développement initial et le coût d’exploitation récurrent.

Le développement dépend de la complexité. L’intégration d’une brique embarquée standard (reconnaissance de texte, scanner de documents) représente quelques jours à quelques semaines de travail. Un assistant conversationnel fondé sur vos contenus, avec backend, base vectorielle, garde-fous et interface soignée, représente plutôt plusieurs semaines à quelques mois selon le périmètre. Un modèle prédictif entraîné sur vos données demande en plus une phase de préparation des données et d’évaluation.

L’exploitation dépend du volume. Les traitements embarqués ne génèrent aucun coût par requête. Les appels aux modèles cloud sont facturés au volume de texte traité (en tokens) : quelques centimes par conversation pour un modèle performant, beaucoup moins pour un modèle léger. Pour une application à forte audience, la facture mensuelle peut aller de quelques dizaines à plusieurs milliers d’euros ; d’où l’importance du choix du modèle, de la mise en cache des réponses fréquentes et des quotas par utilisateur. Notre article sur le prix d’une application mobile replace ces coûts dans le budget global d’un projet.

Notre méthode : tester vite, mesurer, industrialiser

Nous abordons les fonctionnalités d’IA comme tout projet innovant : par un prototype rapide, dans l’esprit du MVP digital. En quelques semaines, nous validons la faisabilité sur vos données réelles, la qualité des résultats et le coût unitaire. Si les résultats sont concluants, nous industrialisons : architecture sécurisée, tests, supervision et intégration dans votre chaîne CI/CD. Cette approche permet de décider sur des faits plutôt que sur des promesses.

Que vous souhaitiez ajouter une fonctionnalité d’IA à une application existante ou concevoir un nouveau produit, notre agence de développement d’applications mobiles vous accompagne du cadrage à la mise en production. Pour renforcer une équipe existante sur ces sujets, nous pouvons aussi mettre à disposition des développeurs expérimentés via notre offre d’IT outsourcing.

FAQ sur l’intégration de l’IA dans une application mobile

Faut-il entraîner son propre modèle d’IA ?

Rarement. Pour la grande majorité des cas d’usage, les modèles existants, complétés par vos données via le RAG ou par un paramétrage adapté, suffisent. L’entraînement d’un modèle spécifique se justifie pour des tâches très particulières avec un volume de données important.

L’IA peut-elle fonctionner hors connexion ?

Oui, avec l’IA embarquée. La reconnaissance de texte, la détection d’objets, la traduction ou certains modèles de langage compacts fonctionnent directement sur le smartphone, sans réseau, sur les appareils compatibles.

Mes données sont-elles utilisées pour entraîner les modèles des fournisseurs ?

Sur les offres professionnelles des principaux fournisseurs, les données transmises via l’API ne sont en principe pas utilisées pour l’entraînement, mais il faut le vérifier contractuellement. Pour les données les plus sensibles, l’IA embarquée ou un modèle hébergé en Europe sont à privilégier.

Peut-on ajouter de l’IA à une application existante ?

Oui. Dans la plupart des cas, la fonctionnalité s’ajoute via une évolution de l’application et du backend, sans refonte. Si l’architecture existante est trop fragile, un audit permet de déterminer les prérequis.

Quel modèle d’IA choisir ?

Il dépend de la tâche, de la langue, du budget, de la latence acceptable et des contraintes de confidentialité. Nous recommandons de comparer plusieurs modèles sur vos cas réels et de garder une architecture qui permet d’en changer facilement.

Comment éviter que l’IA donne de mauvaises réponses ?

En fondant les réponses sur vos contenus (RAG), en limitant le périmètre de l’assistant, en ajoutant des garde-fous et en réservant l’IA aux tâches où une erreur reste sans gravité ou est vérifiée par l’utilisateur.