Modèle de cahier des charges pour un projet d’IA

Lancer un projet d’intelligence artificielle sans cahier des charges solide, c’est s’exposer à corriger, recommencer et payer plus que prévu. Les projets IA qui dérapent ont souvent un point commun : un cadrage initial insuffisant, en particulier sur les données disponibles et sur la façon de mesurer le résultat. Le cahier des charges n’est pas une formalité administrative, c’est le document qui conditionne la comparaison des offres, le pilotage et la recette du projet.

En bref : un cahier des charges IA décrit le problème métier à résoudre, les objectifs chiffrés (métriques du modèle et indicateurs business), les données disponibles et leur statut juridique, les contraintes d’intégration, les exigences réglementaires (AI Act, RGPD), les critères de recette, le budget et la maintenance du modèle. Il se distingue d’un cahier des charges classique par la place des données et par la mesure de la qualité, surtout pour l’IA générative. Le générateur gratuit de cette page vous guide en 11 étapes et produit un document prêt à envoyer aux agences.

Les projets d’IA ont des spécificités que les cahiers des charges traditionnels couvrent mal : la nature exploratoire des modèles, la dépendance aux données, les enjeux réglementaires et la gouvernance du modèle après sa mise en production. Ce guide donne une méthode, les rubriques à inclure et un modèle rempli, pour aborder le dialogue avec les agences spécialisées sur des bases comparables. Il s’adresse aux chefs de projet, DSI, dirigeants de PME et responsables innovation.

Définition et importance d’un cahier des charges en intelligence artificielle

Un cahier des charges est un document qui formalise les besoins, les contraintes, les objectifs et les livrables attendus d’un projet. Dans un projet d’intelligence artificielle, il doit en plus traiter des dimensions absentes des autres projets informatiques : les données d’entraînement ou de référence, les métriques de performance du modèle, la conformité réglementaire et la dérive du modèle dans le temps.

Contrairement à un développement applicatif classique, un projet IA comporte une part d’incertitude structurelle : les performances dépendent de la qualité et du volume des données, de l’approche retenue et de la capacité à itérer. Cette incertitude ne dispense pas de cadrer le projet, elle rend le cadrage plus nécessaire. Le cahier des charges remplit plusieurs fonctions :

• il aligne les attentes entre le commanditaire et le prestataire dès le départ ;
• il sert de référence objective en cas de désaccord ou de dérive ;
• il oblige l’entreprise à clarifier ses propres besoins avant de rencontrer une agence ;
• il permet de comparer des offres sur des bases homogènes lors d’une mise en concurrence ;
• il constitue le socle des phases de recette et de validation.

Beaucoup de déceptions après livraison viennent d’attentes non formalisées : l’agence a livré ce qui était demandé, pas ce qui était voulu. Le cahier des charges IA doit aussi rester un document vivant, capable d’intégrer des phases de révision sans remettre en cause tout le contrat, ce que les modèles copiés du développement logiciel classique prévoient rarement.

Les éléments clés à inclure dans un cahier des charges IA

Chaque rubrique répond à une question que se posera tout prestataire sérieux avant de chiffrer.

La présentation du contexte et des enjeux métier

Expliquez pourquoi l’entreprise se lance dans ce projet, quel problème métier il doit résoudre et dans quel environnement il s’inscrit : activité, secteur, processus actuels et limites de ces processus.

Une entreprise industrielle qui envisage la maintenance prédictive doit par exemple décrire sa gestion actuelle des pannes, les coûts qu’elles génèrent et ce qu’elle attend d’une approche automatisée. Ce niveau de détail permet à l’agence d’estimer la valeur réelle du projet et d’adapter son approche technique.

La définition précise des objectifs

Les objectifs doivent être mesurables, à deux niveaux : les indicateurs du modèle (précision, rappel, F1-score, taux de faux positifs, ou taux de réponses correctes pour une IA générative) et les indicateurs métier (réduction des coûts, temps gagné, satisfaction client). « Améliorer la qualité de nos prédictions » n’est pas un objectif tant qu’il n’est pas traduit en cible chiffrée et en contexte d’usage.

Ne confondez pas les deux niveaux : un modèle très précis peut être un succès technique et un échec commercial si le problème métier était mal posé.

Le périmètre fonctionnel et les cas d’usage

Décrivez ce que le système devra faire concrètement : fonctionnalités attendues, cas d’usage couverts, cas explicitement exclus. Un modèle entraîné ou paramétré pour un usage précis peut se comporter de façon imprévisible sur un autre.

Indiquez aussi la famille d’IA envisagée si vous la connaissez : traitement du langage, vision par ordinateur, recommandation, détection d’anomalies, IA générative. Ces familles impliquent des compétences, des infrastructures et des durées très différentes.

Les données disponibles et leur qualité

C’est la rubrique la plus sous-estimée, alors que les données conditionnent tout le reste. Décrivez :

• la nature des données (structurées, textes, images, séries temporelles) ;
• le volume estimé et la période couverte ;
• leur qualité : valeurs manquantes, erreurs, biais connus ;
• leur statut juridique : propriété, données personnelles et RGPD, droits d’usage ;
• les modalités d’accès pour le prestataire (API, exports, accès aux bases) ;
• les données à collecter, annoter ou acheter.

Sans vision claire de l’état des données, aucun prestataire ne peut produire une estimation réaliste. Quand cette rubrique manque, l’audit des données réalisé en cours de projet révèle souvent des besoins qui se traduisent en avenants.

Les contraintes techniques et d’intégration

Décrivez l’environnement dans lequel la solution devra s’intégrer : systèmes existants (ERP, CRM, entrepôt de données), hébergement cloud ou sur site, contraintes de sécurité, exigences de performance (temps de réponse, volumes), technologies imposées le cas échéant. Précisez si la solution doit être maintenable en interne après livraison et avec quelles compétences.

Les exigences réglementaires, éthiques et de gouvernance

Le règlement européen sur l’IA (AI Act, règlement (UE) 2024/1689) classe les systèmes selon leur niveau de risque : pratiques interdites, haut risque, obligations de transparence, risque minimal. Son calendrier a été modifié par le règlement (UE) 2026/1744 du 8 juillet 2026, dit omnibus numérique sur l’IA : les obligations applicables aux systèmes à haut risque de l’annexe III (recrutement, éducation, accès au crédit, infrastructures critiques…) s’appliqueront au 2 décembre 2027, et celles de l’annexe I (IA intégrée à des produits réglementés) au 2 août 2028. L’obligation d’informer les personnes qu’elles interagissent avec un système d’IA (article 50) s’applique, elle, depuis le 2 août 2026 (textes vérifiés le 19/10/2026).

Le cahier des charges doit donc indiquer la catégorie de risque estimée de votre cas d’usage et les exigences qui en découlent : transparence envers les utilisateurs, explicabilité des décisions, traçabilité des données, détection des biais, supervision humaine, et articulation avec le RGPD pour les données personnelles. En cas de doute sur la classification, demandez à l’agence de l’analyser dans sa réponse.

Abordez aussi la gouvernance après déploiement : qui valide les mises à jour du modèle, comment sont gérées les baisses de performance, qui est responsable en cas de décision erronée ? Laissées sans réponse, ces questions deviennent des zones grises contractuelles.

Le budget, le planning et les modalités de collaboration

Indiquez l’enveloppe disponible, même approximative. Sur notre plateforme, 44 % des demandes de mise en relation déposées sur douze mois ne mentionnaient aucun budget (relevé du 19 octobre 2026), ce qui oblige les agences à chiffrer à l’aveugle. Pour vous situer, le budget médian des projets d’intelligence artificielle confiés à des agences s’établit à 12 000 € sur La Fabrique du Net (311 budgets analysés, calcul du 19 octobre 2026), avec une moyenne de 24 485 € tirée par les déploiements les plus lourds : le détail figure dans notre guide des tarifs des agences IA.

Le planning indique les grandes étapes, les jalons et les contraintes de calendrier (roadmap produit, saisonnalité, échéance réglementaire). Précisez enfin les modalités de collaboration : démarche agile ou séquentielle, fréquence des points de suivi, implication des équipes internes.

Build, buy ou fine-tuning : arbitrer l’approche technique dans le cahier des charges

Avant de décrire une solution, le cahier des charges doit clarifier comment l’IA sera obtenue, ou laisser explicitement ce choix aux agences. Cette décision conditionne le budget, les délais et votre dépendance future. Trois grandes voies coexistent :

• Consommer un modèle de langage par API auprès d’un fournisseur : déploiement rapide, pas d’infrastructure à gérer, mais coût à l’usage, dépendance à un fournisseur et envoi de données à un tiers à encadrer contractuellement.
• Héberger un modèle open source sur votre infrastructure ou chez un hébergeur choisi : meilleure maîtrise des données et des coûts à fort volume, au prix de compétences d’exploitation et d’investissements matériels.
• Spécialiser un modèle par RAG (génération augmentée par la recherche dans vos documents) ou par fine-tuning : souvent la réponse la plus adaptée pour ancrer l’IA dans vos données métier sans entraîner un modèle de zéro.

Pour chaque option, exigez une clause de réversibilité : portabilité des données, des prompts et des modèles, conditions de sortie, limitation de la dépendance à un fournisseur. C’est un critère d’évaluation des offres aussi important que la performance technique.

Anticiper le coût total de possession, pas seulement le devis initial

Un projet d’IA ne s’arrête pas à la livraison : un modèle coûte à chaque utilisation et peut se dégrader avec le temps. Demandez une estimation du coût total de possession sur 12 à 36 mois, et pas seulement du développement. Les postes les plus souvent oubliés :

• les coûts d’inférence (facturation au volume de texte traité ou au temps de calcul), qui croissent avec l’adoption ;
• la préparation et l’annotation des données, souvent le poste le plus lourd ;
• le réentraînement ou la mise à jour périodique pour corriger la dérive du modèle ;
• le monitoring, la sécurité et le support en production ;
• la conduite du changement et la formation des équipes utilisatrices.

Précisez des hypothèses de volume (nombre de requêtes ou de documents traités) pour que les estimations soient comparables d’une agence à l’autre, et des déclencheurs explicites de maintenance (par exemple une baisse de performance mesurée sur une période donnée) pour que les responsabilités soient claires.

Évaluer un modèle génératif : hallucinations, garde-fous et tests d’acceptation

Encore faut-il pouvoir vérifier que le modèle livré atteint les objectifs. Pour une IA classique, on raisonne en précision, rappel ou F1-score. Pour une IA générative, ces métriques ne capturent pas le risque principal : l’hallucination, c’est-à-dire une réponse plausible mais fausse. Le cahier des charges doit préciser :

• un protocole de test d’acceptation documenté : jeu d’exemples représentatifs, seuils à atteindre, méthode de notation humaine ou automatisée ;
• des garde-fous : ancrage des réponses sur vos sources, citation des documents, refus de répondre hors périmètre, filtrage des contenus sensibles ;
• une validation humaine pour les décisions à fort enjeu, et une procédure de remontée des erreurs ;
• des exigences d’explicabilité et de traçabilité cohérentes avec l’AI Act et le RGPD.

Posés dès l’amont, ces critères transforment une promesse commerciale en engagement vérifiable.

Rédiger son cahier des charges avec l’IA : ce qui marche, et ses limites

Les assistants d’IA générative sont devenus un outil courant pour produire une première trame de cahier des charges, informatique ou non. Ils sont utiles pour structurer un plan, reformuler des besoins exprimés oralement, repérer des rubriques oubliées ou proposer des critères de recette. Ils ne connaissent en revanche ni vos données réelles, ni vos contraintes internes, ni votre budget : un cahier des charges entièrement généré a toutes les chances d’être générique, et donc de recevoir des offres génériques.

Quelques règles simples :

• n’y collez pas de données confidentielles ou personnelles sans vérifier les conditions d’utilisation de l’outil ;
• faites rédiger la structure, puis remplissez vous-même les rubriques factuelles (données, volumes, budget, délais) ;
• relisez chaque exigence : l’IA peut inventer une contrainte, une norme ou un chiffre plausible ;
• faites valider le document par les personnes qui porteront le projet.

C’est la logique du générateur de cahier des charges proposé en haut de cette page : un parcours guidé de questions, où c’est vous qui apportez les faits, et un document structuré qui se construit au fur et à mesure.

Les étapes de création d’un cahier des charges IA efficace

Rédiger un cahier des charges est un travail collectif qui se construit par étapes.

Constituer le groupe de travail

Un projet IA touche plusieurs fonctions : la direction métier qui porte le besoin, la DSI pour l’infrastructure et l’intégration, le juridique pour les données et la conformité, et les futurs utilisateurs pour l’ergonomie et l’acceptabilité. Chacun apporte un angle indispensable.

Conduire des ateliers de cadrage

Des ateliers font émerger les besoins réels, souvent différents des besoins exprimés au départ, et alignent les parties prenantes, qui n’ont pas toujours la même vision du problème. Un atelier de quelques heures animé par une personne neutre peut suffire pour un projet de taille moyenne ; un projet stratégique en demande davantage.

Réaliser un audit préliminaire des données

Avant de finaliser le cahier des charges, un audit rapide des données, interne ou confié à un prestataire dans le cadre d’une mission courte, évite les mauvaises surprises et permet de fixer des objectifs réalistes. Découvrir que les données sont insuffisantes ou inexploitables coûte beaucoup moins cher à ce stade qu’en cours de développement.

Prioriser les exigences avec la méthode MoSCoW

La méthode MoSCoW (Must have, Should have, Could have, Won’t have) hiérarchise les exigences et indique clairement au prestataire ce qui est non négociable, souhaitable ou optionnel. Elle est précieuse en IA, où les arbitrages entre performance, coût et délai sont fréquents.

Faire relire et valider en interne

Avant l’envoi aux agences, le document doit être validé par toutes les parties prenantes. Cette validation engage l’organisation sur les besoins et les critères d’acceptation, et évite des remises en cause tardives.

Scénario type : l’impact d’un cahier des charges bien construit

Voici un scénario type, dont les détails sont illustratifs. Une PME qui fabrique des composants mécaniques veut détecter automatiquement les défauts visuels sur sa ligne de production. Une première tentative, deux ans plus tôt, a échoué.

Lors de ce premier essai, la mission a été confiée sur la base d’un brief oral de quelques pages. Le système livré détecte trop peu de défauts pour être utilisé en production, les images d’entraînement sont peu nombreuses et peu représentatives, et le modèle ne s’intègre pas au système de supervision de l’usine. Le projet est abandonné.

Pour la seconde tentative, l’entreprise rédige un cahier des charges complet, après des ateliers de cadrage et un audit de sa base d’images. Le document fixe le taux de détection attendu sur les défauts critiques, le temps de traitement maximal par pièce, les données disponibles avec un plan d’enrichissement, et les modalités d’intégration. Les offres reçues deviennent comparables, et la recette repose sur des critères connus de tous dès le départ. La différence entre les deux projets tient d’abord à la qualité du cadrage.

Les erreurs les plus fréquentes lors de la rédaction d’un cahier des charges IA

Confondre outil IA et solution métier

Arriver avec un outil en tête (« on veut un chatbot ») plutôt qu’avec un problème à résoudre oriente le projet vers une solution avant d’avoir vérifié qu’elle est la plus adaptée. Le cahier des charges doit partir du problème ; proposer l’approche technique est le rôle de l’agence.

Sous-estimer la partie données

Les données se révèlent souvent insuffisantes, incomplètes, mal étiquetées ou non conformes au RGPD en cours de projet. Cette découverte tardive se traduit en surcoûts et en retards. La prévention passe par un audit préalable, même léger.

Fixer des objectifs de performance irréalistes

Exiger 100 % de précision ou un délai très court pour un projet complexe sont des signaux que les agences sérieuses relèveront. D’autres les accepteront sans discuter, pour les manquer ensuite. Des objectifs fondés sur les données réellement disponibles protègent les deux parties.

Négliger les critères de recette

Sans critères de recette précis, la validation finale devient une négociation subjective. En IA, ils doivent inclure des tests sur un jeu de données indépendant de celui utilisé pour l’entraînement ou le paramétrage, des scénarios de validation métier et des seuils minimaux en dessous desquels la livraison est refusée.

Ignorer la maintenance et l’évolution

Un modèle n’est pas un logiciel statique : ses performances peuvent se dégrader quand les données réelles évoluent (dérive des données ou du modèle). Prévoyez les modalités de surveillance, de réentraînement et d’évolution, avec un budget associé.

Ne pas impliquer les utilisateurs finaux

Un système performant peut être rejeté par ceux qui doivent l’utiliser au quotidien. Intégrez leurs exigences d’ergonomie, de transparence des décisions et de niveau d’autonomie laissé à la machine.

Comment bien choisir son agence pour un projet IA

Une fois le cahier des charges finalisé, la sélection de l’agence mérite autant d’attention que la rédaction.

Questions précises à poser aux agences

• Quelle est votre expérience sur des projets similaires ? Pouvez-vous présenter des références avec des résultats mesurables ?
• Comment explorez-vous et validez-vous les données avant de commencer le développement ?
• Que se passe-t-il si l’audit révèle des lacunes importantes dans nos données ?
• Quels outils et quels modèles proposez-vous, et pourquoi pour notre cas ?
• Comment assurez-vous l’explicabilité et la traçabilité des décisions du modèle ?
• Comment gérez-vous la maintenance et le réentraînement après livraison ?
• Comment analysez-vous la classification de notre cas d’usage au regard de l’AI Act ?

Signaux d’alerte à surveiller

Une agence qui chiffre sans avoir posé de questions sur vos données manque de maturité sur les projets IA. Une agence qui promet des taux de performance élevés sans accès aux données réelles s’avance trop. Méfiez-vous aussi des agences qui proposent systématiquement la technologie du moment sans questionner sa pertinence : une bonne agence sait dire quand une approche plus simple (règles métier, statistiques, automatisation sans IA) serait plus adaptée et moins coûteuse.

Indicateurs de qualité vérifiables

La précision des questions posées pendant la consultation est un bon indicateur de maturité. La transparence de la méthodologie (phases, livrables intermédiaires, modalités de test) l’est aussi, tout comme la capacité à présenter des références avec des métriques concrètes plutôt que des descriptions vagues. Les certifications techniques des grands fournisseurs de cloud peuvent compléter ces éléments sans les remplacer.

Ressource prête à l’emploi : modèle de cahier des charges IA

Le plus rapide : le générateur interactif en haut de cette page suit le parcours décrit dans ce guide, en 11 sections adaptées aux projets IA (cas d’usage, données, build ou API, métriques anti-hallucination, conformité AI Act, budget), et exporte votre cahier des charges en PDF prêt à envoyer aux agences.

Pour ceux qui préfèrent partir d’une trame écrite, voici un modèle structuré, pré-rempli avec un exemple industriel fictif. Adaptez chaque ligne à votre contexte.

L’important n’est pas de tout remplir de façon exhaustive dès le premier jet, mais de ne laisser aucune rubrique stratégique vide.

FAQ : vos questions sur le cahier des charges IA

Qu’est-ce qu’un cahier des charges en intelligence artificielle ?

C’est un document structuré qui formalise les besoins, contraintes, objectifs et livrables d’un projet d’IA. Il se distingue d’un cahier des charges informatique classique par la description des données disponibles, les métriques de performance du modèle, les exigences réglementaires propres à l’IA et les modalités de maintenance après déploiement. Il sert à aligner les parties prenantes internes puis de base contractuelle avec le prestataire.

Pourquoi faire un cahier des charges ?

Pour clarifier le besoin avant de solliciter des prestataires, obtenir des offres comparables, disposer d’une référence pendant le projet et d’une base objective pour la recette. Sans lui, chaque agence interprète la demande à sa façon, et les écarts n’apparaissent qu’à la livraison.

Qu’est-ce qu’un cahier des charges logiciel ?

C’est le document qui décrit les fonctionnalités, les utilisateurs, les contraintes techniques et les critères de recette d’un logiciel à développer ou à paramétrer. Un projet d’IA en reprend la structure et y ajoute les données, les métriques du modèle et la conformité. Voir notre guide du cahier des charges de logiciel métier.

Quelles sont les différentes parties d’un cahier des charges ?

On retrouve presque toujours : le contexte et les enjeux, les objectifs, le périmètre fonctionnel, les contraintes techniques, le budget et le planning, les modalités de collaboration et les critères de recette. Pour un projet d’IA s’y ajoutent la description des données, les exigences réglementaires et la maintenance du modèle, soit les 11 sections du modèle ci-dessus.

Comment faire un bon cahier des charges ?

Partez du problème métier plutôt que de la technologie, chiffrez les objectifs, décrivez honnêtement vos données, indiquez une fourchette de budget, fixez des critères de recette vérifiables et faites valider le document par toutes les parties prenantes avant envoi.

Où trouver un exemple ou un modèle gratuit de cahier des charges ?

Le tableau ci-dessus est un exemple complet et rempli. Le générateur en haut de cette page est gratuit : vous répondez à des questions guidées et obtenez un document structuré à télécharger en PDF. Pour d’autres types de projets, voir nos modèles de cahier des charges de site internet et de cahier des charges de chatbot.

Peut-on rédiger un cahier des charges avec l’IA ?

Oui pour la structure et la reformulation, non pour les faits. Un assistant d’IA aide à bâtir un plan et à repérer des oublis, mais il ignore vos données, votre budget et vos contraintes, et peut inventer une exigence plausible. Remplissez vous-même les rubriques factuelles et relisez chaque ligne.

Faut-il choisir entre une API d’IA et un modèle sur mesure dès le cahier des charges ?

Il est préférable de ne pas trancher trop tôt. Décrivez précisément le besoin, les contraintes de données et le budget, puis laissez les agences proposer l’approche (API, modèle open source hébergé, RAG ou fine-tuning) en justifiant les coûts et la réversibilité.

Comment chiffrer un projet d’IA quand le coût dépend de l’usage ?

Demandez une estimation du coût total de possession sur 12 à 36 mois : développement, inférence, préparation des données, réentraînement, monitoring et formation. Donnez des hypothèses de volume pour que les estimations soient comparables.

Comment se protéger des hallucinations de l’IA dans le contrat ?

Inscrivez un protocole de test d’acceptation (jeu d’exemples, seuils, méthode de notation) et des garde-fous : ancrage sur vos sources, citation des documents, refus hors périmètre et validation humaine pour les cas sensibles. Conditionnez la recette à ces tests, pas à la seule livraison du code.

Le cahier des charges IA doit-il mentionner l’AI Act ?

Oui. Indiquez la catégorie de risque estimée de votre cas d’usage et les obligations associées, en tenant compte du calendrier modifié en juillet 2026 : obligations de transparence applicables depuis le 2 août 2026, obligations des systèmes à haut risque reportées au 2 décembre 2027 ou au 2 août 2028 selon leur catégorie. Demandez à l’agence comment elle assure l’explicabilité et la traçabilité des décisions.

Autres modèles de cahier des charges

Votre projet est différent ? Explorez nos autres guides et générateurs gratuits :

• Cahier des charges de chatbot
• Cahier des charges de logiciel métier
• Cahier des charges de site internet

Conclusion

Rédiger un cahier des charges pour un projet d’intelligence artificielle demande du temps, et ce temps se récupère à chaque étape : consultation, développement, recette et exploitation. Les points à retenir : partir du problème métier, être précis sur les données, fixer des objectifs mesurables, intégrer le calendrier réglementaire et prévoir la maintenance du modèle.

Votre cahier des charges prêt, il reste à trouver le bon partenaire : comparez les agences spécialisées en intelligence artificielle référencées sur La Fabrique du Net, avec leurs avis clients et leurs réalisations.