Une sphère bleue lumineuse flotte au-dessus de l’écran d’un smartphone posé sur un bureau sombre

IA dans une application mobile : quelles fonctionnalités ajouter et comment les développer

Pour les utilisateurs, l’IA dans une application mobile n’a plus rien d’une expérimentation. Ils l’attendent comme une fonction de base : poser une question avec leurs mots, photographier un document au lieu de le recopier, dicter un message. Pour une entreprise, la vraie question n’est donc pas « faut-il un réseau de neurones ? », mais quelle fonctionnalité précise fera gagner du temps à l’utilisateur, et comment la construire pour qu’elle soit rapide, abordable et conforme au RGPD.

Voyons quelles fonctionnalités d’IA sont réellement rentables, où le modèle peut tourner (sur un serveur ou directement sur le téléphone), ce qui pèse sur le coût et la vitesse, et comment lancer une première fonctionnalité sans grand risque. C’est le regard d’une agence spécialisée dans le développement d’application mobile, qui conçoit ses produits de bout en bout et y intègre l’IA pour ses clients.

Les fonctionnalités d’IA vraiment utiles dans une application

Une bonne fonctionnalité d’IA accélère une tâche que vos utilisateurs accomplissent déjà dans l’application. Une mauvaise existe surtout pour afficher « propulsé par l’IA » sur la fiche du store. Voici celles qui rentabilisent le plus souvent leur développement.

Assistant et chatbot intégrés

Un chatbot dans l’application répond aux questions sur le catalogue, les conditions de livraison, les formules et le suivi de commande. Branché sur la base de connaissances de l’entreprise et sur vos outils métier, il traite les demandes courantes sans conseiller et transmet à un humain ce qu’il ne sait pas résoudre. Limitez son périmètre à votre entreprise et à vos sources : un modèle qui ne s’appuie sur rien invente avec beaucoup d’aplomb.

Recherche en langage naturel

Plutôt que de jongler avec les filtres, l’utilisateur tape « bottes d’hiver enfant à moins de 60 € » ou « hôtel près du métro avec parking ». Le modèle traduit la requête en paramètres et les transmet à votre moteur de recherche habituel. C’est particulièrement efficace sur les gros catalogues, où les filtres sont nombreux et peu pratiques sur un petit écran.

Reconnaissance de photos et de documents

La reconnaissance d’image dans une application mobile épargne des minutes de saisie : on photographie une carte grise, un ticket de caisse, un compteur, une étiquette produit ou une carte de visite, et les champs se remplissent tout seuls. Dans la même famille, on trouve la recherche visuelle (« trouver des produits similaires ») et le contrôle de la prise de vue : document entier dans le cadre, pas de reflet.

Saisie vocale et transcription

La voix s’impose quand les mains sont occupées ou que taper est malcommode : livreurs, techniciens d’intervention, chauffeurs, médecins. La parole devient du texte, puis un modèle peut le répartir dans les champs d’une demande ou d’un compte rendu. iOS comme Android intègrent la reconnaissance vocale, si bien qu’une simple dictée se passe souvent d’un modèle dédié.

Recommandations personnalisées

Produits, articles, séances de sport ou recettes suggérés selon ce que l’utilisateur a déjà consulté et acheté. Un modèle de langage n’est pas forcément nécessaire : les algorithmes de recommandation classiques, côté serveur, font souvent mieux et pour moins cher.

Préremplissage de formulaires et synthèse

Le modèle propose de remplir les champs à partir d’une description libre (« le robinet de la cuisine fuit, il me faut un plombier samedi matin ») et résume les textes longs (fils de discussion, avis, contrats, historique du support) en quelques points. C’est précieux dans les applications internes, où les collaborateurs ont beaucoup à lire et peu de temps.

Une bonne fonctionnalité d’IA accélère une tâche que vos utilisateurs accomplissent déjà.

Où tourne le modèle : serveur ou appareil

C’est la décision d’architecture centrale d’un projet d’IA mobile. Elle conditionne la qualité des réponses, la vitesse, le coût et l’endroit où finissent les données de vos utilisateurs.

Sur un serveur, via une API

L’application envoie une requête à votre back-end, qui interroge le modèle de langage. Ce modèle peut être une API cloud d’un grand fournisseur ou un modèle hébergé sur les serveurs de l’entreprise (modèles open source comme Llama ou Mistral). L’application ne parle jamais directement au fournisseur : clés d’API, prompts et logique restent sur le serveur, où l’on peut les modifier sans publier de nouvelle version sur les stores.

Dès que les requêtes contiennent des données personnelles, le RGPD s’applique : lieu de stockage et de traitement, droits d’accès, transferts hors de l’Union européenne. Pour les cas sensibles, on retient souvent un fournisseur qui héberge en Europe, ou l’on fait tourner son propre modèle dans l’infrastructure de l’entreprise.

Sur l’appareil

Le modèle tourne sur le téléphone lui-même. Sur iOS, il y a Core ML et Vision ; sur Android comme sur iOS, ML Kit de Google propose des modèles prêts à l’emploi pour reconnaître du texte, des codes-barres, des visages et des objets, et TensorFlow Lite permet d’embarquer des modèles sur mesure. Les données ne quittent pas l’appareil, la fonctionnalité marche hors ligne et la réponse est quasi instantanée.

Les limites sont tout aussi nettes : les modèles embarqués sont plus petits et plus simples que ceux des serveurs, dépendent du matériel, alourdissent l’application et se mettent à jour moins facilement. C’est largement suffisant pour lire un texte sur une photo ou scanner un code-barres, beaucoup moins pour une conversation ouverte sur votre catalogue.

Serveur via APISur l’appareil
QualitéGrands modèles, tâches complexesTâches ciblées : texte sur photo, codes-barres, objets
VitesseDépend du réseau et de la chargeRapide, sans réseau
CoûtPaiement à la requête ou serveurs dédiésPas de frais par requête, mais charge sur le téléphone
ConfidentialitéLes données partent sur le serveur, encadrement RGPD nécessaireLes données restent sur l’appareil
Mises à jourÀ tout moment côté serveurEn général avec une nouvelle version de l’app

Dans les faits, beaucoup d’équipes optent pour un modèle hybride : traitements légers sur le téléphone, gros calculs sur le serveur. Par exemple, l’application repère le document dans le cadre et lit le texte en local, puis confie au back-end l’analyse et la validation des champs.

Coût des requêtes et temps de réponse : à prévoir dès le départ

Contrairement à un bouton ordinaire, une fonctionnalité d’IA coûte quelque chose à chaque utilisation. Un modèle cloud se facture à la requête ; un modèle maison demande des serveurs GPU. Plus le contexte est long (historique de conversation, documents récupérés), plus la réponse est chère et lente.

L’autre enjeu, c’est la latence. Sur le web, l’utilisateur patiente parfois. Dans une application mobile, presque jamais. L’interface doit donc afficher la réponse au fil de l’eau, mot par mot, prévoir des états de chargement clairs et une solution de repli si le modèle ne répond pas.

Confidentialité et autorisations

Les fonctionnalités d’IA demandent presque toujours l’accès à l’appareil photo, au micro, à la galerie ou à la localisation. iOS et Android exigent d’expliquer à quoi sert chaque autorisation, et les stores vérifient que l’explication correspond à ce que fait réellement l’application.

Réfléchissez aussi à ce qui part sur le serveur. La photo d’une pièce d’identité ou un enregistrement vocal sont des données personnelles : transmettez-les par un canal sécurisé, ne les conservez pas plus longtemps que nécessaire et ne les envoyez pas à des services susceptibles de s’en servir pour entraîner leurs modèles. La politique de confidentialité doit décrire honnêtement quelles données l’IA traite et où.

Comment tester la qualité d’une fonctionnalité d’IA

Un réseau de neurones ne se trompe pas comme du code classique : il peut répondre juste à dix questions, puis se tromper avec aplomb sur la onzième. On ne juge donc pas la qualité sur deux exemples réussis en démo. On la teste méthodiquement.

  1. Un jeu d’exemples réels. Rassemblez de vraies questions d’utilisateurs, des photos de documents, des enregistrements vocaux, y compris les mauvais : bruit de fond, fautes de frappe.
  2. Des critères d’évaluation. Définissez à l’avance ce qu’est une bonne réponse : champ correctement lu, réponse fondée sur la base de connaissances, passage à un conseiller quand il le fallait.
  3. Un passage avant chaque mise en production. Chaque modification d’un prompt ou du modèle est testée sur ce jeu, pour qu’une amélioration ici ne casse rien ailleurs.
  4. Un suivi en production. Après le lancement, surveillez les notes données aux réponses, les transferts vers un conseiller et les étapes où les utilisateurs abandonnent.

Autre règle : l’utilisateur doit pouvoir voir et corriger ce que l’IA a produit. Affichez les champs reconnus pour vérification au lieu de les envoyer directement, et donnez à l’assistant un bouton « Parler à un conseiller ».

Pourquoi commencer par une seule fonctionnalité et un pilote

L’erreur la plus courante consiste à imaginer une « application intelligente » avec toutes les fonctionnalités d’un coup. Résultat : un projet long, où il devient difficile de savoir laquelle a apporté de la valeur et laquelle n’a fait qu’ajouter des coûts.

Mieux vaut procéder autrement : choisir une fonctionnalité à l’effet mesurable (la reconnaissance de documents à la place de la saisie manuelle, un chat sur le catalogue à la place d’un appel au support), la développer, l’ouvrir à une partie des utilisateurs et regarder les chiffres. Si ça marche, on l’enrichit et on passe à la suivante. Sinon, la perte reste limitée.

Chez Sphere, agence digitale à Paris, nous concevons des applications mobiles et des services web de bout en bout, de l’étude des besoins et des parcours utilisateur jusqu’à la publication sur les stores et aux mises à jour. Une fonctionnalité d’IA se conçoit chez nous comme n’importe quel écran : d’abord le problème utilisateur qu’elle résout, ensuite le choix du modèle et de l’architecture. Nos réalisations sont à découvrir dans nos projets d’applications et de sites.

Questions fréquentes

Peut-on ajouter de l’IA à une application déjà en ligne ?

Oui. Le plus souvent, la fonctionnalité passe par le back-end : l’application reçoit un nouvel écran ou un nouveau bouton, et la logique qui dialogue avec le modèle vit côté serveur. Inutile de réécrire toute l’application.

Faut-il son propre modèle, ou une API du marché suffit-elle ?

Pour la plupart des usages, un modèle accessible par API et branché sur les données de l’entreprise suffit. Un modèle hébergé sur vos propres serveurs se justifie quand les données ne peuvent pas sortir de chez vous ou quand le volume de requêtes rend le cloud trop coûteux.

La fonctionnalité d’IA marchera-t-elle hors connexion ?

Seulement si le modèle tourne sur l’appareil. Lire le texte d’une photo ou scanner un code-barres fonctionne hors ligne avec Core ML ou ML Kit ; un assistant basé sur un grand modèle de langage a besoin du serveur.

Comment concilier IA et RGPD dans une application ?

Il faut savoir quelles données personnelles partent vers le modèle, où elles sont traitées et où elles sont stockées. Pour les données sensibles, on choisit un fournisseur qui héberge en Europe ou on fait tourner son propre modèle dans l’infrastructure de l’entreprise, en filtrant côté application tout ce qui n’est pas nécessaire.

Combien coûte une application mobile avec de l’IA ?

Tout dépend du nombre de fonctionnalités, du modèle retenu et du besoin d’une infrastructure dédiée. Au-delà du développement, l’IA entraîne un coût récurrent (requêtes ou serveurs), que l’on chiffre à part dès la conception.

Parlons de votre projet
À lire aussi