L'IA embarquée fait entrer les modèles d'intelligence artificielle directement dans le téléphone de vos équipes : plus besoin d'envoyer chaque photo, chaque note ou chaque document à un serveur distant pour en tirer quelque chose. Depuis que Apple et Google ouvrent leurs modèles intégrés aux développeurs, une application mobile métier peut résumer, extraire ou classer des informations hors ligne, en quelques instants et sans coût par requête. Voici ce que cette technologie sait faire, ce qu'elle ne sait pas faire, et comment l'intégrer avec méthode.

IA embarquée : de quoi parle-t-on exactement ?

On parle d'IA embarquée (ou IA « sur l'appareil ») lorsque le modèle s'exécute sur le processeur du smartphone, et non dans un centre de données. Ce n'est pas nouveau pour la vision : la lecture de codes-barres ou la reconnaissance de texte tournent localement depuis des années. Ce qui change, c'est l'arrivée de modèles de langage génératifs accessibles aux applications tierces.

  • Côté iPhone, le framework Foundation Models, livré avec iOS 26, donne accès au modèle d'environ 3 milliards de paramètres qui alimente Apple Intelligence. Il propose la génération guidée, qui renvoie directement des objets structurés plutôt que du texte libre, et l'appel d'outils, qui permet au modèle d'interroger des fonctions de l'application.
  • Côté Android, les API ML Kit GenAI s'appuient sur Gemini Nano, servi par le service système AICore : résumé, correction, reformulation, description d'image et reconnaissance vocale, sur une liste d'appareils compatibles qui s'élargit progressivement.
  • En dehors de ces modèles système, des moteurs comme LiteRT (ex-TensorFlow Lite), Core ML ou MediaPipe permettent d'embarquer ses propres modèles spécialisés, plus petits, entraînés sur une tâche précise.

Quatre bénéfices concrets pour une application métier

Fonctionner sans réseau

Un technicien en sous-sol, un commercial en zone blanche, un agent sur un chantier : l'IA embarquée continue de répondre là où un appel au cloud échoue. Elle prolonge naturellement une architecture hors ligne bien conçue.

Garder les données sur l'appareil

Une photo de pièce d'identité, un compte rendu médical ou un bon de livraison n'ont pas à quitter le téléphone pour être analysés. Moins de flux sortants, c'est moins de sous-traitants à encadrer et une analyse de risques plus simple.

Répondre instantanément

Sans aller-retour réseau, la suggestion arrive pendant la saisie. Pour des usages de terrain, ce gain de réactivité fait souvent la différence entre une fonction utilisée et une fonction ignorée.

Supprimer le coût à la requête

Le calcul se fait sur le matériel déjà payé. Un usage intensif (des centaines de résumés par jour et par utilisateur) ne fait pas grimper une facture d'API.

Les cas d'usage qui fonctionnent dès aujourd'hui

Les modèles embarqués excellent sur des tâches courtes, bien cadrées, dont le résultat se vérifie d'un coup d'œil :

  • Extraction structurée : transformer la photo d'un bon de livraison ou d'une étiquette en champs prêts à valider (référence, quantité, date).
  • Dictée et mise en forme : convertir une note vocale de fin d'intervention en compte rendu propre, rangé dans les bonnes rubriques.
  • Classement : proposer automatiquement la catégorie d'un signalement, d'une photo ou d'une demande, que l'utilisateur confirme.
  • Résumé : condenser un historique client ou un long fil de messages avant un rendez-vous.
  • Reformulation : adapter un message au ton attendu avant envoi à un client.

Dans chaque cas, l'humain garde la main : le modèle prépare, l'utilisateur valide. C'est la condition d'une adoption sereine.

Les limites à connaître avant de se lancer

  • Des modèles plus petits. Quelques milliards de paramètres, c'est suffisant pour extraire ou résumer, pas pour raisonner longuement ni pour connaître votre catalogue. Le modèle ne sait que ce que l'application lui fournit.
  • Un parc hétérogène. Le modèle d'Apple suppose un appareil compatible avec Apple Intelligence activé ; Gemini Nano n'est disponible que sur certains modèles Android récents. Si vos équipes utilisent des téléphones de quelques années, une partie d'entre elles n'y aura pas accès.
  • Batterie et chaleur. Des appels répétés sollicitent fortement le processeur. Il faut doser les traitements et éviter les boucles inutiles.
  • Un modèle qui évolue sans vous. Le modèle système est mis à jour avec le système d'exploitation. Une réponse correcte aujourd'hui peut varier demain : les comportements critiques doivent être testés à chaque version.
  • Des obligations qui restent. Garder les données localement allège la conformité, sans la supprimer : le traitement doit être documenté et, si l'utilisateur dialogue avec une IA, il doit en être informé.

Architecture hybride : le bon modèle au bon endroit

Dans la plupart des projets, la bonne réponse n'est ni « tout sur l'appareil » ni « tout dans le cloud », mais un routage selon la tâche :

  1. Sur l'appareil : les tâches fréquentes, courtes et sensibles (extraction, classement, dictée).
  2. Sur un serveur maîtrisé : la recherche dans vos documents internes, le croisement avec l'ERP ou le CRM, le raisonnement long.
  3. Un mode de repli : si l'appareil n'est pas compatible ou si le modèle est indisponible, l'application bascule vers le serveur ou vers une saisie classique, sans bloquer l'utilisateur.

Cette architecture se décide dès la conception d'une application métier sur mesure : elle conditionne le choix des appareils, la synchronisation et la façon de mesurer la qualité des réponses.

Notre méthode pour intégrer l'IA embarquée

  1. Choisir une tâche, une seule, fréquente et irritante, dont le gain se mesure (temps de saisie, erreurs de recopie).
  2. Inventorier le parc : quels appareils, quelles versions de système, quelle part compatible.
  3. Constituer un jeu d'essai réel : cinquante photos, notes ou documents représentatifs, avec le résultat attendu.
  4. Prototyper sur l'appareil et comparer au même traitement côté serveur : qualité, temps de réponse, consommation.
  5. Déployer auprès d'un petit groupe, mesurer le taux de corrections manuelles, puis élargir.

Selon le besoin, la solution passe parfois par une brique standard bien configurée, parfois par un développement spécifique. Pour ces projets, nous travaillons en Forward Deployed Engineer : un ingénieur déployé au plus près de vos équipes, qui construit et teste dans votre environnement réel, sur vos téléphones et vos documents, jusqu'à un gain mesuré.

Questions fréquentes

Qu'est-ce que l'IA embarquée dans une application mobile ?

C'est un modèle d'intelligence artificielle qui s'exécute directement sur le téléphone, sans envoyer les données à un serveur. Il fonctionne hors ligne, répond vite et n'entraîne pas de coût par requête.

L'IA embarquée remplace-t-elle les grands modèles dans le cloud ?

Non. Les modèles embarqués sont plus petits et conviennent aux tâches courtes et cadrées : résumer, extraire, classer, reformuler. Pour le raisonnement long ou la recherche dans une grande base documentaire, une architecture hybride avec un modèle distant reste nécessaire.

Tous les smartphones de mes équipes sont-ils compatibles ?

Pas forcément. Les modèles génératifs intégrés au système exigent des appareils récents, avec Apple Intelligence activé sur iPhone ou une liste d'appareils Android pris en charge. Un inventaire du parc et un mode de repli sont indispensables.

L'IA embarquée règle-t-elle la question du RGPD ?

Elle la simplifie, car les données restent sur l'appareil, mais elle ne la supprime pas. Les traitements de données personnelles doivent toujours être documentés, et l'information des utilisateurs reste due quand ils interagissent avec une IA.

Vous envisagez d'ajouter de l'IA à votre application mobile, sans savoir ce qui peut tourner sur l'appareil ? Parlons de votre projet : nous testons avec vous, sur vos propres cas, avant d'engager le développement.