No items found.
"
"
@
Contact
PMS Médicalisation souhaitait intégrer l’intelligence artificielle à ses processus métier tout en conservant la maîtrise de ses données. Une première orientation était envisagée : héberger un modèle d’IA dans sa propre infrastructure. Avant d’engager cet investissement, l’entreprise avait besoin de préciser les usages, les exigences techniques et les coûts associés.
Mirax a accompagné cette réflexion à travers un atelier avec les équipes, puis une étude de faisabilité technique et économique. La mission a permis de formaliser cinq cas d’usage, de définir une méthode d’évaluation des modèles et de proposer une trajectoire de déploiement progressive.
Le projet en bref
PMS Médicalisation s’appuie sur une équipe de développement interne et sur un écosystème applicatif couvrant notamment la planification, la facturation, les ressources humaines et les opérations de terrain.
Les développeurs utilisaient déjà des outils d’IA pour les accompagner dans leur travail. L’entreprise souhaitait prolonger cette démarche au sein des services métier : faciliter le traitement des documents, préparer certaines tâches administratives et rendre les connaissances internes plus accessibles.
Cette ambition soulevait plusieurs questions. Quels traitements confier à un modèle ? Où maintenir des règles de calcul classiques ? Comment contrôler les résultats ? Et quelle infrastructure choisir pour traiter les données dans les conditions attendues par l’entreprise ?
La demande initiale privilégiait un hébergement entièrement interne. Notre mission consistait à examiner cette orientation à partir des besoins réels et à rendre les différentes options comparables.
Le 26 août 2026, nous avons réuni la direction des services généraux et l’équipe chargée du développement des systèmes applicatifs.
L’atelier a permis de partir des tâches réalisées par les collaborateurs pour préciser les possibilités d’assistance par l’IA. Pour chaque usage, nous avons documenté l’utilisateur concerné, le déclencheur, les informations nécessaires, le résultat attendu et les modalités de validation.
Cette démarche a abouti à cinq cas d’usage, chacun associé à des contraintes métier et techniques.
Cas d’usage étudiéAssistance envisagéeContrôle prévuAide à la facturationPréparer des propositions à partir des contrats, plannings et historiquesValidation par le service financierDocuments RHProposer un classement et extraire les informations utiles au nommage et aux vérificationsValidation ou correction par les équipes RHFiches de prévention manuscritesLire les valeurs et préparer leur restitution dans un format structuréComparaison avec le document d’origineRapports Service HubPréparer une synthèse à partir d’indicateurs et de tickets internesVérification des données et relecture du rapportAssistant documentaire pour les infirmiersRetrouver des informations dans une documentation interne validéeSources identifiables et périmètre limité aux procédures et à l’organisation
Le cadrage positionne l’IA comme un outil d’assistance. Les décisions métier, les contrôles critiques et les validations restent encadrés par les équipes.
L’un des principaux apports de l’audit a été de distinguer les tâches qui peuvent bénéficier d’un modèle de langage de celles qui reposent sur des règles explicites.
Pour les rapports Service Hub, par exemple, les volumes de tickets et les évolutions entre périodes doivent être calculés en amont par les outils de données. Le modèle intervient ensuite pour synthétiser les informations et préparer la rédaction. Les chiffres restent rattachés à leur source.
Le même principe s’applique aux documents RH. L’IA peut proposer un type de document et extraire des champs. Le nommage du fichier et la comparaison avec une fiche salarié peuvent ensuite suivre des règles définies, avant validation par un collaborateur.
Pour les fiches manuscrites, le cadrage précise le comportement attendu face à une information illisible : la signaler plutôt que la compléter. Pour l’assistant destiné aux infirmiers, le périmètre proposé concerne l’accès aux procédures et à la documentation, à l’exclusion de la décision clinique.
Ces distinctions donnent aux équipes de développement une base concrète pour concevoir les futurs traitements.
La maîtrise des données constituait un enjeu central de la mission. Nous avons étudié plusieurs scénarios : infrastructure locale, hébergement cloud européen et recours à des services de modèles par API lorsque le périmètre le permet.
Le rapport propose de raisonner par classe de données et par traitement. Un document RH, un indicateur agrégé et une question posée à un assistant documentaire ne présentent pas les mêmes contraintes.
Cette approche rend explicites les arbitrages entre confidentialité, conditions d’hébergement, exploitation et coûts. Les alternatives à l’hébergement entièrement interne restent soumises à la validation de la direction et à la vérification des garanties nécessaires pour chaque service retenu.
Nous avons également proposé une architecture séparant les applications métier du modèle utilisé. L’objectif est de faciliter un changement de modèle ou d’hébergement en limitant les adaptations dans les applications existantes.
Un modèle performant sur un test généraliste ne répond pas nécessairement aux exigences d’un processus interne. Le rapport définit donc un protocole de comparaison à partir de situations représentatives de PMS Médicalisation.
Trois modèles candidats ont été présélectionnés pour une évaluation ultérieure. Le protocole prévoit de les confronter à des exemples préparés et corrigés par les référents métier : documents courants, cas complexes, informations manquantes et situations ambiguës.
Les critères portent notamment sur :
La mesure du gain de temps intègre ainsi le travail humain qui subsiste après la réponse du modèle. Le protocole constitue un livrable de la mission ; les performances devront être établies lors de l’exécution des tests.
La question de départ portait aussi sur ce qu’un budget matériel de 20 000 € permettrait d’obtenir.
Nous avons comparé l’achat d’un serveur, la location de ressources de calcul et la consommation de modèles à l’usage. L’analyse prend en compte les volumes envisagés, les besoins en mémoire, les délais attendus et la fréquence des traitements.
Les estimations du rapport mettent en évidence un risque de sous-utilisation d’une infrastructure dédiée. Elles montrent également que la capacité à charger un modèle ne suffit pas à garantir une marge adaptée à la production.
La recommandation formulée est donc de mesurer les usages avant d’arrêter l’investissement. Les montants étudiés servent à cadrer la décision : ils ne constituent ni des dépenses constatées ni des économies réalisées, et certains postes devront être affinés pendant les tests.
Le rapport propose trois étapes successives.
1. Explorer et comparer. Constituer les jeux de test, prendre en main les modèles et évaluer leur qualité sur des données adaptées au cadre de test retenu.
2. Conduire un pilote. Mesurer les performances en conditions représentatives : qualité des réponses, mémoire consommée, délais, charge et corrections humaines.
3. Choisir les conditions de production. Décider du modèle, de l’hébergement et du dimensionnement à partir des résultats du pilote et des exigences validées par la direction.
Cette progression permet de préciser les décisions à prendre à chaque étape. Le rapport recommande notamment de différer l’assistant documentaire destiné aux infirmiers jusqu’à la validation de son périmètre et de ses conditions d’utilisation.
À l’issue de cette mission, PMS Médicalisation dispose d’une analyse reliant ses besoins métier aux choix techniques et économiques à venir.
Le dossier rassemble cinq cas d’usage détaillés, des recommandations d’architecture, une présélection de modèles, un protocole d’évaluation et plusieurs scénarios d’infrastructure. Il précise également les décisions qui restent à prendre avant de lancer les prochaines phases.
La valeur de cet audit IA réside dans ce cadrage : déterminer ce qu’il faut tester, comment juger les résultats et sur quelles bases engager un investissement. Les gains opérationnels et les performances des solutions feront l’objet des étapes suivantes.
Identifier les tâches utiles, comprendre les données nécessaires et définir les critères de réussite permet de donner une direction concrète à votre projet.
Mirax vous accompagne dans le cadrage de vos projets d’intelligence artificielle, depuis l’analyse des processus jusqu’à la préparation des premières expérimentations.
