De l’AQ à l’IA et de l’IA à l’IQ : perspectives croisées pour l’assurance qualité

Par Ali Amine Ghazali, Directeur, Centre d’excellence en Intelligence Artificielle

Lors de la dernière édition des Rencontres Québécoises de la Qualité et du Numérique (Q2N 2025) organisé par Agile Québec, j’ai eu le privilège de donner une conférence intitulée « De l’AQ à l’IA et de l’IA à l’IQ : perspectives croisées pour la qualité ». Au nom de Cofomo, j’y ai présenté notre expertise en assurance qualité (AQ) appliquée à l’intelligence artificielle (IA), un domaine en pleine transformation et désormais au cœur des préoccupations stratégiques des organisations publiques et privées.

Ce que les organisations doivent retenir

L’IA n’est pas monolithique. Chaque domaine, qu’il s’agisse de l’IA générative, de la vision par ordinateur, de l’intelligence documentaire ou d’autres secteurs, comporte des défis spécifiques en matière d’assurance qualité.

Cela implique que :

• L’ingénieur ou l’analyste QA doit comprendre le type d’IA à tester.
• Les métriques de QA doivent être adaptées au contexte d’affaires et aux exigences réglementaires.
• L’ingénieur ou l’analyste assurance qualité doit développer de nouvelles compétences afin d’assurer le contrôle qualité des solutions d’intelligence artificielle ex: le prompt engineering dans le cas de tester un agent conversationnelle basée sur l’IA générative.
• Le monitoring est indispensable à tous les niveaux : données, modèle, accès, performance, infrastructure et journaux.

Un système de diagnostic médical, par exemple, ne s’évalue pas comme un moteur de recommandation ou un robot industriel. Cette nuance est essentielle : elle différencie une approche générique d’une véritable expertise en QA appliquée à l’IA.

Nouveaux axes et métriques en QA

Les projets d’intelligence artificielle se distinguent des projets de développement traditionnels par leur dépendance aux données, aux modèles et à leurs performances ainsi qu’à leur paramétrage, tandis que les projets de développement standard reposent principalement sur les besoins métiers, fonctionnels et la programmation.

Les projets IA exigent aujourd’hui de considérer :

• Des axes d’assurance qualité élargis : qualité des données, équité et absence de biais, performance prédictive, sécurité et protection de la vie privée, transparence et explicabilité ;
• Des métriques adaptées : précision, rappel, F1-score, coefficient R², IoU, détection de biais, tests de prompt injection, consommation GPU, traçabilité des sources, explicabilité locale (LIME, SHAP), etc.
• Ces pratiques doivent être intégrées dans un cadre robuste, appuyé par les référentiels de conformité comme ISO 42001, NIST AI, L25 ou la stratégie gouvernementale en IA.

C’est ce qui permet de bâtir et maintenir la confiance dans les solutions d’IA.

Monter en compétences et s’outiller

L’auditoire a particulièrement retenu :

• Des plans de développement de compétences appuyés par des certifications reconnues (ISTQB AI Tester, A4Q AI & Software Testing Foundation, TMMi).
• L’importance du prompt engineering, clé dans les projets en IA générative.
• La présentation d’outils QA intégrant l’IA : Sonarsource AI Codefix, Diffblue Cover, Applitools Visual AI, GitHub Copilot, Amazon Q, Cursor AI… capables de générer automatiquement des tests, de corriger les bugs, d’automatiser des validations et de renforcer la productivité.
• Une démonstration pratique : le test d’un assistant de vente basé sur l’IA générative, selon les axes et métriques présentés.

Ce que cela signifie pour les organisations

L’assurance qualité appliquée à l’IA n’est pas seulement une exigence technique : c’est un levier stratégique.

Pour les organisations, cela veut dire :

• Accélérer l’adoption sécuritaire de l’IA grâce à des pratiques de QA adaptées.
• Réduire les risques réglementaires et réputationnels en respectant les cadres de conformité.
• Améliorer la performance et la productivité par l’automatisation et le monitoring continu.
• Renforcer la confiance des utilisateurs, clients et citoyens grâce à des solutions plus transparentes, explicables et équitables.
• L’automatisation des tests, des plans de tests et le monitoring en production deviennent incontournables.

En intégrant ces approches, les organisations déploient l’IA plus rapidement, en toute conformité, et transforment l’innovation en valeur tangible.

Le rôle du Centre d’excellence en Intelligence Artificielle

Chez Cofomo, notre Centre d’excellence en Intelligence Artificielle est au cœur de cette transformation.

Il réunit nos meilleures pratiques, nos experts et nos partenariats technologiques pour définir et appliquer les nouveaux standards de QA appliquée à l’IA, accompagner les organisations dans leurs projets les plus complexes et contribuer activement à l’évolution des pratiques dans la communauté.

En participant à des événements comme le Q2N, nous ne faisons pas que partager notre savoir-faire : nous affirmons notre rôle de leader dans l’industrialisation de l’IA responsable et de confiance.

L’événement Q2N 2025 a confirmé l’importance de rapprocher experts, décideurs et praticiens pour avancer collectivement sur l’avenir de l’IA. Pour Cofomo, et à travers notre Centre d’excellence en Intelligence Artificielle, l’enjeu est clair : aider les organisations à transformer l’assurance qualité appliquée à l’IA en un véritable levier stratégique.