Applications mobiles

Comment intégrer l'IA dans le développement d'applications mobiles

Un développeur a vu son chatbot IA lui coûter 340$/mois pour un gain quasi nul. Intégrer l'IA mobile, c'est choisir entre on-device et API — latence, confidentialité, coût — sans transformer une app rentable en puits sans fond.

Comment intégrer l'IA dans le développement d'applications mobiles

Un développeur m'a montré son app de suivi budgétaire le mois dernier. Dix-huit mois de travail, 4 000 utilisateurs actifs, une note moyenne de 4,6 sur les stores. Et un chiffre qui le rendait fou : son chiffre d'affaires mensuel venait de passer sous sa facture d'API OpenAI. Le chatbot qu'il avait ajouté « pour faire moderne » lui coûtait 340 dollars par mois en tokens, pour un gain de rétention qu'il estimait lui-même à « pas grand-chose ».

Voilà le vrai sujet quand on parle de comment intégrer l'IA dans le développement d'une application mobile. Pas « faut-il y aller » — la question ne se pose plus vraiment en 2026. Mais « où exactement, avec quel modèle, et à quel prix ». Parce que l'IA mobile a deux visages : celui qui transforme une app correcte en outil qu'on ouvre tous les jours, et celui qui transforme un projet rentable en puits sans fond.

Points clés à retenir

  • L'IA embarquée (on-device) et l'IA via API ne répondent pas aux mêmes besoins : latence, confidentialité et coût par requête sont les trois critères de décision.
  • Une règle métier classique bat un LLM dans la majorité des cas simples. Ne mettez pas d'IA là où trois lignes de code suffisent.
  • Le coût d'inférence à l'échelle est le piège n°1 : il explose avec le nombre d'utilisateurs actifs, pas avec le nombre d'installations.
  • Les données personnelles envoyées à un fournisseur tiers d'IA entrent dans le périmètre RGPD. Consentement et hébergement se décident avant la première ligne de code.
  • Un modèle en production se surveille comme n'importe quelle dépendance : version, dérive des sorties, taux d'erreur.

Intégrer une IA dans une application mobile : les deux voies, et pourquoi le choix se joue tôt

Il y a deux endroits où un modèle peut tourner. Sur le téléphone, ou sur un serveur. Tout le reste découle de ce choix, et c'est celui que la plupart des équipes prennent à l'envers : elles choisissent un modèle, puis découvrent les contraintes.

L'IA embarquée, ou comment faire tourner un modèle dans la poche de l'utilisateur

Sur Android comme sur iOS, les kits natifs existent depuis plusieurs années : ML Kit et TensorFlow Lite côté Google, Core ML côté Apple. Vous y ajoutez un modèle quantifié, souvent quelques dizaines de mégaoctets, et il tourne sans réseau.

Sur mon propre projet de tri de photos, j'avais fait ce choix pour une raison bête : mes utilisateurs photographiaient beaucoup en zone blanche, en randonnée. Chaque photo envoyée au serveur aurait été un échec. Le modèle embarqué met environ 200 millisecondes par image sur un téléphone de milieu de gamme, zéro coût par requête, zéro donnée qui sort de l'appareil.

Le revers : la taille de l'app. J'ai pris 60 Mo d'un coup sur le téléchargement initial, et les avis négatifs sont arrivés dans la semaine.

L'IA via API, ou la puissance louée à la requête

L'autre voie : votre app appelle un backend, qui appelle un modèle de langage ou une API de vision. Vous obtenez des capacités qu'aucun téléphone ne peut héberger, mais vous payez chaque appel, vous dépendez du réseau, et vous devez gérer une latence de plusieurs centaines de millisecondes à plusieurs secondes.

Franchement, pour de la génération de texte ou du raisonnement complexe, il n'y a pas débat : c'est l'API. Pour du filtrage, de la classification d'images ou de la détection de gestes, l'embarqué gagne presque toujours.

Critère Embarqué (on-device) Via API (cloud)
Latence typique 100–400 ms, stable 500 ms à 3 s selon le modèle
Coût Nul à l'usage, coût de dev uniquement Facturé par requête ou par token
Fonctionne hors ligne Oui Non
Données personnelles Restent sur l'appareil Transitent chez un tiers
Poids de l'app +20 à +200 Mo Aucun impact
Mise à jour du modèle Nouvelle version de l'app Immédiate côté serveur

Et il existe une troisième voie hybride, celle que je recommande dans la majorité des cas : un petit modèle embarqué qui traite le cas courant, un appel serveur en secours quand la confiance du modèle chute sous un seuil. Ça double le travail d'intégration, mais ça divise la facture par trois sur les usages à fort volume.

Quelle IA pour développer une application ?

Deux questions se cachent derrière celle-là, et il faut les séparer. La première : quelle IA utilise-t-on dans l'app. La seconde : quelle IA utilise-t-on pour coder l'app. Elles n'ont rien à voir.

Choisir le modèle de votre fonctionnalité

Pour une fonctionnalité, partez du besoin, pas de la vitrine. Un classifieur de texte, un modèle de vision, un LLM généraliste : ce sont trois familles d'outils, avec trois grilles de prix et trois niveaux de risque.

  • Classification, tags, détection — un petit modèle spécialisé suffit, souvent embarquable.
  • Résumé, reformulation, réponses à des questions — un LLM d'API, mais pensez à limiter la longueur des réponses demandées.
  • Génération d'images ou de contenu long — le poste de coût le plus lourd. À réserver aux offres payantes.

L'IA comme outil de développement, pas comme fonctionnalité

Là, c'est autre chose. Les assistants de code sont devenus un réflexe chez beaucoup de développeurs mobiles, et honnêtement, sur du boilerplate — écrans, adaptateurs, gestion d'état —, le gain est réel. Sur mon dernier projet, j'ai gagné deux bonnes journées sur la partie formulaire et navigation.

Ce que je n'ai jamais laissé passer, en revanche : du code généré qui touche à l'authentification ou au stockage de données sensibles. Je relis ligne par ligne. Une erreur d'IA sur un écran de réglages, ça se voit. Sur un flux de connexion, ça se paie cher.

Comment créer une application Android avec IA ?

Sur Android, le chemin est plus balisé qu'on ne le croit. C'est d'ailleurs pour ça que beaucoup de premières intégrations IA se font sur cette plateforme : l'outillage est là, documenté, et il ne coûte rien à essayer.

Les étapes concrètes, dans l'ordre

  1. Définir le cas d'usage et le critère de succès avant de toucher au code. « Améliorer l'UX » n'est pas un critère. « Réduire de 20 % le nombre d'écrans abandonnés sur le formulaire de recherche » en est un.
  2. Ajouter la dépendance — ML Kit ou TensorFlow Lite si le modèle tourne en local, un client HTTP vers votre backend sinon. Aucun des deux ne demande une refonte de l'architecture.
  3. Prévoir le mode dégradé dès le premier jour. Si l'API ne répond pas, l'app doit continuer à fonctionner. Un bouton qui tourne dans le vide, c'est un désinstallage.
  4. Construire le backend si besoin — c'est là que vivent la clé d'API, la limitation de débit et le journal des appels. Ne mettez jamais une clé de fournisseur d'IA dans l'app : elle est extractible en quelques minutes.
  5. Tester sur des appareils réels bas de gamme. Un modèle qui tourne sur votre téléphone de développeur peut ramer atrocement sur un terminal d'entrée de gamme.

Le point 4 est celui que je vois le plus souvent bâclé. Une clé d'API exposée dans un APK, c'est une facture que n'importe qui peut faire grimper à votre place.

Comment intégrer une IA dans une application sans se ruiner (ni se mettre hors la loi)

Deux sujets que les guides techniques survolent, et qui pourtant décident si votre intégration tient dans le temps.

Le coût réel, celui qu'on découvre en production

Un LLM facturé au token, ça semble dérisoire au début. Puis le nombre d'utilisateurs actifs grandit, et avec lui le nombre d'appels. Sur l'app de suivi budgétaire dont je parlais au début, le coût par utilisateur actif tournait autour de 8 à 9 centimes par mois. Multiplié par 4 000 utilisateurs, ça fait 340 dollars. Multiplié par 40 000, ça fait 3 400 dollars — pour une app gratuite, c'est intenable.

Trois leviers m'ont sorti de ce genre de situation, par ordre d'efficacité :

  • Réduire la longueur des réponses demandées au modèle. Diviser par deux la taille de sortie divise souvent la facture par deux.
  • Mettre en cache les réponses fréquentes. Beaucoup de requêtes sont identiques ou quasi identiques.
  • Basculer les cas simples vers un modèle embarqué ou une règle classique. C'est le levier le plus rentable, et le moins fun à coder.

RGPD et données personnelles : l'étape qu'on ne peut plus sauter

Dès qu'un contenu utilisateur part chez un fournisseur d'IA tiers, vous traitez des données personnelles avec un sous-traitant. Concrètement, cela veut dire : informer l'utilisateur, recueillir son consentement quand c'est nécessaire, vérifier où sont hébergées les données, et savoir combien de temps elles sont conservées.

Je ne suis pas juriste, et je ne vais pas jouer au juriste ici. Mais un réflexe simple : si votre fonctionnalité ne peut pas fonctionner sans envoyer du texte utilisateur à un serveur étranger, posez la question à quelqu'un dont c'est le métier avant de la développer. Refaire une intégration après coup coûte bien plus cher qu'un audit en amont.

Quand ne pas mettre d'IA du tout

Voilà la partie que personne n'écrit, et c'est dommage. Sur les six fonctionnalités « intelligentes » que j'ai intégrées ces dernières années, deux ont été retirées dans les mois suivants. Pas parce qu'elles ne marchaient pas — parce qu'une règle simple faisait mieux.

Un exemple concret : la suggestion automatique de catégorie de dépense. Le modèle se trompait environ une fois sur cinq, et l'utilisateur devait corriger. Un simple dictionnaire mot-clé → catégorie, écrit en une après-midi, faisait le même travail avec un taux d'erreur comparable, sans coût et sans latence. On a gardé la règle.

Les signaux qui doivent vous alerter :

  • Le cas d'usage se décrit par une condition (« si le montant dépasse X »). Une règle suffit.
  • Vous ne savez pas mesurer le gain. Sans métrique, vous ne saurez jamais si l'IA apporte quoi que ce soit.
  • L'erreur est coûteuse et visible. Un modèle qui se trompe une fois sur dix sur un affichage, passe. Sur un virement, non.

L'IA, c'est un outil parmi d'autres. Le bon réflexe n'est pas « où puis-je en mettre », mais « quel problème je n'arrive pas à résoudre autrement ». C'est souvent là qu'elle vaut vraiment son coût — et parfois, la réponse honnête est : nulle part.

Marion Baudry

Marion Baudry

Marion Baudry est reconnue pour son expertise en cybersécurité et en protection des données. Avec une approche innovante et une passion pour la sécurité numérique, elle contribue à protéger les informations sensibles dans un monde en constante évolution.

Voir tous les articles →

Articles similaires