Pour les PME, disposer de leur propre IA est judicieux si les tâches récurrentes impliquent des données internes, si des droits d'accès clairement définis sont nécessaires ou si un outil standard ne s'intègre pas de manière fiable aux processus existants. Disposer de sa propre IA ne signifie pas automatiquement devoir développer ou entraîner soi-même un modèle de langage. Il s'agit d'une solution d'IA contrôlée, avec un accès aux données, un environnement d'exécution, un modèle, des rôles, des règles et une validation humaine définis.
D'après mon expérience auprès des PME, la solution la plus sophistiquée techniquement est rarement la meilleure. La solution la plus judicieuse est la plus simple et la plus facile à maîtriser, capable de réduire efficacement un goulot d'étranglement spécifique. Pour certaines entreprises, un outil standard soigneusement sélectionné suffit. D'autres ont besoin d'une solution d'IA privée dans un cloud privé. Les solutions sur site sont particulièrement adaptées lorsque des données sensibles, un fonctionnement hors ligne ou des exigences techniques strictes nécessitent une IA locale au sein de l'entreprise.
Le modèle opérationnel suit le cas d'utilisation : la tâche, les données, les droits d'accès et les responsabilités doivent être définis avant la solution technique.
IA interne : aide à la décision rapide
Le choix entre outil standard, cloud privé et solution sur site peut être affiné à l'aide de sept critères : exigences de protection, fréquence d'utilisation, volume de données, intégrations nécessaires, disponibilité, exigences de personnalisation et responsabilité interne.
Outil standard : pour les tâches individuelles limitées et à faible risque
Un outil standard suffit généralement pour réaliser des tâches individuelles sans avoir à manipuler de données confidentielles de l'entreprise. Par exemple : brainstorming, révision de textes approuvés ou synthèse d'informations publiques.
- Oui à l'outil standard, si seules les données publiques ou explicitement publiées sont traitées.
- Ja, lorsque les employés vérifient manuellement les résultats et qu'aucune action automatique n'est déclenchée.
- Ja, si aucune interface approfondie avec les systèmes ERP, CRM, de stockage de documents ou de messagerie électronique n'est nécessaire.
- Plutôt pas, si des informations personnelles, confidentielles ou essentielles à l'activité de l'entreprise sont saisies régulièrement.
- Plutôt pas, si les périodes de stockage, les sous-traitants ou l'utilisation des données d'entrée pour l'amélioration du modèle ne sont pas suffisamment clarifiés.
Même un compte professionnel ou un hébergement européen ne garantit pas la conformité d'un outil standard au RGPD. Avant d'accorder l'accès, il est essentiel d'examiner la finalité, les types de données, les conditions contractuelles, les rôles et les mesures de protection. Vous trouverez une liste de contrôle plus détaillée dans notre article sur le RGPD et l'IA pour les PME.
Cloud privé : pour des processus métier contrôlés
Le cloud privé représente souvent un compromis idéal pour les PME. L'application d'IA s'exécute dans un environnement isolé, tant sur le plan logique que technique. L'infrastructure et l'exploitation peuvent être gérées en interne ou externalisées, en totalité ou en partie, auprès d'un prestataire spécialisé.
- Oui au cloud privé, lorsque des connaissances internes doivent être recherchées ou traitées de manière contrôlée.
- Ja, lorsque des rôles utilisateurs définis, la journalisation et des zones de données séparées sont nécessaires.
- Ja, si des systèmes CRM, de stockage de documents, de gestion des stocks ou autres doivent être connectés.
- Ja, si votre entreprise ne dispose pas de son propre service informatique, mais a besoin de contrôles techniques et organisationnels clairs.
- Plutôt pas, si l'application doit fonctionner entièrement sans connexion internet.
Une IA privée pour les entreprises peut utiliser les modèles de langage existants et restreindre l'accès aux documents internes. Le facteur crucial réside dans l'architecture spécifique : quelles données sont transférées à quel modèle ? Où sont stockés les entrées, les sorties et les journaux ? Qui est autorisé à accéder aux données ? Quel contenu est supprimé et après combien de temps ?
Sur site : pour les données sensibles et les exigences techniques strictes
L'option « sur site » signifie que l'application d'IA est exécutée sur votre propre infrastructure ou une infrastructure que vous contrôlez exclusivement. Une telle IA locale pour entreprises peut également être développée sans connexion à des services de modélisation externes. Cela renforce le contrôle technique, mais transfère également une plus grande responsabilité à votre entreprise.
- Oui pour la consommation sur place, lorsque des données particulièrement sensibles, confidentielles ou essentielles à l'activité sont traitées.
- Ja, lorsque les transferts de données externes doivent être techniquement exclus.
- Ja, lorsque le fonctionnement hors ligne ou une très haute disponibilité interne est requis.
- Ja, à condition que les compétences internes nécessaires soient disponibles en matière d'infrastructure, de sécurité, de mises à jour et de surveillance.
- Plutôt pas, si le cas d'utilisation n'est pas encore clair ou s'il n'est utilisé qu'occasionnellement par quelques personnes.
- Plutôt pas, si l'exploitation et la maintenance ne peuvent être clairement attribuées à personne.
Les solutions sur site ne sont pas automatiquement plus sécurisées. Un manque de mises à jour de sécurité, des autorisations trop larges ou des données de journalisation non contrôlées peuvent engendrer des risques importants, même au sein de votre propre organisation. La souveraineté des données ne s'obtient pas simplement en disposant d'un serveur sur site, mais grâce à des règles clairement définies et à des mesures de sécurité appliquées de manière cohérente.
Distinguer l'IA propriétaire, l'IA privée et les modèles d'IA propriétaires
Dans le langage courant, plusieurs termes sont souvent utilisés indifféremment. Pour prendre une décision éclairée, il convient de distinguer quatre niveaux :
- IA propriétaire : Une application contrôlée par votre entreprise, avec des sources de données, des rôles, des règles et des autorisations définis.
- IA privée : Une solution d'IA où l'accès aux données et leur traitement sont limités à un contexte métier défini. Elle peut être déployée dans un cloud privé ou sur site.
- IA locale : une application ou un modèle qui s'exécute sur son propre matériel ou au sein d'une infrastructure contrôlée localement.
- Modèle d'IA propriétaire : Un modèle auto-formé ou fortement personnalisé. Cette option est nettement plus complexe et inutile pour de nombreuses PME.
Il existe des étapes intermédiaires utiles entre un outil standard prêt à l'emploi et un modèle auto-entraîné. Par exemple, un modèle de langage existant peut être relié aux connaissances partagées de l'entreprise via une recherche documentaire contrôlée. Le modèle ne reçoit alors que les informations nécessaires à la requête spécifique. Une autre étape consiste à adapter de manière ciblée un modèle existant à des formats ou des tâches spécifiques.
Créer un modèle d'IA sur mesure à partir de zéro n'est pertinent que si l'entreprise dispose de données de haute qualité en quantité suffisante, d'un cas d'usage précis, de personnel qualifié et d'un budget de fonctionnement stable. Pour un système de gestion des connaissances interne ou pour la préparation de propositions, un modèle de langage auto-entraîné n'est généralement pas la première étape.
Cinq raisons de privilégier une IA interne contrôlée
1. Un meilleur contrôle des données de l'entreprise
Une architecture contrôlée définit quelles données peuvent être traitées et lesquelles ne le peuvent pas. Dans ce contexte, la souveraineté des données signifie pouvoir suivre et influencer les emplacements de stockage, les voies de transmission, les autorisations, les délais de suppression et les options d'exportation.
2. Intégration directe aux processus existants
Les avantages opérationnels se manifestent rarement dans une simple fenêtre de discussion. Une IA dédiée peut effectuer des recherches dans des documents partagés, consolider des informations provenant de plusieurs systèmes ou intégrer un brouillon à un flux de travail existant. L'accès en écriture doit être plus strictement limité que l'accès en lecture. Des recommandations pratiques à ce sujet sont décrites dans notre guide sur la sécurité des autorisations pour les systèmes d'IA.
3. Des règles fiables plutôt que l'improvisation individuelle
Lorsque chaque membre d'une équipe utilise ses propres outils et méthodes de travail, il en résulte des flux de données incontrôlés et des résultats incohérents. Une solution centralisée permet de standardiser les modèles, de définir les sources de données autorisées, de documenter les droits d'accès et de définir une procédure d'approbation humaine.
4. Expansion progressive
Un cas d'utilisation clairement défini peut être étendu après des tests concluants. Une architecture modulaire est indispensable : les sources de données, le modèle, l'interface utilisateur, la journalisation et les interfaces ne doivent pas être inutilement dépendants les uns des autres.
5. Dépendance réduite à l'égard des plateformes individuelles
Disposer de son propre environnement d'exploitation facilite le passage d'un modèle à l'autre et d'un fournisseur à l'autre. Cependant, une indépendance totale est rarement réaliste. Même une IA locale dépend du matériel, des licences de modèles, des bibliothèques, de l'expertise et de la maintenance continue. Par conséquent, l'objectif devrait être une dépendance gérable, avec des options d'exportation et de changement.
Huit domaines d'application pertinents pour les PME
Chaque cas d'utilisation ne justifie pas la même infrastructure. Pour l'évaluation, il convient de prendre en compte conjointement les avantages, les données requises, les risques d'erreurs et les approbations nécessaires.
1. Système de connaissances internes
Avantages : Les employés peuvent trouver plus rapidement les instructions de travail approuvées, les informations sur les produits ou les connaissances relatives aux processus. Données : Documents internes structurés et à jour. Risques : Contenu obsolète ou accès à des zones non autorisées. Approbation : Les responsables des documents déterminent les sources faisant autorité.
2. Recherche et synthèse de documents
Avantages : Les documents volumineux peuvent être consultés et résumés de manière ciblée. Données : Contrats, rapports, procès-verbaux ou documentation technique. Risque : Des informations importantes peuvent être omises dans un résumé. Validation : Les déclarations ayant une incidence juridique ou économique doivent être vérifiées par rapport au document original.
3. Préparation de l'offre
Avantages : La compilation des modules de texte récurrents, des descriptions de services et des bases de calcul internes est plus rapide. Données : Catalogue de produits, logique de tarification et modèles approuvés. Risques : Prix, engagements ou conditions de livraison incorrects. Approbation : Les offres sont vérifiées par un responsable avant leur envoi.
4. Soutenir les projets de loi
Avantage : L’IA prépare des réponses aux questions fréquentes. Données : Base de connaissances partagée et demandes d’assistance spécifiques. Risque : Divulgation d’informations inappropriées ou de données d’autres clients. Validation : Les employés vérifient le brouillon avant l’envoi de la réponse.
5. Mise en œuvre
Avantages : La rédaction de documents en allemand, italien et anglais est facilitée, ce qui est particulièrement pratique au Tyrol du Sud. Données : Textes approuvés et glossaire intégré. Risque : Évolution du sens des termes juridiques, techniques ou propres à une marque. Validation : Les publications sont vérifiées quant à leur exactitude linguistique et technique.
6. Contrôle qualité
Avantages : Les documents peuvent être vérifiés afin de déceler les informations manquantes, les clauses contradictoires ou les écarts formels. Données : Critères d’examen et documents approuvés. Risque : Une évaluation erronée non détectée. Approbation : L’IA signale les anomalies, mais ne prend pas de décision finale concernant la qualité.
7. Automatisation des processus
Avantages : Les informations récurrentes peuvent être importées, triées ou préparées pour l’étape suivante. Données : Saisie structurée de données provenant d’e-mails, de formulaires ou de systèmes spécialisés. Risques : Erreurs de saisie et dommages subséquents aux systèmes connectés. Approbation : Les actions critiques nécessitent une confirmation ou des limites clairement définies.
8. Évaluation des informations internes
Avantages : Les retours d’information, les rapports de projet et les problèmes récurrents peuvent être regroupés par thème. Données : Enregistrements internes cohérents. Risque : Conclusions erronées dues à des données incomplètes ou faussées. Approbation : Les décisions restent du ressort de l’expert responsable.
Exemple pratique : de l’effort de recherche à l’accès contrôlé aux connaissances
Dans une entreprise classique, les instructions de travail, les fiches produits et les documents des projets antérieurs sont dispersés dans divers dossiers. Les employés recherchent régulièrement les mêmes informations ou sollicitent l'aide de collègues expérimentés. Il en résulte souvent le besoin d'un assistant capable d'accéder instantanément à toutes les données de l'entreprise.
Je réduirais volontairement la portée du projet. Le projet pilote ne portera initialement que sur les informations produits approuvées d'un seul domaine. L'IA pourra lire les documents et préparer des réponses avec des références aux sources, mais elle ne pourra ni modifier les fichiers ni envoyer de messages. Un petit groupe de test évaluera si les informations sont accessibles, exactes et utilisables en pratique.
L'avantage ne réside pas dans la taille maximale du modèle. Auparavant, les informations étaient dispersées et nécessitaient des recherches répétées. Désormais, l'accès à une base de connaissances restreinte et bien tenue est contrôlé. Ce n'est que lorsque cette étape est pleinement opérationnelle que l'on envisage d'autres documents ou actions.
Combien coûte le développement de sa propre IA ?
Pour obtenir une estimation fiable des coûts, il est indispensable de définir clairement le cas d'utilisation. Les devis généraux sont peu utiles, car une simple recherche documentaire interne présente des exigences différentes de celles d'une solution sur site à haute disponibilité dotée de multiples interfaces.
Les coûts totaux se composent généralement des éléments suivants :
- Analyse et pilotage : Cartographie des processus, définition des objectifs, classification des données et configuration des tests.
- Infrastructure: Cloud privé, hébergement en Europe, serveurs locaux, systèmes de stockage et de sauvegarde de données.
- Entwicklung : Interface utilisateur, logique de recherche, rôles, règles et structure de sortie.
- Interfaces: Connexions aux systèmes de stockage de documents, CRM, ERP, messagerie électronique ou autres systèmes spécialisés.
- Utilisation du modèle : Frais récurrents pour les modèles externes ou la puissance de calcul d'un modèle de langage géré localement.
- sécurité: Protection des accès, journalisation, tests, mises à jour et surveillance.
- entretien: Ajustements apportés aux sources de données, aux modèles, aux interfaces et aux exigences opérationnelles.
- Formation: Des règles compréhensibles, des exercices pratiques et des responsabilités clairement définies au sein de l'équipe.
La question économique fondamentale n'est pas simplement : « Quel est le coût de l'IA ? » Il s'agit plutôt de déterminer quel goulot d'étranglement la solution permet de réduire et quelles responsabilités elle engendre à long terme. Un projet pilote avant le déploiement permet de limiter le risque d'investir dans une solution techniquement fonctionnelle mais inutilisable en pratique.
IA et protection des données : l’hébergement dans l’UE ne suffit pas
L’emplacement du serveur est pertinent, mais ne constitue pas le seul enjeu en matière de protection des données. Conformément à l’avis 28/2024 du Comité européen de la protection des données, le traitement des données à caractère personnel dans le contexte de l’IA doit être évalué au cas par cas. Pour l’analyse opérationnelle, il convient de prendre en compte la finalité, la base juridique, les catégories de données, les rôles et les garanties techniques et organisationnelles.
Avant approbation, les points suivants doivent au moins être clarifiés :
- Quel est l'objectif commercial précis poursuivi ?
- Quelles données publiques, internes, confidentielles ou particulièrement sensibles sont traitées ?
- Qui est responsable et qui traite les données pour le compte du client ?
- Quels sont les droits d'accès accordés aux différentes personnes et aux différents systèmes ?
- Les données sont-elles utilisées pour l'entraînement ou l'amélioration d'un modèle ?
- Quels sont les sous-traitants et les transferts vers des pays tiers concernés ?
- Quelles sont les entrées, les sorties et les événements système enregistrés ?
- Quelle est la politique de suppression des documents, des historiques de conversations, des journaux et des sauvegardes ?
- Quels résultats nécessitent absolument une approbation humaine ?
Si un prestataire externe traite des données personnelles pour le compte et selon les instructions de votre entreprise, ce traitement doit être encadré par un contrat contraignant ou un autre acte juridique, conformément à l'article 28, paragraphe 3, du RGPD. Si le traitement est susceptible d'engendrer un risque élevé pour les droits et libertés des personnes physiques, une analyse d'impact relative à la protection des données (AIPD) doit être réalisée au préalable, conformément à l'article 35, paragraphe 1, du RGPD.
Ces points ne doivent pas être ajoutés uniquement après la mise en œuvre technique. La protection des données, les rôles et la suppression des données doivent être intégrés dès la conception de l'architecture. Vous trouverez une explication plus détaillée dans notre article sur la protection des données dès la conception pour les PME.
Loi européenne sur l'IA : examiner les obligations en fonction du rôle et de l'application
La loi européenne sur l'IA est mise en œuvre progressivement. Selon le calendrier publié par la Commission européenne, les interdictions relatives à certaines pratiques d'IA et les exigences en matière de compétences en IA sont en vigueur depuis le 2 février 2025. Les exigences et obligations de gouvernance pour les modèles à usage général sont en vigueur depuis le 2 août 2025. D'autres exigences générales sont en vigueur depuis le 2 août 2026. Les règles relatives aux risques élevés, en vigueur depuis le 3 août 2026, s'appliqueront à compter du 2 décembre 2027, et celles concernant l'IA dans les produits réglementés à compter du 2 août 2028.
Les exigences auxquelles votre entreprise doit se conformer dépendent notamment de son rôle en tant que fournisseur ou opérateur et du cas d'usage spécifique. Un outil interne de traitement de texte est évalué différemment d'un système de présélection des candidats, d'évaluation des employés ou d'accès aux services essentiels. Par conséquent, il est important de réexaminer la situation juridique avant de mettre en place ou de modifier de manière significative une application d'IA.
Le projet pilote d'IA interne dans les PME
1. Choisissez un goulot d'étranglement opérationnel
N'abordez pas la tâche par un simple « Nous voulons utiliser l'IA ». Choisissez plutôt une tâche précise qui consomme du temps ou génère des erreurs de manière récurrente. Le goulot d'étranglement doit être suffisamment fréquent pour justifier des tests, mais suffisamment mineur pour être maîtrisable.
2. Classer les données
Il convient de séparer les informations publiques, internes, confidentielles et hautement sensibles. Cette classification influence le choix entre les outils standard, le cloud privé et les solutions sur site.
3. Définir un objectif mesurable
Avant de procéder aux tests, définissez les éléments qui démontreront un bénéfice. Parmi les critères possibles figurent des temps de recherche plus courts, une saisie de données manuelle réduite, des brouillons plus complets ou une diminution des requêtes récurrentes. L'objectif ne doit pas être une « IA plus performante », mais plutôt une amélioration tangible du flux de travail.
4. Utilisez un petit groupe test
Choisissez des personnes maîtrisant le processus et capables d'identifier les erreurs. Un déploiement à grande échelle trop précoce engendre des coûts de formation et complique l'analyse des causes profondes.
5. Limiter les droits et les autorisations
Commencez par un accès en lecture si possible. Les autorisations d'écriture, d'envoi, de réservation ou de modification des données de référence ne doivent être ajoutées qu'une fois l'étape précédente validée. Définissez les résultats qui nécessitent systématiquement une validation humaine.
6. Résultats du document
Ne vous contentez pas d'examiner les exemples réussis. Documentez les réponses incorrectes, les sources manquantes, les échecs, les problèmes de sécurité et les efforts de surveillance supplémentaires. Les erreurs révèlent si un système est viable au quotidien.
7. Arrêter, améliorer ou développer
Un projet pilote peut être interrompu. Il est conseillé d'y mettre fin si la qualité des données est insuffisante, si les employés effectuent plus de contrôles qu'auparavant, si les risques ne peuvent être atténués ou s'il n'y a aucun avantage économique. Le champ d'application ne sera étendu qu'après une évaluation positive.
Pour une mise en œuvre pratique, vous trouverez un processus complémentaire dans notre guide du projet pilote d'IA au Tyrol du Sud.
Si vous souhaitez évaluer ensemble les données, les processus et les possibilités techniques, nous vous accompagnons grâce à nos services d'IA et de digitalisation . Berger+Team est un collectif de freelances basé à Bolzano. Vous serez en contact direct avec les personnes chargées de l'analyse et de la mise en œuvre.
Mon avis, tiré de mon expérience avec les PME : une recommandation tirée de mon travail avec ces dernières.
La technologie ne résout pas les problèmes mal définis. Dans mon travail auprès des PME, je constate régulièrement que les systèmes simples et bien intégrés sont plus fiables que les solutions complexes sans responsabilité clairement définie. Cela vaut aussi bien pour les sites web, l'automatisation que pour l'IA.
Si un outil standard avec partage de données résout le problème, une infrastructure dédiée n'est pas nécessaire. Lorsque les connaissances internes, les processus récurrents et le contrôle d'accès se conjuguent, un cloud privé représente souvent la solution idéale. Si les données ne doivent pas quitter l'entreprise, qu'un fonctionnement hors ligne est indispensable et que la responsabilité technique est garantie, un déploiement sur site peut s'avérer la solution appropriée.
Choisissez la plus petite IA interne capable de réduire de manière fiable le goulot d'étranglement défini et dont les risques sont maîtrisables par votre entreprise.
Questions et réponses sur votre propre IA
Une IA personnalisée a-t-elle besoin d'un modèle de langage développé en interne ?
Non. Une IA personnalisée peut utiliser un modèle de langage existant dans une application contrôlée et n'accéder qu'aux données autorisées de l'entreprise. Un modèle auto-entraîné n'est généralement pertinent que pour un cas d'utilisation spécifique, avec des données de qualité suffisamment élevée et un support continu garanti.
De combien de données une PME a-t-elle besoin pour sa propre IA ?
La quantité de données requise dépend de la tâche. Pour une recherche documentaire contrôlée, quelques documents récents et bien structurés sont souvent plus précieux qu'une archive volumineuse et non vérifiée. La qualité, la disponibilité en temps opportun, l'autorisation et la définition claire des responsabilités sont essentielles.
Une IA locale peut-elle fonctionner entièrement hors ligne ?
Oui. Une IA locale peut être déployée sur votre propre infrastructure avec un modèle adapté, sans requêtes externes. Toutefois, vous serez alors responsable de la puissance de calcul, des mises à jour, de la sécurité, des sauvegardes et du support technique, soit vous-même, soit par l'intermédiaire d'un prestataire de services clairement identifié.
L’hébergement au sein de l’UE est-il suffisant pour la protection des données d’IA ?
Non. L’hébergement au sein de l’UE peut réduire les transferts internationaux de données, mais ne dispense pas de l’examen de la finalité, de la base juridique, des catégories de données, des rôles, des contrats, des droits d’accès et des procédures de suppression. Même un système exploité au sein de l’UE peut être mal configuré ou utilisé à des fins non autorisées.
Quelle est la différence entre un cloud privé et une infrastructure sur site ?
Dans un cloud privé, l'application s'exécute dans un environnement cloud autonome, géré en interne ou par un prestataire externe. L'exécution sur site (On-Premise) désigne l'exploitation sur l'infrastructure locale propre au demandeur ou contrôlée exclusivement par celui-ci, et implique donc une plus grande responsabilité technique.
À quelle fréquence une IA privée nécessite-t-elle une maintenance ?
La maintenance est une tâche continue. Les sources de données, les autorisations, les modèles, les interfaces, les protocoles et les mises à jour de sécurité doivent être vérifiés régulièrement. Un réexamen est particulièrement important lorsque la finalité, le groupe d'utilisateurs ou les données traitées changent.
Une PME sans service informatique interne peut-elle mettre en œuvre une IA privée ?
Oui, à condition que le fonctionnement, les responsabilités et le support soient clairement définis contractuellement et organisationnellement. Pour de nombreuses PME, un cloud privé contrôlé est plus réaliste qu'une infrastructure sur site, car il nécessite moins de gestion interne.
Quand faut-il mettre fin à un projet pilote d'IA ?
Il est conseillé de mettre fin au projet si l'on ne dispose pas de données fiables, si les efforts de surveillance sont disproportionnés par rapport aux bénéfices, ou si les risques ne peuvent être efficacement atténués. Une faible utilisation par l'équipe justifie également de réévaluer le cas d'usage plutôt que de poursuivre le développement de la technologie.
Une IA devrait-elle être autorisée à envoyer des courriels ou à modifier des données de manière indépendante ?
Pas dès le début. Commencez par des brouillons avec un accès en lecture seule, pendant qu'une personne responsable vérifie les résultats. L'écriture ne doit être activée qu'après des tests concluants, avec des autorisations strictes, une journalisation et des options d'annulation claires.
Développer sa propre IA est-il moins coûteux à long terme que d'utiliser un outil standard ?
Pas automatiquement. Développer sa propre solution engendre des coûts de développement, d'infrastructure, d'interfaces, de sécurité, de maintenance et de formation. Cela ne devient économiquement viable que si un processus fréquemment utilisé est sensiblement amélioré et si la responsabilité continue est proportionnelle aux avantages obtenus.
