Je faisais de l'IA avant que ce soit à la mode

En 2016, je dirigeais un lab d’innovation à la Société Générale. Le mot « IA » était dans l’air, mais il désignait quelque chose de plus étroit qu’aujourd’hui : de la reconnaissance de caractères, un peu de vision par ordinateur, des classifieurs de langage branchés sur un chatbot. On entraînait des modèles sur PyTorch et TensorFlow, on se battait pour des GPU qu’on obtenait à peine, et on livrait des choses qu’une équipe conformité bancaire n’avait jamais vues.

L’une de ces choses était un chatbot qu’on avait appelé YODA, « your own digital assistant ». Il répondait aux questions de support interne qui, avant, attendaient dans une file jusqu’à ce qu’un humain s’en occupe. Il est passé en production des années avant que ChatGPT n’apprenne à tout le monde le mot « prompt ». Ce n’était pas magique. C’était de la classification d’intention, une couche de récupération, et beaucoup de travail ingrat sur les données. Il a aussi réellement soulagé les équipes de support, la seule métrique qui compte.

Autour, on a construit d’autres choses qui semblent aujourd’hui anodines et qui étaient difficiles à l’époque : des pipelines OCR au-dessus de Tesseract, des expériences de vision par ordinateur, et même quelques robots Pepper déployés pour voir ce qu’apportait une présence physique. On a mené des projets de maintenance prédictive sur des données IoT. La plupart ont marché. Certains non. Tous ont enseigné la même leçon.

Le modèle n’a jamais été le plus dur

Chaque vague d’IA arrive avec la même histoire : le modèle est la percée, et tout le reste est un détail. C’est l’inverse. Le modèle est la partie facile. C’est un téléchargement, un article, un appel d’API. Le plus dur, c’est tout ce qu’il y a autour.

Ce sont les données, qui sont sales et que personne ne possède proprement. C’est la production, où vivent les vrais modes de défaillance et où « ça marchait dans le notebook » ne veut rien dire. C’est la confiance, parce qu’une banque ne mettra pas une boîte noire devant un client, et elle a raison. C’est le coût d’exploitation, réel et récurrent, si facile à balayer d’un revers de main dans une démo.

J’ai passé ces années à apprendre à construire les parties qui ne sont pas le modèle. C’est ce qui a fait la différence plus tard.

2025, même leçon, modèle plus gros

Avance rapide jusqu’à Chantelle. L’IA générative était arrivée, les modèles étaient extraordinaires, et la tentation était de les traiter comme la réponse à toutes les questions. On ne l’a pas fait.

On a mis de la génération augmentée par récupération en production sur une stack sobre et fiable : PostgreSQL avec pgvector pour la récupération, Gemini pour la génération, n8n pour orchestrer l’ingestion et les workflows, Valkey pour le cache. On a mis l’essentiel de notre effort sur l’ingestion documentaire, la qualité des données et les intégrations dans Magento, parce que c’est là que se trouvaient à la fois la valeur et le risque. On a déployé les outils à une poignée d’ingénieurs d’abord, puis à l’équipe élargie une fois leur place gagnée.

Le modèle a changé. La leçon, non. La qualité de la récupération l’emporte sur l’astuce du prompt. L’évaluation l’emporte sur l’intuition. C’est la plomberie ingrate qui décide si la chose est fiable ou seulement impressionnante en démo.

Ce que ça implique si vous évaluez l’IA aujourd’hui

Si vous dirigez une équipe à qui l’on demande de « faire quelque chose avec l’IA », voici ce qu’une décennie m’a appris.

Partez d’un problème qui vous coûte de l’argent ou du temps, pas de la technologie. Mesurez ce qui vous importe vraiment, avant et après. Partez du principe que le modèle est la partie la moins chère du système et répartissez votre effort en conséquence : les données, l’évaluation et la production sont là où se trouve le travail. Déployez à un petit groupe, apprenez, puis élargissez. Et soyez honnête sur le coût, car une fonctionnalité IA qui triple discrètement votre facture d’inférence n’est pas une victoire.

Rien de tout cela n’est nouveau. Je l’appliquais en 2016 avec des modèles qui feraient honte à un téléphone d’aujourd’hui. Les outils se sont améliorés. C’est la discipline qui se transmet.

C’est cette discipline que j’apporte aux équipes avec qui je travaille aujourd’hui, que ce soit comme leur dirigeant technique ou comme deuxième avis quand elles décident de ce qui vaut la peine d’être construit.