Depuis ChatGPT, tout le monde parle d'IA générative — mais peu de gens savent expliquer simplement comment elle fonctionne, et encore moins comment l'intégrer sérieusement dans une entreprise. Pour démystifier le sujet, j'ai reçu Didier Gaultier, Head of AI Digital Services France chez Orange Business, plus de 25 ans d'expérience en data et IA, également directeur pédagogique des programmes certifiants d'Orange Business et enseignant en école d'ingénieur.
Comprendre l'IA générative en une image
Didier résume la technologie des Transformers (inventée dans les labos de Google, popularisée par le papier « Attention is all you need ») en un principe : un système d'encodage-décodage. Un contenu non structuré — texte, image, audio, vidéo — est encodé en un vecteur de très grande dimension, puis décodé dans un autre format : une image devient une description, un texte devient une image, une langue devient une autre langue.
💡 À retenir : GPT-4, c'est environ 1 600 milliards de paramètres, 3 à 4 mois d'entraînement et une consommation colossale d'énergie. Et selon les lois de Vapnik, un modèle aussi complexe exigerait encore plus de données qu'il n'en existe : c'est l'une des causes des hallucinations. « ChatGPT fonctionne en overfitting — il fait ce qu'il peut. »
Sur l'IA générale (AGI), sa position tranche avec le battage médiatique : « C'est un objectif inatteignable dont on se rapprochera asymptotiquement, palier par palier. Et aujourd'hui, on est loin de l'asymptote. » L'IA générative reste une IA sémantique. Sa distinction préférée : l'IA a des compétences, l'humain a des aptitudes — et « l'IA manipule de l'information ; la connaissance, c'est réservé à l'humain ».
Pourquoi ChatGPT n'est pas adapté à l'entreprise
Didier identifie deux obstacles majeurs à l'usage des grands modèles publics en entreprise :
- Le manque d'agilité : la date de coupure d'entraînement fige les connaissances du modèle, alors que l'entreprise a besoin de réactivité.
- La confidentialité : la couche d'apprentissage par renforcement implique des humains qui peuvent accéder à vos données.
Et une raison plus profonde : en courant après l'IA générale, les géants entassent toute la connaissance « dans les neurones » du modèle. « Ça en fait des monstres obèses, pas agiles du tout — un obstacle énorme en entreprise. »
🚀 Conseil : la voie B2B qui fonctionne, c'est le tandem : un LLM modeste (10 à 70 milliards de paramètres — Llama, Mistral, LightOn) qui rédige, et une IA d'embedding qui fait la recherche documentaire (le fameux RAG). On met à jour la base documentaire sans réentraîner le modèle : agile, moins cher, fine-tunable, et souverain — Orange héberge ainsi une IA générative 100 % en France pour ses clients.
Les cas d'usage qui marchent vraiment
Deux grandes familles : les outils self-service (Copilot, Gemini), dont la valeur dépend entièrement de l'habileté de l'utilisateur, et les cas d'usage sur mesure, programmés pour un métier précis. Parmi ceux que Didier voit passer en production : la génération de rapports (RSE, rapports d'intervention transformés en livrables clients rédigés), le marketing (fiches produits, argumentaires, campagnes personnalisées) et le réglementaire — nous avons détaillé ensemble un cas bancaire : générer automatiquement les rapports de backtesting des modèles pour le régulateur.
⚠️ Point important : sur 100 clients qui annoncent « un projet d'IA générative », seul un tiers en relève vraiment. Un autre tiers est en réalité de l'IA traditionnelle. Le reste combine les deux — et c'est souvent le bon réflexe : l'IA traditionnelle transforme la donnée en information (prédiction, classification), la générative transforme l'information en information interactive. Elles ne sont pas concurrentes, elles se marient.
La méthode pour réussir (et pourquoi la moitié des projets échouent)
Moins de 50 % des projets IA passent en production. La méthode que Didier applique chez Orange Business tient en quatre temps :
- Acculturer, de haut en bas : Comex, puis cadres, puis utilisateurs — on n'avance pas avec des équipes qui craignent pour leur emploi.
- Idéer sérieusement : pas d'« idéation à la va-vite en une heure ». La démarche double diamant génère 30 à 80 idées, puis une shortlist de 5-6 cas d'usage notés sur la valeur business et la difficulté. « Je veux améliorer ma satisfaction client » n'est pas un cas d'usage, c'est un but.
- Cadrer : c'est là qu'apparaissent les surprises — données interdites d'usage, contraintes réglementaires. Sans réserve de cas d'usage, le projet meurt ici.
- Réaliser en itératif et industrialiser : MVP, puis mise en production CI/CD avec un monitoring défini par les data scientists eux-mêmes — jusqu'à surveiller la variance des résidus pour détecter le data drift.
📌 Exemple : commencez par un cas d'usage aligné sur votre maturité. Une entreprise qui débute en IA et choisit un projet trop complexe découvrira des problèmes qu'elle n'imagine même pas — et le projet ne se terminera jamais.
Les métiers qui émergent
Prompt engineer ? « Dès lors que vous comprenez comment une IA générative fonctionne, vous n'avez plus besoin de recettes de cuisine. » C'est une compétence à acquérir, pas un métier. En revanche, Didier prédit l'émergence du document engineer : « on ne met pas de pétrole brut dans une voiture ; l'IA, c'est pareil — il lui faut des documents raffinés ». Orange Business a d'ailleurs créé deux nouvelles fonctions accessibles sans être data scientist — consultant et expert en IA générative — avec des cursus dédiés, car l'IA générative sur étagère demande moins de création de modèles que l'IA traditionnelle.
Sa recommandation de lecture : Quand la machine apprend de Yann LeCun — qui est aussi, sans hésitation, l'invité qu'il rêverait d'entendre sur ce podcast. Avis à l'intéressé.
L'épisode complet (1h07) est en haut de cet article — avec les explications détaillées sur les Transformers, les espaces vectoriels, l'overfitting de ChatGPT et le débat IA générale contre IA sémantique.
