J’ai passé le salon Big Data & AI Paris à photographier des diapositives. En les relisant, trois mots ressortent : harnais, probabilité, sécurité. Ce ne sont pas ceux qui étaient écrits en plus gros.

« Just ask. Get answers. »

Sur l’une des premières diapos, ThoughtSpot déroule sa frise d’agents : un agent de modélisation, un agent de tableaux de bord, un agent de code, un agent d’analyse. Le slogan du dernier résume l’esprit du salon : « Just ask. Get answers. » Posez la question, recevez la réponse.

Dans une autre session, Oracle détaille son accélérateur d’analyse de contrats. Sept étapes. La dernière s’intitule « User verifies data ». L’utilisateur vérifie les données.

Tout ce que j’ai retenu tient entre ces deux diapos. La promesse dit que l’IA répond. L’architecture dit que quelqu’un doit relire.

Le modèle n’est plus le produit

Dans le vocabulaire des agents, on appelle harness (harnais) tout ce qui entoure le modèle de langage : la façon dont on découpe les documents, dont on les indexe et les retrouve, les outils que l’agent a le droit d’appeler, les règles métier, les journaux, la reprise sur erreur, le moment où un humain valide. Le modèle est le moteur. Le harnais est le châssis, les freins et la ceinture.

L’architecture Oracle en est une démonstration presque pédagogique. Téléversement des contrats, stockage, reconnaissance des documents scannés, découpage et vectorisation, file de messages, recherche vectorielle, puis appel au modèle et vérification humaine. Le LLM n’intervient vraiment qu’à une étape sur sept. Le reste est de la plomberie, et c’est cette plomberie que le client achète. La vue d’ensemble du même éditeur intercale d’ailleurs une couche « Enterprise AI Governance » entre les modèles et les données.

Même la promesse « Just ask » repose sur un harnais. Chez John Paul, la conciergerie premium du groupe Accor (350 concierges, 800 000 demandes par an), l’outil de ThoughtSpot ne laisse pas le modèle répondre à la question. Le LLM la traduit en mots-clés, puis en requête SQL, en passant par une couche sémantique qui fixe ce que chaque indicateur veut dire. Le probabiliste reste en façade, pour comprendre la question. Le chiffre, lui, sort d’une requête déterministe.

ILLUIN Technology, présenté avec Capgemini, l’assume en toutes lettres : « Plus que des produits, une façon de packager l’IA ». Leur diapo aligne une dizaine de fournisseurs de modèles (Mistral, OpenAI, Gemini, Anthropic, Meta, Cohere…) et autant de clouds, d’AWS à OVH, Scaleway, S3NS ou Bleu. Quand un fournisseur affiche dix modèles interchangeables, il dit une chose simple : le modèle est devenu une commodité. La valeur se déplace vers la couche d’orchestration.

Et la dépendance avec elle. La promesse « sans vendor lock-in » vaut vis-à-vis des hyperscalers. Mais le verrou se reforme un étage plus haut : vos agents, vos workflows, vos règles et vos prompts vivent dans la plateforme de l’intégrateur.

La table ronde automobile du Club DS&AI a donné la meilleure réponse à cette question. Le constructeur, utilisateur final, est le mieux placé pour construire son harnais, et il doit en rester propriétaire. Le modèle peut changer tous les six mois. Le harnais, c’est-à-dire le modèle, ses règles et ses contrôles, c’est le savoir-faire. La vraie souveraineté se joue là, plus que dans la localisation des serveurs.

Du probabiliste dans un monde qui exige de l’exact

Le cas le plus parlant est celui d’Avis Budget Group. Le loueur a des accords de commission avec AAA, AARP, Costco, Tripadvisor ou Expedia. L’agent présenté suit un cycle en trois temps : extraire, relire, calculer. Dans la démo, le système extrait de conventions collectives des règles d’heures supplémentaires, de primes de nuit, de jours consécutifs ou de jours fériés. Chaque groupe de règles porte un badge « Pending Review », et chaque règle renvoie au passage du texte source.

Traduction : le système propose, un humain dispose. Une commission ou une prime d’heures sup n’a pas le droit d’être « probablement juste ». Le modèle lit, de manière probabiliste. L’humain tranche. Le calcul, lui, reste déterministe. Le sous-titre de la démo donnait le bon mot : traceable. Le harnais, c’est le dispositif qui transforme une sortie probabiliste en décision opposable.

Le contre-exemple venait de L’Oréal Research & Innovation, avec Square Management. Un rouge à lèvres, 23 matières premières, 100 niveaux de concentration possibles pour chacune. La diapo compare le nombre de formules possibles au nombre d’étoiles.

Ici, le probabiliste devient une vertu. L’IA prédit la performance d’une formule, suggère des compositions, élague. Le chercheur teste. L’erreur coûte un essai de laboratoire, pas une fiche de paie. L’échelle aide à comprendre l’enjeu : 4 000 scientifiques, 22 centres de recherche, 1 200 formulateurs, 1,3 téraoctet de données de formulation pour entraîner un modèle de fondation maison, le Foundation Formulation Model. L’objectif affiché de formules biosourcées rend l’exploration encore plus nécessaire : il faut remplacer des ingrédients sans perdre la performance.

Le plus intéressant n’était pas technique. L’Oréal a présenté l’adoption comme un défi de confiance : trouver l’équilibre entre le scepticisme des scientifiques et leur confiance dans l’outil, concevoir avec eux plutôt que pour eux, avancer pas à pas. Un chercheur qui ne croit pas la prédiction ne s’en servira pas. Un chercheur qui la croit trop cessera de vérifier.

La leçon tient en une phrase : le probabiliste est un atout pour explorer et un passif pour exécuter. La bonne question à poser à un projet n’est donc pas « quel modèle ? » mais « où passe la frontière entre ce que le modèle propose et ce qui engage l’entreprise ? ».

L’IA qui conçoit ne peut pas être celle qui vérifie

La séquence consacrée à l’automobile, au Club DS&AI animé avec le pôle Systematic, a poussé l’argument un cran plus loin. La table ronde « IA pour la conception », avec notamment Forvia et Dessia Technologies, portait sur l’usage de l’IA pour dessiner des pièces et générer des workflows d’ingénierie : modèle 3D, simulation, optimisation, jusqu’au calcul d’empreinte carbone. Le constat de départ était limpide. L’ingénierie travaillait sur des données sources déterministes. Elle introduit désormais un processus probabiliste, capable de répondre de deux façons différentes à la même question. Beaucoup de preuves de concept restent pour cette raison difficiles à industrialiser.

Derrière, deux questions. La première est la responsabilité. Dans l’automobile comme dans l’aéronautique, quelqu’un signe la pièce, et il faut pouvoir certifier ce que l’IA a produit, donc démontrer un comportement prévisible là où le modèle ne l’est pas. La seconde découle de la première : l’IA qui conçoit une pièce peut-elle aussi la vérifier ? La réponse est non. La vérification doit s’appuyer sur d’autres technologies, calcul physique, simulation, essais, qui ne partagent ni les données ni les angles morts du modèle qui a proposé la pièce. Avec un humain dans la boucle, et pas seulement pour la forme. On ne demande pas à l’élève de corriger sa propre copie.

Même l’idée d’une IA qui s’améliore d’elle-même en continu, évoquée pendant la table ronde, ramène au même point. Un système qui se régénère seul a d’autant plus besoin d’un contrôle extérieur qui, lui, ne bouge pas.

C’est peut-être la meilleure définition du harnais entendue pendant ces deux jours. Un bon harnais n’est pas fait de la même matière que ce qu’il retient. Chez Avis, le calcul déterministe contrôle l’extraction probabiliste. Chez L’Oréal, la paillasse contrôle la prédiction. Dans l’automobile, la physique contrôle la génération. Un système où un modèle vérifie un autre modèle entraîné sur les mêmes données ne vérifie rien : il se répète.

Sous le harnais, la donnée

Dans une autre session, BPCE Assurances IARD, l’assureur dommages du deuxième groupe bancaire français, présentait avec Google Cloud son programme YODA. Aucun agent spectaculaire à l’écran, et c’est justement ce qui rendait la session intéressante. Le sujet se situe un étage plus bas. Il s’agit de passer de datamarts en silos, très dépendants de l’informatique, à une organisation par domaines (client, contrat, sinistre, finance), chacun avec son responsable de données et des « produits data » partagés.

Les chiffres décrivent le point de départ mieux qu’un long discours. La redondance du stockage est estimée à 40 %. Le programme vise −40 % de duplication et −30 % sur la charge de recette. Il mobilise dix directions métiers et plus de 70 professionnels de la donnée sur trois ans, pour une plateforme cible annoncée début 2029. L’objectif tient en une formule entendue pendant la session : une donnée validée à un seul endroit. Autrement dit, avant de brancher un modèle probabiliste sur ses contrats et ses sinistres, un assureur doit savoir quelle version d’une donnée fait foi. Un harnais posé sur des données dupliquées vérifie des réponses sans pouvoir dire quelle source a raison.

Un détail, pour la note de bas de page : la troisième vignette des gains annonçait « −XX % sur les coûts de run ». Le chiffre n’avait pas été rempli. Honnêteté involontaire, sans doute. Dans une plateforme facturée à l’usage (la diapo parle de FinOps), le coût de fonctionnement est la variable que personne ne sait encore promettre.

Lire les chiffres jusqu’au bout

La session Capgemini × ILLUIN présentait Sharlie, le conseiller IA de Sosh, qui parle grâce à des modèles speech-to-speech : tout se passe en audio, sans passer par le texte, et le client peut l’interrompre comme un interlocuteur humain. Le contexte : 6,5 millions de contrats, environ un million de contacts par mois, et deux chiffres d’enquête. Seuls 16 % des clients acceptent d’attendre un conseiller humain. 58 % privilégient la résolution, que ce soit par un humain ou par une IA.

Les résultats de juillet 2026 : plus de 2 000 conversations par semaine, disponibilité 24/7, 27 motifs de contact traités, 80 % de couverture des types de demandes. Titre de la diapo : « Le premier déploiement à l’échelle d’un projet S2S en Europe ».

Faisons le calcul. 2 000 conversations par semaine, c’est environ 8 700 par mois, face à un million de contacts. Moins de 1 % du volume. Et 80 % des types de demandes ne font pas 80 % des demandes. Je ne le reproche pas au projet : avancer prudemment avec un système vocal probabiliste est plutôt sain. Mais « à l’échelle » mérite une note de bas de page.

Un autre détail m’a arrêtée, sur une capture d’écran. Le résumé d’échange généré par Sharlie commence par une question de facture et se termine sur un iPhone 17 noir 512 Go, avec les options de financement. Le service client devient un canal de vente. C’est légitime, mais c’est à regarder en face : l’agent qui vous rassure sur votre facture est aussi un vendeur, et la confiance qu’il capte a une valeur commerciale.

Cybersécurité : le harnais est aussi un périmètre

Les diapos rangeaient la sécurité dans une colonne bien remplie : AI Act, RGPD, DORA, Data Governance Act, SecNumCloud, HDS, clouds souverains. Le schéma Oracle affiche ses briques de gestion des identités, de coffre à clés, d’audit et de journalisation. La pile présentée par Capgemini et ILLUIN liste MCP, le protocole qui permet de brancher des outils sur un agent, et des agents « Front to CRM ».

C’est là que le sujet change de nature. Un chatbot qui répond est un risque de réputation. Un agent qui agit, écrit dans le CRM, déclenche un workflow ou calcule une commission, est un risque opérationnel. Chaque outil branché est une porte. Et l’agent lit tout ce qu’on lui donne : un contrat, un e-mail ou une page web peut contenir des instructions qu’il prendra pour des ordres. C’est l’injection de prompt, et elle ne se règle pas par la localisation des serveurs. Un agent hébergé sous SecNumCloud reste manipulable par un document piégé.

BPCE Assurances IARD inscrit de son côté la « sécurité by design » dans l’architecture : gestion fine des accès, anonymisation, chiffrement natif, et partage de données sans recopie. Moins de copies, c’est moins d’endroits d’où une donnée peut fuir. Mais la même présentation revendique une « approche offensive » du projet européen FIDA, qui organise le partage de données financières avec des tiers. Chaque ouverture vers l’extérieur crée de la valeur, et une nouvelle frontière à défendre.

L’automobile montre jusqu’où va le problème. La table ronde « Cyber & IA » du Club DS&AI, avec Thales, Cetrac et Craft AI, est partie du véhicule défini par logiciel. Une voiture compte aujourd’hui une centaine de calculateurs, et l’IA est partout : caméras, lidar, radar, système d’infodivertissement. La surface d’attaque suit. Les scénarios évoqués donnaient le vertige : attaque par la chaîne d’approvisionnement, avec l’exemple de Jaguar Land Rover, rançongiciel qui bloque une chaîne de production, fuite de données des robotaxis, ouverture et démarrage de voitures à distance, attaque de l’infodivertissement pour faire sortir un véhicule de la route, attaques sans fil, compromission d’un fournisseur au moment des mises à jour.

Les réponses restent classiques et exigeantes : sécurité dès la conception, zéro confiance, clés chiffrées, et une IA qui surveille l’IA. Ce dernier point rejoint le principe de la conception : le surveillant ne doit pas être fait de la même matière que ce qu’il surveille. Il faut aussi prouver que ces systèmes se comportent de façon déterministe pour les certifier. Et l’IA embarquée cumule deux contraintes. Elle doit être frugale, parce qu’elle tourne dans le véhicule et non dans un centre de données, et elle est attaquable, parce qu’elle y tourne justement. La question de souveraineté est revenue aussi : en Chine, la conduite autonome s’appuie largement sur des puces Nvidia. L’Europe devra choisir sur quoi elle construit la sienne.

Souveraineté et sécurité sont deux sujets distincts, que les présentations mettaient souvent dans la même case. Un logo de conformité certifie un cadre, pas un comportement. Ce qui protège vraiment se trouve encore dans le harnais : des droits minimaux pour chaque agent, des journaux lisibles, des tests d’attaque avant la mise en production, et un humain qui signe aux endroits où l’entreprise s’engage. Le vocal ajoute sa propre couche : quand une IA parle avec une voix naturelle, reconnaître quelqu’un à sa voix ne prouve plus grand-chose.

Ce que j’en retiens

Une diapo de Capgemini sur l’« IA Fluency » proposait de mesurer la maturité des équipes « au-delà de l’usage des outils et de la complétion des formations ». Bonne intuition. La compétence qui compte n’est pas de savoir écrire un prompt. C’est de savoir concevoir et auditer un harnais : où vérifier, quoi journaliser, quels accès ouvrir, à quel moment un humain doit signer.

C’est ce que je montrerai à mes étudiants cette année : un projet d’IA en entreprise, c’est une donnée dont on sait laquelle fait foi, un modèle, et des contrôles qui ne parlent pas la même langue que lui. Le salon s’appelait Big Data & AI. Il aurait pu s’appeler Plomberie & garde-fous. Dans ma bouche, c’est un compliment.