HybridAI

Soyons honnêtes : votre entreprise dispose-t-elle de toutes les informations pertinentes en un clic ? Ou sont-elles également coincées chez vous dans divers silos de données, largement déconnectés – l’ERP ici, le CRM là, plus des fichiers Excel sur des disques personnels et des documents stratégiques quelque part dans le cloud ?

Si vous hochez la tête en ce moment, vous êtes en bonne compagnie. Je parle régulièrement avec des dirigeants et des responsables financiers, et le constat est presque toujours le même : les données seraient là. Mais les rassembler pour répondre à une question précise prend des jours – si tant est que quelqu’un puisse le faire.

Pourquoi cela devient un problème maintenant

L’époque où les entreprises pouvaient compter sur des marchés stables et des évolutions prévisibles est révolue. Inflation, tensions géopolitiques, chaînes d’approvisionnement perturbées, marché du travail en mutation – tout cela impose une nouvelle discipline : les décisions doivent non seulement être bonnes, elles doivent être bonnes rapidement.

La Business Intelligence classique a une réponse éprouvée : tableaux de bord, KPIs, rapports mensuels. Mais soyons francs – ces outils atteignent leurs limites dès que les questions deviennent plus complexes. Qu’advient-il de notre marge si nous changeons de fournisseur ? Comment une augmentation de prix affecte-t-elle les différents segments de clientèle ? Quels scénarios se dessinent si l’euro continue de baisser ?

De telles questions nécessitent plus que des graphiques statiques. Elles nécessitent une vraie conversation avec vos propres données.

La tentation : un sparring-partner IA pour vos décisions

C’est exactement là que l’IA générative devient vraiment passionnante. L’idée est séduisante : un assistant intelligent qui connaît les chiffres de votre entreprise, comprend les connexions et vous permet d’explorer des options stratégiques – à tout moment, sans coordination d’agenda, sans que quelqu’un doive d’abord construire une analyse.

« Comment nos 10 meilleurs clients ont-ils évolué au dernier trimestre ? » « Et si nous réduisions le portefeuille de produits de 20 % ? » « Compare notre structure de coûts avec l’année dernière et montre-moi les plus grands écarts. »

Un tel dialogue démocratiserait la Business Intelligence. Plus seulement le contrôleur de gestion avec son expertise Excel aurait accès aux insights – chaque décideur pourrait interroger les données lui-même. Je trouve toujours cette idée fascinante.

Le problème : quand l’IA hallucine, ça coûte très cher

Mais – et c’est un grand mais – voilà le hic. Les grands modèles de langage sont impressionnants pour générer des réponses qui sonnent plausibles. Ils sont nettement moins fiables pour fournir des réponses factuellement correctes. Surtout quand il s’agit de chiffres concrets.

Une IA qui se trompe de date dans un texte créatif ? Agaçant, mais gérable. Une IA qui invente un chiffre d’affaires ou calcule mal une marge lors d’une décision commerciale ? Ça peut faire vraiment mal. Le danger se multiplie parce que les réponses sont si diablement convaincantes. Nous, les humains, avons tendance à faire confiance à une affirmation présentée avec assurance – même quand elle provient d’un modèle linguistique statistique.

Je le dis d’expérience : une intégration naïve de ChatGPT avec les données de l’entreprise est un risque, pas un progrès. Ceux qui voient les choses autrement ont soit eu de la chance, soit ne s’en sont pas encore rendu compte.

Le défi technique : connecter trois mondes

La solution réside dans une architecture bien pensée qui rassemble intelligemment trois sources de données différentes :

Données structurées via SQL : Les faits bruts – chiffres d’affaires, coûts, quantités, historiques clients – résident généralement dans des bases de données relationnelles. Ici, l’IA ne doit pas deviner mais interroger précisément. Le système doit générer des requêtes SQL, les exécuter et interpréter correctement les résultats. Aucune place pour la créativité.

Données non structurées via RAG : Au-delà des chiffres, il y a le contexte – documents stratégiques, analyses de marché, directives internes, comptes rendus. Ces documents peuvent être exploités via le Retrieval Augmented Generation : le système recherche des passages de texte pertinents et les fournit au modèle de langage comme contexte.

Le savoir général du modèle : Enfin, le LLM apporte ses propres connaissances – sur les secteurs, les relations économiques, les meilleures pratiques. Ce savoir est précieux pour l’interprétation, mais dangereux lorsqu’il est mélangé avec des chiffres concrets de l’entreprise.

L’art consiste à séparer proprement ces trois sources et à rendre transparent d’où provient chaque information.

L’approche : tout dans la fenêtre de contexte

Les LLMs modernes offrent des fenêtres de contexte de 100 000 tokens et plus. Cela ouvre une approche architecturale élégante : au lieu de laisser le modèle deviner quelles données pourraient être pertinentes, nous chargeons proactivement toutes les informations nécessaires dans le contexte.

Un système bien conçu fonctionne en plusieurs étapes : il analyse la question de l’utilisateur et identifie les sources de données pertinentes. Puis il exécute les requêtes SQL nécessaires. En parallèle, il parcourt la base documentaire via RAG. Et finalement, le LLM reçoit toutes ces informations regroupées – avec un étiquetage clair des sources.

Le modèle de langage devient ainsi un interprète et un communicateur, pas un générateur de faits. Il peut expliquer les chiffres, révéler les connexions, poser des questions de suivi, discuter des options d’action – mais il n’invente pas de données, car les vraies données sont déjà dans le contexte.

La transparence comme principe de conception

Un tel système doit intégrer la transparence dans son ADN. Chaque affirmation sur des chiffres concrets devrait citer sa source. L’utilisateur doit pouvoir retracer : cela vient-il de la base de données ? A-t-il été cité d’un document ? Ou est-ce une évaluation du modèle ?

Cette transparence n’est pas qu’une fonctionnalité technique – c’est la condition préalable à la confiance. Quiconque fonde des décisions commerciales sur des analyses assistées par IA doit savoir sur quoi il s’appuie.

La voie à suivre

La Business Intelligence avec l’IA n’est ni une utopie ni un effet de mode – c’est un défi d’architecture. La technologie est mûre, les modèles sont puissants, les interfaces existent. Ce qui manque à beaucoup d’entreprises, c’est une approche réfléchie qui exploite les forces des LLMs sans succomber à leurs faiblesses.

L’avenir appartient aux systèmes qui connectent intelligemment bases de données structurées, connaissances documentaires et modèles de langage – tout en rendant toujours transparent ce qui est fait et ce qui est interprétation. Les entreprises qui trouvent cet équilibre gagnent plus qu’un simple outil d’analyse supplémentaire. Elles gagnent un véritable sparring-partner pour de meilleures décisions en temps difficiles.

Et oui – c’est exactement ce sur quoi nous travaillons.

Plus rapides, moins chers, plus contrôlables – et toujours performants : les Small Language Models conquièrent l’entreprise.

Pendant que le monde se focalise sur GPT-5 et des modèles toujours plus grands, quelque chose de passionnant se passe en coulisses : les Small Language Models (SLMs) évoluent rapidement et deviennent une vraie alternative pour les applications d’entreprise. Dans notre dernier webinaire, nous avons montré pourquoi – avec une démonstration live de nos propres modèles fine-tunés.

Le problème avec les grands modèles

80-95% des projets IA en entreprise échouent. Un chiffre qui donne à réfléchir et qui fait régulièrement la une. Mais pourquoi ?

Une raison majeure : les grands modèles de langage comme ChatGPT ou Claude posent souvent problème en entreprise. OpenAI a récemment désactivé toutes les anciennes versions de ses modèles lors du lancement de GPT-5 – un cauchemar pour toute DSI avec des processus en production. Ajoutez les préoccupations de confidentialité, le comportement imprévisible et la dépendance aux services cloud américains.

Petits mais costauds : Les avantages des SLMs

Les Small Language Models (typiquement 1-20 milliards de paramètres) offrent des avantages concrets :

⚡ Vitesse : Des réponses en millisecondes au lieu de plusieurs secondes d’attente. Une fois qu’on a goûté à la réactivité d’un SLM local, impossible de revenir en arrière.

🔒 Confidentialité : Fonctionne sur vos propres serveurs, pas besoin d’internet, aucune donnée ne quitte vos locaux. Idéal pour les données sensibles.

🎯 Contrôle : Pas de mises à jour surprises du modèle, pas de changements de comportement soudains. Le modèle fait exactement ce qu’il doit faire.

💰 Coût : Nettement moins cher à exploiter que les appels API aux grands fournisseurs.

🔧 Personnalisation : Grâce au fine-tuning, les SLMs peuvent être entraînés précisément pour des tâches spécifiques – avec un effort raisonnable.

Le secret : Le fine-tuning LoRA

Le game-changer s’appelle LoRA (Low-Rank Adaptation). Cette technique permet de personnaliser des modèles avec étonnamment peu de données (à partir d’environ 100 exemples) et de puissance de calcul. Le principe : on entraîne uniquement un petit « adaptateur » qui se superpose aux poids du modèle – pas besoin de réentraîner tout le modèle.

Le résultat ? Un modèle qui non seulement donne les bonnes réponses, mais répond aussi avec le bon style. Tous ceux qui ont essayé de faire donner des réponses plus courtes à ChatGPT ou d’éviter certains formatages par le seul prompt savent à quel point c’est difficile. Avec le fine-tuning, ça marche de façon fiable.

Démo live : Nos propres SLMs

Dans le webinaire, nous avons présenté trois modèles fine-tunés, tous basés sur le LFM-2 de LiquidAI avec seulement 1,4 milliard de paramètres :

1. Modèle allemand général : Des réponses solides aux questions quotidiennes et techniques
2. Bot thérapie Fritz Perls : Un modèle qui imite parfaitement le style de conversation confrontationnel du thérapeute Gestalt Fritz Perls
3. Modèle d’association études de marché : Analyse les associations de marque implicites dans le style d’études de marché professionnelles

La réactivité est impressionnante – les réponses arrivent pratiquement instantanément. Et le meilleur : tout tourne sur nos propres serveurs européens.

L’avenir : L’hybride est roi

Notre vision chez HybridAI : c’est la combinaison qui compte. Petits modèles fine-tunés pour les tâches routinières, grands modèles pour les requêtes complexes – le tout orchestré par une couche de contrôle intelligente qui reconnaît quel modèle convient à chaque situation.

Cela donne aux entreprises le meilleur des deux mondes : des réponses rapides, contrôlables et conformes à la confidentialité pour 80% des requêtes – et la puissance des grands modèles quand c’est vraiment nécessaire.

Envie d’essayer ?

Nous mettons notre démo SLM à disposition du public. Testez vous-même les performances des petits modèles – et contactez-nous si vous souhaitez discuter de modèles fine-tunés personnalisés pour vos cas d’usage.

Cette semaine, nous avons testé HybridAI pour la première fois en conditions réelles à l’école. Sous la direction de Sven Welbers, les élèves du Stadt-Gymnasium Köln-Porz ont pu passer une leçon d’allemand avec nous – autour du merveilleux sujet : la grammaire !

Quoi de plus agréable ?

Mais c’était réellement passionnant, car nous avions configuré HybridAI selon les directives de l’enseignant pour que le bot présente une histoire policière que les élèves devaient résoudre progressivement en accomplissant des exercices de grammaire. Comme l’histoire était générée par l’IA, chaque élève avait sa propre histoire, et les variations étaient plaisantes, même en générant une nouvelle histoire.

De temps en temps, le bot donnait des retours sur les progrès réalisés et glissait parfois un message drôle.

Conclusion : Les élèves se sont définitivement bien amusés ! Ce qui n’est pas toujours évident avec un tel sujet. L’enseignant était impressionné par la qualité pédagogique de cette unité d’enseignement. Malgré la matière plutôt aride, les élèves ont visiblement pris plaisir et sont restés concentrés.

Nous développerons bientôt d’autres exemples destinés aux écoles. La prochaine session avec un bot sur le thème « Konjunktiv I und II » est déjà en préparation !

Vous pouvez voir ici le bot grammatical en action :