L’IA réécrit la data science plus vite que les entreprises ne peuvent l’absorber. C’est une chance immense, mais elle s’accompagne de coûts imprévisibles, de nouvelles dépendances et de modèles qu’on ne sait ni expliquer ni reproduire.
A travers mes expériences dans la tech, j’ai appris qu’une technologie ne transforme une entreprise que si celle-ci peut la comprendre et se l’approprier. Je crois donc à une IA fondée sur la transparence, la composabilité, la réutilisation et une approche métier : partir du problème, pas de l’outil, et valider avant de déployer.
C’est le sens de Probabl, fondée par les créateurs de scikit-learn : tourner le dos aux outils qui promettent de la magie pour retrouver la rigueur qu’exigent les systèmes critiques. L’IA ne doit pas être une nouvelle dépendance, mais un savoir-faire que l’on possède.
Une innovation ne réussit que si elle se confronte à la réalité du terrain. L’intuition fait naître une vision, mais elle ne devient une entreprise performante qu’en s’ajustant à la seule vérité qui compte : celle qui se trouve dans la tête des utilisateurs et des clients.
Je suis convaincu qu’il faut savoir changer de point de vue et adapter ses plans, sans jamais transiger sur ses convictions ni sur ses valeurs. Le cap reste le même ; c’est la route qui s’ajuste à ce que le terrain nous apprend.
L’IA rend cette exigence plus vitale que jamais. Elle réécrit la data science à une vitesse inédite, et la tentation est grande de partir de l’outil plutôt que du problème. Chez Probabl, nous faisons le choix inverse : écouter, valider, puis déployer, avec la rigueur scientifique comme boussole. L’IA ne doit pas être une promesse de magie, mais un savoir-faire que l’on possède.