Schwätz du IA?

Une IA peut te faire gagner des heures sur un contrat… mais elle peut aussi inventer une jurisprudence et te mettre dans une situation intenable. On prend le sujet à bras-le-corps avec Nicolas Hamblenne, avocat en propriété intellectuelle, protection des données et nouvelles technologies, devenu entrepreneur avec son cabinet Pragma Law. Notre fil conducteur: utiliser l’IA en droit de façon pragmatique, utile et défendable, sans sacrifier le secret professionnel ni la rigueur.

On parle d’outils et de méthodes: relecture de clauses, recherche juridique assistée, et surtout le passage vers des agents IA capables d’automatiser des flux entiers comme le recouvrement de créances. On entre dans le concret de la confidentialité, de l’hébergement local, de l’anonymisation qui tient vraiment la route, et de la validation humaine à chaque étape. L’objectif n’est pas de remplacer l’avocat, mais de supprimer le travail répétitif qui n’apporte pas de valeur au client.

On relie tout ça au cadre européen: RGPD, règlement IA, obligations de transparence, filigranes, et risques d’amendes. Puis on ouvre le vrai débat économique: si l’IA permet de faire en 20 minutes ce qui prenait 3 heures, comment facturer, comment former les juniors, et qui capture la valeur créée. Si tu veux comprendre ce que sera un cabinet “augmenté” et comment s’y préparer dès maintenant, écoute jusqu’au bout, puis abonne-toi, partage l’épisode et laisse une note 5 étoiles pour soutenir le podcast.

Tout le monde a un avis sur l’intelligence artificielle, mais quand on doit la déployer pour de vrai, la question devient vite brutale: qu’est-ce qui marche, qu’est-ce qui casse, et pourquoi les entreprises avancent plus lentement que la technologie? Je reçois Adrien, Head of Sales and AI Strategy chez Capfort, avec un parcours qui passe par l’entrepreneuriat, une revente, puis un retour au Luxembourg. Ensemble, on quitte les grandes annonces pour parler adoption réelle de l’IA générative, automatisation et arbitrages du quotidien.

On détaille ce que les projets réussis ont en commun: un problème métier clair, un scope solide, des KPI mesurables, et surtout une gouvernance des données sérieuse. On insiste sur un point que beaucoup ratent: confondre RPA et IA coûte cher. Automatiser un processus ne nécessite pas toujours un LLM, et quand l’IA est pertinente, elle n’est presque jamais lâchée à 100%: le human in the loop reste un garde-fou pour la qualité, la sécurité, la conformité RGPD et les contraintes de souveraineté, notamment avec l’AI Act en toile de fond.

On élargit ensuite au temps long: “horloge” de l’innovation qui accélère, temps de l’entreprise qui résiste, société qui régule après coup. Ça mène à l’avenir du travail et à l’éducation: comment éviter que les chatbots deviennent des cerveaux de substitution pour les plus jeunes, tout en profitant des gains de productivité? Et surprise, on finit sur le football: Adrien explique comment il construit un Coach GPT et même un RAG pour varier ses séances, avec des limites très concrètes sur le spatial et les schémas.

Si ces questions te parlent, abonne-toi, partage l’épisode et laisse une note sur ta plateforme d’écoute. Qu’est-ce que tu veux vraiment garder humain dans ton travail?

On entend partout que l’IA va tout résoudre… puis on se rend compte que sans données solides, sans gouvernance, et sans objectif clair, elle ne fait que déplacer les problèmes. Pour clôturer la saison 1 de Schwätz du IA, je prends le micro en solo et je raconte la saison à travers une sélection d’extraits: pas un catalogue, plutôt un fil narratif qui met en lumière ce que nos invités disent, parfois mot pour mot, malgré des parcours très différents.

On revient sur les grands chantiers qui fâchent et qui comptent: l’avenir du travail à l’ère de l’IA générative (qui gagne, qui galère, pourquoi les juniors prennent le choc), la santé et la confiance (jumeaux numériques, IA explicable, responsabilité, place du médecin), et la difficulté de prédire l’avenir sans tomber dans la futurologie au doigt mouillé. On parle aussi recherche en mathématiques et vitesse d’évolution des modèles: qu’est-ce qui devient “routine”, qu’est-ce qui reste profondément humain, et comment garder des discussions utiles même quand la technologie accélère.

Enfin, cap sur l’Europe: protection des données personnelles, libertés fondamentales, transparence des décisions, mais aussi souveraineté numérique et arbitrages très concrets entre cloud et contrôle, entre performance et maîtrise. Si ces sujets te parlent, abonne-toi, partage l’épisode autour de toi et laisse un avis: qu’est-ce que tu veux absolument qu’on creuse en saison 2?

25 heures de calcul pour un traitement quotidien, puis 2 heures après un changement d’approche: derrière ce genre d’écart, il n’y a pas de magie, il y a de l’ingénierie. On accueille Grégory Nain, docteur en génie logiciel et cofondateur de DataThings, pour raconter un trajet rare et précieux: quitter le monde académique, transformer des prototypes du SNT en produit, et construire au Luxembourg une technologie taillée pour le temps réel et l’IA industrielle.

On parle de ce que l’intelligence artificielle signifie quand on est au contact du terrain: extraire de la connaissance depuis des données brutes, agréger des sources multiples, produire des indicateurs opérationnels et des prédictions qui aident vraiment des opérateurs, des réseaux ou des lignes de production. Grégory explique pourquoi, pour lui, l’IA n’est pas un but mais un moyen, et pourquoi les chatbots ne sont souvent qu’une interface au-dessus d’un système intelligent conçu pour un besoin précis, avec des contraintes de performance, de coûts et de propriété des données.

On entre ensuite dans le concret avec Greycat: base de données, langage et outils statistiques réunis pour éviter les architectures qui s’écroulent quand les volumes explosent. On aborde aussi l’entrepreneuriat côté spin-off universitaire: support, contrats, marketing, vocabulaire qui change, et marathon humain derrière la tech. Enfin, on débat sans filtre de l’IA générative au travail (accélération oui, pilote automatique non), des dépendances, de la frugalité énergétique et de la souveraineté numérique européenne, avec une conviction: garder le savoir-faire compte autant que gagner du temps.

L'IA semble tout à fait nouvelle quand on ne voit que le chatbot. Mais dès qu'on regarde sous le capot, on se rend compte que les outils actuels s'appuient sur des décennies de travaux en apprentissage automatique, en réseaux neuronaux, et sur les contraintes bien réelles liées aux données et au matériel. Nous nous entretenons avec un data scientist travaillant dans le secteur public luxembourgeois, qui a lui-même vécu l'évolution de l'IA dans les domaines de l'imagerie médicale et de l'industrie, et nous nous concentrons sur une réalité concrète et vérifiable plutôt que sur des discours marketing.

Nous décortiquons ce qu’est réellement l’intelligence artificielle : des systèmes qui apprennent à partir d’exemples pour prendre des décisions ou faire des prédictions, souvent dans des domaines où les humains effectuaient auparavant ce travail à l’œil nu ou par jugement. La vision par ordinateur rend cela tangible, qu’il s’agisse de classer des images, de mesurer des tumeurs sur des scans médicaux ou d’analyser les surfaces de contact des pneus dans l’industrie manufacturière. Les domaines changent, mais le scénario reste le même : données d’entraînement, évaluation, coûts des erreurs, et la rigueur nécessaire pour se demander ce qui se passe lorsque le modèle se trompe.

Nous faisons ensuite le lien avec l’essor de l’apprentissage profond, en expliquant notamment pourquoi AlexNet a bouleversé le domaine en 2012 et comment les GPU et le calcul à grande échelle ont permis ce bond en avant. De là, nous revenons à l’ère de ChatGPT : comment l’IA générative peut accélérer le codage et la résolution de problèmes, pourquoi elle peut « halluciner », et pourquoi les règles de confidentialité sont importantes lorsque les invites risquent d’exposer des informations sensibles.

Si vous cherchez à intégrer l'IA dans votre travail quotidien sans pour autant perdre le contrôle sur la qualité, la confidentialité ou la responsabilité, cette discussion vous offre un modèle conceptuel solide et un ensemble de lignes directrices. Abonnez-vous, partagez cet article avec un collègue qui utilise l'IA au quotidien, et laissez un commentaire en y indiquant : dans quels domaines faites-vous confiance à l'IA, et dans lesquels refusez-vous de le faire ?

L’Intelligence Artificielle ne « transforme pas une entreprise » simplement parce que quelqu’un a saisi une instruction dans un chatbot. La véritable transformation commence lorsque l’on identifie un processus complexe et coûteux pour le repenser de manière à ce que les machines et les humains puissent se répartir le travail en toute sécurité. Nous nous sommes entretenus avec Cassius Morea pour retracer ce parcours, depuis un problème très concret – les e-mails répétitifs du service client – jusqu’à une approche de l’automatisation adaptée aux entreprises, qui respecte les processus, le contexte et le contrôle.

Nous abordons en détail ce qui fonctionne en production : une IA avec intervention humaine qui rédige des réponses, une automatisation basée sur le niveau de confiance, et des étapes structurées qui s’interfacent avec des systèmes réels tels que les CRM, les ERP et les bases de connaissances internes. Cassius explique pourquoi les équipes attendent souvent des miracles des grands modèles linguistiques (LLM), pourquoi cela engendre de la déception, et comment une gestion du changement solide recadre l’IA en tant qu’accélérateur favorisant le perfectionnement et la reconversion professionnelle, plutôt que comme un « employé parfait ». Nous abordons également le « vibe coding » comme une méthode pratique pour prototyper, tester et itérer plus rapidement, tout en conservant la rigueur technique là où cela compte.

Nous élargissons ensuite notre perspective pour aborder des enjeux plus vastes : l’IA en tant qu’infrastructure stratégique, la transformation du modèle économique du BPO, qui passe de la facturation à l’heure à la facturation à la performance, et la volonté de l’Europe de promouvoir une IA d’entreprise souveraine. Nous débattons du compromis auquel chaque dirigeant est actuellement confronté : précision et rapidité offertes par les grands modèles cloud, ou contrôle, isolation et gouvernance assurés par les déploiements open source et sur site. Si vous recherchez des conseils pratiques sur l’adoption de l’IA, l’automatisation du service client, la gouvernance de l’IA et la stratégie en matière d’IA souveraine, cet article est fait pour vous.

Abonnez-vous pour découvrir d’autres discussions concrètes, partagez cet article avec un collègue responsable des opérations ou du service client, et laissez un commentaire en posant votre principale question sur le déploiement de l’IA au travail.

Vous avez déjà hésité avant de coller un texte, un contrat ou un dossier client dans une IA générative? Nous aussi, et c’est exactement le nœud de notre échange avec Tine Larsen, présidente de la CNPD (Commission nationale pour la protection des données) au Luxembourg. On cherche une voie simple et réaliste: utiliser l’intelligence artificielle pour gagner du temps et de la qualité, sans transformer nos données personnelles en monnaie d’échange invisible.

On parle d’abord d’usages concrets: résumer un document, rédiger un mail, améliorer un texte. Puis on met le projecteur sur ce qui déraille vite: biais, hallucinations, et surtout le contenu du prompt. Tine nous donne des réflexes de bon sens qui changent tout: relire systématiquement, savoir ce qu’on attend, et ne pas envoyer d’informations personnelles, confidentielles ou sensibles dans des outils non encadrés. On aborde aussi un phénomène qui explose en entreprise, la shadow AI, quand chacun utilise son outil dans son coin faute de cadre, de charte ou d’alternative interne.

Ensuite, on élargit: souveraineté numérique, outils américains versus solutions européennes, Copilot en environnement protégé et montée en puissance de Mistral côté État. On creuse la régulation européenne (RGPD, AI Act et autres textes), la question de la fragmentation, et ce que “trop de règles” veut vraiment dire. Enfin, on revient sur les sanctions et le cas Amazon, pour comprendre comment une amende se calcule, pourquoi elle fait peur, et ce que la procédure impose aux autorités comme la CNPD.

Si ce genre de discussion vous aide à décider plus sereinement, abonnez-vous, partagez l’épisode, et laissez une note 5 étoiles ou un commentaire pour nous aider à faire grandir le podcast.

Une inflammation qui explose, des examens qui s’accumulent, des médecins qui doivent décider vite avec des signaux parfois contradictoires: la santé met l’intelligence artificielle face à sa vraie responsabilité. Avec Astou Ndiaye, fondatrice de Hale-X, on part d’une expérience personnelle en milieu hospitalier pour comprendre pourquoi les erreurs de diagnostic arrivent, et comment une approche bien pensée peut aider à mieux lire l’état d’un patient au bon moment.

On parle jumeau numérique du patient (digital twin) construit à partir du dossier médical électronique, des prises de sang, des comorbidités et, en soins intensifs, des données des moniteurs en temps réel. L’objectif: offrir une vue globale, prédire des trajectoires cliniques, et préparer la possibilité de simuler des options thérapeutiques. Le cas d’usage prioritaire est concret et vital: anticiper le choc septique, réduire la mortalité, diminuer le temps passé en réanimation et les coûts hospitaliers. On met aussi les mots sur un frein souvent sous-estimé: l’interopérabilité en Europe, avec des formats et des systèmes qui ne se parlent pas.

On aborde ensuite ce qui fait la différence entre une IA impressionnante et une IA utile: l’IA explicable. Un simple score ne suffit pas; il faut pouvoir dire pourquoi une alerte se déclenche, quels biomarqueurs comptent, et comment le contexte médical change l’interprétation. Enfin, on entre dans le réel des start-up MedTech au Luxembourg: conformité RGPD, consentement patient, qualification en dispositif médical, AI Act, EHDS, responsabilité en cas d’erreur, et levée de fonds pour passer du prototype au terrain.

Abonnez-vous, partagez l’épisode autour de vous et laissez une note 5 étoiles ou un commentaire: ça nous aide à inviter d’autres voix qui construisent l’IA de façon responsable.

Tout le monde parle d’IA, mais très peu de gens savent la déployer sans se tromper de problème. Avec Fateh Amroun, on quitte les slogans pour rentrer dans le concret: ce qui marche vraiment dans la transformation digitale, ce qui bloque dans les entreprises, et comment l’IA générative devient utile seulement quand on la rattache à un besoin précis, des données maîtrisées et une adoption réelle.

On détaille des exemples opérationnels comme la création d’un ChatGPT interne sécurisé, renforcé par une approche RAG pour s’appuyer sur des documents fiables. On discute formations, gestion des risques, limites de l’IA générative et surtout ROI: comment le mesurer sans se raconter d’histoires, en partant des processus et du temps réellement gagné. On ouvre aussi la porte aux leviers disponibles au Luxembourg via l’AI Factory, l’écosystème autour de Meluxina et les dispositifs d’accompagnement et de subventions.

La conversation s’élargit ensuite vers la souveraineté technologique européenne, les arbitrages des dirigeants entre efficacité et solutions locales, et le poids de la réglementation pour les PME. Côté “future of work”, on met des mots simples sur une tension forte: des seniors augmentés par l’IA, des juniors qui risquent de perdre les tâches qui formaient autrefois leur expérience. Et pour finir, Fateh partage un projet à impact sociétal: un Nutri-Score du logiciel pour évaluer rapidement si une application est toxique ou respectueuse de la santé mentale, en s’attaquant aux mécanismes d’addiction numérique.

Abonnez-vous, partagez l’épisode, et laissez une note ou un commentaire: quelle est, chez vous, l’utilisation de l’IA qui a créé le plus de valeur ?

L’IA semble magique lorsqu’elle discute, écrit et résout des problèmes sur commande, mais les mathématiques ont le don de mettre la vérité au grand jour. Nous nous entretenons avec Martin Hairer, lauréat de la médaille Fields, pour lui poser une question simple aux conséquences considérables : quel rôle les mathématiques jouent-elles réellement dans l’intelligence artificielle moderne, et que se passe-t-il lorsque les grands modèles linguistiques commencent à s’attaquer au type de raisonnement que les humains utilisent pour construire des démonstrations ?

Nous analysons comment des outils tels que ChatGPT s’inscrivent dans une histoire bien plus longue de l’IA, puis nous distinguons précisément ce qui relève des « mathématiques » de ce qui relève de l’« ingénierie » dans les réseaux neuronaux actuels : d’un côté, l’optimisation, les probabilités et des définitions claires des modèles ; de l’autre, de nombreux détails de mise en œuvre, des essais et des erreurs architecturaux, ainsi que des itérations rapides. Nous nous penchons ensuite sur l’IA dans l’enseignement, où les grands modèles linguistiques (LLM) résolvent déjà de nombreuses tâches de niveau licence et obligent les universités à repenser les devoirs, les examens et la manière d’évaluer la compréhension.

La conversation s’oriente ensuite vers l’IA au service de la recherche mathématique. Nous abordons les domaines dans lesquels les modèles de langage grand public (LLM) peuvent véritablement apporter une aide : les familles de problèmes structurées, les améliorations progressives apportées aux résultats existants et l’assemblage de lemmes connus pour former des ébauches de démonstration exploitables. Nous parlons également sans détours des risques : les erreurs subtiles dissimulées dans un langage fluide, les étapes vagues du type « par conséquent » et les citations qui n’existent tout simplement pas. Enfin, nous explorons deux pistes prometteuses pour l’avenir de la recherche mathématique et de l’évaluation par les pairs : une cartographie fiable de la littérature assistée par l’IA et la vérification formelle des preuves à l’aide d’assistants de démonstration tels que Lean ou Coq.

Si vous vous intéressez à l’IA, aux mathématiques, à l’éducation ou à l’avenir de la confiance scientifique, abonnez-vous, partagez cet épisode avec un ami et laissez un commentaire. Quelle est la tâche mathématique que vous confieriez à un système d’IA, et celle que vous ne lui confieriez jamais ?

Le terme « start-up IA » peut aujourd’hui recouvrir n’importe quoi, et c’est précisément là le problème. Nous avons rencontré Philippe Linster, directeur de la House of Startups au Luxembourg, afin d’obtenir une vision réaliste de ce que l’IA générative change réellement pour les fondateurs qui développent des produits et pour les investisseurs qui décident où placer leurs paris. Si vous vous êtes déjà demandé pourquoi certaines entreprises d’IA semblent immédiatement copiables tandis que d’autres paraissent inarrêtables, cette conversation vous fournira un cadre pratique.

Nous abordons le changement post-ChatGPT : l’IA passe d’une infrastructure cachée à un outil accessible à tous, ce qui accélère la création de prototypes et dynamise le marché. Philippe explique comment il évalue si une start-up résout un véritable problème ou se contente d’ajouter une couche d’IA « sexy » à des modèles existants. Nous nous penchons sur les avantages concurrentiels qui comptent vraiment dans l’intelligence artificielle et l’apprentissage automatique : les données propriétaires, l’accès à des ensembles de données uniques, les capacités technologiques de pointe, et les équipes capables de construire ou d’adapter des modèles plutôt que de se contenter de les « habiller ».

De là, nous abordons la réalité du capital-risque et de l'investissement providentiel. Nous analysons ce que recherchent les investisseurs au-delà des mots à la mode : un marché vaste, un problème clairement identifié, la preuve que la solution fonctionne, un plan de commercialisation et de déploiement, ainsi qu'une équipe de direction capable de mener à bien le projet. Nous explorons également les agents IA, le concept d'entreprise unipersonnelle, et les raisons pour lesquelles les postes juniors pourraient être les premiers touchés par la disruption. Enfin, nous prenons du recul pour examiner la stratégie d’innovation du Luxembourg dans les domaines de la technologie spatiale, de la biotechnologie, de la finance, de la cybersécurité et des secteurs émergents comme l’informatique quantique, ainsi que la tension en Europe entre la réglementation (comme le RGPD et la loi sur l’IA) et la nécessité de développer l’innovation.

Si vous souhaitez avoir une vision claire et concrète de l’écosystème des startups en IA et savoir où s’arrête le battage médiatique, abonnez-vous, partagez cet épisode avec un fondateur ou un investisseur, et laissez un commentaire avec votre plus grande question sur l’IA.