L'essentiel en 3 points
1. Comprendre le principe d'un réseau de neurones, d'un LLM, d'un RAG et d'un graphe de connaissances suffit pour prendre la parole en réunion, sans faire de maths.
2. Quatre questions utiles : sur quels exemples entraîne-t-on le modèle, sur quoi s'appuie la réponse, quels passages l'assistant a-t-il reçus, et l'accord du client couvre-t-il bien ce cas.
3. Votre connaissance du métier est précieuse : vous savez quels cas sont fréquents, lesquels sont rares et lesquels coûtent cher quand on se trompe.
Quelqu'un propose de fine-tuner le modèle. Une autre personne suggère de mettre les procédures dans un RAG. Puis quelqu'un parle de graphe de connaissances. La réunion avance, et vous n'êtes pas à l'aise : tout semble si compliqué et technique. Pour vous, l'IA, c'est ChatGPT ou Copilot.
C'est en pensant à cette réunion que j'ai écrit les quatre livrets de la série « Sans être ingénieur ». On commence par faire reconnaître des animaux à un réseau de neurones. Et je vous garantis qu'en 5 minutes, sans faire de maths, vous aurez tout compris !
Puis on découvre comment un LLM produit une réponse, comment il peut aller chercher des informations dans des documents et comment un graphe peut lui donner le contexte d'une décision. Les concepts sont à la portée de tous.
Mais à quoi ça sert, concrètement, d'avoir compris tout ça ? Voici quatre moments où vous pourrez prendre la parole.
Dans le premier livret, on apprend à un réseau à reconnaître des animaux. Pour cet exercice, on lui montre des images avec les bonnes réponses. L'apprentissage ajuste un grand nombre de paramètres. La capacité à reconnaître un chat se construit dans l'ensemble du réseau, et une valeur prise isolément a rarement une signification qu'on peut expliquer.
En réunion, quand quelqu'un propose de spécialiser un modèle pour votre métier, vous pouvez demander : « Sur quels exemples va-t-on l'entraîner ? En a-t-on assez ? Et quels cas va-t-on retester ensuite ? »
C'est une question très concrète. Un modèle peut progresser sur les cas qu'on lui a appris à traiter et se dégrader sur des cas qu'on a oublié de vérifier. Votre connaissance du métier est précieuse ici. Vous savez quels cas sont fréquents, lesquels sont rares et lesquels coûtent cher quand on se trompe.
Un LLM apprend d'abord à prédire la suite d'un texte, un morceau de mot après l'autre. À partir de cet apprentissage, il peut produire une explication, résumer un dossier ou décomposer un problème. Des entraînements complémentaires peuvent améliorer sa façon de traiter certaines tâches. Il peut aussi vous expliquer avec beaucoup d'assurance pourquoi une décision a été prise, alors que la raison qu'il donne est fausse.
En réunion, vous pouvez demander : « Sur quoi s'appuie cette réponse ? Est-ce qu'on peut le vérifier dans le dossier ? »
Une réponse claire est plus facile à lire. Pour prendre une décision, vous avez aussi besoin de savoir d'où elle vient.
Imaginez qu'une procédure autorise à remplacer une pièce en rupture par une autre référence. Deux pages plus loin, elle précise que, pour certains clients, il faut un accord écrit.
Dans un RAG, on découpe souvent les documents en passages pour pouvoir les retrouver, notamment par leur sens. Si l'assistant reçoit le passage qui autorise le remplacement et que l'exception reste dans un autre extrait, il peut vous donner une réponse fidèle à ce qu'il a reçu et vous faire passer à côté de l'accord obligatoire.
En réunion, vous pouvez demander : « Quels passages l'assistant a-t-il reçus pour répondre à cette question ? »
C'est souvent en les regardant qu'on comprend où intervenir. La règle et son exception ont peut-être été séparées au découpage. Ou les deux passages sont bien disponibles, mais la recherche n'a ramené que le premier.
Reprenons notre pièce de remplacement. Bernard se souvient que le client a déjà accepté cette référence. Très bien. Pour quelle commande ? Pour quel site ? Cet accord vaut-il encore pour la livraison de lundi ?
En réunion, vous pouvez demander : « Qu'est-ce qu'il faut savoir pour vérifier que cet accord couvre cette livraison ? »
C'est par cette question que j'aborde l'ontologie. Dans votre métier, un accord peut-il couvrir une commande, un site ou une série de livraisons ? À quoi reconnaît-on qu'il est valable ?
Une fois ces notions définies, le graphe permet de relier les éléments du cas réel : le client, la commande, les références, l'accord et l'e-mail qui en fait foi. L'assistant peut alors recevoir le minimum d'informations reliées dont il a besoin pour cette décision. Et si l'accord ne couvre qu'une ancienne commande, il peut le signaler avant que la pièce parte.
C'est aussi ce que je cherche à rendre possible avec Qibud Knowledge, que je développe actuellement. L'idée est de pouvoir configurer le modèle métier, consulter le graphe et l'alimenter via MCP. Dans notre exemple, l'équipe pourrait retrouver l'accord existant, puis consigner le suivant avec sa portée et sa source pendant qu'elle a encore le dossier sous les yeux.
La prochaine fois que quelqu'un dira « On pourrait fine-tuner le modèle », j'aimerais que vous ayez ce petit déclic : « Ah oui, j'ai compris le principe. Je vois ce que ça pourrait nous apporter. Et j'ai une question. »
Et vous, quelle question aimeriez-vous poser à votre prochaine réunion sur l'IA ?
1. Entraînement. Sur quels exemples va-t-on entraîner le modèle ? En a-t-on assez ? Quels cas va-t-on retester ensuite ?
2. Réponse. Sur quoi s'appuie cette réponse ? Peut-on le vérifier dans le dossier ?
3. RAG. Quels passages l'assistant a-t-il reçus pour répondre ? La règle et son exception sont-elles arrivées ensemble ?
4. Graphe. Qu'est-ce qu'il faut savoir pour vérifier que cette décision, cet accord ou cette règle couvre bien ce cas précis ?
Samuel Arnod-Prin, architecte de données et d'IA chez Agilbility. 27 ans à concevoir des plateformes orientées données pour Swatch Group, LVMH, Richemont et l'EPFL. Son profil →
Des données, des documents et des règles que l'IA peut comprendre : RAG, graphe de connaissances et histoire de vos décisions.
Découvrir →le service qui répondChoisir où l'IA crée de la valeur, poser les bonnes questions avant d'investir et décider quoi tester en premier.
Découvrir →Faire comprendre l'IA à votre équipe de direction ? Écrivez-nous ou prenez 30 minutes →
Non. Comprendre le principe d'un réseau de neurones, d'un LLM, d'un RAG et d'un graphe de connaissances suffit pour participer aux décisions. La série « … sans être ingénieur » de Samuel Arnod-Prin l'explique sans mathématiques, avec des exemples tirés de l'entreprise.
Demander sur quels exemples il sera entraîné, s'il y en a assez, et quels cas seront retestés ensuite. Un modèle peut progresser sur les cas appris et se dégrader sur ceux qu'on a oublié de vérifier. La connaissance du métier aide à choisir ces cas.
Parce que les documents sont découpés en passages. Si l'assistant reçoit la règle sans son exception, placée dans un autre extrait, sa réponse reste fidèle à ce qu'il a reçu mais oublie l'exception. Il faut regarder quels passages il a reçus.
Il relie les éléments d'un cas réel, par exemple le client, la commande, les références, l'accord et l'e-mail qui en fait foi. L'assistant reçoit le minimum d'informations reliées utiles à la décision et peut signaler qu'un accord ne couvre qu'une ancienne commande.
Data & IA · 28 octobre 2026Hors-série : comment une machine apprend, pourquoi elle se trompe.
Lire →
Data & IA · 3 novembre 2026Les modèles sont les trains, vos données sont les rails.
Lire →La newsletter de Samuel Arnod-Prin : organiser vos données, vos connaissances, vos règles et vos processus pour que l'IA les comprenne et les exploite.
