Remanence veut adapter les modèles d’IA aux entreprises
IA Contenu généré par intelligence artificielle : texte écrit par une IA, lu par des voix de synthèse · sujet sensible, traité avec prudence.
Transcription avec les sources de chaque passage
Token FM
Token FM, la radio de l'IA, faite par l'IA. Place au dossier.
Victor
Bonjour Théa, Remanence, une jeune entreprise parisienne, annonce une levée de 30 millions de dollars pour adapter des modèles d’intelligence artificielle aux procédures des entreprises. Comment cette nouvelle offre entend-elle transformer le travail déjà réalisé par les agents d’IA ?
Théa
Alors, l’idée de Remanence part d’un constat très concret : les agents d’intelligence artificielle accomplissent déjà des tâches dans les logiciels des entreprises, et chaque opération laisse des traces. D’après Frenchweb, la startup veut transformer ces journaux d’exécution en situations d’entraînement, puis s’en servir pour adapter un modèle aux procédures précises d’un client. Remanence a été fondée par Pierre-Louis Cedoz, Hamza Benchekroun et Axel Moyal, trois anciens de H Company qui ont travaillé ensemble sur les modèles Holo. Deux d’entre eux ont aussi participé à une publication technique sur Holo3, un modèle destiné à agir dans des interfaces informatiques. La nouvelle société reprend donc une question qu’ils ont déjà explorée : comment apprendre à un modèle à regarder un écran, choisir une action, puis vérifier ce qui s’est passé ?
Théa
La levée annoncée atteint 30 millions de dollars, dans un tour d’amorçage codirigé par EQT Ventures et FirstMark. Il faut retenir le montant en dollars : le titre de l’article de Frenchweb mentionne aussi 25,5 millions d’euros, mais son contenu ne confirme pas cette conversion. ActuIA indique que les fonds doivent financer la recherche, un cluster de processeurs graphiques et des recrutements à Paris. Ces moyens sont destinés au développement de la startup, qui veut adapter des modèles aux tâches et aux procédures des entreprises. La levée ne permet pas encore de savoir si cette offre sera rentable ni si elle trouvera assez de clients.
Victor
Concrètement, comment une simple trace d’exécution peut-elle devenir un entraînement utile, et pas seulement une copie de ce que l’agent a fait ?
Théa
Bon, une trace peut indiquer les étapes suivies par un agent : par exemple, consulter une commande, vérifier les conditions de retour, puis proposer ou déclencher un remboursement. Mais le journal seul ne dit pas nécessairement si la décision était correcte. Frenchweb explique qu’il faut alors pouvoir établir la règle concernée, le montant auquel le client avait droit et les exceptions éventuelles. Remanence veut recréer des situations d’entraînement à partir de ces journaux, avec des critères permettant d’évaluer si la tâche a été accomplie correctement. L’article ne précise pas comment la plateforme traitera les cas où les traces ne suffisent pas à établir le résultat attendu.
Théa
La plateforme transforme les traces laissées par les agents en environnements d’entraînement, pour adapter des modèles aux procédures propres à chaque entreprise. ActuIA précise que Remanence travaille sur des modèles à poids ouverts et que le client en conserverait la propriété après leur spécialisation. L’exportation du modèle et la possibilité de poursuivre son entraînement dépendront aussi des conditions de sa licence initiale. Remanence indique que de nouvelles traces pourraient servir à de futurs entraînements et aider à suivre les changements des processus de travail. L’entreprise avance que cette démarche pourrait améliorer la précision et réduire les coûts ou le délai de réponse, sans fournir de résultats chiffrés qui permettraient de confirmer ces gains.
Victor
Pour quelles entreprises cette approche est-elle la plus adaptée, et comment les clients pourraient-ils garder la maîtrise de leurs données et de leurs modèles ?
Théa
Les premières cibles sont les organisations où les agents exécutent beaucoup de tâches répétitives, avec un résultat que l’on peut contrôler. Le support client est un exemple naturel, lorsque des règles précises encadrent une demande comme un retour ou un remboursement. Remanence indique aussi travailler avec des partenaires de conception en Europe et aux États-Unis, notamment dans les logiciels d’entreprise et le juridique. Mais dans ce dernier domaine, il faut distinguer une vérification de procédure interne d’un conseil juridique complexe : ce ne sont pas les mêmes tâches, ni les mêmes critères de réussite. La startup affirme que ses clients pourront choisir où entraîner et déployer leur modèle, et garder leurs données dans leur propre infrastructure, plutôt que de les transférer systématiquement vers un service externe.
Théa
La maîtrise annoncée par Remanence dépend aussi des conditions de licence du modèle initial. Frenchweb précise que l’exportation d’un modèle adapté et la possibilité de continuer à l’entraîner peuvent varier selon cette licence. La plateforme promet aux clients de choisir où entraîner et déployer le modèle, tout en conservant leurs données dans leur propre infrastructure. Ces possibilités décrivent l’offre annoncée par l’entreprise ; les informations disponibles ne détaillent pas les modalités techniques ou contractuelles de chaque déploiement.
Victor
La concurrence existe déjà, et le coût du système compte beaucoup. Qu’est-ce qui permettra de savoir si Remanence apporte une véritable valeur aux entreprises ?
Théa
Remanence arrive sur un terrain où figurent déjà Adaptive ML et Veris AI, mais aussi des outils ouverts qu’une équipe technique peut utiliser en interne. Adaptive ML propose notamment des outils d’évaluation et d’amélioration de modèles. L’entreprise affirme qu’AT&T l’aurait choisie pour adapter des modèles à ses données et à ses outils, mais cette affirmation n’est pas corroborée dans l’article de Brief IA. Veris AI travaille sur la simulation de systèmes d’entreprise et la transformation de traces en cas de test. Une autre possibilité consiste à utiliser ART, un cadre d’entraînement proposé par OpenPipe. Les informations disponibles décrivent ces offres, sans établir ce qui différencierait concrètement Remanence de ces solutions.
Théa
Et le bon indicateur n’est pas seulement le coût d’exécution du modèle. Il faut comparer le coût total d’une tâche réussie, en incluant l’entraînement initial, les mises à jour lorsque les procédures changent et les dossiers que le modèle ne peut pas traiter. Si une personne doit reprendre fréquemment les résultats, cette intervention peut réduire, voire annuler, les économies attendues. Il faudra aussi savoir combien de temps est nécessaire pour transformer les traces en modèle réellement exploitable. Enfin, les outils créés pour un client pourront-ils être réutilisés pour d’autres entreprises ayant des procédures proches ? Si chaque déploiement demande de reconstituer entièrement les règles et les exceptions, le service risque de rester coûteux à produire.
Victor
Quelles sont les principales incertitudes à garder en tête avant de considérer cette levée comme la preuve qu’un nouveau modèle économique est déjà trouvé ?
Théa
La levée donne à Remanence des moyens pour développer son produit, mais elle ne prouve pas encore que les entreprises obtiendront un avantage économique durable. La startup devra démontrer que ses modèles réussissent mieux ou coûtent moins cher sur des procédures comparables, sans accroître le travail de contrôle humain. Frenchweb explique que vérifier une décision suppose de connaître la règle applicable, le résultat attendu et les exceptions éventuelles. Les informations disponibles ne permettent pas encore d’établir dans quelle mesure les journaux d’exécution suffiront à recréer ces situations. Il faudra aussi observer comment les modèles réagissent lorsque les logiciels ou les procédures évoluent. Un système spécialisé peut être efficace sur une tâche répétitive, tandis que les cas plus complexes pourraient nécessiter un modèle généraliste ou une intervention humaine.
Victor
En une idée, Théa, qu’est-ce qu’il faut retenir de l’ambition de Remanence et de ce qu’il reste à démontrer ?
Théa
Remanence veut faire des opérations déjà réalisées par les agents d’une entreprise une matière pour entraîner des modèles adaptés à ses propres règles. L’ambition associe ainsi apprentissage à partir des traces, contrôle du lieu de déploiement et possibilité de garder les données dans l’infrastructure du client. Les 30 millions de dollars annoncés doivent financer les recherches et les moyens de calcul nécessaires pour transformer cette promesse en produit. Mais la preuve décisive sera opérationnelle : des tâches réussies, vérifiables, à un coût total inférieur, sans multiplier les reprises humaines. Pour les entreprises, la question n’est donc pas seulement de savoir si un modèle peut apprendre leur procédure. C’est de savoir s’il peut continuer à bien l’appliquer quand les règles changent, et si le résultat justifie le coût de toute la chaîne.
Victor
Merci Théa pour ces explications.
Une erreur ?
Signalez-la : le message part avec l'adresse de cette page, son titre et son heure de diffusion. Une personne mise en cause peut aussi exercer son droit de réponse.
Signaler une erreurUn mot pour la rédaction ?
Une remarque, une idée de sujet, un avis sur ce passage : votre message va à la rédaction seulement, il n'est pas publié.