En janvier 2018, l’IA en entreprise commence pour vrai à toucher la salle machine — pas juste les présentations PowerPoint. Pour mes dealers, ça devient un sujet concret: comment passer des belles démos d’intelligence artificielle à quelque chose qui tourne dans nos systèmes, sur nos données, au quotidien. Cette année, je m’y plonge à fond — au point de m’inscrire à une maîtrise en IA pour solidifier mes bases. Je veux comprendre la mécanique en dessous, pas juste le discours.

Pis ce que j’apprends en commençant, c’est que l’IA en entreprise, ce n’est pas d’abord une histoire d’algorithmes sexy. C’est une histoire de plomberie. La salle machine, c’est là que tout se joue: les données, leur qualité, leur accessibilité, leur fraîcheur.

L’IA mange des données

La règle première que je retiens: un modèle d’IA ne vaut pas mieux que les données qu’on lui donne à manger. Le plus bel algorithme, nourri de données croches, sort des résultats croches — mais présentés avec une assurance trompeuse.

flowchart LR
    A[Donnees du dealer] --> B{Qualite?}
    B -->|Propres, completes| C[Modele entrainable]
    B -->|Croches, trouees| D[Garbage in]
    C --> E[Predictions utiles]
    D --> F[Garbage out, mais joli]
    F --> G[Decision basee sur du vent]

C’est le vieux principe « garbage in, garbage out », mais l’IA l’amplifie. Parce que le modèle ne dit jamais « attention, mes données étaient pourries ». Il sort un chiffre confiant, pis on a tendance à le croire. Pour mes dealers, ça veut dire que tout le travail de qualité de données que j’ai prêché depuis des années devient soudain la fondation de l’IA. Sans données propres, pas d’IA utile.

La salle machine avant la magie

Mon réflexe d’architecte, en commençant ma formation, c’est de regarder l’infrastructure avant l’algorithme. Où sont les données? Sont-elles centralisées ou éparpillées dans dix systèmes? Peut-on les rejoindre, les nettoyer, les rafraîchir? Sans ça, l’IA reste une démo.

Une réponse trop confiante peut avoir l’air professionnelle même quand elle part de données pourries. Ça, c’est le danger que je veux nommer dès le départ. Le modèle ne doute jamais à voix haute. C’est à nous, humains, de garder le doute pis de vérifier que la salle machine est propre avant de faire confiance à ce qui en sort.

Ce que je retiens

En janvier 2018, l’IA en entreprise touche enfin la salle machine, pis je m’y engage sérieusement — assez pour retourner aux études. Ce que je comprends d’emblée, c’est que la vedette, ce n’est pas l’algorithme: c’est la donnée qui le nourrit.

Pour mes dealers, l’IA réussie sera d’abord une affaire de plomberie: des données centralisées, propres, traçables, fraîches. Le reste, l’algorithme, vient après. Mon rôle, comme architecte qui se forme, c’est de ne pas me laisser éblouir par la magie pis de m’assurer que la salle machine est solide. Parce qu’une IA bâtie sur des données croches, c’est juste une façon plus rapide pis plus convaincante de se tromper.