Frederic CAVAZZA engagement report

Best tweets

• Oct 2, 202647x their median

  Le service @Mediasmeteo / https://t.co/pkoLcbbe6j permet de comprendre comment l'actualité est traitée par les médias... Petit screenshots sur l'analyse de l'affaire Bardella Soral... https://t.co/ETPZap41PY https://t.co/JcRyfdwdbw

  32711820826K viewsView on X
• Sep 13, 20266.0x their median

  Les patrons de Claude et de ChatGPT appellent à une régulation plus forte de l’IA, ainsi qu’à un ralentissement de la R & D. J’ose espérer que vous n’êtes pas assez naif pour penser que ces appels sont sincères et désintéressés... Voici mon décryptage : 1️⃣ Après 4 ans de course à l’innovation, Anthropic et OpenAI ont mis au point des modèles génératifs surpuissants (Mythos et Astra), mais qu’ils ont du mal à maitriser. 2️⃣ Cette course folle à un prix : des équipes internes au bord de la rupture (avec des démissions retentissantes), des coûts de développement / exploitation qui explosent (impossibles à rentabiliser), des modèles tellement puissants qu’ils ne parviennent pas à sécuriser (commercialisation inenvisageable sur des marchés comme l’UE où ils seraient responsables des dérives ou incidents). 3️⃣ Plutôt que d’avouer qu’ils sont arrivés au bout du bout de leurs capacités à innover et sortir tous les trimestres de nouveaux produits, ils préfèrent neutraliser le marché, donc la concurrence. 4️⃣ La régulation et les garde-fous qu’ils préconisent sont une forme de douve pour se mettre à l’abri des autres éditeurs de modèles open source (Meta, xAI…) et surtout des éditeurs chinois (DeepSeek, Z, Moonshot…). 5️⃣ Le but de la manoeuvre est de s’assurer un répit pour qu’ils puissent relâcher la pression interne, devenue insupportable, et trouver un "second souffle" pour repartir sur le même rythme qu’avant. Pour faire simple : ils manoeuvrent pour faire supporter au régulateur le coût de mesures de protection contre leurs concurrents. C’est malin, mais je ne suis pas dupe. Et vous ? https://t.co/ADe6Y9UIux

  487503.2K viewsView on X
• Sep 22, 20265.7x their median

  Pour celles et ceux qui se posent des questions sur le phénomène technologique du moment, Jev, je vous propose un décryptage rapide de ce qui nous est parfois présenté, à tort, comme le nouveau ChatGPT. 🤦🏻 Pour faire simple : Jev est un modèle de décision, il ne sert pas à générer du contenu, mais à prendre rapidement des décisions structurées sur la base de probabilités. Son intérêt est de soulager les modèles traditionnels de certaines décisions intermédiaires utilisées dans les systèmes agentiques : choisir un outil, sélectionner un type de modèle, poursuivre ou arrêter une tâche, vérifier un résultat… 🤔 Explication plus détaillée : 1️⃣ L’IA ne se limite pas aux modèles génératifs. Ces derniers se sont imposés avec ChatGPT, mais ils sont conçus avant tout pour produire des contenus : texte, images, audio, vidéo, code… 2️⃣ Un modèle de langage comme GPT ou Claude reçoit des instructions et génère sa réponse token après token. Cette approche est extrêmement polyvalente, mais elle mobilise des ressources, notamment lorsque le système doit simplement prendre une petite décision parmi des possibilités définies à l’avance. 3️⃣ TypeSafe a lancé le 15 septembre Jev, qu'ils présentent comme un "System One Model". Sa particularité est qu'il ne génère pas de texte. Il reçoit un état et des questions structurées, puis renvoie directement des décisions probabilistes. 4️⃣ Ces décisions peuvent prendre plusieurs formes : choisir une option parmi une liste, attribuer un score ou répondre par vrai ou faux. Chaque résultat est accompagné d’une probabilité ou d’un niveau de confiance. 5️⃣ Exemple : plutôt que de demander à un LLM "Analyse cette demande et explique-moi quel agent doit la traiter", un système agentique va fournir à Jev la demande ainsi qu'une liste d’agents possibles. Jev évalue les options et renvoie directement les probabilités correspondantes. 6️⃣ L’intérêt vient du fait que ces décisions peuvent être évaluées en parallèle, sans avoir à générer une réponse mot par mot. Jev est beaucoup plus rapide et moins coûteux sur ce type de tâches très contraintes. 7️⃣ Jev n’est donc ni une alternative aux modèles génératifs comme GPT ou Claude, ni aux orchestrateurs comme ChatGPT Work ou Claude Cowork. C’est une brique spécialisée qui peut être intégrée dans un système agentique. 8️⃣ Ainsi, un agent doit prendre en permanence de petites décisions : Quel modèle utiliser ? Quel outil appeler ? Faut-il poursuivre, recommencer ou s’arrêter ? Le résultat est-il acceptable ? Faut-il demander une validation humaine ? Aujourd’hui, beaucoup de ces arbitrages sont encore confiés à des modèles de langage (qui s'acquittent parfaitement de ces tâches, mais sont très gourmands en ressources). 9️⃣ Un modèle de décision comme Jev permet de déléguer une partie de ces arbitrages à un composant spécialisé, tandis que les modèles génératifs conservent les tâches pour lesquelles ils sont réellement nécessaires : comprendre une demande complexe, raisonner, produire du contenu ou exécuter une tâche. 🔟 Les gains annoncés sont très importants : TypeSafe revendique jusqu’à 200 fois moins de latence et 450 fois moins de coût sur certains workflows par rapport à des modèles génératifs classiques. L’éditeur précise que ces chiffres correspondent probablement au haut de la fourchette des gains réels. En synthèse : Jev ne rend pas les modèles de langage obsolètes, il propose plutôt une division du travail différente. Ainsi, les tâches complexes de compréhension, de raisonnement, de production... sont réservées aux modèles génératifs traditionnels ; tandis que les nombreux arbitrages rapides et contraints nécessaires au fonctionnement des systèmes agentiques sont confiés aux modèles de décision comme Jev. 🤓 C’est peut-être là le point le plus intéressant : pour rendre les agents plus rapides et moins coûteux, il n’est pas toujours nécessaire d’utiliser un modèle puissant (ex : GPT Astra ou Claude Fable). Il est nettement plus efficace d’utiliser plusieurs modèles spécialisés, chacun pour ce qu’il sait faire le mieux. 😄 Plus d'explications ici : https://t.co/X5oDBQZhbz

  3219153.4K viewsView on X
• Aug 27, 20263.4x their median

  L’IA générative donne aujourd’hui accès à des connaissances et à des capacités qui étaient autrefois réservées à des spécialistes. Le risque est de confondre cette puissance de production avec nos propres connaissances ou compétences : produire ne signifie pas nécessairement comprendre, juger ou savoir reprendre la main. Je vous propose dans cet article d’examiner cette illusion, ainsi que son effet possible sur l’apprentissage. Car l’IA générative ne détériore pas nécessairement nos capacités : le problème apparaît surtout lorsqu’elle se substitue à l’effort nécessaire pour les acquérir, les exercer et les conserver. #GenAI > https://t.co/Z4lbZkNJHc En synthèse : 1️⃣ L’IA démocratise la capacité de produire, mais pas la compétence. Obtenir un résultat convaincant ne signifie pas savoir le comprendre, l’évaluer, le corriger ou l’assumer. 2️⃣ Performance assistée et compétence autonome ne progressent pas nécessairement ensemble. L’IA peut améliorer immédiatement la productivité tout en freinant l’acquisition durable de connaissances et la maîtrise de méthodes. 3️⃣ Utiliser l’IA pour réaliser une tâche que l’on ne maîtrise pas revient davantage à monter dans un robotaxi qu’à activer une assistance à la conduite. On obtient le résultat sans acquérir la capacité de reprendre la main. 4️⃣ L’IA ne crée pas la paresse intellectuelle, elle la récompense. En offrant rapidement un résultat satisfaisant avec peu d’effort, elle incite insidieusement à déléguer toujours davantage sa réflexion. 5️⃣ Le véritable enjeu est d’utiliser l’IA pour augmenter ses compétences, pas pour les simuler. Il faut conserver assez de connaissances, de pratique et de discernement pour comprendre ce que l’on délègue et reprendre la main si nécessaire.

  1813121.7K viewsView on X
• Oct 9, 20263.1x their median

  Une annonce passée quasiment inaperçue cette semaien mérite largement votre attention : le passage des agents IA aux collaborateurs synthétiques. Lors de son événement Gemini at Work, Google a ainsi présenté une nouvelle génération d’agents capables de prendre en charge des missions complexes, de travailler en arrière-plan et de collaborer avec des humains ou d’autres agents : https://t.co/CDlxh7QL1P Pour comprendre cette évolution, je vous propose de distinguer quatre modalités fonctionnelles pour l’IA, correspondant à des niveaux de sophistication croissants : 1. Les chatbots. Ils répondent aux questions, recherchent des informations et génèrent ou manipulent des contenus (textes, images, documents, code…). Leur fonctionnement repose principalement sur des interactions ponctuelles avec l’utilisateur. 2. Les agents. Ils exécutent des tâches en mobilisant différents outils et applications. Ils peuvent enchaîner plusieurs opérations pour atteindre un objectif, avec un degré d’autonomie variable. 3. Les orchestrateurs. Ils décomposent un besoin complexe en un plan d’action, répartissent les tâches entre plusieurs agents spécialisés, coordonnent leur exécution et consolident les résultats. 4. Les collaborateurs synthétiques. Ce sont des super-orchestrateurs persistants, disposant de leur propre identité numérique (adresse électronique, calendrier, espace de stockage, mémoire…). Ils peuvent recevoir des missions de plusieurs personnes, travailler dans la durée et s’intégrer aux équipes comme des ressources opérationnelles. L’annonce de Google est particulièrement intéressante sur trois aspects : - L’unification des usages. Gemini ambitionne de devenir un environnement de travail unique, capable de passer de la conversation à la production documentaire, à la programmation ou à l’automatisation de processus, tout en conservant le contexte des activités. - L’identité organisationnelle des agents. Les collaborateurs synthétiques peuvent disposer de leurs propres comptes, permissions et ressources numériques. Ils deviennent ainsi des acteurs identifiables du système d’information, capables de collaborer avec plusieurs salariés et d'intervenir dans la durée. - La séparation entre le harnais agentique et le modèle d’IA. Gemini ne repose plus exclusivement sur les modèles de Google. Son architecture peut également mobiliser des modèles tiers, notamment Claude. L’intelligence opérationnelle repose alors sur un ensemble de composants (mémoire, compétences, outils, connecteurs, orchestration…), dont le modèle de langage n’est qu’une partie. Google n’est pas seul sur ce terrain : Microsoft avec Copilot Autopilot poursuit des ambitions comparables, tandis que Claude Cowork ou ChatGPT Work sont encore limités à l’orchestration. Cette convergence des efforts des grands éditeurs confirme une transformation fondamentale : nous passons progressivement d’une IA que l’on sollicite pour obtenir des réponses à une IA à laquelle on délègue des responsabilités opérationnelles. La compétition ne porte donc plus uniquement sur les performances des modèles, mais également sur la qualité des harnais sémantiques / méthodologiques et leur intégration dans les systèmes d’information. Le véritable enjeu pour les entreprises ne sera pas seulement d’adopter de nouveaux chatbots, agents ou assistants, mais d’apprendre à organiser, encadrer et superviser le travail de ces nouveaux collaborateurs synthétiques. Reste à démontrer leur fiabilité et leur rentabilité à grande échelle, car les capacités les plus avancées annoncées par Google sont encore en accès restreint.

  1711303.4K viewsView on X
• Sep 4, 20262.9x their median

  Différentes études nous prouvent que les outils exploitant l’IA générative sont déployés dans les entreprises à un rythme soutenu, mais que les gains collectifs restent encore largement en retrait par rapport aux bénéfices constatés au niveau individuel. Le problème n’est pas seulement technique, car la clé de la performance réside dans la capacité des entreprises et organisations à faire évoluer les compétences et méthodes de travail des collaborateurs, ainsi que leur fonctionnement. Je vous propose dans cet article de relativiser la course aux outils pour examiner ce qui doit réellement être préparé avant un déploiement à grande échelle de l’IA générative. Acculturation, documentation des processus, structuration des connaissances et formalisation du travail réel : c’est probablement là que commence réellement la transformation agentique. #GenAI #TransfoNum > https://t.co/dyJALcASGf En synthèse : 1️⃣ L’adoption de l’IA est rapide en surface, mais encore très superficielle en profondeur. Les gains restent surtout individuels et se traduisent rarement par une amélioration mesurable des performances globales de l’entreprise. 2️⃣ Le principal obstacle n’est pas technique, mais organisationnel. Pour transformer des gains individuels en gains collectifs, les entreprises doivent repenser leurs procédures, leurs processus et les façons de travailler. 3️⃣ Il faut rassurer et acculturer avant de former ou d’outiller. La maîtrise durable des outils reposant sur l’IA dépend davantage de la compréhension des modèles génératifs et de leur fonctionnement que de simples formations au prompting. 4️⃣ La performance des IA dépend avant tout de la qualité de la description du contexte de travail. Informations, connaissances, données, procédures, processus et outils doivent être listés, structurés et accessibles pour permettre aux agents de réellement gagner en autonomie. 5️⃣ La priorité est de formaliser l’intelligence organisationnelle de l’entreprise. Cela implique trois chantiers : qualifier le patrimoine informationnel, documenter les processus et faire émerger les pratiques informelles.

  195322.0K viewsView on X
• Sep 24, 20262.1x their median

  À chaque nouvelle génération de modèles, la même question revient : faut-il forcément disposer de l’IA la plus puissante pour obtenir les meilleurs résultats ? Les modèles de frontière repoussent les limites techniques, mais leur coût, leur consommation de ressources et leur complexité les rendent souvent disproportionnés pour les usages courants. Je vous propose dans cet article de déplacer le débat : plutôt que de chercher le meilleur modèle, il faut s’interroger sur le niveau de capacité réellement nécessaire et sur la qualité du système qui l’entoure. Car, pour les entreprises, la différence se joue de plus en plus dans le harnais qui transforme les capacités générales d’un modèle en compétences opérationnelles adaptées au contexte spécifique d’une entreprise. #GenAI https://t.co/24WJlnoIuE En synthèse : 1️⃣ La performance maximale n’est pas synonyme de pertinence : les modèles de frontière repoussent les limites de l’IA, mais sont largement surdimensionnés pour la majorité des tâches quotidiennes. 2️⃣ Le bon modèle est celui qui répond au besoin au juste coût : l’enjeu est de trouver le meilleur compromis entre qualité, coût et consommation de ressources. 3️⃣ La puissance extrême se justifie surtout pour les usages critiques : le surcoût d’un modèle de frontière devient acceptable lorsque la valeur du problème traité est suffisamment élevée. 4️⃣ La valeur opérationnelle vient de l’environnement qui entoure le modèle : le harnais lui apporte le contexte métier, les données, les outils, les règles et les procédures nécessaires. 5️⃣ L’avantage compétitif se déplace du modèle vers le système : une fois un niveau de capacité suffisant atteint, les gains les plus importants viennent du harnais et de l’orchestration des modèles.

  135121.5K viewsView on X
• Aug 25, 20261.7x their median

  Est-ce que l’IA détruit des emplois ? Non. Est-ce que l’IA freine les embauches ? Non. Du moins pas de façon significative. Et surtout pas pour tout le monde. 🧐 La dernière version de l’étude annuelle de Stanford sur l’impact de l’IA sur l’emploi aux USA démontre une amorce de tendance : une baisse de 20% dans les embauches pour les moins de 25 ans dans les fonctions les plus exposées à l’IA. 😕 Nous pensions que le repli des embauches était une conséquence de la morosité du marché (permacrises + guerres), mais les dernières statistiques semblent prouver qu’il y a bien une conséquence néfaste à l’avènement de l’IA. Ceci étant dit, ce n’est une surprise pour personne, car il faut être aveugle pour ne pas constater les progrès de l’IA générative et ce qu’elle apporte aux cols blancs (les travailleurs du savoir). https://t.co/pvdjqQQ7rr

  87111.5K viewsView on X
• Oct 6, 20261.5x their median

  Comme chaque année, Sophie Yannicopoulos ouvre l'#AdobeSummit et nous confirme que 58% des marques ne parviennent pas à dépasser le stage de l'expérimentation avec l'IA et les agents intelligents, car le passage à l'échelle est compliqué (données, gouvernance...). #GenAI https://t.co/rNtnBLCcQY

  64321.5K viewsView on X
• Oct 9, 2026

  Une vidéo parodique pour nous aider à prendre du recul sur cette frénésie d’innovations autour des modèles génératifs. Non, l’IA n’est pas la solution à tout, chaque être humain est livré avec un cerveau, vous pouvez l’utiliser à loisir, c’est gratuit ! https://t.co/f4jUyrlzLK

  93201.1K viewsView on X

Ranked by total interactions across everything we have tracked for this account, which is a longer history than the 30-day window the rates above use. The multiple compares each post to this account's own median.

Keep going