Martin Le Loc (Alvia) : « Nous passons d’un mode “copilote” à un mode “autopilote” avec les IA »

Fondateur d’Alvia, collectif d’experts en intelligence artificielle, Martin Le Loc décrypte l’évolution rapide de l’IA, de ses dernières tendances à ses applications concrètes dans l’industrie et la santé. Il explique, notamment, comment l’émergence des agents autonomes transforme le paysage de l’innovation. Une expertise essentielle pour distinguer aujourd’hui les projets d’IA réellement « deeptech » des projets numériques plus classiques.

POC Media : Quelles sont les évolutions majeures que vous observez dans l’IA ces dernières années ?

Martin Le Loc : Pour comprendre l’accélération que nous vivons actuellement, il faut regarder la trajectoire depuis plusieurs décennies. Nous avons vécu 70 ans de cycles, alternant entre des « hivers » de déception et des printemps technologiques. Le premier point de bascule a eu lieu en 2012, grâce à la convergence de trois ingrédients : une profusion de données, des algorithmes matures et une puissance de calcul devenue accessible. Mais l’accélération s’est réellement intensifiée en 2017 avec l’arrivée de l’architecture « Transformer », qui a permis aux machines de saisir le contexte global d’une information plutôt que de la traiter séquentiellement. Nous sommes passés d’une ère de l’analyse à une ère de la génération. Ce nouveau potentiel débloque de nombreuses applications transformantes.

Les entreprises adoptent-elles ces technologies rapidement ?

La réponse est nuancée, car nous vivons une forme de paradoxe. D’un côté, l’adoption superficielle est rapide ; de l’autre, l’intégration industrielle est un parcours du combattant. Il y a, aujourd’hui, un malentendu sur la facilité de mise en œuvre. Nous voyons émerger beaucoup d’acteurs qui promettent de révolutionner les processus métier à coups de solutions « no-code », laissant croire qu’il suffit de quelques clics pour transformer une organisation. C’est une vision séduisante, mais elle se confronte à la réalité opérationnelle.

Quels sont les prérequis avant d’intégrer de l’IA ?

Pour une entreprise, réussir son virage IA repose sur la maîtrise de deux piliers qui sont fondamentalement plus complexes que le simple déploiement d’un outil : Le premier, c’est la réalité des systèmes d’information (SI). L’enjeu n’est pas de faire tourner une IA dans le vide, mais de la connecter à des systèmes historiques souvent lourds, silotés et vieillissants. Intégrer une IA générative au cœur d’un ERP ou d’une chaîne de production demande une architecture robuste et sécurisée, bien loin du « plug-and-play » annoncé. Le deuxième est l’adoption métier. Passer d’un outil qui suggère (copilote) à un système qui exécute (autopilote) demande une transformation profonde des méthodes de travail. Il faut accompagner les équipes pour qu’elles soient à l’aise avec la délégation d’une part de leur expertise à la machine.Les entreprises qui réussissent ne sont pas celles qui cèdent aux sirènes de la facilité, mais celles qui investissent pour lever ces barrières structurelles et culturelles.

Quelles sont les limites actuelles ?

Nous sortons de l’euphorie pour entrer dans l’ère du réalisme face à trois limites principales. La première est physique : c’est l’énergie. L’IA n’est pas virtuelle, elle repose sur une infrastructure gourmande en énergie et en matières premières. Nous risquons d’être limités par les GW disponibles plutôt que par les algorithmes. La bataille glisse donc du logiciel vers l’accès aux infrastructures (électricité, data centers…). La deuxième est la fiabilité. Si une hallucination est acceptable pour certains usages, elle est interdite pour piloter une industrie ou diagnostiquer un patient. Les modèles actuels restent des « boîtes noires » difficiles à auditer. L’explicabilité et la robustesse face aux imprévus sont des enjeux clés. Enfin, la donnée. La limite n’est plus d’exploiter la donnée publique, mais de réussir à exploiter les données propriétaires de qualité qui sont les seules à pouvoir encore faire progresser les modèles.

Les derniers modèles d’IA générative semblent être capables d’utiliser toutes les données disponibles sur le web. L’accès à la donnée est-il encore une priorité ?

C’est plus que jamais une priorité, mais la nature de la bataille a changé. Hier, les modèles s’entraînaient sur l’océan du web public. Or, selon certaines études, ce réservoir de données publiques de qualité sera épuisé vers 2026. La course au gigantisme sur des données publiques touche à sa fin. L’avenir appartient aux données propriétaires, celles qui résident dans des « lacs privés » au sein de nos entreprises. C’est là que se joue la souveraineté : notre capacité à transformer le patrimoine de données de nos PME et industriels (santé, luxe, aéronautique) en avantages compétitifs. Il ne s’agit plus de racler le web, mais de raffiner des données spécifiques pour entraîner des modèles experts plus précis.

« L’avenir appartient aux données propriétaires »

Martin Le Loc

L’« agentic AI » est souvent citée comme une révolution. Pouvez-vous nous préciser ce que représente ce tournant ?

L’IA agentique marque une rupture technologique : le passage d’une IA générative, cantonnée à la production de contenu, à une IA exécutive capable d’agir sur son environnement. Techniquement, cela consiste à coupler un grand modèle de langage (LLM), qui sert de moteur de raisonnement et de planification, à des interfaces de programmation (Protocoles, APIs…) qui lui permettent d’interagir avec d’autres logiciels. L’agent ne se limite plus à suggérer une action ; il reçoit un objectif complexe, le décompose en sous-tâches et l’exécute de bout en bout de manière autonome.

Avez-vous un exemple à nous donner ?

Oui, là où un assistant classique vous listerait les étapes pour organiser une logistique complexe, un agent est capable de se connecter aux systèmes, d’effectuer les réservations, de valider les transactions et de gérer les aléas en temps réel. Néanmoins, la route vers l’intégration et l’adoption de l’IA agentique est encore longue et ne se fera pas sur la performance pure, mais sur l’observabilité de leurs comportements et l’intégration dans les processus métiers.

Comment distinguer une vraie innovation deeptech en IA d’un simple buzzword ?

C’est la question centrale de la valorisation. Le code, en soi, n’est plus une barrière à l’entrée et devient une commodité accessible à tous grâce aux agents de développement informatique.

Pour identifier une vraie deeptech, il faut chercher des barrières durables, des « moats », qui se situent désormais à trois niveaux : un, la donnée propriétaire : les modèles génériques ont déjà lu tout le web public. La valeur refuge réside dans l’accès exclusif à des gisements de données métiers ou industriels que personne d’autre ne possède. Deux, le talent scientifique : une Deeptech naît d’une percée fondamentale, pas d’une étude de marché. Une équipe de chercheurs de classe mondiale constitue une forteresse intellectuelle difficile à copier rapidement. Enfin trois, la complexité « full-stack » : les projets les plus robustes hybrident le logiciel et le monde physique. Dans la santé ou l’industrie, l’algorithme ne suffit pas ; la barrière à l’entrée réside dans la maîtrise de toute la chaîne, du code jusqu’au laboratoire ou à l’usine. C’est beaucoup plus dur à bâtir, donc plus pérenne.

Quels signes permettent-ils de reconnaître un vrai projet deeptech ?

Au-delà des barrières que nous venons d’évoquer, le marqueur le plus fiable reste la genèse même du projet. Un vrai projet deeptech suit une logique « science first » : il ne naît pas d’une opportunité marketing, mais d’une percée scientifique fondamentale, souvent issue d’un laboratoire.

C’est aussi une question de temporalité : là où un projet numérique classique cherche un retour immédiat, la deeptech exige un « capital patient » pour financer un cycle de R&D long et incertain avant la phase de commercialisation.

Enfin, il existe un test simple : le « test de l’étiquette ». Si en retirant le mot IA du pitch, il ne reste qu’une interface web standard sans moteur technologique complexe, ce n’est sûrement pas de la deeptech. Dans la deeptech, l’IA n’est pas une fonctionnalité, c’est le cœur du réacteur.

Pouvez-vous nous citer des exemples d’applications concrètes de ces évolutions de l’IA ?

Pour mesurer l’impact réel, il faut regarder au-delà de la simple optimisation. L’IA est en train de redéfinir les règles physiques de nos industries. Dans l’industrie, la matière devient un logiciel. Le projet Gnome, de DeepMind, n’a pas juste amélioré un matériau existant, il a identifié 380 000 nouvelles structures stables, réalisant en quelques mois l’équivalent de 800 ans de recherche humaine. Dans la santé, la biologie devient programmable. Des entreprises de biotechnologies ont prouvé qu’on pouvait développer un médicament candidat et le mener jusqu’aux tests cliniques en moins de 30 mois, ce qui représente une compression considérable des cycles traditionnels de l’industrie pharmaceutique. Enfin, dans l’énergie, le logiciel remplace le béton. Des plateformes intelligentes pilotent désormais des milliers de batteries décentralisées pour créer une « centrale virtuelle » de 7,5 GW, optimisant ainsi la gestion d’un réseau toujours plus complexe.

Les acteurs académiques commencent à utiliser l’IA, notamment pour développer leurs activités d’innovation. Quels atouts possèdent les acteurs académiques pour bien utiliser l’IA ?

Les acteurs académiques détiennent la clé de l’équation stratégique « IA + X ». Contrairement aux acteurs purement numériques, ils possèdent la profondeur scientifique nécessaire pour faire dialoguer l’IA avec les lois de la physique ou de la biologie. C’est cet atout qui permet de créer des modèles « physiquement informés » (PINNs), bien plus robustes et fiables que de simples boîtes noires statistiques.

De plus, ils disposent d’un avantage souverain inestimable : des décennies de données expérimentales structurées et exclusives – issues de laboratoires comme ceux du CEA ou de l’INRIA – qui constituent aujourd’hui le carburant indispensable pour entraîner les modèles experts de demain.

Comment l’IA peut aider les chercheurs à « innover » davantage ?

L’IA agit comme un levier d’Archimède pour la méthode scientifique. Elle permet aux chercheurs de tester et de simuler des hypothèses dans un monde virtuel avant même de toucher à la matière. Que ce soit pour concevoir une nouvelle protéine ou une usine, on peut désormais explorer des millions de possibilités à coût réduit et ne retenir que la meilleure pour le monde réel.

Au-delà de la simulation, l’IA automatise le traitement des données complexes pour augmenter radicalement la capacité de découverte. Elle libère le chercheur des tâches d’observation pour lui permettre de devenir un « architecte » du vivant ou de la matière, en lui servant de « langue commune » pour collaborer avec d’autres disciplines et explorer des territoires scientifiques jusqu’alors inaccessibles.