Novembre 2022. ChatGPT sort. Autour de moi, tout le monde dit "gadget". Moi, je lui demande de générer du code Python. Il le fait. Mal, mais il le fait. Et je me dis : si c'est ça aujourd'hui, qu'est-ce que ce sera dans trois ans ?
Trois ans plus tard, tout le monde parle d'agents IA. Moi, j'avais créé une formation sur le sujet un an avant.
Ce n'est pas de la chance. C'est un réflexe que j'ai développé pendant 18 ans à traquer ce que personne ne voyait.
Là où tout a commencé
Vous connaissez le contrôle technique de votre voiture ? Des techniciens vérifient que tout est aux normes. Dans l'industrie, c'est pareil : des contrôleurs s'assurent que les installations électriques sont sûres, que les rejets respectent les seuils, que les machines ne blesseront personne.
Moi, j'étais celui qui vérifiait leurs outils de mesure.
Pendant 18 ans chez Dekra Industrial, mon travail consistait à m'assurer que quand un appareil affiche une valeur, cette valeur est vraie. Parce qu'un contrôleur avec un outil faussé, c'est pire qu'un contrôleur absent.
Les conséquences d'une mesure fausse sont concrètes. Dans l'électrique ou sur les machines, ça peut être une électrocution, un accident corporel, une sécurité qui ne protège plus. Ou à l'inverse : une entreprise qui paye des travaux inutiles parce qu'on a déclaré "non conforme" quelque chose qui l'était.
Mon travail, c'était d'éliminer ces erreurs à la source.
Comprendre le système, pas juste l'appareil
Je me souviens d'un cas qui illustre bien cette approche. On mesurait l'exposition aux particules des techniciens. Le processus était simple en apparence : des capteurs collectent les particules sur des filtres, on pèse les filtres avant et après passage au four pour éliminer l'humidité.
Le problème, c'est que la température devait être parfaitement homogène dans tout le four. Trop basse, l'eau ne s'évapore pas et la mesure est faussée. Trop haute, le filtre crame et on ne peut plus rien mesurer.
Ma mission n'était pas de "vérifier un thermomètre". C'était de cartographier le four entier, zone par zone, variable par variable, pour comprendre le système complet et ses contraintes.
Cette façon de voir les choses — le système plutôt que l'élément isolé — je l'ai longtemps crue normale. Jusqu'à ce que je comprenne pourquoi je fonctionnais différemment.
Ce que la neuroatypie m'a appris sur moi-même
J'ai découvert ma neuroatypie après un burnout. Pendant l'accompagnement qui a suivi, une question revenait sans cesse : pourquoi je me sens toujours décalé ?
La réponse est venue en rejoignant une association de personnes atypiques. J'ai compris que la plupart des gens ne fonctionnent pas comme moi.
Quand les autres utilisent un outil, moi je lis la notice. En entier. Puis je démonte le mécanisme pour comprendre comment il marche. Au lycée, on devait acheter une calculatrice graphique. Mes camarades s'en servaient pour les maths. Moi, j'ai lu toute la notice et j'ai appris à programmer en Basic dessus.
Ce n'est pas de la curiosité. C'est un besoin. Je ne peux pas utiliser quelque chose sans comprendre comment ça fonctionne.
Quand je regarde un banc de mesure, je vois les éléments électroniques, leur rôle, le flux de données entre eux, le processus complet. Je ne vois pas "un appareil". Je vois le système.
C'est pareil avec une base de données, un workflow, ou un process métier. Ce que d'autres mettent des semaines à diagnostiquer, je le vois en quelques heures.
Mais voir les systèmes ne suffit pas. À un moment, j'ai eu besoin de les construire.
Le moment où tout a basculé
Après 18 ans chez Dekra, j'étais frustré. Je passais trop de temps à calibrer des appareils, pas assez à construire des systèmes. Et l'ambiance se dégradait.
Je me suis posé la question : où suis-je vraiment bon ? La réponse était claire : l'analyse. Comme je suis geek, le métier de data analyst m'a séduit. Pas si éloigné de la métrologie finalement : dans les deux cas, on traque la vérité dans les chiffres.
J'ai démarré une licence en congé formation. Et là, en plein milieu de ma reconversion, novembre 2022, ChatGPT est sorti.
Même réflexe qu'en métrologie : anticiper ce qui vient.
Mai 2023, j'ai terminé ma formation. Je suis retourné chez Dekra. Mon poste avait été donné à quelqu'un d'autre. On m'a mis au placard.
18 mois au placard. Ça aurait pu être du temps perdu. J'en ai fait autre chose.
Pendant que l'entreprise me mettait de côté, je construisais mon arsenal. J'ai appris à utiliser ChatGPT en profondeur. J'ai codé mes premiers chatbots. J'ai développé des compétences en marketing et en vente.
En octobre 2024, rupture conventionnelle. Je me suis lancé.
Je sortais du placard plus armé qu'en y entrant. Pas comme data analyst classique. Comme quelqu'un qui comprend l'IA — et surtout, qui sait quand elle sert et quand elle encombre.
Ce que je fais différemment aujourd'hui
Quand un client vient me voir, ma première question n'est jamais "Quel outil IA voulez-vous ?". C'est : où est votre donnée, et qu'est-ce que vous en faites ?
Un exemple récent. Un client voulait un "agent IA" pour extraire les données de trois logiciels et calculer ses marges. C'était le mot à la mode, il le voulait.
En regardant son besoin réel, j'ai proposé autre chose. D'abord un ETL pour extraire et transformer les données. Puis un dashboard pour visualiser les marges. L'IA n'arrivait qu'en dernier, pour analyser les tendances.
Résultat : plus simple, plus fiable, moins cher. Et le client a exactement ce dont il avait besoin.
Ce que je vois souvent chez les consultants qui n'ont jamais mis les pieds dans une usine, c'est cette envie de tout résoudre avec un LLM.
Extraire un pattern dans du texte ? Ils sortent un modèle à 100 milliards de paramètres, alors qu'une regex bien écrite suffit. Catégoriser des données ? Ils proposent du fine-tuning GPT, alors qu'un algorithme de classification classique fait le travail. Croiser des tables ? Ils veulent un agent IA, alors qu'une requête SQL règle le problème.
Le LLM est puissant. Mais c'est un marteau. Et tous les problèmes ne sont pas des clous.
30% de mes projets n'utilisent pas de LLM. Parce que parfois, la solution simple est la meilleure.
Les entreprises avec qui je travaille
Cette approche parle à un type d'entreprise en particulier : les PME et ETI industrielles.
Celles qui ont des données éparpillées dans cinq endroits différents. Des process flous que personne n'a documentés. Pas de visibilité sur ce qui compte vraiment.
Ces entreprises n'ont pas le temps de démêler le vrai du faux sur l'IA. Elles ont besoin de quelqu'un qui regarde leur donnée, identifie le vrai problème, et propose une solution qui tient la route.
Ce que les autres promettent : la magie IA, les buzzwords, les solutions génériques, le "l'IA peut tout faire".
Ce que je livre : la rigueur scientifique, les tests de fiabilité, l'architecture sur-mesure, et surtout : "Voici ce dont vous avez vraiment besoin."
18 ans à vérifier que les mesures sont vraies. Aujourd'hui, je fais pareil avec vos systèmes data.
Et maintenant ?
Si vous vous reconnaissez dans ce que vous venez de lire — si vous dirigez une PME industrielle, si vos données sont éparpillées, si vous vous demandez si l'IA peut vraiment vous aider ou si c'est encore du vent — on devrait en parler.
En 30 minutes, je peux vous dire si votre problème mérite un LLM ou une simple requête SQL.
Damien Bihel — Architecte Systèmes Data
Tags
Damien Bihel
Architecte IA Industriel
18 ans d'expérience en métrologie industrielle, expert Data Science et IA. J'accompagne les PME industrielles dans leur transformation IA.