In the first part of this tutorial, we connected our mobile prototype to a Firebase database. This is a great practice, especially relevant if you plan to transition to coding with frameworks like React Native later on. However, this approach keeps us dependent on a pre-filled database.

Today, we are shifting into high gear. After 20 years in the IT industry, I am still fascinated by how easily we can now integrate artificial intelligence into an app with just a few clicks. We are going to replace our static database with the Google Gemini API to generate 100% custom quotes on the fly!

Foreword: This article, enhanced with improvements generated by AI (Google Gemini), is made available under the CC BY-ND 4.0

Step 1: Get the brain’s keys (Google AI Studio)

To talk to Gemini from our app, we need a pass: an API key.

• Go to Google AI Studio.
• Sign in with your Google account.
• In the left menu, click on Get API key and then on the Create API key button.

• Once the API key is created, click on it to display it.
• Copy this long string of characters and keep it safe (never share it publicly).
  

Step 2: Adapt MotivApp’s Design

Let’s pick up our Thunkable project where we left off. We are going to add some interactivity.

• On Screen1 (Home): Add a Text Input component right above the “Inspire me!” button. Change its Hint property to display: “Enter a theme (e.g., Sports, Coding…)”. Rename this component Input_Theme.
  

Step 3: Prompt Engineering with RISEN

This is the core of the reactor. To prevent the AI from rambling, we will structure our request (prompt) with the professional RISEN framework. Here is how we will constrain the gemini-2.5-flash model:

• R (Role): Act as an expert motivational life coach.
• I (Instruction): Write an original motivational quote based on the following theme: [Theme typed by the user].
• S (Steps): 1. Analyze the theme. 2. Find an inspiring angle. 3. Formulate the quote. 4. Attribute it to a fictional or real author.
• E (End Goal): The reader must feel an immediate urge to take action.
• N (Narrowing): The response MUST follow this strict format: ‘Quote - Author’. Do not exceed 20 words. Do not include any greetings.

Here is exactly the final text our app will assemble, replacing the end app variable with the theme chosen by the user:

Act as an expert motivational life coach. 
Write an original motivational quote based on the following theme: [USER'S THEME]. 
1. Analyze the theme. 2. Find an inspiring angle. 3. Formulate the quote. 4. Attribute it to a fictional or real author. 
The reader must feel an immediate urge to take action. 
The response MUST follow this strict format: 'Quote - Author'. Do not exceed 20 words. Do not include any greetings.

Step 4: Logic and Blocks

On Screen1

Blocks overview

Blocks sequence

Initialisation

• When Screen1 opens, empty the Input_Theme.
• When clicking on Btn_Inspire, we must check that the Text in the Input_Theme component is not empty before executing the next steps.

Building the API Request:

• Create a Web API component : on the left list, uncollapse “Advanced”, then click on [+] at the right side of “Web APIs”. This will replace Firebase to communicate with Google’s servers.

  • Rename it to Gemini.
  • Configure the API URL: set the field “URL” to https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash:generateContent.
  • Configure your API key:
    • Set the field “Property” to key
    • Paste your API key in the field “Value”.
    • Click on [Add].
  • Setup the header:
    • Set the field “Property” to Content-Type
    • Set the field “Value” to application/json.
    • Click on [Add].
  • Click on [Done].

The Gemini API is very strict about the data format it receives. It expects a JSON object containing a contents list, which itself contains a parts list, which finally contains the text attribute with our prompt. In Thunkable, the easiest way to build this request body is to use a text block.

1. First, create an app variable named full_prompt and use a join block to stick the large RISEN text block (seen in step 3) with the Text in the Input_Theme component.
2. Grab another advanced join block (which allows pasting several pieces of text together).
3. In the first box, paste exactly this beginning of JSON code: {"contents": [{"parts": [{"text": "
4. In the second box, drag your full_prompt app variable.
5. In the third box, close the JSON code with: "}]}]}
6. Assign the whole thing to the set Web_API's Body to block.

Extracting the JSON response:

• Trigger the call with the call Gemini's Post block.
• The API replies with a large block of complex textual data (response).
• In the then do section, we will isolate the text we want by nesting several blocks, much like Russian dolls. We will assign this entire path to a new citation app variable.
• To fully understand this large red and blue block, read it from right to left (from the inside out):
  1. We turn the raw text into a manageable object: get object from JSON [response].
  2. We extract the candidates property.
  3. This is a list, so we grab the first item: in list [...] get # 1.
  4. We extract the content property.
  5. We extract the parts property.
  6. This is also a list, so we grab the first item: in list [...] get # 1.
  7. We finally extract the text property.
• Separating the quote from the author:
  1. Create an app liste_reponse app variable.
  2. Assign to it the make list from text block (in Lists), using our citation app variable, and type " - " in the delimiter box.
  3. Now that our data is clean and split, finish by dragging the Maps to Screen2 block.

On Screen2

1. Update Label_Quote by getting the first item of this list (in list get # 1 block).
2. Update Label_Author by getting the second item (in list get # 2 block).

Step 5: Try it out!

The moment of truth has arrived.

• Launch the app via Thunkable Live on your phone (or via the web preview).
• On the first screen, type a theme you care about in the text input (for example: “Stress management”, “Pushing your limits”, or “Learning to play guitar”).
• Tap Inspire me!.
• After a brief second (the time it takes for Google’s model to generate its response), you will automatically switch to the second screen.
• And there you have it! A unique, perfectly formatted quote tailored to your theme appears right before your eyes. You can just click “Go Back” to try with a new idea!

Conclusion

Congratulations! You have just created a mobile app capable of generating endless content using artificial intelligence. The limits of no-code are being pushed every day, and now is the perfect time to experiment.

Feel free to modify the RISEN prompt to create a recipe generator, a poem creator, or even an interactive quiz. The floor is yours!

Dans la première partie de ce tutoriel, nous avons connecté notre prototype mobile à une base de données Firebase. C’est une excellente pratique, particulièrement pertinente si vous envisagez de basculer plus tard sur du développement avec des frameworks comme React Native. Cependant, cette approche nous rend dépendants d’une base de données pré-remplie.

Aujourd’hui, on passe à la vitesse supérieure. Après 20 ans dans l’industrie des TI, je suis toujours fasciné par la façon dont on peut désormais intégrer de l’intelligence artificielle dans une application en quelques clics. Nous allons remplacer notre base statique par l’API de Google Gemini pour générer des citations 100% sur mesure, à la volée !

Avant-propos: Cet article, augmenté d’améliorations générées avec des IA (Google Gemini), est mis à disposition au travers de la license CC BY-ND 4.0

Étape 1 : Obtenir les clés du cerveau (Google AI Studio)

Pour parler à Gemini depuis notre application, il nous faut un laissez-passer : une clé d’API.

• Rendez-vous sur Google AI Studio.
• Connectez-vous avec votre compte Google.
• Dans le menu de gauche, cliquez sur Get API key puis sur le bouton Create API key.

• Une fois la clé d’API créée, cliquez dessus pour l’afficher.
• Copiez cette longue suite de caractères et gardez-la précieusement (ne la partagez jamais publiquement).
  

Étape 2 : Adapter le Design de MotivApp

Reprenons notre projet Thunkable là où nous l’avons laissé. Nous allons ajouter un peu d’interactivité.

• Sur le Screen1 (Accueil) : Ajoutez un composant Text Input juste au-dessus du bouton “Inspire-moi !”. Modifiez son paramètre Hint (indice) pour afficher : “Entrez un thème (ex: Le sport, Le code…)”. Renommez ce composant Input_Theme.
  

Étape 3 : Le Prompt Engineering avec RISEN

C’est le cœur du réacteur. Pour éviter que l’IA ne divague, nous allons structurer notre requête (prompt) avec le framework professionnel RISEN. Voici comment nous allons contraindre le modèle gemini-2.5-flash :

• R (Role) : Agis comme un coach de vie expert en motivation.
• I (Instruction) : Écris une citation motivante inédite basée sur le thème suivant : [Thème tapé par l’utilisateur].
• S (Steps) : 1. Analyse le thème. 2. Trouve un angle inspirant. 3. Formule la citation. 4. Attribue-la à un auteur fictif ou réel.
• E (End Goal) : Le lecteur doit ressentir une envie immédiate de passer à l’action.
• N (Narrowing) : La réponse DOIT suivre ce format strict : ‘Citation - Auteur’. Ne dépasse pas 20 mots. N’inclus aucune salutation.

Voici exactement le texte final que notre application va assembler, en remplaçant la app variable de fin par le thème choisi par l’utilisateur :

Agis comme un coach de vie expert en motivation. 
Écris une citation motivante inédite basée sur le thème suivant : [THÈME DE L'UTILISATEUR]. 
1. Analyse le thème. 2. Trouve un angle inspirant. 3. Formule la citation. 4. Attribue-la à un auteur fictif ou réel. 
Le lecteur doit ressentir une envie immédiate de passer à l'action. 
La réponse DOIT suivre ce format strict : 'Citation - Auteur'. Ne dépasse pas 20 mots. N'inclus aucune salutation.

Étape 4 : La Logique et les Blocs

Sur le Screen1

Aperçu des blocs

Séquence des blocs

Initialisation

• À l’ouverture du Screen1, videz le champ Input_Theme.
• Lors du clic sur Btn_Inspire, nous devons vérifier que le texte Text du composant Input_Theme n’est pas vide avant d’exécuter les étapes suivantes.

Construire la requête API :

• Créez un composant Web API : dans la liste de gauche, déroulez “Advanced”, puis cliquez sur le [+] à droite de “Web APIs”. C’est lui qui remplacera Firebase pour dialoguer avec les serveurs de Google.

  • Renommez-le en Gemini.
  • Configurez l’URL de l’API : définissez le champ “URL” à https://generativelanguage.googleapis.com/v1beta/models/gemini-2.5-flash:generateContent.
  • Configurez votre clé d’API :
    • Définissez le champ “Property” à key.
    • Collez votre clé d’API dans le champ “Value”.
    • Cliquez sur [Add].
  • Configurez l’en-tête (header) :
    • Définissez le champ “Property” à Content-Type.
    • Tapez application/json dans le champ “Value”.
    • Cliquez sur [Add].
  • Cliquez sur [Done].

L’API de Gemini est très stricte sur le format des données qu’elle reçoit. Elle attend un objet JSON contenant une liste contents, qui contient elle-même une liste parts, qui contient enfin l’attribut text avec notre prompt. Dans Thunkable, la façon la plus simple de construire ce corps de requête (le Body) est d’utiliser un bloc de texte.

1. D’abord, créez une app variable full_prompt et utilisez un bloc join pour y coller le gros bloc de texte RISEN (vu à l’étape 3) avec le texte Text du composant Input_Theme.
2. Prenez un autre bloc de texte avancé join (qui permet de coller plusieurs morceaux de texte ensemble).
3. Dans la première case, collez exactement ce début de code JSON : {"contents": [{"parts": [{"text": "
4. Dans la deuxième case, glissez votre app variable full_prompt.
5. Dans la troisième case, fermez le code JSON avec : "}]}]}
6. Assignez le tout au bloc set Web_API's Body to.

Extraire la réponse JSON :

• Lancez l’appel avec le bloc call Gemini's Post.
• L’API nous répond avec un gros bloc de données textuelles complexes (response).
• Dans la section then do, nous allons isoler le texte qui nous intéresse en imbriquant plusieurs blocs, un peu comme des poupées russes. Nous allons assigner tout ce cheminement à une nouvelle app variable citation.
• Pour bien comprendre ce grand bloc rouge et bleu, lisez-le de droite à gauche (de l’intérieur vers l’extérieur) :
  1. On transforme le texte brut en objet manipulable : get object from JSON [response].
  2. On extrait la propriété candidates.
  3. C’est une liste, on prend le premier élément : in list [...] get # 1.
  4. On extrait la propriété content.
  5. On extrait la propriété parts.
  6. C’est aussi une liste, on prend le premier élément : in list [...] get # 1.
  7. On extrait enfin la propriété text.
• Séparer la citation de l’auteur : 1. Créez une app variable liste_reponse.
  1. Assignez-lui le bloc make list from text (dans Lists), en utilisant notre app variable citation, et tapez " - " dans la case delimiter.
  2. Maintenant que nos données sont propres et découpées, terminez en glissant le bloc Navigate to Screen2.

Sur le Screen2

1. Mettez à jour le Label_Quote en allant chercher le premier élément de cette liste (bloc in list get # 1).
2. Mettez à jour le Label_Author en allant chercher le deuxième élément (bloc in list get # 2).

Étape 5 : Essayez !

Le moment de vérité est arrivé.

• Lancez l’application via Thunkable Live sur votre téléphone (ou via l’aperçu Web de la plateforme).
• Sur le premier écran, tapez un thème qui vous inspire dans le champ de texte (par exemple : “La gestion du stress”, “Le dépassement de soi” ou “L’apprentissage de la guitare”).
• Appuyez sur Inspire-moi !.
• Après une brève seconde (le temps que le modèle de Google génère sa réponse), vous basculez automatiquement sur le deuxième écran.
• Et voilà ! Une citation unique, parfaitement formatée et taillée sur mesure pour votre thème s’affiche sous vos yeux. Vous n’avez plus qu’à cliquer sur “Retour” pour tester avec une nouvelle idée !

Conclusion

Félicitations ! Vous venez de créer une application mobile capable de générer du contenu à l’infini grâce à l’intelligence artificielle. Les limites du no-code sont repoussées tous les jours, et c’est le moment idéal pour expérimenter.

N’hésitez pas à modifier le prompt RISEN pour créer un générateur de recettes de cuisine, un créateur de poèmes ou même un quiz interactif. À vous de jouer !

In the previous post, I suggested some approaches to help as many people as possible understand the latest innovations in AI. Now, it only makes sense to set a good example from a tech popularization perspective 🙂

As the post title suggests, here’s a quick, simple, and effective tutorial to install your own large language model instance, or LLM, locally on a Windows PC using Ollama.

Foreword: This article, enhanced with improvements generated by AI (Napkin , Google AI, Perplexity), is made available under the CC BY-ND 4.0

What is an LLM?

Great question, thanks for asking 😀 An LLM (Large Language Model) is an artificial intelligence model trained on massive amounts of text data to understand and generate human language, learning to predict the next words in a sequence.

Among the best-known models for the general public:

• Available through ChatGPT, OpenAI’s GPT models (GPT-4o, o3 and o4-mini).
• Grok, by xAI, fully integrated into X.
• Google Gemini, featured in Google tools like Gmail, Google Drive, Google Docs, etc.
• LLama models from Meta, fully integrated into Facebook, Instagram, and WhatsApp, and open-sourced since LLama 2 in July 2023 (GitHub repo).

From this core capability, the applications of these AI models are numerous:

• Advanced chatbots
  • Automated customer support,
  • Interactive FAQ.
• Large-scale data processing
  • Summarization,
  • Extraction, refinement, and classification.
• Automatic translation
  • For my previous article, I was glad to have access to LLMs to translate Chinese academic papers!
• Code generation
  • Widely used for coding assistance, I use GitHub Copilot to harmonize this blog’s Markdown code!
• Reasoning simulation
  • The latest achievements in this area are really interesting. Besides the DeepSeek-R1 model, I experiment a lot with Gemini Pro 2.5’s Deep Search.

10 minutes flat to install an LLM on a Windows PC—is it possible?

Really?

OK, you won’t be running inferences with hundreds of billions of parameters on your laptop, let alone commercial models, but you can easily run smaller, yet powerful enough LLMs for fun!

What’s the point of a local LLM?

Personally, I see only benefits:

• Access to a wide range of recent open-source LLMs, including reasoning models like DeepSeek-R1 or Qwen 3.
• Guaranteed privacy: once the model is on your PC, no data leaves your computer, protecting all exchanges with the model (texts, images).
• No subscription for available features.
• Give a second life to older PCs. For example, I repurposed an old laptop with a Core i5 and 16 GB RAM as a personal server with Ubuntu, and I run a small model on it!

What are the components?

Ollama

Available on Linux, MacOS, Windows, and Docker, this open-source software platform allows you to manage and run language models locally.

• Website: https://ollama.com
• Discord: https://discord.com/invite/ollama
• List of available models: https://ollama.com/library
  • You can sign up here to publish and share your own models.
• GitHub repo: https://github.com/ollama/ollama

Hollama - Webchat Client for Ollama

Also available on Linux, MacOS, Windows, and Docker, this app is a webchat client compatible with Ollama and OpenAI.

• GitHub repo: https://github.com/fmaclen/hollama
• Live demo: https://hollama.fernando.is/

I chose Hollama for its ease of use, especially for loading new models directly through the graphical interface.

System Requirements

No need for a dedicated graphics card or a Copilot+ PC; the following config is enough to get started!

I validated this tutorial on virtual machines using this minimum configuration, so you can proceed with confidence 😉

Language model used in the tutorial - gemma3:1b-it-qat

gemma3:1b-it-qat refers to a lightweight and efficient version of Google’s open-source Gemma 3 model:

• 1 billion parameters (“1b”).
• Instruction-tuned ("it"): Optimized to follow instructions and respond conversationally, this model is ideal for text generation, summarization, and translation.
• Quantization-Aware Trained ("qat"): Trained to support quantization (e.g., 4-bit), which greatly reduces memory requirements while maintaining quality close to larger models.

How do you do it? (Step-by-step guide)

Open PowerShell as administrator

• Right-click the Start menu and select “Terminal (Admin)” or “Windows PowerShell (Admin)”.
  

• Click [Yes] to accept privilege elevation.

Install a local Ollama instance, install the GUI, and fetch the gemma3:1b-it-qat model in a single command

• Run this command:

winget install --id=Ollama.Ollama --accept-source-agreements -e; winget install --id=FernandoMaclen.Hollama -e; ollama pull gemma3:1b-it-qat; shutdown -r -t 0

• Once the package is downloaded and verified, the Ollama instance installation process begins, and the Ollama installer GUI appears.

• During the final steps of this first installation process, the Microsoft C++ 2015/2022 Redistributable may be installed automatically if not already present.

• At the end of the Ollama instance installation, a welcome window appears. Click [Finish] to close it.

• With the local Ollama instance installed, the Hollama GUI installation proceeds automatically.

• Once this installation process is complete, the gemma3:1b-it-qat model download to the local Ollama instance starts automatically.

• Once the model is downloaded, the system will automatically restart. After rebooting, you’ll see the Hollama app icon on the Desktop.

Finalize installation

• Double-click the Hollama icon on the desktop to launch the GUI. A Windows Firewall notification appears; click [Cancel] to block incoming connections.

• Once the app starts, it opens directly in the settings interface.

• In the Servers section, select “Ollama” in the “Connection type” dropdown, then click [Add connection].

• Click [Verify]. If all goes well, the message “Connection has been verified and is ready to use.” appears in a green box at the top, and the “Use models from this server” box is checked automatically.

Test your first prompt

• In the left menu, click [New session].

• Make sure the model is present in the dropdown, write your prompt, click [Run]. Wait a few seconds, and voilà—magic 😀

How to download other models with the GUI?

• Go back to the Hollama app settings.
• Under the “Ollama” connection settings, click the “Ollama’s Library” link. In the new window, browse the available model catalog, copy the identifier of the model you want to load (e.g., qwen3:0.6b), then close this window.

• Back in the “Ollama” connection settings, paste the model identifier into the “Pull model” textbox, then click the red button to start loading.

• An info message appears at the top to show progress. The new model will be loaded and ready to use when the message turns green.

• You can now select and use this new model in conversation sessions.

(If needed) Completely remove installed components

• Open PowerShell as administrator (see first step),
• Run the following command to remove all installed components (apps and models):

winget uninstall --id=Ollama.Ollama ; winget uninstall --id=FernandoMaclen.Hollama; winget source reset --force; rm $env:USERPROFILE\*ollama* -R; rm $env:USERPROFILE\AppData\Local\*ollama* -R; rm $env:USERPROFILE\AppData\Local\Temp -R; rm $env:USERPROFILE\AppData\Roaming\*ollama* -R; shutdown -r -t 0

• Once the components are uninstalled, the system will automatically

Conclusion

In just a few minutes, you can now experiment with the power of local LLMs on your Windows PC, without any subscription or cloud dependency. Whether for learning, coding assistance, or simply exploring the latest advances in artificial intelligence, Ollama and Hollama offer a simple and accessible solution.

Don’t hesitate to try out different models and share your feedback or discoveries!

Dans le post précédent, j’ai proposé des angles d’approche pour permettre au plus grand nombre d’appréhender les dernières innovations en termes d’IA. Maintenant, il est somme toute logique que je donne le bon exemple sous l’angle de la vulgarisation techno 🙂

Comme le suggère le titre du post, je vous propose un tutoriel rapide, simple et efficace pour installer votre propre instance de grand modèle de langage, ou LLM, localement sur un PC sous Windows en utilisant Ollama.

Avant-propos: Cet article, augmenté d’améliorations générées avec des IA (Napkin , Google AI, Perplexity), est mis à disposition au travers de la license CC BY-ND 4.0

C’est quoi un LLM ?

Très bonne question, merci de l’avoir posée 😀 Un LLM (Large Language Model) est un modèle d’intelligence artificielle entraîné sur d’énormes quantités de données textuelles pour comprendre et générer du langage humain, apprenant ainsi à prédire les mots suivants dans une séquence.

Parmi les modèles les plus connus du grand public :

• Disponibles au travers de ChatGPT, les modèles GPT de OpenAI (GPT-4o, o3 et o4-mini).
• Grok, par xAI, qui est pleinement intégré à X.
• Google Gemini, mis en avant au travers des outils Google tels que Gmail,Google Drive, Google Docs, etc…
• Les modèles LLama de Meta, qui sont pleinement intégrés à Facebook, Instagram et WhatsApp, sont rendus Open Source depuis la sortie de LLama 2 en juillet 2023 (Dépôt GitHub).

À partir de cette capacité fondamentale, les applications de ces modèles IA sont nombreuses :

• Chatbots avancés
  • support client automatisé,
  • FAQ interactive.
• Traitement de données à grand volume
  • Résumés,
  • Extraction, raffinage puis classification.
• Traduction automatique
  • Pour mon article précédent, j’étais bien content d’avoir accès à des LLM pour traduire des articles universitaires chinois !
• Génération de code informatique,
  • Beaucoup utilisé pour l’aide au codage, j’utilise GitHub Copilot pour harmoniser le code Markdown de ce blog !
• Simulation de raisonnement
  • Les dernières évolutions dans ce domaine sont vraiment intéressantes. Outre le modèle DeepSeek-R1, j’expérimente beaucoup avec l’option de Recherche Profonde de Gemini Pro 2.5.

10 minutes chrono pour installer un LLM sur un PC Windows, c’est possible !

Vraiment ?

OK, c’est sûr que vous n’allez pas faire tourner des inférences avec des centaines de milliards de paramètres sur votre laptop, et encore moins des modèles commerciaux, mais pas de souci pour faire tourner des LLM plus modestes mais suffisamment performants pour s’amuser !

C’est quoi l’intérêt d’un LLM local ?

Personnellement, je n’y vois que des avantages

• Accès à une multitude de LLM Open Source récents, y compris des modèles de raisonnement comme DeepSeek-R1 ou Qwen 3.
• Confidentialité garantie : une fois le modèle sur le PC, aucune donnée ne quitte l’ordinateur, protégeant ainsi les données échangées avec le modèle (textes, images).
• Pas d’abonnement pour les fonctionnalités disponibles.
• Possibilité de redonner un second souffle à des PC un peu moins récents. Pour exemple, j’ai reconditionné un vieux laptop avec un Core-I5 et 16 GB de RAM en serveur perso avec une distri Ubuntu, et je fais tourner un petit modèle dessus !

C’est quoi les composants ?

Ollama

Disponible sur Linux, MacOs, WIndows et Docker, cette plateforme logicielle Open Source permet la gestion et l’exécution locale de modèles de langage.

• Site web : https://ollama.com
• Discord : https://discord.com/invite/ollama
• Liste des modèles disponibles : https://ollama.com/library
  • Il est possible de s’inscrire ici pour publier et partager ses propres modèles.
• Dépot GitHub : https://github.com/ollama/ollama

Hollama - Client Webchat pour Ollama

Disponible également sur Linux, MacOs, WIndows et Docker, cette application est un client Webchat compatible Ollama et OpenAI.

• Dépot GitHub : https://github.com/fmaclen/hollama
• Live demo : https://hollama.fernando.is/

J’ai choisi Hollama pour sa simplicité d’utilisation, notamment pour charger de nouveaux modèles directement au travers de l’interface graphique.

Prérequis système

Pas besoin d’une carte graphique dédiée ou d’un PC Copilot +, la config suivante vous permet de faire vos premières armes !

J’ai validé ce tutoriel sur des machines virtuelles qui utilisent cette configuration minimale, vous pouvez y aller les yeux fermés 😉

Modèle de langage utilisé dans le tutoriel - gemma3:1b-it-qat

gemma3:1b-it-qat désigne un version légère et efficace du modèle Open Source Gemma 3 de Google:

• 1 milliard de paramètres (“1b”).
• Instruction-tuned ("it") : Optimisé pour suivre des instructions et répondre de manière conversationnelle, ce modèle est idéal pour la génération de texte, le résumé et la traduction.
• Quantization-Aware Trained ("qat") : Entraîné pour supporter la quantification (par exemple en 4 bits), ce qui réduit considérablement la mémoire nécessaire tout en maintenant une qualité proche des modèles plus lourds.

C’est comment qu’on fait ? (Guide étape par étape)

Ouvrez PowerShell en mode administrateur

• Clic-droit sur le menu Démarrer et sélectionnez « Terminal (Administrateur) » ou «Windows  PowerShell (Admin) ».

• Cliquez sur [Oui] pour accepter l’élévation de privilèges.

Installez un instance locale Ollama, installez l’interface graphique et récupérez le modèle gemma3:1b-it-qat en une seule ligne de commande

• Exécutez cette commande :

winget install --id=Ollama.Ollama --accept-source-agreements -e; winget install --id=FernandoMaclen.Hollama -e; ollama pull gemma3:1b-it-qat; shutdown -r -t 0

• Une fois le paquet téléchargé et vérifié, le processus d’installation de l’instance Ollama commence, et l’interface graphique d’installation Ollama s’affiche.

• Durant l’une dernières étapes de ce premier processus d’installation, l’installation du Redistribuable Microsoft C++ 2015/2022 peut s’effectuer de manière automatique s’il n’est pas présent sur le système.

• À la fin du processus d’installation de l’instance Ollama, une fenêtre de bienvenue s’affiche. Vous pouvez cliquer sur [Finish] pour la fermer.

• L’instance locale Ollama étant installée, l’installation de l’interface graphique Hollama s’effectue de manière automatique.

• Une fois ce processus d’installation terminé, le téléchargement du modèle gemma3:1b-it-qat sur l’instance locale Ollama se lance de manière automatique.

• Une fois le modèle téléchargé, le système redémarre automatiquement. Une fois redémarré, vous pouvez alors constater que l’icône de l’application Hollama est disponible sur le Bureau.

Finalisez l’installation

• Double-cliquez sur l’icône Hollama présent sur le bureau pour lancer l’interface graphique. Une notification du pare-feu Windows s’affiche, cliquez sur [Annuler] pour bloquer les flux entrants.

• Une fois l’application démarrée, celle-ci s’ouvre directement dans les paramètres de l’interface.

• Dans la section Serveurs, sélectionnez “Ollama” dans la liste déroulante “Type de connexion” puis cliquez sur [Ajouter une connexion].

• Cliquez sur [Vérifier]. Si tout va bien le message “La connexion a été vérifiée et est prête à être utilisée.” s’affiche dans un encart vert en haut de la fenêtre, et la case “Utiiser les modèles de ce serveur” se coche automatiquement.

Testez un premier prompt

• Dans le menu de gauche, cliquez sur [Nouvelle session].

• Validez que le modèle est présent dans la liste déroulante, écrivez votre prompt, cliquez sur [Exécuter]. Patientez quelques secondes, et voilà, magie 😀

Comment télécharger d’autres modèles avec l’interface graphique ?

• Retournez dans les paramètres de l’application Hollama.
• Sous les paramètres de la connexion “Ollama”, cliquez sur le lien “Bibliothèque d’Ollama”. Dans la nouvelle fenêtre qui s’affiche, parcourez le catalogue de modèles disponible, copiez l’identifiant du modèle que vous souhaitez télécharger (exemple : qwen3:0.6b), puis fermez cette fenêtre.

• De retour dans les paramètres de la connexion “Ollama”, collez l’identifiant du modèle dans la boite de texte “Tirer le modèle”, puis cliquez sur le bouton rouge pour lancer le téléchargement.

• Un message d’information s’affiche en haut de la fenètre pour montrer la progression. Le nouveau modèle est téléchargé et prêt à être utilisé quand le message passera au vert.

• Vous pouvez désormais choisir et utiliser ce nouveau modèle dans les sessions de conversation.

(Si besoin) Supprimer entièrement les composants installés

• Ouvrez PowerShell en mode administrateur (cf. 1ère étape),
• Exécutez la commande suivante pour supprimer tous les composants installés (applications et modèles) :

winget uninstall --id=Ollama.Ollama ; winget uninstall --id=FernandoMaclen.Hollama; winget source reset --force; rm $env:USERPROFILE\*ollama* -R; rm $env:USERPROFILE\AppData\Local\*ollama* -R; rm $env:USERPROFILE\AppData\Local\Temp -R; rm $env:USERPROFILE\AppData\Roaming\*ollama* -R; shutdown -r -t 0

• Une fois les composants désinstallés, le poste va redémarrer automatiquement.

Conclusion

En quelques minutes, vous pouvez désormais expérimenter la puissance des LLM locaux sur votre PC Windows, sans abonnement ni dépendance au cloud. Que ce soit pour apprendre, obtenir de l’aide à la rédaction ou au codage, ou simplement explorer les dernières avancées de l’intelligence artificielle, Ollama et Hollama offrent une solution simple et accessible.

N’hésitez pas à tester différents modèles, à partager vos retours ou vos découvertes, et à contribuer à la communauté open source !

As we integrate more and more advanced AI capabilities into computer systems, and as we talk about a revolution in the world of work, I get a sense of déjà vu… It seems that in the face of technological advances, humanity invariably repeats the same patterns, without learning from past experiences.

Following up on my previous post (Automation, Cloud Computing, and AI: Current State & Synergies), I’d like to analyze how AI and automation are reshaping our world in unprecedented ways. This article aims to highlight the approaches that, in my view, should be adopted to support the population during this evolution, particularly by addressing ethical issues, training, and educational reforms.

Foreword: This article, enhanced with improvements generated by AI (Napkin , Google AI, Perplexity), is made available under the CC BY-ND 4.0

A Job Market More Disrupted Than Ever

Let’s be clear about one thing: basic automation initially made it possible to automate the most repetitive, tedious tasks. We have experienced the consequences of this evolution throughout the last half-century, especially in the industrial sector. This period was marked by mass layoffs and the sharp decline of many low-skilled job categories, sometimes to the point of their disappearance. These economic trends have long been documented by organizations like the OECD, the IMF, and by economists analyzing deindustrialization and automation since the 1970s-1980s.

But today, with the arrival of advanced AI (deep learning, machine learning, and especially these generative AIs capable of processing large volumes of data), we are facing a true paradigm shift. It’s no longer just simple tasks, but jobs that were previously protected, requiring thought and decision-making, that are now affected.

We are living through a profound transformation of the job market, a revolution where advanced automation and artificial intelligence (AI) are redefining our future at a dizzying speed.

Faced with what I feel is a true technological “Wild West,” where tools of incredible power are thrown into our laps, almost with the message ‘go on, figure it out yourself,’ it is imperative to reaffirm the prevalence of critical and ethical human intelligence through a radical transformation of education.

A Stunning “Wild West” with a Whiff of Intellectual Resignation

The emergence of tools like ChatGPT has been stunning, producing an endless stream of increasingly relevant content, bordering on the extraordinary. But this fascination must not hide a reality: generative AIs arrived as if no one saw it coming.

Ethical and legal questions abound. I’m talking about lawsuits from artists or Getty Images against Stability AI/Midjourney, from authors against OpenAI, or from The New York Times against OpenAI/Microsoft… How can we ignore that the training data doesn't come from nowhere? Copyright infringement lawsuits are multiplying because petabytes of data have been scraped without the consent of the rights holders.

More insidiously, we observe that the general population consumes all this content as a finished product, an end in itself. In the educational field, the observation is sometimes grim… Young minds no longer even make the effort to think: they regurgitate AI-generated content “as is,” without real appropriation. However, one of the fundamental principles of human intelligence is understanding: to be able to appropriate concepts, a human being must understand what they are doing, reading, watching, or listening to.

Education: Our Compass in the AI Storm

This situation reveals a persistent gap between school education systems and current technological challenges. And this is not new, my personal experience attests to it: I never had a single school program that truly taught me the basics of computer science. I quickly learned to master computers on my own because the school was always one step behind. And that was 30 years ago!

Today, with AI, this gap is no longer acceptable. Fear also comes from a lack of knowledge. It is therefore vital to:

1. Train teaching staff to anchor the basics of computer science from an early age: Even if younger generations are comfortable with screens, we must not confuse familiarity with understanding. Integrating computer skills and computational thinking into other subjects taught in primary and secondary school has been more or less established in OECD countries over the last 10 years. Some member countries have also chosen to make computer science mandatory in the curriculum, such as with the “Key Stages” in the United Kingdom for 5-14 year olds or with “Sciences Numériques et Technologiques” in France taught in the “Seconde” year (equivalent to Grade 10). However, the implementation of these ambitious programs faces a major obstacle: how can we expect teachers to instill these concepts if their own level of digital literacy is insufficient? This is a constant challenge, and we will see in the following chapters how continuing education and mutual support can address it.
2. Demystify AI: Explain its history, at least in broad strokes, from the famous Turing test to today’s complex algorithms. Show how we got here. And to make it concrete, we could, for example, organize sessions where students learn about the functioning of the AIs they use every day. How does YouTube’s recommendation system work? Instagram’s or TikTok’s news feed algorithm?
3. Train for ethical and responsible use of emerging technologies, and drastically strengthen critical thinking: These skills, far from being obsolete, are becoming the foundation of our ability to interact intelligently with AI, to question it, and not to be totally dependent on, let alone fooled by, its results. Beyond specific IT-related courses, this is also where subjects often disliked by students take on their full meaning. Many have felt a more or less profound boredom in classes on civics, critical thinking, or philosophy in the broad sense. But personally, if I hadn’t taken these courses, I wouldn’t have the capacity for perspective that is increasingly necessary in the face of technological challenges. These skills are essential to ensure that humanity's interest is always at the heart of every decision.

</picture>

The Responsibility of Organizations: More Than an Option, a Necessity

The effort must not rest solely on the education system. Companies and public administrations must actively commit to training their staff in computer use, basic IT security principles, and the use of AI, through real awareness and continuing education programs. They must also cultivate an inclusive work environment that promotes intra-team and inter-team mutual aid, particularly through the implementation of mentoring programs or the establishment of communities of practice.

Some innovative companies are already integrating dedicated cybersecurity and AI training into their continuing education curriculum, while also training managers to foster this inclusive work environment, encouraging their teams to improve and help each other in this growing field.

This is crucial because, in the future, humans could become a sort of manager of advanced AI chains, like collaborative robots or complex decision-support algorithms. Not providing training is clearly risking misuse. There could be a mismatch between available skills and job requirements, leaving staff overwhelmed. Doing nothing promotes the planned obsolescence of many categories of workers.

A lack of maturity in AI and cybersecurity is already causing costly mistakes and exposing organizations to major security risks:

• The example of the billions invested and significant losses of General Motors’ Cruise subsidiary reported in the article GM to retreat from robotaxis and stop funding its Cruise autonomous vehicle unit (NPR - Dec. 2024) illustrates the financial challenges of large-scale AI projects.
• According to Cisco’s 2025 Cybersecurity Readiness Index report, nearly 9 out of 10 organizations worldwide have experienced at least one AI-related cybersecurity incident in the last 12 months, while only 30% of them have a sufficient degree of maturity to cope with it.
• The ‘fake CFO’ fraud via deepfake video conference, costing a firm US$25 million in early 2024, strikingly illustrates the ability of cyber threats, combined with sophisticated AI, to multiply financial losses exponentially.

It is therefore essential that companies and public administrations take their responsibilities seriously and invest in the development of their staff’s skills and resilience; this is indispensable for their success and adaptation to this new environment shaped by AI.

Let’s Foster Inclusive Community Initiatives

To properly prepare everyone for the changes caused by AI and automation, we must do more than just help those who are working or in school. There are many people, such as retirees, the unemployed, and those who cannot follow traditional training, or those who are underrepresented in technology fields, who need special assistance.

It is super important to encourage and support local groups and charitable organizations that want to simply explain what computer science, AI, and automation are, talk about the challenges, and provide practical training to become familiar with these technologies, with respect for inclusion and diversity. These groups can do many different things, such as workshops or conferences open to all, or projects where people learn together and where more experienced people help others.

I have in mind the example of Technovation, a wonderful global initiative that aims to develop technology and entrepreneurship skills in girls aged 8 to 18. This program encourages girls’ empowerment, gives them access to female role models and mentoring in the tech field, and prepares them to become leaders and innovators in a sector where women are still underrepresented.

I also think of this situation where a mayor, faced with the computerization of local services, partnered with a local organization to train seniors in his community on new technologies, and even offered to provide them with iPads to compensate for the closure of a bank branch.

Donations to charitable organizations working on such initiatives, whether it’s obsolete computer equipment or money, are relatively common ways to show support, especially because they are partially tax-deductible (e.g., Canada, France, USA). But money or equipment without the human power to transmit knowledge is not very useful… Whether by personal choice or through pro-bono programs offered by some companies and administrations, volunteering actions to support these initiatives should be much more widespread and encouraged to close the inexorably widening technological gap!

By using the strengths of communities, using what we have locally, and encouraging intergenerational exchanges, we can create a great learning network open to all. This will allow everyone to develop the skills needed to navigate a rapidly changing world, to take advantage of the opportunities offered by AI and automation, and to participate fully in tomorrow’s society.

Let’s Generalize Responsible AI Initiatives

The meteoric rise of advanced artificial intelligence inevitably raises the question of ethics around AI, and calls for the urgent implementation of “Responsible AI.” But what do we mean by "responsible"?

First, it is about defining a framework, a governance that frames the use of data: what type of data can be used, by what type of AI, and under what specific conditions? This implies scrupulous respect for copyright and intellectual property, to prevent models from becoming plunderers of content protected by intellectual property rights.

As early as 2016, the report “Preparing for the Future of Artificial Intelligence” (October 2016) also recommended that the US government explore how to make high-quality federal datasets more accessible to the public and AI researchers, while protecting privacy and security. The main principles of responsible AI must ensure that its development and deployment are carried out with full transparency and in accordance with our fundamental values, rather than letting us navigate this “Wild West” where anything seems permissible.

Beyond just data, responsible AI also concerns the ethics regarding AI itself: how do we use it within governments, companies, and administrations? It is crucial to define how it is implemented for specific tasks, ensuring that the human being is always the one who must keep their hand on the tiller.

Finally, responsible AI cannot exist without a massive effort to support people in adopting and understanding these tools, so they can learn to use them ethically and logically, always retaining their critical judgment.

In Conclusion

Automation, cloud computing, and advanced AIs have contributed to a profound transformation of our world. These technologies, by mutually reinforcing each other, open up unprecedented possibilities for efficiency and innovation, but also raise major challenges.

The rise of AIs, in particular, requires special attention. While they can automate complex tasks and augment our capabilities, they pose significant ethical and legal questions. Transparency in data use, respect for copyright, and ensuring human control are essential.

Faced with this technological revolution, education, training, and inclusive communities are more crucial than ever. It is imperative to anchor the basics of computer science from an early age, to demystify AI, and to train for ethical and responsible use. Public and private organizations must also invest in the training and resilience of their staff so they can adapt to this new environment. It is just as crucial to foster an ecosystem where digital skills are shared so that everyone, regardless of age or background, feels able to navigate the world of AI and automation.

Ultimately, like every major technological advance, AI can be a formidable ally. And like any technological advance, this requires a massive investment in human intelligence—our ability to understand, to critique, and to act ethically. It is time to take back control of our technological destiny so that this wave carries us toward a better future rather than overwhelming us.

To Go Further

As luck would have it, an Introducing the OECD’s AI Capacity Indicators^[1] report was published online a week before my article!

The result of five years of in-depth work with the help of more than 50 experts, these beta indicators aim to “[…] assess and compare advances in AI relative to human capabilities” and “[…] to provide a clear framework for policymakers to understand the potential impacts of AI on education, work, public affairs and private life.”

Definitely a reading recommendation 😉

^[1] OECD (2025), Introducing the OECD’s AI Capacity Indicators, OECD Publishing, Paris, https://doi.org/10.1787/be745f04-en.

À l’heure où l’on intègre de plus en plus de capacités avancées d’IA aux systèmes informatiques, et où l’on parle de révolution des métiers, je ressens un sentiment de déjà-vu… Il semble que face aux avancées technologiques, l’humanité reproduit invariablement les mêmes schémas, sans tirer les leçons des expériences passées.

Pour faire suite à mon post précédent (Automatisation, infonuagique et IA : État des Lieux & Synergies), je vous propose d’analyser comment l’IA et l’automatisation remodèlent notre monde de manière inédite. Cet article vise à souligner les approches qui, selon moi, devraient être adoptées pour soutenir la population durant cette évolution, en particulier en traitant des questions éthiques, de formation et de réformes éducatives.

Avant-propos: Cet article, augmenté d’améliorations générées avec des IA (Napkin , Google AI, Perplexity), est mis à disposition au travers de la license CC BY-ND 4.0

Un marché du travail plus que jamais bouleversé

Il faut bien poser une chose : l'automatisation de base a permis dans un premier temps d'automatiser les tâches les plus répétitives, les plus pénibles. On a vécu les conséquences de cette évolution tout au long du dernier demi-siècle, notamment dans le milieu industriel. Cette période fut marquée par des licenciements économiques de masse et la forte régression de nombreuses catégories d’emplois à faible qualification, allant parfois jusqu’à leur disparition. Ces tendances économiques sont documentées de longue date par des organismes comme l’OCDE, le FMI, ou encore par des économistes analysant la désindustrialisation et l’automatisation depuis les années 1970-1980.

Mais aujourd’hui, avec l’arrivée des IA avancées (deep learning, machine learning, et surtout ces IA génératives capables de traiter la donnée à gros volume), nous faisons face à un vrai changement de paradigme. Ce ne sont plus seulement les tâches simples, mais des emplois qui étaient avant protégés, exigeant réflexion et décision, qui sont désormais concernés.

Nous vivons une transformation profonde du marché du travail, une révolution où l’automatisation avancée et les intelligences artificielles (IA) redéfinissent notre futur à une vitesse qui donne le vertige.

Face à ce que je ressens comme un véritable “Far West” technologique, où des outils d’une puissance inouïe nous sont jetés dans les bras, limite en nous disant ‘vas-y, débrouille-toi’, il est impératif de réaffirmer la prévalence de l'intelligence humaine, critique et éthique, par une transformation radicale de l'éducation.

Un “Far West” Bluffant aux Relents de Démission Intellectuelle

L’irruption d’outils comme ChatGPT a été bluffante, produisant du contenu infini de plus en plus pertinent, confinant presque de l’extraordinaire. Mais cette fascination ne doit pas occulter une réalité : les IA génératives sont arrivées comme si personne n’avait vu venir le coup.

Les questions éthiques et légales sont légion. Je parle notamment des actions en justice d’artistes ou bien de Getty Images contre Stability AI/Midjourney, d’auteurs contre OpenAI ou bien encore du New York Times contre OpenAI/Microsoft… Comment ignorer que les données d'entraînement ne sortent pas de nulle part ? Des procès pour violation du droit d’auteur se multiplient, car des pétaoctets de données ont été pompées sans l’accord des ayants droits.

Plus insidieusement, on observe que la population générale consomme tout ce contenu comme étant un produit fini, une fin en soi. Dans le milieu éducatif, le constat est parfois amer… Les jeunes esprits ne font même plus l’effort de réfléchir: ils recrachent le contenu généré par IA “brut de fonderie”, sans réelle appropriation. Or, l’un des principes fondamentaux de l’intelligence humaine c'est la compréhension: pour pouvoir s’approprier des concepts, il faut que l’être humain comprenne ce qu’il fait, ce qu’il lit, regarde ou écoute.

L’Enseignement : Notre Boussole dans la tempête IA

Cette situation révèle notamment un décalage persistant entre les systèmes d’éducation scolaire et les enjeux technologiques actuels. Et ça ne date pas d’hier, mon expérience personnelle en témoigne : je n’ai jamais reçu un seul programme scolaire qui m’a vraiment appris les bases de l’informatique. J’ai très rapidement appris à maîtriser l’informatique en autodidacte, car l’école avait toujours un train de retard. Et c’était il y a 30 ans déjà !

Aujourd'hui, avec l'IA, ce décalage n'est plus permis. La peur vient aussi de la méconnaissance des choses. Il est donc vital de :

1. Former le corps enseignant à ancrer les bases de l’informatique dès le plus jeune âge : même si les jeunes générations sont à l’aise avec les écrans, il ne faut pas confondre familiarité avec compréhension.
   Intégrer les compétences informatiques et la pensée computationnelle à d’autres matières enseignées au primaire et au secondaire est une chose plus ou moins acquise dans les pays de l’OCDE depuis ces 10 dernières années.
   Certains pays membres ont aussi fait le choix de rendre l’informatique obligatoire dans le cursus, comme avec les “Key Stages” au Royaume-Uni pour les 5-14 ans ou bien avec les “Sciences Numériques et Technologiques” en France enseignées en classe de Seconde (équivalente au Secondaire 5).
   Cependant, la mise en œuvre de ces programmes ambitieux se heurte à un obstacle de taille : comment attendre des enseignants qu'ils inculquent ces notions si leur propre niveau de littératie numérique est insuffisant ? Cet enjeu est constant, et nous verrons dans les chapitres suivants comment la formation continue et le soutien mutuel peuvent y répondre.
2. Démystifier l’IA : Expliquer son histoire au moins dans les grandes lignes, depuis le fameux test de Turing, jusqu’aux algorithmes complexes d’aujourd’hui. Montrer comment on en est arrivé là. Et pour rentrer dans le concret, on pourrait par exemple organiser des sessions où les élèves abordent le fonctionnement des IA qu'ils utilisent tous les jours. Comment fonctionne le système de recommandation de YouTube ? L’algorithme de fil d’actualité d’Instagram ou TikTok ?
3. Former à un usage éthique et responsable des technologies émergentes, renforcer drastiquement le sens critique : ces compétences, loin d’être désuètes, deviennent le socle de notre capacité à interagir intelligemment avec l'IA, à la questionner et à ne pas être totalement dépendant et encore moins être dupes de ses résultats.
   Au-delà de cours spécifiques au contexte informatique, c’est aussi là que des matières souvent mal-aimées par les élèves prennent tout leur sens.
   Beaucoup ont ressenti un ennui plus ou moins profond en suivant des cours autour de l’éducation civique, la pensée critique ou de la philosophie au sens large. Mais personnellement, si je n’avais pas suivi ces cours, je n’aurais pas aujourd’hui les capacités de prise de recul de plus en plus nécessaires vis à vis des enjeux technologiques. Ces acquis sont essentiels pour que l'intérêt de l’humanité soit toujours au cœur de chaque prise de décision.

La Responsabilité des Organisations : Plus Qu’une Option, une Nécessité

L’effort ne doit pas reposer uniquement sur le système éducatif. Les entreprises et les administrations doivent s'engager activement à former leur personnel à l’usage de l’informatique, aux principes de sécurité informatique de base et à l’utilisation des IA, par de vrais programmes de sensibilisation et de formation continue. Elles doivent également cultiver un environnement de travail inclusif qui favorise l’entraide intra-équipe et inter-équipes, notamment au travers de la mise en place de programmes de mentorat ou bien encore par l’instauration de communautés de pratique.

Certaines entreprises innovantes intègrent déjà des formations dédiées à la cybersécurité et à l’IA dans leur cursus de formation continue, tout en formant les gestionnaires à favoriser cet environnement de travail inclusif, encourageant leurs équipes à se perfectionner et à s’entraider dans ce domaine en pleine croissance.

C’est crucial, car demain, l’humain pourrait devenir une sorte de gestionnaire de chaînes d’IA avancées, comme des robots collaboratifs ou des algorithmes complexes d’aide à la décision. Ne pas former, c’est risquer des dérives, clairement. Il pourrait y avoir un décalage entre les compétences disponibles et les besoins des postes, rendant le personnel dépassé. Ne rien faire, c’est favoriser l’obsolescence programmée d’un bon nombre de catégories de travailleurs.

Un manque de maturité sur l’IA et la cybersécurité cause déjà des erreurs coûteuses et expose déjà les organisations à des risques de sécurité majeurs:

• L’exemple des milliards investis et des pertes importantes de la filiale Cruise de General Motors rapporté dans l’article GM to retreat from robotaxis and stop funding its Cruise autonomous vehicle unit (NPR - Déc. 2024) illustre les défis financiers des projets IA à grande échelle.
• Selon le rapport annuel 2025 de Cisco sur l’indice de maturité en cybersécurité, c’est près de 9 organisations sur 10 dans le monde qui ont subi au cours des 12 derniers mois au moins un incident de cybersécurité lié à l’IA, alors que seulement 30% d’entres-elles ont un degré de maturité suffisant pour y faire face.
• La fraude au ‘faux directeur financier’ par visioconférence deepfake, coûtant 25 millions de dollars US à Arup début 2024, illustre de manière frappante la capacité de la cybermenace, combinée à une IA sophistiquée, à multiplier les pertes financières de façon exponentielle.

Il est donc primordial que les entreprises et les administrations prennent leurs responsabilités et investissent sérieusement dans le développement des compétences et de la résilience de leur personnel, c’est indispensable pour leur succès et leur adaptation à ce nouvel environnement façonné par l’IA.

Favorisons les initiatives communautaires inclusives

Pour bien préparer tout le monde aux changements causés par l’IA et l’automatisation, il faut faire plus que juste aider ceux qui travaillent ou qui sont à l’école. Il y a plein de gens, comme les retraités, ceux qui ne travaillent pas et ceux qui ne peuvent pas suivre les formations habituelles, ou encore ceux qui sont sous-représentés dans les branches technologiques, qui ont besoin d’un coup de main spécial,

C’est super important d’encourager et d’aider les groupes locaux et les organismes de bienfaisance qui veulent expliquer simplement ce qu’est l’informatique, l’IA et l’automatisation, parler des défis, et donner des formations pratiques pour se familiariser avec ces technologies, dans le respect de l’inclusion et de la diversité. Ces groupes peuvent faire plein de choses différentes, comme des ateliers ou des conférences ouvertes à tous, ou encore des projets où on apprend ensemble et où des gens plus expérimentés aident les autres.

J’ai en tête l’exemple de Technovation, une très belle initiative mondiale qui vise à développer les compétences en technologie et en entrepreneuriat chez les jeunes filles de 8 à 18 ans. Ce programme encourage l’autonomisation des filles, leur donne accès à des modèles féminins et à du mentorat dans le domaine technologique, et les prépare à devenir des leaders et innovatrices dans un secteur où les femmes sont encore sous-représentées.

Je pense aussi à cette situation où un maire qui, devant l’informatisation des services de proximité, s’est rapproché d’un organisme local dans le but de former les aînés de sa communauté aux nouvelles technologies, et a même proposé de leur fournir des tablettes iPad pour compenser la fermeture d’une agence bancaire.

Les dons effectués à des organismes de bienfaisance œuvrant à de telles initiatives, que ce soit du matériel informatique obsolète ou encore de l’argent, sont des moyens relativement répandus pour montrer son soutien, notamment parce qu’ils sont partiellement déductibles des impôts (ex. Canada, France, USA). Mais l’agent ou le matériel sans la force vive pour transmettre les connaissances, ce n’est pas très utile… Que ce soit par choix personnel ou bien par le biais de programmes pro-bono proposés par certaines entreprises et administrations, les actions de bénévolat pour soutenir ces initiatives devraient être bien plus répandues et encouragées pour combler le fossé technologique qui se creuse inexorablement !

En utilisant les forces des communautés, en utilisant ce qu’on a sur place et en encourageant les échanges entre les générations, on peut créer un super réseau d'apprentissage ouvert à tous. Ça permettra à chacun de développer les compétences nécessaires pour se débrouiller dans un monde qui change vite, de profiter des opportunités offertes par l’IA et l’automatisation, et de participer pleinement à la société de demain.

Généralisons les initiatives d’IA responsable

L’émergence fulgurante des intelligences artificielles avancées soulève inévitablement la question de l’éthique autour des IA, et appelle à la mise en place urgente d’une “IA responsable”. Mais qu'entendons-nous par "responsable" ?

Il s’agit d’abord de définir un cadre, une gouvernance qui encadre l’utilisation de la donnée : quel type de données peut être exploité, par quel type d’IA, et dans quelles conditions précises ? Cela implique un respect scrupuleux des droits d’auteur et de la propriété intellectuelle, pour éviter que les modèles ne deviennent des pilleurs de contenu sous licence intellectuelle protégée.

Dès 2016, le rapport “Preparing for the Future of Artificial Intelligence” (Octobre 2016) recommandait également que le gouvernement des USA explore comment rendre les ensembles de données fédérales de haute qualité plus accessibles au public et aux chercheurs en IA, tout en protégeant la vie privée et la sécurité. Les grands principes d’une IA responsable doivent garantir que son développement et son déploiement se fassent en toute transparence et en accord avec nos valeurs fondamentales, plutôt que de nous laisser naviguer dans ce “Far West” où tout semble permis.

Au-delà de la seule donnée, l'IA responsable concerne aussi l'éthique vis-à-vis de l'IA elle-même : comment l’emploie-t-on au sein des gouvernements, des entreprises et des administrations ? Il est crucial de définir comment on la met en œuvre pour des tâches spécifiques, en s’assurant que l’être humain est toujours celui qui doit garder la main à la barre.

Finalement, une IA responsable ne peut exister sans un effort massif pour accompagner les gens à l'adoption et à la compréhension de ces outils, afin qu’ils puissent apprendre à s’en servir de manière éthique et logique, en conservant toujours leur jugement critique.

En conclusion

L’automatisation, l’infonuagique et les IA avancées ont contribué à une transformation profonde de notre monde. Ces technologies, en se renforçant mutuellement, ouvrent des possibilités inédites pour l’efficacité et l’innovation, mais soulèvent aussi des défis majeurs.

L’essor des IA, en particulier, exige une attention particulière. Si elles peuvent automatiser des tâches complexes et augmenter nos capacités, elles posent des questions éthiques et légales importantes. La transparence dans l’utilisation des données, le respect des droits d’auteur et la garantie que l’humain garde la maîtrise sont essentiels.

Face à cette révolution technologique, l’éducation, la formation et les communautés inclusives sont plus que jamais cruciales. Il est impératif d’ancrer les bases de l’informatique dès le plus jeune âge, de démystifier l’IA et de former à un usage éthique et responsable. Les organisations publiques et privées doivent également investir dans la formation et la résilience de leur personnel pour qu’il puisse s’adapter à ce nouvel environnement. Il est tout aussi crucial de favoriser un écosystème où les compétences numériques sont partagées pour que chacun, quel que soit son âge ou son parcours, se sente capable de naviguer dans le monde de l’IA et de l’automatisation.

En fin de compte, comme chaque avancée technologique majeure, l’IA peut être une alliée formidable. Et comme toute avancée technologique, cela nécessite un investissement massif dans l’intelligence humaine, notre capacité à comprendre, à critiquer et à agir avec éthique. Il est temps de reprendre la main sur notre destin technologique pour que cette vague nous porte vers un avenir meilleur plutôt que de nous submerger.

Pour aller plus loin

Le hasard du calendrier fait qu’une Présentation des indicateurs de l’OCDE sur les capacités de l’IA^[1] a été mise en ligne une semaine avant la publication de mon article !

Véritable travail de fond effectué pendant 5 ans avec l’aide de plus de 50 experts, ces indicateurs en version bêta ont pour objectif “[…]d’évaluer et comparer les avancées de l’IA par rapport aux capacités humaines” et “[…] d’offrir un cadre clair permettant aux décideurs de comprendre les impacts potentiels de l’IA sur l’éducation, le travail, les affaires publiques et la vie privée.”

Définitivement un conseil de lecture 😉

^[1] OCDE (2025), Présentation des indicateurs de l’OCDE sur les capacités de l’IA, Éditions OCDE, Paris, https://doi.org/10.1787/d321ba78-fr.

Over the past 20 years, I have experienced several organizational transformations with different employers, all catalyzed by major technological innovations: automation, cloud computing, and advanced AI.

Here, I aim to highlight the importance of IT in operational technologies, clarify the context of automation, cloud computing and advanced AI, and examine how their synergy amplifies their respective capabilities.

Foreword: This article, enhanced with AI-generated improvements (Napkin, Google AI, Perplexity), is made available under the CC BY-ND 4.0

The Growing Ubiquity of IT in Operational Technologies: A Deep Industrial Transformation

Operational Technologies (OT) encompass all systems used to monitor, control and automate industrial equipment, manufacturing processes, critical infrastructure and other physical systems.

The exponential integration of IT into the OT mix represents a transformation of considerable magnitude for numerous industrial sectors worldwide. This trend is characterized by the integration of increasingly complex IT systems at the heart of production processes.

At the same time, this computerization is gaining importance in the management and supervision of critical infrastructure. Energy networks, water treatment facilities, and road, rail, air or maritime networks increasingly depend on IT systems for constant monitoring, precise control and real-time optimization of flows.

Computerization is also transforming service delivery. Telecommunications, financial services and logistics rely on high-performance IT platforms for data management, security, speed and optimization of operations and supply chain.

The massive integration of IT into physical operations leads to a convergence between IT and OT. Real-time data from infrastructure and processes are analyzed by powerful systems, transforming this data into decision-making information to improve efficiency, guide strategies and anticipate maintenance. This convergence offers unprecedented possibilities to improve operational efficiency through resource optimization, increased productivity through automation and finer, more adaptable process control, enabling greater customization.

Finally, this convergence between IT and operational technologies proves to be a powerful catalyst for innovation. The intelligent exploitation of collected data and advanced task automation pave the way for the development of new products with enhanced functionality, novel services meeting emerging needs and disruptive business models challenging established practices. This transformation, driven by the digital transformation of operational processes, is therefore an essential driver of economic growth in an ever-evolving industrial landscape.

Automation, Cloud Computing and AI: Brief Overview

Automation: From Fundamentals to Advanced Systems

Foundations of Modern Automation

Technology has always promised to simplify human life. Paradoxically, its applications usually require systems composed of processes with varying complexity. Similarly, each process is a sum of more or less complex tasks, whose execution requires human intervention.

Modern automation aims to improve productivity while minimizing errors due to manual interactions by replacing humans in executing all or part of these tasks.

Basics of IT Automation

In the context of current IT, automation initially enabled the rationalization of basic administrative tasks through simple and effective scripts. The continuous improvement of scripting languages like Python, PowerShell, and Bash, combined with the proliferation of Application Programming Interfaces (APIs), has paved the way for automating processes previously considered complex and time-consuming. These processes now include user access management, IT infrastructure configuration and deployment, processing and analysis of large data volumes, and implementation of robust sensitive data protection measures. Automation has even reached a level of sophistication allowing end-to-end workflow orchestration, integrating various applications and systems to achieve complex business objectives.

Among basic automation systems implemented in IT, we commonly find:

• Schedule programming, which allows executing specific tasks at predefined times. It is notably used for:
  • Software update management across IT systems
  • Enterprise data lifecycle management (backup, archiving, deletion)
• Pattern filtering, which triggers specific actions based on patterns listed in a definition database. This type of automation is frequently used for:
  • Chatbots limited to simple interactions, found in FAQs or e-commerce sites
  • Threat prevention systems (antivirus, antimalware)
  • Intrusion Prevention Systems (IPS)

Cloud Computing: The Engine of Digital Transformation

In the span of 20 years, the IT sector has seen the rise and widespread adoption of what we call cloud computing.

Where companies and organizations were previously constrained to finance the purchase, implementation, operational maintenance, evolution, and obsolescence management of increasingly complex and therefore massive IT solutions, they have been offered the possibility to switch to “As a Service” consumption models. These services are offered remotely by third-party providers and used by clients to complement or replace pre-existing solutions.

Among the most common cloud service models:

• Infrastructure as a Service (IaaS)
  • Provides virtualized computing resources over the Internet or via virtual private networks, including servers, storage, and networks
  • Users manage operating systems, applications, and data, while hardware and virtualization are managed by the provider
• Platform as a Service (PaaS)
  • Offers a cloud platform and environment enabling developers to create applications and services on the Internet
  • PaaS providers host hardware and software on their own infrastructure
• Software as a Service (SaaS)
  • Provides software applications over the Internet on a subscription basis
  • Users can access software from any device with an Internet connection and web browser, without worrying about installation, maintenance, or coding

In the top 3 IaaS and PaaS providers, we find:

• Amazon Web Services (AWS)
  • Public cloud leader since 2002, AWS holds 33% market share with over 200 services (computing, machine learning, etc.). Its worldwide success is explained by its reliability, flexibility, scalability, and continuous innovation, significantly contributing to digital transformation
• Microsoft Azure
  • The Redmond giant promotes deep integration of its cloud services with its existing ecosystem, which appeals to companies already using its products (Windows Server, MS SQL, Office 365, etc.)
• Google Cloud Platform (GCP)
  • Google’s cloud solution stands out for its global network, AI and data processing innovations, and Kubernetes container orchestration solutions

On the SaaS solutions side, we notably see:

• Salesforce (for customer relationship management)
• SAP (for enterprise resource planning)
• Microsoft 365
• Google Workspace

Cloud computing offerings are plentiful!

When designing a solution, it is recommended to evaluate the following criteria:

• Integration with existing systems
• Budget
• Requirements for performance, availability, and capacity
• Security requirements
• Compliance obligations
• Team skill level

Boom of Advanced Artificial Intelligence in Information Systems

Machine Learning (ML): The Foundation

Machine Learning (ML) is the branch of AI that, through the use of increasingly complex algorithms to process data, improves computer performance on task execution without being specifically programmed for it.

ML’s scope of application is quite vast and has long been integrated into information systems, particularly in:

• Search engines
• Recommendation systems
• Anomaly detection in cybersecurity

Deep Learning (DL): A Leap Forward

Deep Learning (DL) is a branch of artificial intelligence and machine learning that uses artificial neural networks composed of multiple layers (hence “deep”) to “learn” from large amounts of data, often unstructured.

Inspired by the functioning of the human brain, DL allows computers to recognize complex patterns in images, text, audio, or other types of data, and automate tasks that normally require human intelligence.

Long-standing applications include, for example:

• Banking fraud detection
• Facial and voice recognition
• Automatic translation

The Rise of Generative AI: The New Wave

Generative artificial intelligence (GenAI) leverages advanced ML and DL techniques to create new content (text, images, audio, video, code, etc.) by drawing inspiration from the characteristics of the data it was trained on.

Major advances made in the last five years regarding the relevance of generated content are paving the way for the integration of GenAI features within information systems.

Thus, we increasingly observe uses in IS such as:

• Automatic code generation
• Marketing content creation
• Advanced chatbot deployment

Agentic AI: When Unity Makes Strength

Agentic AI refers to autonomous AI systems that are reasoning-enabled, goal-oriented, adaptable, and capable of dynamically interacting with their environment to achieve results without constant supervision. Unlike static AI, it is holistic, proactive, and adaptive, acting like a specialized digital employee capable of evolving and collaborating.

Echoing what is described in my dedicated article on Agentic AI applications in the telecom infrastructure world, use cases for AI agents in IS are numerous:

• Customer service automation
• Predictive maintenance
• General operational optimization and supply chain management
• Security and fraud detection
• Analysis and reporting

Synergies Between Automation, Cloud Computing and Advanced AI

The dynamic integration of automation, cloud computing, and advanced artificial intelligence creates a powerful synergistic interaction, forming a virtuous cycle where the capabilities of each component enhance each other, opening new avenues for efficiency, innovation, and growth.

AI-Powered Automation

The automation of repetitive tasks is essential in many fields. With the increasing complexity of goods and services production processes due to technological innovations, automation systems must be capable of handling increasingly complex and varied tasks.

Current AI, with its ability to analyze vast data and identify complex patterns, has become an indispensable tool for large-scale automation. Recent advances in machine learning and deep learning, along with the rise of generative and Agentic AI, have enabled the automation of increasingly sophisticated tasks, such as code creation or automated IT incident management.

AI Capabilities Enhanced by Cloud Computing

The development and deployment of AI applications, particularly those based on deep learning and generative AI, require significant computing and storage resources. AI models, such as large language models or neural networks for vision, are trained on massive datasets, requiring infrastructures capable of processing and storing petabytes of information.

Cloud computing has quickly emerged as the ideal solution, offering considerable scalability and flexibility to allocate resources on demand. Cloud providers offer GPUs and TPUs optimized for AI workloads, making this essential computing power not only more financially accessible but also more flexible and easy to deploy, thus promoting adoption and innovation in artificial intelligence.

Cloud Capabilities Optimized and Enhanced by AI

Faced with growing demand for cloud services and the need to optimize costs, intelligent scaling automation has become paramount. Generative and Agentic AI, by combining their strengths, enable achieving this goal.

Generative AI can analyze usage trends and anticipate future resource needs, enabling proactive allocation and avoiding over-provisioning or under-provisioning.

Agentic AI, meanwhile, can monitor resource usage in real-time and dynamically adjust allocation based on needs, automatically moving workloads to less utilized servers or adapting resources on demand. This enables more efficient and economical management of cloud infrastructures.

Computing Power Enhanced by AI

Artificial intelligence doesn’t just optimize the use of existing computing resources; it’s also revolutionizing the design and manufacturing of computer chips themselves. Thanks to Machine Learning and Deep Learning, engineers can now simulate and test thousands of integrated circuit configurations in record time.

AI helps identify the most efficient designs, thus reducing energy consumption and increasing processing speed. Additionally, generative AI is used to create new types of chip architectures, paving the way for unprecedented performance and increased specialization for AI workloads themselves.

This positive feedback loop between AI and computer hardware promises spectacular advances in the years to come.

Conclusion

We’ve just seen that the deep integration of automation, cloud, and AI is radically changing information systems and factories. These combined technologies offer incredible opportunities for efficiency, innovation, and growth.

However, this transformation, like every technological innovation, raises a key question: what will be the impact on people and the job market? How can we ensure a just transition that is open to everyone, where the benefits are shared and the challenges are managed responsibly?

I’ll delve into these questions in detail in my next post. Until then, join me on social media 😉

Ces 20 dernières années, j’ai vécu plusieurs transformations organisationnelles avec différents employeurs, toutes ont eu comme catalyseur des innovations technologiques majeures : l’automatisation, l’infonuagique et les IA avancées.

Ici, je me propose de mettre en lumière l’importance de l’informatique dans les technologies opérationnelles, de clarifier le contexte de l’automatisation, de l’infonuagique et des IA avancées et d’examiner comment leur synergie amplifie leurs capacités respectives.

Avant-propos: Cet article, augmenté d’améliorations générées avec des IA (Napkin , Google AI, Perplexity), est mis à disposition au travers de la license CC BY-ND 4.0

L’Omniprésence Croissante de l’Informatique dans les Technologies Opérationnelles : Une Transformation Industrielle Profonde

Les Technologies Opérationnelles (TO) regroupent l’ensemble des systèmes utilisés pour surveiller, contrôler et automatiser les équipements industriels, les processus de fabrication, les infrastructures critiques et d’autres systèmes physiques.

L’intégration exponentielle de l’informatique dans le mix des TO représente une transformation d’une ampleur considérable pour une multitude de secteurs industriels à l’échelle planétaire. Cette tendance se caractérise par une intégration de systèmes informatiques d’une complexité croissante au cœur des processus de production.

Dans le même temps, cette informatisation gagne en importance dans la gestion et la supervision des infrastructures critiques. Les réseaux énergétiques, les installations de traitement des eaux, ou encore les réseaux routiers, ferroviaires, aériens ou maritimes, dépendent de plus en plus de systèmes informatiques pour assurer une surveillance constante, un pilotage précis et une optimisation en temps réel des flux.

L’informatisation transforme également la distribution de services. Les télécommunications, les services financiers et la logistique dépendent de plateformes informatiques à hautes performances pour la gestion de données, la sécurité, la rapidité et l’optimisation des opérations et de la chaîne d’approvisionnement.

L’intégration massive de l’informatique dans les opérations physiques entraîne une convergence entre les TI et les TO. Les données temps réel des infrastructures et processus sont analysées par des systèmes puissants, transformant ces données en informations décisionnelles pour améliorer l’efficacité, orienter les stratégies et anticiper la maintenance. Cette convergence offre des possibilités inédites pour améliorer l’efficacité opérationnelle par l’optimisation des ressources, l’augmentation de la productivité grâce à l’automatisation et un contrôle plus fin et adaptable des processus industriels, permettant une personnalisation accrue.

Enfin, cette convergence entre l’informatique et les technologies opérationnelles se révèle être un puissant catalyseur d’innovation. L’exploitation intelligente des données collectées et l’automatisation avancée des tâches ouvrent la voie au développement de nouveaux produits aux fonctionnalités enrichies, de services inédits venant combler des besoins émergents et de modèles d’affaires disruptifs remettant en question les pratiques établies. Cette transformation, portée par la transformation numérique des processus opérationnels, est donc un moteur essentiel de la croissance économique dans un paysage industriel en constante évolution.

Automatisation, infonuagique et IA : bref état des lieux

Automatisation: des fondamentaux aux systèmes avancés

Les fondements de l’automatisation moderne

La technologie a toujours eu cette promesse : simplifier la vie de l’être humain. De manière paradoxale, ses applications nécessitent généralement des systèmes composés de processus d’une complexité variable. De la même manière, chaque processus est une somme de tâches plus ou moins complexes, dont l’exécution va demander de l’intervention humaine.

L’automatisation moderne a pour but d’améliorer la productivité tout en évitant au maximum les erreurs dues aux interactions manuelles en remplaçant l’être humain dans l’exécution de tout ou partie de ces tâches.

Les bases de l’automatisation dans les TI

Replacée dans le contexte de l’informatique actuelle, l’automatisation a initialement permis de rationaliser les tâches administratives fondamentales au moyen de scripts simples et efficaces. Le perfectionnement continu des langages de script, tels que Python, PowerShell et Bash, conjugué à la prolifération des interfaces de programmation applicative (API), a ouvert la voie à l’automatisation de processus auparavant considérés comme complexes et chronophages. Parmi ces processus figurent désormais la gestion et l’attribution des accès utilisateurs, la configuration et le déploiement d’infrastructures informatiques, le traitement et l’analyse de volumes importants de données, ainsi que la mise en œuvre de mesures robustes de protection des données sensibles. L’automatisation a même atteint un niveau de sophistication permettant l’orchestration de flux de travail de bout en bout, intégrant diverses applications et systèmes pour atteindre des objectifs métiers complexes.

Parmi les systèmes d’automatisation basiques mis en œuvre en informatique, on retrouve fréquemment :

• La programmation horaire, qui permet d’exécuter des tâches spécifiques à des moments prédéfinis. Elle est notamment utilisée pour :
  • La gestion des mises à jour logicielles sur les parcs informatiques.
  • La gestion du cycle de vie des données d’entreprise (sauvegarde, archivage, suppression).
• Le filtrage de motifs, qui déclenche des actions spécifiques en fonction de motifs listés dans une base de définition. Ce type d’automatisation est fréquemment utilisé notamment pour :
  • Les chatbots limités à de simples interactions, qu’on peut retrouver dans les FAQs ou les sites marchands,
  • Les systèmes de préventions des menaces (antivirus, antimalwares)
  • Les systèmes de prévention d’intrusion (IPS).

Infonuagique : Le moteur de la transformation numérique

En l’espace de 20 ans, le secteur informatique a vu l’essor puis la généralisation de ce que l’on appelle l’infonuagique (le fameux “cloud”).

Là où les entreprises et organisations étaient contraintes à financer l’achat, la mise en place, le maintien opérationnel, l’évolution et la gestion de l’obsolescence de solutions TI de plus en plus complexes et donc imposantes, elle se sont vu offrir la possibilité de passer à des modèles de consommation au service (“As a Service”). Ces services sont offerts à distance par des fournisseurs tiers et utilisés par les clients pour compléter ou remplacer les solutions pré-existantes.

Parmi les modèles de service infonuagique les plus courants :

• L’infrastructure en tant que services (ou IaaS, “Infrastructure as a Service”)
  • Fournit des ressources informatiques virtualisées sur Internet ou via des réseaux privés virtuels, y compris des serveurs, du stockage et des réseaux.
  • Les utilisateurs gèrent les systèmes d’exploitation, les applications et les données, tandis que le matériel et la virtualisation sont gérés par le fournisseur.
• La plateforme en tant que service (PaaS, “Platform as a Service”)
  • Offre une plateforme et un environnement infonuagiques pour permettre aux développeurs de créer des applications et des services sur Internet.
  • Les fournisseurs de PaaS hébergent du matériel et des logiciels sur leur propre infrastructure.
• Le logiciel en tant que service ( SaaS, “Software as a Service”)
  • Fournit des applications logicielles sur Internet, sur une base d’abonnement.
  • Les utilisateurs peuvent accéder aux logiciels à partir de n’importe quel appareil doté d’une connexion Internet et d’un navigateur Web, sans se soucier de l’installation, de la maintenance ou du codage.

Dans le top 3 des fournisseurs IaaS et PaaS, on retrouve :

• Amazon Web Services (AWS) Chef de file du cloud public depuis 2002, AWS détient 33% du marché avec plus de 200 services (calcul, apprentissage machine, etc.). Son succès mondial s’explique par sa fiabilité, sa flexibilité, son évolutivité et son innovation continue, contribuant significativement à la transformation numérique.
• Microsoft Azure Le géant de Redmond favorise une intégration poussée de ses services cloud avec son écosystème existant, ce qui plaît aux entreprises clientes de ses produits (Windows Server, MS SQL, Office 365, etc.)..
• Google Cloud Platform (GCP) La solution infonuagique de Google se distingue par son réseau mondial, ses innovations en IA et traitement de données, et ses solutions d’orchestration de conteneurs Kubernetes.

Du côté des solutions SaaS, on peut voir notamment:

• Salesforce (pour la gestion de la relation client),
• SAP (pour la planification des ressources d’entreprise),
• Microsoft 365,
• Google Workspace.

Les offres d’infonuagique sont pléthores!

Lors de la conception d’une solution, il est conseillé d’évaluer les critères suivants :

• Intégration avec les systèmes existants
• Budget
• Requis en termes de performance, de disponibilité, de capacité
• Exigences de sécurité
• Obligations de conformité
• Niveau de compétence des équipes

Boom des intelligences artificielles avancées dans les systèmes d’information

Machine Learning (ML) : La fondation

L’apprentissage automatique (“Machine Learning” - ML) est la branche de l’IA qui, par l’utilisation d’algorithmes de plus en plus complexes pour traiter des données, permet d’améliorer les performances des ordinateurs sur l’execution de tâches sans qu’ils soient spécifiquement programmés pour cela.

Le champ d’application du ML est assez vaste, et s’intègre depuis longtemps dans les systèmes d’information, notamment dans :

• les moteurs de recherche,
• les systèmes de recommandations,
• la détection d’anomalie en cybersécurité.

Deep Learning (DL) : Un bond en avant

L’apprentissage profond (“Deep Learning” - DL) est une branche de l’intelligence artificielle et du machine learning qui utilise des réseaux de neurones artificiels composés de plusieurs couches (d’où le terme « profond ») pour “apprendre” à partir de grandes quantités de données, souvent non structurées.

Inspiré du fonctionnement du cerveau humain, le DL permet aux ordinateurs de reconnaître des motifs complexes dans des images, du texte, de l’audio ou d’autres types de données, et d’automatiser des tâches qui nécessitent normalement l’intelligence humaine.

Dans les applications de longue date, on retrouve par exemple:

• la détection de fraude bancaire,
• la reconnaissance faciale et vocale,
• la traduction automatique.

L’essor de l’IA générative : La nouvelle vague

L’intelligence artificielle générative (“Generative AI” - GenAI) tire partie des techniques avancées de ML et DL pour créer de nouveaux contenus (texte, images, audio, vidéo, code, etc.) en s’inspirant des caractéristiques des données sur lesquelles elle a été entraînée.

Les avancées majeures réalisées ces cinq dernières années dans la pertinence des contenus générés ouvrent la voie à l’intégration de fonctionnalités GenAI au sein des systèmes d’information.

Ainsi, on observe de plus en plus souvent dans les SI des usages tels que :

• la génération automatique de code,
• la création de contenus marketing,
• le déploiement de chatbots avancés.

IA agentique: quand l’union fait la force

L’IA agentique désigne des systèmes d’IA autonomes, dotés de raisonnement, orientés vers des objectifs, adaptables et capables d’interagir dynamiquement avec leur environnement pour atteindre des résultats sans supervision constante. Contrairement à l’IA statique, elle est holistique, proactive et s’adapte, agissant comme un employé numérique spécialisé capable d’évoluer et de collaborer.

En écho qui est décrit dans mon article dédié aux applications de l’IA agentique dans le monde des infrastructures télécom, les cas d’usage d’application d’agents IA dans les SI sont nombreux:

• Automatisation du service client,
• Maintenance prédictive,
• Optimisation opérationnelle générale et gestion de la chaîne d’approvisionnement,
• Sécurité et détection de fraude,
• Analyse et reporting.

Synergies entre automatisation, infonuagique et IA avancées

L’intégration dynamique de l’automatisation, de l’infonuagique et de l’intelligence artificielle avancée engendre une interaction synergique puissante, formant un cycle vertueux où les capacités de chaque composante se potentialisent mutuellement, ouvrant ainsi de nouvelles avenues pour l’efficacité, l’innovation et la croissance.

Automatisation propulsée par IA

L’automatisation des tâches répétitives est essentielle dans de nombreux domaines. Avec la complexification croissante des processus de production de biens et services due aux innovations technologiques, les systèmes d’automatisation doivent être capables de gérer des tâches toujours plus complexes et variées.

L’IA actuelle, grâce à sa capacité d’analyser de vastes données et d’identifier des schémas complexes, est devenue un outil indispensable pour automatiser à grande échelle. Les avancées récentes en apprentissage automatique et profond, ainsi que l’essor de l’IA générative et agentique, ont permis d’automatiser des tâches de plus en plus sophistiquées, comme la création de code ou la gestion automatique des incidents informatiques.

Capacités IA augmentées grâce à l’infonuagique

Le développement et le déploiement d’applications d’IA, notamment celles basées sur l’apprentissage profond et l’IA générative, exigent d’importantes ressources de calcul et de stockage. Les modèles d’IA, tels que les grands modèles de langage ou les réseaux neuronaux pour la vision, sont entraînés sur des jeux de données massifs, nécessitant des infrastructures capables de traiter et de stocker des pétaoctets d’informations.

L’infonuagique s’est rapidement imposée comme la solution idéale, offrant une évolutivité et une flexibilité considérables pour allouer des ressources à la demande. Les fournisseurs de cloud proposent des GPU et des TPU optimisés pour les charges de travail d’IA, rendant cette puissance de calcul essentielle non seulement plus accessible financièrement, mais aussi plus flexible et facile à déployer, favorisant ainsi l’adoption et l’innovation dans le domaine de l’intelligence artificielle.

Capacités infonuagiques optimisée et augmentées par l’IA

Face à la demande croissante de services infonuagiques et à la nécessité d’optimiser les coûts, l’automatisation intelligente de la mise à l’échelle est devenue primordiale. L’IA générative et agentique, en combinant leurs atouts, permettent d’atteindre cet objectif.

L’IA générative peut analyser les tendances d’utilisation et anticiper les besoins futurs en ressources, permettant une allocation proactive et évitant le surprovisionnement ou le sous-provisionnement.

L’IA agentique, quant à elle, peut surveiller en temps réel l’utilisation des ressources et ajuster dynamiquement l’allocation en fonction des besoins, en déplaçant automatiquement les charges de travail vers les serveurs les moins sollicités ou en adaptant les ressources à la demande. Cela permet une gestion plus efficace et économique des infrastructures infonuagiques.

Puissance de calcul améliorée par l’IA

L’intelligence artificielle ne se contente pas d’optimiser l’utilisation des ressources informatiques existantes ; elle révolutionne également la conception et la fabrication des puces informatiques elles-mêmes. Grâce au Machine Learning et au Deep Learning, les ingénieurs peuvent désormais simuler et tester des milliers de configurations de circuits intégrés en un temps record.

L’IA permet d’identifier les designs les plus efficaces, réduisant ainsi la consommation d’énergie et augmentant la vitesse de traitement. De plus, l’IA générative est utilisée pour créer de nouveaux types d’architectures de puces, ouvrant la voie à des performances inédites et à une spécialisation accrue pour les charges de travail d’IA elles-mêmes.

Cette boucle de rétroaction positive entre l’IA et le matériel informatique promet des avancées spectaculaires dans les années à venir.

Conclusion

On vient de voir que l’intégration poussée de l’automatisation, du cloud et de l’IA change radicalement les systèmes d’information et les usines. Ces technologies combinées offrent des opportunités incroyables pour l’efficacité, l’innovation et la croissance.

Mais cette transformation, au même titre que chaque innovation technologique, soulève une question clé: quel sera l’impact sur les gens et le marché du travail ? Comment s’assurer d’une transition juste et ouverte à tous, où les avantages sont partagés et les problèmes gérés de manière responsable ?

Je reviendrai en détail sur ces interrogations dans mon prochain post. D’ici-là, rejoignez-moi sur les réseaux 😉

💡Dive into a future where telecom infrastructures become smarter, more resilient, and autonomous!

✒️This article explores the practical applications of agentic AI, a major technological advancement, in the telecommunications sector. Designed to be autonomous, adaptive, and goal-oriented, these digital agents act in real-time to optimize networks, anticipate failures, and automate complex processes, going far beyond simple customer support interactions.

🔍Dynamic network management, predictive maintenance, continuous service improvement… Learn through examples how industry leaders like AT&T, NTT Docomo, Orange, and Vodafone have embraced this game-changing innovation!

Foreword

• This article, enhanced with AI-generated improvements (Napkin, Microsoft Copilot, NotebookLM), is made available under the CC BY-ND 4.0
• The next article will focus on the impact of AI agents on IT professionals. Follow my LinkedIn Feed or subscribe to the RSS feed to stay updated!

What is Agentic AI?

Agentic AI, also known as AI agents, refers to a set of artificial intelligence systems designed to exhibit autonomy, reasoning, goal orientation, adaptability, and the ability to interact dynamically with their environment. They act on behalf of humans or systems, making independent decisions, adapting over time, and achieving specified outcomes without requiring constant supervision.

Unlike static AI models, AI agents are holistic, adaptive, and proactive, acting almost like digital employees with specialized knowledge and the ability to evolve their strategies. They can collaborate across different domains, sharing information and coordinating responses.

Applications of Agentic AI in Telecommunications

The application of agentic AI in telecommunications extends to several critical areas beyond simple customer support.

Network Management and Optimization

AI agents continuously monitor network infrastructure. They analyze key performance indicators (KPIs) and performance metrics. They can detect bottlenecks, high-latency areas, or overloaded nodes. In response, they implement actions such as dynamic traffic rerouting or bandwidth allocation to ensure maximum availability and optimal quality of service (QoS). AI continuously tracks network activity and adjusts resources to maintain stability. Agents can fine-tune network parameters for optimal connectivity by analyzing data from connected devices.

The use of agentic AI aligns with the AIOps (Artificial Intelligence for IT Operations) practice, where it is used to analyze network usage patterns, optimize resource allocation, and assist in infrastructure planning.

Real-World Examples

• NTT Docomo has integrated AI at the core of its network management strategy, employing AI-based predictive analytics to enhance network performance, minimize latency, and improve spectrum efficiency. Specific agents like the OLT Agent (for Optical Line Terminal data) and the ACS Agent (for Auto Configuration Server data) can handle technical queries related to the infrastructure^[1].
• Vodafone uses AI-based tools to assess RAN (Radio Access Network) sites and optimize network functionality through predictive maintenance and continuous configuration tasks^[2].

^[1][2] Forbes - Transforming Telecom Operations Through Agentic And Generative AI

Predictive Maintenance

AI agents can predict and resolve failures before they impact service. They analyze network data in real-time to detect patterns indicating potential issues, enabling rapid intervention. By leveraging historical data, AI predicts when components may degrade and recommends preventive maintenance to avoid outages.

Real-World Examples

• AT&T uses generative AI for predictive network maintenance, anticipating congestion, detecting potential disruptions, and automating corrective measures before customers experience issues^[3].
• Vodafone integrates AI for predictive maintenance to optimize network functionality. AI can identify early signs of hardware degradation and schedule maintenance to minimize downtime^[4].

^[3] AT&T Labs - Analytics and AI-based automation

^[4] Google Cloud - How Vodafone is using gen AI to enhance network life cycle

Security and Fraud Detection

AI-based security agents can monitor threats, detect intrusions, and initiate automatic countermeasures. They track transaction patterns, usage anomalies, and access behaviors. They use behavioral analysis and machine learning to detect fraud in real-time (such as SIM swap fraud or international toll bypass). Agents can flag suspicious activities, block compromised accounts, and generate alerts.

Use Cases

In her article “Agentic AI in Telecom Industry - The Ultimate Guide“, Dr. Jagreet Kaur Gill proposes a dedicated Fraud Detection Agent.

• AI enhances telecom security by detecting suspicious behaviors on networks, identifying unusual patterns in call records and data usage to flag potential fraud attempts.
• Integrating agentic AI into security operations centers (SOC) transforms how teams detect, analyze, and respond to threats.
• Agents can continuously learn from new fraud patterns, automatically adapt security protocols, and collaborate across systems to prevent threats in real-time.

General Operational Optimization and Supply Chain Management

Agentic AI can optimize internal processes such as billing, resource allocation, and compliance. Agents automate repetitive tasks like fault detection, ticketing, billing validation, and network tuning, reducing labor and maintenance costs. They can manage the supply chain, optimize inventory, forecast demand, and anticipate logistical needs. Collaboration among multiple agents across different telecom domains (customer support, network management, billing, etc.) enables end-to-end automation.

Real-World Examples

• In March 2023, AT&T announced a partnership with NVIDIA to implement new capabilities built around artificial intelligence, including optimizing field agent deployment using NVIDIA cutOpt^[5]. Early tests at the time showed an increase in field operations and a 90% reduction in associated cloud costs.
• Also related to field operations, Orange uses AI-based image recognition features to validate the quality of completed work, allowing for immediate corrective actions if necessary^[6].

^[5] AT&T Press Room - AT&T Supercharges Operations With NVIDIA AI

^[6] Orange - How AI drives Orange’s network innovation

Edge Computing Applications

AI agents can support intensive computing workloads on private edge networks, combining secure low-latency 5G private networks with AI software platforms to enable real-time on-site AI services.

Real-World Example

Verizon partnered with Nvidia to supercharge AI workloads on private 5G networks coupled with mobile edge computing^[7]. This supports compute-intensive applications such as generative AI models, computer vision, and augmented reality. Applications are varied, including:

• digital twin,
• manufacturing automation,
• in-store traffic analysis,
• supply chain management (smart restocking, transportation, and logistics).

^[7]Verizon collaborates with NVIDIA to power AI workloads on 5G private networks with Mobile Edge Compute

Personalized Marketing

Agentic AI can analyze customer data and predict the most relevant offers. It tailors recommendations using real-time information on customer activity and service usage.

Real-World Example

• T-Mobile uses AI based on real-time user behavior to personalize offers^[8]. AI sales agents can identify customers likely to upgrade their plans or renew their contracts.

^[8] AWS - At T-Mobile, AI Humanizes Customer Service

Analysis and Reporting

Agents can consolidate data from various sources and generate automated dashboards and reports for executives and teams, facilitating data-driven decision-making.

Use Cases

In her article “Agentic AI in Telecom Industry - The Ultimate Guide“, Dr. Jagreet Kaur Gill describes an Analysis and Reporting Agent that would perform the following functions:

• Auditing billing logs, payment records, and plan configurations.
• Detecting discrepancies such as overbilling, delayed charges, or misapplied discounts.
• Recommending billing adjustments and transmitting alerts or refunds for customers.

Conclusion

These applications demonstrate how AI agents go beyond customer support to transform telecom operations, making them smarter, proactive, and resilient.

Agentic AI systems work by breaking down complex tasks into specialized agents and managing their interactions through an orchestration layer. This collaborative approach, where multiple agents work together, is crucial for addressing complex problems that exceed the capabilities of a single agent. The agentic architecture enables this collaboration, often structured hierarchically with utility agents, super agents, and orchestrator agents. Orchestration systems based on frameworks like SWARM ^[9] or platforms like Accenture AI Refinery™ ^[10] manage these interactions and achieve complex objectives.

^[9] Neurons Lab - Building a Telco AI Agent Orchestration Layer with SWARM

^[10] Accenture - AI Refinery™

💡Plongez dans un avenir où les infrastructures télécoms deviennent plus intelligentes, résilientes et autonomes !

✒️Cet article explore les applications concrètes de l’IA agentique, avancée technologique majeure, dans le secteur des télécommunications. Conçus pour être autonomes, adaptatifs et orientés vers des objectifs spécifiques, ces agents numériques agissent en temps réel pour optimiser les réseaux, anticiper les défaillances et automatiser les processus complexes, dépassant les simples interactions de support client.

🔍Gestion dynamique du réseau, maintenance prédictive, amélioration continue des services… Découvrez par l’exemple comment des acteurs du secteur comme AT&T, NTT Docomo, Orange et Vodafone, ont su s’approprier cette innovation devenant incontournable!

Avant-propos

• Cet article, augmenté d’améliorations générées avec des IA (Napkin , Microsoft Copilot, NotebookLM), est mis à disposition au travers de la license CC BY-ND 4.0
• Le prochain article sera quant à lui dédié à l’impact de l’emploi d’agents AI sur les professionnels de TI. N’hésitez pas à suivre mon compte BlueSky ou à souscrire au fil rss pour ne pas rater sa sortie!

Qu’est-ce que c’est l’IA agentique?

L’IA agentique, aussi appelée agents d’IA, représente un ensemble de systèmes d’intelligence artificielle conçus pour faire preuve d’autonomie, de raisonnement, d’orientation vers un objectif, d’adaptabilité et de capacité à interagir de manière dynamique avec leur environnement. Ils agissent au nom d’humains ou de systèmes, prenant des décisions indépendantes, s’adaptant au fil du temps et atteignant des résultats spécifiés sans nécessiter de supervision constante.

Contrairement aux modèles d’IA statiques, les agents d’IA sont holistiques, adaptatifs et proactifs, agissant presque comme des employés numériques dotés de connaissances spécialisées et capables de faire évoluer leurs stratégies. Ils peuvent travailler ensemble à travers différents domaines, partageant des informations et coordonnant les réponses.

Applications de l’IA Agentique dans les Télécommunications

L’application de l’IA agentique dans les télécommunications s’étend à plusieurs domaines critiques au-delà du simple support client.

Gestion et optimisation du réseau

Les agents d’IA supervisent l’infrastructure du réseau en continu. Ils analysent des indicateurs clés de performance (KPI) et des métriques de performance. Ils peuvent détecter les goulots d’étranglement, les zones à latence élevée ou les nœuds surchargés. En réponse, ils mettent en œuvre des actions telles que le réacheminement dynamique du trafic ou l’allocation de bande passante pour assurer une disponibilité maximale et une qualité de service (QoS) optimale. L’IA suit en permanence l’activité du réseau et ajuste les ressources pour maintenir la stabilité. Les agents peuvent ajuster les paramètres du réseau pour une connectivité optimale en analysant les données des appareils connectés.

L’emploi de l’IA agentique entre en phase avec la pratique AIOps (Artificial Intelligence for IT Operations), où elle est utilisée pour analyser les modèles d’utilisation du réseau, optimiser l’allocation des ressources et aider à la planification de l’infrastructure.

Exemples concrets

• NTT Docomo a intégré l’IA au cœur de sa stratégie de gestion de réseau, employant l’analyse prédictive basée sur l’IA pour améliorer les performances du réseau, minimiser la latence et améliorer l’efficacité du spectre. Les agents spécifiques comme l’Agent OLT (pour les données Optical Line Terminal) et l’Agent ACS (pour les données Auto Configuration Server) peuvent gérer des requêtes techniques liées à l’infrastructure^[1].
• Vodafone utilise des outils basés sur l’IA pour évaluer les sites RAN (Radio Access Network) et optimiser la fonctionnalité du réseau par la maintenance prédictive et les tâches de configuration continue^[2].

^[1][2] Forbes - Transforming Telecom Operations Through Agentic And Generative AI

Maintenance prédictive

Les agents d’IA sont capables de prédire et résoudre les défaillances avant qu’elles n’affectent le service. Ils analysent les données du réseau en temps réel pour détecter les modèles indiquant des problèmes potentiels, permettant une intervention rapide. En s’appuyant sur les données historiques, l’IA prédit le moment où les composants peuvent se dégrader et recommande une maintenance préventive pour éviter les pannes.

Exemples concrets

• AT&T utilise l’IA générative pour la maintenance prédictive du réseau, anticipant les congestions, détectant les perturbations potentielles et automatisant les mesures correctives avant que les clients ne rencontrent des problèmes^[3].
• Vodafone intègre l’IA pour la maintenance prédictive afin d’optimiser la fonctionnalité du réseau. L’IA peut identifier les premiers signes de dégradation matérielle et planifier la maintenance pour minimiser les temps d’arrêt^[4].

^[3] AT&T Labs - Analytics and AI-based automation

^[4] Google Cloud - How Vodafone is using gen AI to enhance network life cycle

Sécurité et détection de fraude

Les agents de sécurité basés sur l’IA peuvent surveiller les menaces, détecter les intrusions et initier des contre-mesures automatiques. Ils suivent les modèles de transaction, les anomalies d’utilisation et les comportements d’accès. Ils utilisent l’analyse comportementale et l’apprentissage automatique pour détecter la fraude en temps réel (comme la fraude SIM swap ou le contournement international des péages). Les agents peuvent signaler les activités suspectes, bloquer les comptes compromis et générer des alertes.

Cas d’usage

Dans son article “Agentic AI in Telecom Industry - The Ultimate Guide“, le Dr. Jagreet Kaur Gill propose un Agent de détection de fraude dédié.

• L’IA renforce la sécurité des télécommunications en détectant les comportements suspects sur les réseaux, identifiant les schémas inhabituels dans les enregistrements d’appels et l’utilisation des données pour signaler les tentatives de fraude potentielles.
• L’intégration de l’IA agentique dans les opérations des centres d’opérations de sécurité (SOC) transforme la manière dont les équipes détectent, analysent et répondent aux menaces.
• Les agents peuvent apprendre continuellement des nouveaux modèles de fraude, adapter automatiquement les protocoles de sécurité et collaborer entre les systèmes pour prévenir les menaces en temps réel.

Optimisation opérationnelle générale et gestion de la chaîne d’approvisionnement

L’IA agentique peut optimiser les processus internes tels que la facturation, l’allocation des ressources et la conformité. Les agents automatisent les tâches répétitives, comme la détection des défauts, la billetterie, la validation de la facturation et le réglage du réseau, ce qui réduit les dépenses de main-d’œuvre et de maintenance. Ils peuvent gérer la chaîne d’approvisionnement, optimiser les stocks, prévoir la demande et anticiper les besoins logistiques. La collaboration entre plusieurs agents à travers différents domaines des télécommunications (support client, gestion de réseau, facturation, etc.) permet une automatisation de bout en bout.

Exemples concrets

• En mars 2023, AT&T annonce un partenariat avec NVIDIA pour la mise en place de nouvelles capacités construites autour de l’intelligence artificielle, notamment pour optimiser la répartition des agents de terrain en utilisant NVIDIA cutOpt^[5]. Les tous premiers tests attestent à l’époque d’une augmentation du nombres d’opérations de terrain ainsi qu’une réduction de 90% des coûts infonuagiques associés.
• Toujours en relation avec les opérations de terrain, Orange utilise des fonctionalités de reconnaissance d’image par intelligence artificielle pour valider la qualité des travaux effectués, permettant le cas échéant des actions correctrices immédiates^[6].

^[5] AT&T Press Room - AT&T Supercharges Operations With NVIDIA AI

^[6] Orange - L’IA, moteur d’innovation dans les réseaux télécoms d’Orange

Applications d’informatique de pointe (Edge Computing)

Les agents d’IA peuvent supporter des charges de travail informatiques intensives sur des réseaux privés en périphérie (edge), combinant des réseaux privés 5G sécurisés à faible latence avec des plateformes logicielles d’IA pour permettre des services d’IA en temps réel sur site.

Exemple concret

Verizon s’est associé à Nvidia pour supercharger les charges de travail d’IA sur les réseaux privés 5G couplés à l’informatique de pointe mobile^[7]. Cela prend en charge des applications exigeantes en calcul, telles que les modèles d’IA générative, la vision par ordinateur et la réalité augmentée. Les applications sont variées, incluant:

• le jumeau numérique,
• l’automatisation manufacturière,
• l’analyse du trafic en magasin,
• la gestion de la chaîne d’approvisionnement (réapprovisionnement intelligent, transport et logistique).

^[7]Verizon collaborates with NVIDIA to power AI workloads on 5G private networks with Mobile Edge Compute

Marketing personnalisé

L’IA agentique peut analyser les données clients et prédire les offres les plus pertinentes. Elle adapte les recommandations en utilisant des informations en temps réel sur l’activité des clients et l’utilisation des services.

Exemple concret

• T-Mobile utilise l’IA basée sur le comportement utilisateur en temps réel pour personnaliser les offres^[8]. Les agents de vente IA peuvent identifier les clients susceptibles de passer à des forfaits supérieurs ou de renouveler leurs contrats.

^[8] AWS - At T-Mobile, AI Humanizes Customer Service

Analyse et reporting

Les agents peuvent consolider les données provenant de diverses sources et générer des tableaux de bord et des rapports automatisés pour les dirigeants et les équipes, facilitant ainsi la prise de décision basée sur les données.

Cas d’usage

Toujours dans son article “Agentic AI in Telecom Industry - The Ultimate Guide“, le Dr. Jagreet Kaur Gill décrit un Agent d’Analyse et Reporting qui remplirait les fonctions suivantes:

• Audit des journaux de facturation, des enregistrements de paiement et des configurations de plan.
• Détection des écarts tels que la surfacturation, les frais retardés ou les remises mal appliquées.
• Recommandation sur des ajustements de facturation et transmission des alertes ou des remboursements pour les clients.

Conclusion

Ces applications démontrent comment les agents d’IA vont au-delà du support client pour transformer les opérations des télécommunications en les rendant plus intelligentes, proactives et résilientes.

Les systèmes d’IA agentique fonctionnent en décomposant des tâches complexes en agents spécialisés et en gérant leurs interactions via une couche d’orchestration. Cette approche collaborative, où plusieurs agents travaillent ensemble, est cruciale pour aborder des problèmes complexes qui dépassent les capacités d’un seul agent. L’architecture agentique permet cette collaboration, souvent structurée de manière hiérarchique avec des agents utilitaires, des super agents et des agents orchestrateurs. Les systèmes d’orchestration basés sur des frameworks comme SWARM ^[9] ou les plateformes comme Accenture AI Refinery™ ^[10] permettent de gérer ces interactions et d’atteindre des objectifs complexes.

^[9] Neurons Lab - Building a Telco AI Agent Orchestration Layer with SWARM

^[10] Accenture - AI Refinery™