L'intelligence artificielle au service de l'impact social

0:05 Je vous ai dit tout à l'heure que j'avais mis mon grain de sel cette année. Bon, c'est sûr qu'au bout de la cinquième année, je commence à être un peu entendue. Enfin, c'est limite. Et je me permets de glisser quelques noms comme ça de personnes qui sont évidemment connues de votre réseau, mais qui sont parfois encore plus connues du mien, puisqu'il s'agit d'un innovateur social, il s'agit d'un fellow HOK, parce que pour ceux qui ne le savent pas, j'ai la chance de diriger cette formidable organisation en France qui s'appelle HOK, et qui finance des entrepreneurs sociaux qui transforment profondément la société de manière systémique. Et Paul Dion est l'un de ceux-là, avec Base Impact. Alors Paul Dion, ce qui est intéressant, c'est que souvent, quand on accuse l'IA d'être destructeur d'emploi, lui, il a trouvé une façon très maligne de pouvoir remettre l'humain pour ceux qui trouvent de l'emploi au bon endroit. Alors je vous demande de l'accueillir sous un tonnerre d'applaudissements, parce qu'il est fait loi, je suis trop contente. Voilà, Paul Dion de Base Impact. Merci.

1:08 Bravo, Paul. À toi, 40 minutes. 40 minutes de talk. Et puis après, je reviens pour la session de questions-réponses. Si tu m'acceptes, je reviens pour animer avec toi la session de questions-réponses. OK? Avec plaisir. Si tu as besoin de la zapette pour tes slides, parce que je sais que tu as des slides. Slides qui ont été faites sur le fil. Donc, en tout cas, merci. Le principal, c'est qu'il soit là. Merci, bonjour à toutes et à tous. Je suis vraiment ravi aujourd'hui de pouvoir vous parler d'intelligence artificielle au service de l'impact social. Comme le disait Elsa, c'est un sujet qui me tient à cœur et pour lequel j'ai quitté la Silicon Valley où j'étais Data Scientist il y a plus de 11 ans maintenant, ce qui ne me rajeunit pas. Et je suis d'autant plus ravi d'être ici devant vous que je n'ai pas été défenestré par l'équipe de TechRox. J'ai fini les slides là pendant la pause déjeuner, donc merci d'avoir pris un peu de temps pour venir. J'ai demandé à Gemini de me faire une petite bio, en plus c'est très bien, Gemini 3 vient de sortir, c'est parfait, pour TechRox. Pour me présenter, moi c'est Paul Durand, je suis le président et le fondateur d'une ONG, c'est une organisation à but non lucratif, sous statut d'assaut 1901 en France, vu qu'on aime bien les statuts,

2:12 qui a pour but de mettre l'intelligence artificielle au service de l'intérêt général. Je suis data scientist de formation, j'ai commencé après mes études à Berkeley dans une startup qui s'appelle Eventbrite, que vous connaissez. J'ai eu la chance de vivre l'hypercroissance de la tech et c'est là que je me suis dit, bon c'est quand même dommage, tout ça c'est très intellectuellement stimulant et puis évidemment c'est très gratifiant, mais comment est-ce qu'on peut mettre ces technologies? qui sont puissantes au service de causes qui ont du sens, parce que globalement, la puissance de calcul, la puissance de cerveau qu'on déploie pour optimiser des petits algorithmes de détection de fraude ou faire gagner des clics sur des pubs de 0,1%, je pense qu'on pourrait le mettre au service de causes sociales. Depuis 11 ans, on a travaillé sur beaucoup de sujets avec Base Impact qui vont de l'accompagnement des demandeurs d'emploi avec Boab Emploi, j'y reviendrai tout à l'heure, Aujourd'hui, avec KZEI, qui est notre nouvel outil qui permet d'outiller et d'accélérer le travail des assistants sociaux, des travailleurs sociaux, des infirmiers, de tous les professionnels de l'accompagnement.

3:14 Et on a eu la chance de travailler sur des sujets aussi divers que la lutte contre le Covid. Tous les textos que vous receviez de l'assurance maladie qui vous disaient« Attention, vous avez peut-être croisé quelqu'un qui est à ton tact». Ça, c'est des choses que nous, on envoyait. Ça a été derrière repris par l'assurance maladie, mais dans l'intérim, nous, en tant qu'ONG, on a pu justement aller un peu plus vite et tester des choses. On a travaillé avec Kamala Harris à l'époque, il y a dix ans, sur la transparence des données de violences policières en Californie. Malheureusement, c'est un sujet qui est encore toujours très prégnant, comme vous le savez. Et c'est justement en faisant tout ça depuis dix ans qu'on se rend compte que l'intelligence artificielle au service social, oui évidemment, c'est extrêmement prometteur, beaucoup de hype, mais de l'avoir fait pendant dix ans, on a aussi pas mal de leçons apprises sur qu'est-ce qui marche, qu'est-ce qui ne marche pas, et ça je suis ravi de pouvoir vous en parler plus en détail au cours de cette keynote. Alors d'autres missions chez Bayes, comme je le disais, c'est utiliser l'IA. pour aider les organisations sociales à augmenter leur impact. Et notre vision, c'est de réussir à créer un monde où chaque personne dans le besoin peut recevoir l'accompagnement personnalisé dont il a besoin.

4:16 Alors, le grand thème, le grand fil rouge, je reviendrai, c'est de l'optimisation à l'empowerment. Parce qu'en fait, il y a deux visions de l'IA for good. L'IA for good, on a un peu cette idée que l'IA va tout résoudre, parce que l'IA peut engranger des données massives, peut aller avoir un peu son côté de super cerveau, et aller trouver vraiment les manières d'aller chercher les martingales, là où en fait on est un peu con, on n'a pas trouvé qu'il y avait cette façon-là d'aller magiquement faire baisser le chômage. Et ça, de cette vision-là dont on est revenu, je vais vous parler derrière de l'empowerment et de pourquoi est-ce que l'intelligence artificielle au service de l'humain, ça, ça peut fonctionner. Alors si on reprend justement, je sais que c'est le thème de cette édition de Tech Rocks, de la hype à la réalité, Quand on parle de AI for Humanity, globalement, il y a beaucoup de hype. Là, je vous cite un blog de Sam Altman, qui, globalement, je vous laisse un peu le temps de lire derrière, mais qui dit, en fait, nous allons avoir des triomphes incroyables qui vont aller résoudre le climat, établir une colonie spatiale, découvrir toute la physique, pas juste certaines de la physique, toute la physique, et ça va devenir en plus une commodité.

5:24 Parce qu'on aura de l'intelligence illimitée, de l'énergie abondante. Je ne vous fais pas forcément tout le topo. Évidemment, là, on est dans ce qui se fait de plus grandiloquent. Et on arrive même à des situations où on se dit qu'on n'a même pas besoin de se préoccuper de l'impact social ou des conséquences sociales de l'IA, puisqu'à partir du moment où on aura une AGI, on aura résolu tous les problèmes du monde. Alors évidemment, ce n'est pas comme ça que ça marche. Vous connaissez tous la courbe de hype de Gartner. Globalement, je pense qu'on est tous d'accord pour dire qu'on se retrouve à peu près quelque part après la première bosse. Le côté« l'IA va tout résoudre» dans le pic des attentes enflées et surréalistes. Alors le risque derrière c'est de retomber dans l'extrême inverse, c'est-à-dire que de toute façon l'IA c'est nul, la GNI ça ne sert à rien, ça ne marche pas, ce n'est pas fiable, ça n'a de toute façon aucun impact, c'est du gadget. Et derrière dans cette pente un peu plus douce de l'illumination, c'est là qu'on se dit tiens finalement il y a quand même des choses assez précises que l'intelligence artificielle est capable de résoudre. Il y a des types de workflow, des types de tâches qui sont des vrais bottlenecks aujourd'hui et que si on les adresse, on peut avoir un impact réel.

6:30 réel et mesurable. Donc moi la grande question qui me taraude depuis 10 ans, vous l'avez compris, c'est comment est-ce qu'on fait en sorte que l'IA profite à tous et que ce ne soit pas juste des vieux pieux et que ça serve à tous, particulièrement aux plus vulnérables. Parce que concrètement, San Francisco, je vous parlais de la Silicon Valley, évidemment il y a le glamour, il y a les paillettes, il y a les milliards qu'on investit, mais il y a aussi ça, lorsqu'on marche dans la rue, concrètement, on regarde à gauche, on a des geeks millionnaires qui parlent de blockchain, on regarde à droite, on a des sans-abri. Et ça, c'est vraiment une sorte de décalage que moi, je n'avais pas pu supporter. C'est aussi pour ça que je suis parti. Mais on voit bien qu'entre cette vision de Sam Altman qui dit« l'IA va tout résoudre» et la réalité, il y a encore du chemin à faire. Alors pourquoi c'est important d'un point de vue plus macro? C'est que quand on prend la demande pour les services publics, la demande pour les services sociaux, elle ne fait qu'augmenter. Quand on pose une question, ça c'est un sondage de 2022, à l'échelle de l'OCDE, ça c'est quelque chose qui augmente. Si on demande à la population générale s'ils pensent que les gouvernements doivent faire plus, pareil ou moins,

7:35 en termes de provision de services sociaux, la réponse écrasante à plus de 80% sur l'ensemble de l'OCDE, avec quelques petites variations près, mais de manière écrasante, évidemment que tout le monde dit oui, il faut plus de services, il y a plus de gens en besoin, il y a des inégalités qui augmentent, évidemment il faut plus de services. Ça c'était en 2022, c'est toujours vrai en 2025. Par contre, si on prend la courbe plutôt de dire combien de budget est-ce qu'il faut mettre sur les services sociaux, On est malheureusement bien placé pour le savoir. On a ici un paradoxe. Parce que les moyens qu'on y met sont inversement proportionnels à la demande qui, elle, est en train d'augmenter. Qu'est-ce que ça veut dire au-delà des grandes analyses macro? C'est que par exemple, si on prend des travailleurs sociaux dans le domaine de l'enfance, qui s'occupent par exemple de gamins placés, de gamins à risque, on a des travailleurs sociaux aujourd'hui qui se retrouvent avec en moyenne plus de 50 enfants par portefeuille. Ça c'est énorme, on préconise en général 20 au maximum. Et on a même des cas où certains se retrouvent avec 100 personnes dans leur portefeuille, et ça, ça veut dire des vrais drames humains qui se passent.

8:37 C'est les drames qu'on lit dans la presse, lorsqu'on dit qu'il y a eu un suicide qui aurait été évitable parce qu'il y a eu 50 000 signalements. C'est aussi des travailleurs sociaux qui veulent bien faire leur métier, mais qui derrière, la nuit, sont victimes d'insomnie, parce qu'ils savent bien que sur les 100 personnes qu'ils ont dans leur portefeuille, ils ne sont pas capables de les tous leur rendre visite. Et ça, ça aboutit à cette statistique qui dit, pareil, selon un sondage d'il y a quelques années, que 85% des travailleurs sociaux présentent des signes de burn-out liés à l'augmentation de la charge de travail. 85%. Donc ça c'est un exemple, c'est un exemple malheureusement parmi plein, et celui de faire une petite recherche Google, pour voir que si on tape « social services overwhelmed », on tombe sur des faits divers à n'en plus finir, qui vont de des enfants en risque de suicide qui n'ont même pas de place à la NHS, 307 000 vétérans qui seraient morts pendant que leur dossier était en cours de prise en charge, ou encore des milliers de vouchers pour des personnes sans-abri qui sont inutilisées.

9:41 Tout ça, je n'ai pas envie de trop vous faire déprimer juste après la pause déjeuner. Si vous voulez déprimer encore plus, vous pouvez faire une recherche Google ou autre, ou Quant, ou The Dog Go, de votre côté. Mais globalement, ce n'est malheureusement pas des cas isolés. Il y a peut-être une autre idée de l'intelligence artificielle. On se dit, et si on créait plutôt un monde où chaque enfant avait son propre tuteur? Dans un monde où les inégalités d'éducation augmentent, notamment entre l'offre d'éducatifs qui est permise pour ceux qui ont les moyens d'aller mettre leurs enfants dans des écoles Montessori ou d'avoir des tuteurs, comment est-ce qu'on fait derrière en sorte que ça, on le rend accessible à tous? Alors pas juste au sein même d'un même pays, mais aussi au niveau global. Donc ça par exemple, il y a des ONG comme EIDU, qui est une ONG allemande, qui a développé un coach qui a amélioré les performances scolaires d'étudiants au Kenya d'une déviation standard, ce qui est absolument gigantesque selon des études scientifiques qui ont été faites derrière, randomisées, contrôlées. On a pu avoir un impact mesurable sur la qualité de la scolarisation.

10:45 Ou derrière, en termes d'échelle, avec des associations comme Quill, qui aide 35 millions d'étudiants à apprendre à mieux écrire, à mieux raisonner, à mieux structurer ses pensées à travers un outil qui est dopé à l'intelligence artificielle. De même, on peut se dire, est-ce que chaque, en termes d'accès aux soins, est-ce que chaque personne, est-ce que chaque patient pourrait avoir accès à un médecin, un infirmier, à une équipe de soins dédiée, ou une médecin et un infirmier? Et que derrière, pareil, je vous donne l'exemple, on est tous très conscients des aires médicaux, de l'inégalité d'accès aux soins en France, c'est aussi vrai à l'échelle mondiale. Et par exemple, on commence à avoir des cas d'usage et des retours d'expérience extrêmement inspirants, ou des ONG comme Jack Aranda, a permis d'apporter un accompagnement médical à plus de 2,2 millions de femmes. qui présente des risques de grossesse compliqués au Kenya. Et pareil derrière, les études ont montré qu'il pouvait avoir un impact mesurable sur le taux de visite prénatale, sur la qualité de la prise en charge et ainsi de suite. Je donne encore d'autres exemples, mais si chaque réfugié avait un traducteur personnel, ça c'est un cas qui est arrivé à la Croix-Rouge il n'y a pas très longtemps, lorsqu'il y a eu l'afflux des réfugiés ukrainiens, et on s'est rendu compte finalement que des bénévoles Croix-Rouge qui parlent ukrainien, on n'en avait pas non plus

12:03 en nombre suffisant pour pouvoir accueillir tout le monde, et où là évidemment les avancées de l'intelligence artificielle générative, notamment en matière de traduction, auraient été à l'époque extrêmement bénéfiques, et ce sont des choses qui sont en train de regarder en matière de préparation aux crises présentes et à venir. Donc dans tout ça, il y a un point commun, c'est que l'intelligence artificielle, si on se reprend l'exemple de la courbe de hype que je donnais tout à l'heure, la courbe de Gartner, c'est que l'intelligence artificielle ouvre de nouvelles possibilités. Donc si on prend ici cette étude de Bain sur le milieu de l'industrie, enfin sur le milieu commercial, quels sont les secteurs où l'intelligence artificielle a le plus de chances d'avoir de l'impact sur des process? On se retrouve avec tout en haut tout ce qui est administration, services professionnels, information, etc. Bon, ça, ce n'est pas nouveau pour vous. Je sais qu'on a beaucoup parlé déjà aujourd'hui. Et concrètement, ce que ça veut dire dans le domaine du social, c'est qu'on a justement quelque chose de très prometteur parce que le social est un secteur où on a besoin de personnaliser les services. C'est un secteur où, par défaut, enfin par nature, on doit traiter de situations humaines qui sont complexes, qui sortent un peu de l'ordinaire.

13:07 C'est justement les gens qui ne rentrent pas forcément bien dans les cases. Donc, on a besoin de pouvoir traiter des humains et pas juste des points de données. Donc, ça veut dire qu'il y a beaucoup de données non structurées. C'est beaucoup de notes, de comptes rendus. Vous pouvez imaginer, si on s'occupe d'enfants à risque, par exemple, ça va être les différents courriers qu'on reçoit, les signalements, les comptes rendus faits par l'équipe psychologique, et ainsi de suite. Donc c'est toutes ces données-là qui sont jusqu'ici peu exploitables, peu utilisables, qu'aujourd'hui, grâce à l'intelligence artificielle générative, on peut se dire« tiens, il y a peut-être moyen d'en faire quelque chose». Deuxièmement, d'un point de vue informatique, ce sont aussi des process qui sont peu automatisés et peu automatisables, parce qu'on a globalement des systèmes d'information très très fragmentés, qui ne sont pas... toujours très très moderne non plus dans ce système-là, enfin dans ce secteur, et où l'intelligence artificielle, en particulier l'IA agentique, offre de nouvelles possibilités parce qu'on peut se dire, tiens, on va pouvoir faire du liant et on va pouvoir aller utiliser l'IA un peu comme mortier entre des systèmes qui autrement ne se parlent pas, et tout ça dans le but de faire gagner du temps aux travailleurs sociaux, aux personnes de terrain.

14:09 Donc c'est toutes ces données non structurées, tous ces workflows qui sont aujourd'hui très très manuels, qui aboutissent dans cette surcharge de travail qui pourrait être évitable, parce que c'est du travail qui est plutôt de... Qui est plutôt de l'administratif, qui est plutôt du back-office pour maximiser le temps humain, qui aujourd'hui est permis par l'intelligence artificielle. Et on se dit, tiens, ce n'est peut-être pas l'intelligence artificielle qui va tout résoudre, qui va tout optimiser, qui va trouver toutes les solutions, mais c'est peut-être celle qui va aller faire libérer du temps pour ceux qui travaillent sur le terrain. Et de même, je le mentionnais tout à l'heure, je vais passer assez vite dessus, mais ça c'était la version encore hier, ça change évidemment encore de manière très rapide aujourd'hui, et comme je le disais tout à l'heure, l'intelligence artificielle agentique ouvre également de nouvelles perspectives. Ça, évidemment, c'est quelque chose sur lequel il faut faire un peu plus attention, parce qu'on traite de données humaines, on traite de données sensibles. Donc ça reste encore très très exploratoire à ce stade, mais il faut avoir ça dans le collimateur, ce sont des choses qui vont arriver et qui peuvent évidemment avoir beaucoup d'impact, puisqu'on est pile poil dans cette idée de, et si chaque personne pouvait avoir son assistant, assistante administrative, si chaque personne pouvait avoir de l'aide là où nous,

15:18 si on est un peu privilégié, on a la chance de pouvoir déléguer ces tâches-là qui sont complexes, de donner ça à tout le monde. Comme on le disait, l'intelligence artificielle, là où elle est vraiment utile, c'est cette notion d'empowerment, c'est empowérer les gens qui sont en première ligne. Donc il faut sortir de cette vision un peu naïve ou un peu arrogante de penser que l'intelligence artificielle par elle-même, ou que c'est nous en tant que techniciens qui allons trouver toutes les solutions. Évidemment, on est beaucoup moins aguerris aux problématiques sociales que ceux qui, eux, sont sur le terrain. Par contre, nous, ce qu'on peut faire, c'est mettre à disposition nos compétences, mettre à disposition nos outils pour les renforcer, eux. Donc ça, nous, chez Base Impact, on le met à profit dans une technologie qu'on a créée, donc un produit qui s'appelle Case AI, qui est un outil d'aide à l'accompagnement pour donner du pouvoir d'agir à l'échelle de l'outre-mer social. Donc en gros, c'est une sorte de l'échelle de case management, enfin un CRM en gros, plutôt adapté pour le travail social, où le but, ce n'est pas forcément d'aller vendre des choses à des prospects, mais plutôt d'aller suivre les dossiers, identifier les problématiques, prendre des notes sur ce qui s'est passé, puis aller trouver derrière les bonnes choses à recommander.

16:22 Donc ça c'est ce qu'on fait et on le fait de manière à ce que à travers l'intelligence artificielle on puisse faire gagner du temps dès qu'on peut le faire Donc ça par exemple, ça veut dire que dans le social, ce qu'on voit beaucoup, c'est qu'on est dans un monde de données non structurées. Qu'est-ce que ça veut dire, puisqu'on en parle de manière assez macro? Très concrètement, ici j'ai pris l'exemple d'une association dont je suis membre, qui s'appelle l'association Hugues Charnalet, qu'on a créée avec la famille malheureusement suite au décès prématuré de Hugues. Et pour cette association, ce qu'on fait, c'est qu'on fait du don humanitaire de médicaments contre les drépanocytoses, contre d'autres maladies, notamment en Afrique de l'Ouest. Et ça, pour ceux qui sont engagés dans des associations, vous pouvez imaginer à quoi ça ressemble. En fait, concrètement, on n'est pas du tout sur des chaînes logistiques, sur des ERP hyper bien structurés. Non, globalement, 99% de l'activité se passe par des échanges d'emails comme ça, pour finir. Je ne sais pas si vous arrivez à lire ici. Avec des échanges de mails, avec à chaque fois une quinzaine d'intervenants, on ne sait plus où est l'information, différentes choses s'annulent et se remplacent, etc.

17:26 Ici, on a essayé d'envoyer des médicaments qui s'appellent l'hydroxyuré, qui permettent de lutter contre la drépanocytose. Et concrètement, si vous me posez une question aussi simple qu'à l'hôpital Albert Royer à Dakar, combien est-ce qu'il reste de doses? Je suis incapable de vous répondre sans derrière aller cliquer sur chacun de ces threads et aller fouiller, par exemple dans des emails comme celui-ci, où je me rencontre à l'email numéro 13 sur la chaîne de 18, qu'il y avait 500 boîtes qui n'ont pas été enlevées au port parce qu'il y avait des problèmes douaniers. Concrètement, qu'est-ce qu'on en fait ? De même que dans le secteur commercial, on a toutes ces nouvelles intelligences artificielles pour aller traiter ou créer, par exemple, de manière hyper fluide des notes de frais. Il suffit de forwarder des emails ou prendre une photo de n'importe quelle facture et derrière aller en extraire les champs pour qu'on n'ait pas besoin d'aller faire ça comme à l'ancienne, ligne par ligne. En fait, globalement, on peut faire la même chose. On peut automatiser l'injection de données pour qu'à partir, par exemple, d'un email ou à partir de notes de compte rendu, à partir d'un courrier qui a été envoyé, on puisse derrière parser tout ça, donc toutes les notes de cas, tous les scans, les documents, les to-do,

18:35 le processer à travers des LLM, et ensuite, alors évidemment en le faisant bien, c'est-à-dire en vérifiant la qualité de la donnée, en ajoutant des types, et ainsi de suite, c'est-à-dire pour vraiment fiabiliser la donnée, et éviter le risque d'hallucination, mais une fois qu'on peut faire tout ça, on est capable d'aller extraire ces informations, et les mettre dans des bases de données structurées, qu'on va pouvoir requêter, sur lesquelles on va pouvoir faire des rapports, et concrètement ça donne ça, ça fait que par rapport à ce que vous avez vu tout à l'heure et l'information que je suis incapable d'aller chercher dans mes emails, on peut derrière extraire automatiquement, il y a 199 bénéficiaires à date avec le plus récent, c'est le 12 septembre 2025, 500 bois de 60 gélules qui ont été envoyés. Avec tant d'argent restant dans la caisse, un calcul du coût unitaire par bénéficiaire pour mon pilotage, qui a été calculé par l'intelligence artificielle, ainsi qu'une prévision d'épuisement des stocks pour aller faire une petite alerte. Attention, il faudrait faire un réassort pour cette association. Parce que ce que j'ai oublié de dire, c'est que l'exemple que je donne, c'est déjà extrêmement compliqué de s'y retrouver pour un seul hôpital qui est bénéficiaire des dons de notre association.

19:37 Imaginez, lorsqu'on en traite 15 à la fois, c'est absolument impossible d'avoir cette vue d'ensemble. Deuxièmement, une autre chose qui est vraiment très clé dans le travail social, qui est très présente, c'est que souvent on a un catalogue de services qui est immense, on n'a pas forcément une connaissance complète de l'offre qui existe, surtout lorsqu'il s'agit par exemple d'aller d'aller aider des gens qui sont, ce qu'on appelle joliment dans le secteur, qui ont les freins périphériques, c'est du terme un peu barbare, mais en gros c'est pour dire toutes les personnes qui... Qui en fait vont cumuler des difficultés, parce que par exemple si on est au chômage, c'est pas juste qu'on est au chômage, c'est qu'on a peut-être des difficultés pour payer son loyer, c'est peut-être qu'en fait on est au chômage parce qu'on a eu un souci de santé, c'est peut-être qu'on s'est séparé de son conjoint et qu'on a dû refaire sa vie un peu loin et qu'il y a des problématiques juridiques et qu'il faut allier ça avec la garde d'enfants et ainsi de suite. On est en fait en général sur des visions 360 et c'est extrêmement difficile pour un travailleur social d'être au courant de tout, d'avoir la vision complète de tout ce qui est possible. Et une des demandes qui nous revient très souvent du terrain, c'est est-ce qu'on est capable de connecter ça avec la ressource?

20:42 Est-ce qu'on est capable d'avoir l'intelligence artificielle qui a cette connaissance de ce qui est possible de recommander à un instant précis? Donc ça c'est pareil, j'ai pris quelques exemples, c'est des listes très longues, c'est comme je disais les travailleurs sociaux qui se retrouvent avec 100 enfants à suivre dans leur portefeuille. Je me suis amusé à taper travailleurs sociaux et overwhelming et ce qui tombe immédiatement c'est ce joli thread fucking overwhelmed sur Reddit. Je voulais très bien dire mais globalement c'est quand même un... Un sentiment qui est très largement partagé, et comment est-ce que ça, on peut essayer de le pallier? C'est qu'avec l'intelligence artificielle, on peut faire quelque chose sur lequel nous, on s'était cassé des dents, et je reviendrai un peu plus tard, pendant des années, c'est-à-dire comment est-ce qu'on peut passer à l'échelle cette façon, cette personnalisation, cette personnalisation de masse, pour pouvoir faire en sorte que chaque individu puisse dire, au vu de tout ce qui existe, au vu de tout ce que je vois dans ton dossier, voilà comment je vais réfléchir et voilà ce que je peux te proposer. Concrètement, nous, dans Kéziéa, ce qu'on fait, c'est qu'on est capable d'aller traiter toute la méthodologie.

21:46 Que va suivre un travail social, on n'a pas besoin de la programmer, c'est du no-code, c'est du texte, c'est en gros, on va donner, ingérer à l'IA tous les documents, vous pouvez imaginer, les guides des nouveaux employés, le manuel d'entraînement des nouveaux travailleurs sociaux, vous imaginez un peu ce genre de contenu-là, parfois ils n'existent pas, donc il y a un petit travail de formalisation de la connaissance organisationnelle. Pour aller coder ça derrière et pouvoir le donner de manière explicite à l'intelligence artificielle. Et ensuite, derrière, c'est toutes les sources de données que j'écrivais. Si on parle d'emploi, c'est être connecté aux API d'offres d'emploi, aux événements qui existent autour, à l'offre de logement et ainsi de suite. Et ça, ça nous permet derrière, ce que vous voyez à droite, d'aller fournir des recommandations qui sont personnalisées, pas seulement personnalisées, mais qui suivent également le mode de raisonnement. De l'organisation en question, donc si c'est des conseillers France Travail versus des conseillers mission locale, le type d'accompagnement n'est pas le même, le scope n'est pas le même, le type de bénéficiaire n'est pas le même, et ça c'est des choses qu'on peut, finalement, qu'on peut prompter différemment

22:49 à travers tout simplement du langage naturel et une description de cette méthodologie. Pour ceux qui sont un peu plus techniques, ça veut dire que globalement on a une architecture RAG assez classique, c'est on va se connecter avec les bases de données qui existent sur les différents bénéficiaires, on va analyser leurs profils et en profiter pour aller réécrire les requêtes. Donc quand on dit« query rewriting», c'est justement ça, c'est se dire, on va aller identifier que sur mon jeune qui a telle situation, et j'ai vu ça parce qu'il y a écrit tout un pavé sur son dossier et dans ses notes de compte rendu, c'est imaginer, ah bah tiens, les questions qui se posent immédiatement, c'est la top priorité, c'est de s'imaginer, c'est de voir qu'est-ce qu'il existe comme offre de logement à côté de là où il veut déménager. Donc faire ces requêtes-là plus précises, plutôt que d'avoir l'IA qui forcément va essayer de tout trouver, ça, ça permet derrière d'avoir quelque chose de beaucoup plus précis qui va interroger derrière à travers la méthodologie générale comme j'écrivais tout à l'heure.

23:51 Imaginer une sorte de plan d'action, stratégiser un peu sur ce qu'il faut faire, et puis derrière aller faire du rag pour récupérer toutes les bonnes sources de données, et essayer de constituer derrière ce fameux plan. De manière plus concrète, ça veut dire que, je vais revenir là-dessus, si je prends cet exemple-là, donc c'est une capture d'écran de la chaîne de raisonnement, que vous pouvez voir également lorsque vous êtes sur ChatGPT ou autres LLM grand public, pour un travailleur social qui utilise notre copilote, lorsqu'il déroule derrière, en fait on a tout ce plan d'action là où on va analyser le profil de Melvin on va imaginer les points les freins et les besoins, et à partir de ça, aller écrire ses requêtes, interroger tout ça, et ensuite faire ensembler des ressources qui ont été retenues et qui en a écarté d'autres, parce qu'elles ne sont pas forcément prioritaires dans ce cas. Tout ça, c'est des vraies données, des vrais ateliers, et c'est des événements qu'on a faits sur ce profil de Melvin, qui lui, évidemment, est un dossier fictif. Je reviens là-dessus, c'est quelque chose qu'on met évidemment en disposition en serveur MCP, pour être évidemment à la mode.

24:56 Cette idée de faire le MCP du social, c'est justement ce qui fait la différence entre, à quelqu'un qui va à la sauvage, ce que font d'ailleurs beaucoup de travailleurs sociaux, parce qu'ils sont sous-outillés, vont utiliser à la sauvage un chat GPT. Le problème, c'est que derrière, on n'a pas le contrôle sur les données qui peuvent être des données sensibles, sur les bénéficiaires qu'on envoie derrière dans le cloud. Et puis surtout, ce n'est pas forcément des données qui sont... Ce qu'on a en retour, qui sont très personnalisés, parce qu'à part régurgiter ce que le LLM a vu sur Internet et a vu sur les données d'entraînement, il n'a pas accès à toutes ces bases de données, à toutes ces API en temps réel, de données du marché du travail, d'offres de logements, d'offres d'événements, etc., qui sont disponibles. Donc en mettant ça à disposition sur la forme de MCP, ça c'est aussi la vision qu'on a en tant qu'ONG, c'est pas juste de dire notre but c'est de les vendre notre produit, c'est de faire en sorte que n'importe quelle intelligence artificielle, qu'elle soit grand public ou que ce soit d'un autre éditeur spécialisé, parce qu'on a plein dans le domaine social, puisse derrière aller bénéficier de ce qu'on construit. Ça, ça nous a permis de déployer KZI sur un certain nombre d'organisations, petites comme Ross, des petites associations qui globalement sortent du papier-crayon,

26:07 ou alors c'est des patouilles avec des feuilles Excel ou des feuilles Google Sheets, et qui n'ont pas encore de CRM, à qui on peut leur dire ne prends pas l'usine à gaz, tu n'as pas besoin de paramétrer tes 47 écrans avec tes 38 menus déroulants et tous les états possibles. On peut partir sur quelque chose où tu dis juste, je crée des fiches bénéficiaires, une part bénéficiaire et je mets tout en vrac de ce que j'ai dedans. Comme des grosses, comme France Travail, où l'intérêt derrière c'est plutôt de dire comment est-ce qu'on peut donner des plans d'action personnalisés. Je pense que vous êtes beaucoup ici à être manager, comment est-ce que si on a un bon manager ou si on est un bon manager, on va prendre le temps de faire des one-to-one avec ses équipes et leur préparer des plans qui sont individualisés. Comment est-ce qu'on peut donner ce niveau-là de qualité de service à grande échelle pour ceux qui en ont besoin. Voilà, c'est des choses qu'on explore aujourd'hui avec France Travail, donc on est sur... On est sur des typologies de bénéficiaires très très larges, mais le point commun, c'est que tout ce qu'on a appris depuis 10 ans, on le met aujourd'hui dans nos produits IA, c'est-à-dire comment est-ce qu'on met l'IA au service de l'empowerment des travailleurs de première ligne.

27:09 Donc tout ça, évidemment, on n'est pas arrivé avec la science infuse. Ça fait 10, 11 ans maintenant qu'on a testé beaucoup de choses dans le milieu de la Tech for Good. On a commencé en 2014. A l'époque, on se croit qu'on parlait même... pas encore de Tech for Good, on pensait encore que le terme ubérisé, on le disait encore de manière non ironique, il y a beaucoup de choses qui se sont passées depuis, mais globalement, Une expérience clé qui, pour nous, a été très très formatrice, vous en avez peut-être vous-même entendu parler, c'est celle de Bob Emploi, qui a été l'un de nos premiers projets. Donc à l'époque, je vivais à San Francisco, j'avais commencé à travailler sur l'optimisation du parcours des ambulances à San Francisco, sur le projet de réduction des violences policières avec le ministère de la Justice en Californie, puis je m'étais retrouvé dans une scène un peu comme celle-ci. Il y a dix ans, à dire, et si la big data, c'était le terme consacré à l'époque, permettait de faire de l'impact, on pourrait imaginer que la big data pourrait aider à faire baisser le chômage. Et ça derrière, cette phrase-là est devenue virale, sortie du talk, donc j'ai vécu effectivement le hype de la manière la plus, je pense, la plus...

28:19 La plus poussée qui puisse exister, donc je pense être complètement dans le thème de cette édition de Tech Rocks, parce que cette phrase qui a été prise hors contexte, où je donnais un exemple de ce que peut faire le big data pour le bien commun, finalement est devenue, en fait, il promet d'aller résoudre le chômage, d'aller le réduire de 10%, je me suis retrouvé en couverture de Society sur des kiosques de journaux, alors que je n'avais pas du tout envie de donner d'interview. Et derrière, vous voyez un peu les différentes photos. Donc le hype, ça effectivement, on l'a vécu avec ce que ça a évidemment négatif, parce que je pense que c'est très dur en tant que geek de se dire, bah mince, attendez, Ce n'est pas du tout ce que je veux dire. Mais d'un autre côté, ce qui permet aussi d'avoir une sorte de vecteur de changement, parce que tout ce que j'avais identifié depuis les quelques années où j'avais commencé les Bays Impact juste avant, c'était justement que c'est bien beau d'avoir des belles idées, mais derrière, il faut avoir la capacité d'aller peser sur ces systèmes-là. Si on veut faire de la transformation, il faut avoir une sorte de poids politique. Quand je dis politique, c'est au sens large du terme, ça peut être de la politique interne, ça vous le savez, vous faites de la transformation dans vos boîtes. C'est globalement comment est-ce qu'on a ce mandat pour aller essayer de proposer une façon différente de faire les choses.

29:24 Et finalement, je pense que ce hype, même s'il a été un peu désagréable, il a permis au moins de faire ça. Donc ça, ça aboutit dans cette plateforme qui s'appelle Bob, qu'on a lancée fin 2016, et qui était un coach emploi pour les demandeurs d'emploi. Donc déjà, dès 2016-2017, on avait cette vision-là de l'IA pour l'empowerment, de l'IA pour aller accompagner les gens. Il y avait un petit quiproquo au début, parce que nous, ce qu'on se disait assez naïvement, c'est aussi d'ailleurs ce que je disais dans cette conférence en 2015, je n'avais pas encore à l'époque vraiment étudié la question du chômage, je n'avais pas accès au... données du chômage. Et d'ailleurs, ça, c'était une des grosses avancées qu'on a eues. Et pour On a César, ce qui est à César, toute cette hype-là nous a permis d'avoir accès pour la première fois aux données du marché du travail et à des données anonymisées de parcours de demandeurs d'emploi que détenait Pôle emploi. Donc on n'avait pas encore connaissance de ce que c'était. Et puis il y avait un peu cette idée qu'il y a des choses à optimiser. Il y a peut-être des parcours gagnants. Il y a peut-être, si on regarde les données, une chose qu'on n'a pas vue, qu'il y a des offres non pourvues ici.

30:27 C'est souvent le chiffre qu'on dit. Quand on dit 10%, c'est parce qu'il y a ce taux de chômage frictionnel qui existe. Parce qu'il y a des offres non pourvues d'un côté, des gens qui ne savent pas que ces offres-là sont non pourvues ou qui pourraient se réorienter vers ces marchés-là parce qu'eux-mêmes sont sur des marchés un peu bouchés. Ou alors peut-être qu'il y a des gens qui cherchent la mauvaise chose. C'est un peu la définition de la folie, comme on dit. C'est toujours les mêmes choses, mais en espérant des résultats différents. Et nous, on se retrouvait avec des utilisateurs qui étaient en recherche d'emploi, qui étaient en burn-out d'avoir lancé 50 candidatures en ligne sans avoir de réponse. Donc voilà, on se dit qu'il y a sûrement des éléments de données qu'on peut voir qui permettraient derrière d'aller optimiser un peu les choses, d'aller imaginer qu'est-ce que... Si on échange deux variables et qu'on réarrange ça comme ça, comme un puzzle, on va pouvoir réduire ce chômage frictionnel à bas coût et on aura fait une énorme victoire. Alors malheureusement, le problème, c'est que les humains ne sont pas des points de données.

31:29 Et ça, on a un peu déchanté, parce que d'une part, on s'est rendu compte en regardant ces données que les données n'étaient pas du tout assez riches pour permettre de faire ce genre d'analyse, parce qu'on avait des données très administratives. Donc on a l'entrée, la sortie, on n'a pas du tout ce qui s'est passé entre-temps. On n'a pas... Ah bah si, en fait, la personne s'est découragée, et c'est pour ça derrière qu'elle a arrêté de rechercher un emploi de manière plus active, et puis en fait, elle s'est informée dans quelque chose. On n'a pas l'information de« ah bah tiens, en fait, elle s'est mise à explorer d'autres jobs, entre temps il y a eu ça, ça, ça, et ce qui fait qu'elle est arrivée à cette reconversion-là, c'était ce chemin de pensée-là, et la manière d'accompagner les gens pour se faire, c'est comme ça. » Parce qu'évidemment, on ne peut pas arriver devant une personne, enfin devant n'importe qui, devant un inconnu, et dire« bah écoute, tu sais quoi, c'est vraiment bien que tu cherches un métier d'électricien dans le Gers, par contre, en fait, il faut que tu déménages à Marseille et que tu deviennes boulanger. » Tout ça, ce n'est pas juste des questions d'optimisation, ce sont des parcours de vie. Et pour ça, il faut rentrer beaucoup plus profondément dans la matière, dans les notes, dans les comptes rendus, dans toute la partie humaine qui ne ressort pas des données qu'on avait à l'époque.

32:36 Je me suis servi de Nano Banana pendant la pause, sans faire de pub, pour créer un petit mème. Globalement, quand on parle des I4Go, ce que les amis pensent toujours, c'est qu'on est Superman qui change le monde. Évidemment, mes parents ne comprendront jamais ce que je fais. Je me suis introduit tout à l'heure en tant que data scientist, en tant que personne qui fait de l'IA. Bon, en fait, concrètement, ce que j'aimerais bien faire, c'est changer les systèmes. Mais en pratique, je passe ma vie en Zoom, en visio et à faire des emails. C'est-à-dire à coordonner un peu tous ces beaux acteurs du changement pour essayer de faire en sorte que cette technologie, on puisse vraiment la mettre au service de la transformation. Donc, ayant eu ce constat, et on a fait des études, on a montré que Bob sur la version 1 ça ne marchait pas, cette vision d'optimisation, on a derrière itéré, et puis on a dit on va tout changer, on va transformer Bob en un outil de coaching, c'est comme ça qu'on est arrivé à cette idée là, donc là on était vers 2018-2019, et donc ce qu'on va faire c'est utiliser l'intelligence artificielle entre guillemets,

33:38 pour aller faire un diagnostic de la recherche d'emploi, se dire, tiens, pour vous donner un exemple, si... Si ton ratio de candidature par entretien est plus faible que ce qu'on a observé dans ce métier-là, c'est probablement que tu as des problèmes sur... Enfin, si tu ne postules pas de la bonne manière. Donc on a développé un ensemble de règles comme ça qui permettaient derrière de le matcher avec des actions et des recommandations pour dire, regarde, à la fin, il y a cette vidéo-là que tu pourrais regarder, ça peut peut-être t'aider sur ta confiance en toi en entretien. D'avoir reformaté Bob non plus d'un outil d'optimisation de recherche, mais d'un outil de coaching, ça nous a permis derrière d'accompagner plus de 300 000 personnes, d'avoir 88% des gens qui étaient satisfaits de l'accompagnement qu'ils ont reçu, des très belles histoires à niveau personnel. Derrière, on a dû... On a dû ensuite aller tester l'outil sur plusieurs pays. On a eu l'occasion d'aller l'implémenter en Belgique, au Royaume-Uni, avec l'équivalent anglais qui s'appelle le Department of Work and Pensions, l'équivalent anglais de Pôle emploi. La difficulté qu'on avait, c'est qu'il ne suffit pas de penser produit, il faut penser système.

34:40 Parce que c'est bien beau de dire qu'on réinvente le parcours de recherche d'emploi, mais concrètement, là où on en est arrivé, c'est à ce truc-là. Donc on est bien loin des lignes de code qui étaient ma zone de confort en commençant. C'est dire, en fait, ce qui pointe à travers tout ça, c'est super d'avoir Bob comme un outil non-profit, stand-alone, de toute façon on n'a pas de modèle économique, comment est-ce qu'on fait derrière au-delà de la philanthropie? On a eu la chance d'être soutenus par des mécènes pour ce faire, mais comment est-ce qu'on passe à l'échelle de manière systémique, comme disait Elsa ? Bon, en fait, ça veut dire qu'il faut réinventer le parcours d'accompagnement des demandeurs d'emploi. Il faut imaginer dans un monde post-IA avoir un peu de longueur d'avance. Imaginez, alors ça on l'avait fait en 2019, donc c'était quand même il y a longtemps. Mais on se disait déjà, voilà, comment est-ce qu'on invente des parcours hybrides? Quand on se dit pas juste l'IA c'est une façon d'économiser des sous, c'est une façon d'aller prendre un process tel quel et l'automatiser. C'est plutôt de dire, non, il y a une vision de l'accompagnement du futur, ou en fonction d'un niveau d'autonomie qui est mesuré, on va pouvoir imaginer un parcours human first, un parcours digital first. Mais dans tous les cas un parcours qui est hybride où on utilise le meilleur de l'humain et de la machine et que ça il faut le penser

35:43 Il ne faut pas juste penser restrictions budgétaires, on est en crise, il faut mettre de l'IA, c'est à quoi ressemble le parcours d'accompagnement du futur. Donc ça c'est quelques leçons, je vais passer assez vite parce que je pense que je ne serai pas du tout le seul à parler de tout ça, mais évidemment dans nos domaines sociaux, afin de faire ça de manière responsable, il faut designer toujours avec un human envelope, notamment parce qu'on travaille sur des sujets qui sont très sensibles. Et ça, il y a plein de façons de le faire. Ça peut être d'avoir un humain qui contrôle, évidemment, mais aussi, par exemple, avec l'IA comme filet. On a fait des tests, par exemple, avec la PHP sur des médecins qui disent« Oui, l'intelligence artificielle comme première ligne de diagnostic, c'est hyper touchy pour plein de raisons. » Par contre, moi, mon problème, c'est que j'ai toujours peur parce que je suis sous l'eau, je suis surchargé, je n'ai pas forcément le temps derrière sur chaque patient, puis je ne dors pas beaucoup, j'ai peur d'avoir fait une connerie, j'ai peur d'avoir oublié quelque chose. Et si l'intelligence artificielle pouvait me reprendre un peu comme une checklist en disant« Tiens, tu as oublié de parler de ça», là, ça me serait très utile. Donc on a vu ces besoins remonter du terrain, où ici l'IA va servir plutôt comme filet, et effectivement dans nos tests, où l'IA c'est sûrement un peu trop petit pour lire, mais sur un grand chirurgien du foie, qui est pourtant vraiment un expert, un professeur d'université dans son domaine,

36:50 qui disait« Ah bah merde, en fait sur cette... Sur cette intervention-là, j'ai oublié de demander le test de la photoprotéine qui, selon les dernières indications, aurait pu un peu changer la manière de prendre en charge ce patient. Vous l'avez compris, le thème ici, c'est comment est-ce qu'on passe cette logique d'optimisation à celle de l'empowerment. Concrètement, ce que ça veut dire, c'est que nous, depuis 11 ans, et depuis presque 12 maintenant, finalement, le« why» n'a pas changé. C'est-à-dire que lorsqu'on dit« voilà, qu'est-ce que vous faites? », c'est« on fait de l'intelligence artificielle pour le bien commun». Le problème qu'on cherche à résoudre c'est le même, c'est comment est-ce qu'on fait en sorte de pouvoir passer à l'échelle de notre impact, comment est-ce qu'on résout cette frustration que j'avais à l'époque et je pense que vous partagez pour beaucoup de... Lorsqu'on veut faire du bien, lorsqu'on fait du bénévolat le soir, lorsque je faisais par exemple des services dans des soupes populaires, comment est-ce qu'on fait derrière pour aller aider non pas une personne mais avoir cet impact-là à l'échelle? Là où dans nos jobs de tous les jours on est en train de penser scalabilité, total addressable market et ainsi de suite, comment est-ce qu'on fait en sorte qu'on puisse adresser cet impact-là, du total addressable impact, je me permets un néologisme, et comment est-ce qu'on se permet d'être ambitieux à ce niveau-là?

38:03 Voilà, ça c'est le problème qui me taraude personnellement depuis 2014, et finalement ce problème-là il n'a pas changé. Par contre ce qui a changé c'est la solution, c'est la manière dont on le fait, c'est le how, c'est de se dire, en fait l'intelligence artificielle c'est peut-être pas un marteau, c'est peut-être un tournevis. En tout cas, à voir comment est-ce qu'on s'en sert. Et ça, j'ai la chance de pouvoir faire ce beau travail qui permet de faire en sorte que chacun puisse avoir l'aide dont il a besoin. Et aujourd'hui, d'être accompagné par des mécènes, par des équipes d'ingénieurs qui sont... qui sont dédiés à la cause. Et également, j'en profite, on va annoncer très très bientôt, dans les tout prochains jours, une grande initiative qui s'appelle Impulse, dans le domaine de la santé, pour justement mettre l'intelligence artificielle générative au service des soignants, pour améliorer les parcours de soins, pour aller faire gagner du temps médical. On est soutenu par des grands mécènes comme la fondation Google.org là-dedans. Et ça, pour moi, c'est une belle preuve que l'intelligence artificielle for good a un bel avenir devant lui.

39:04 Merci. Bravo ! Je suis hyper émue, en fait. Je suis hyper émue, je suis hyper contente que tu sois là. Pardonnez-moi, c'est mon petit moment perso, parce qu'en fait, on va vous le dire pas par quatre chemins, on a clairement besoin de vous, notamment sur le milieu de l'impact social, parce qu'évidemment, vous l'avez compris avec ce que Paul vous a dit, la tech, c'est un peu le parent pauvre chez nous. Si vous voyez l'état des tableaux Excel, vous comprendriez qu'on est à la préhistoire de tout ce qu'on peut faire pour maximiser l'impact social de toutes ces ONG. Donc on compte sur vous, je sais que Sherry est là avec un stand, donc ne pas hésiter à aller voir Sherry parce qu'on cherche beaucoup de mécènes de compétences, des gens qui vont accepter justement de pouvoir donner un peu de leur temps pour pouvoir faire en sorte que ces ONG puissent dimensionner cet impact sociétal et faire en sorte que l'intelligence artificielle générative soit pour le bien commun, comme tu l'as dit. Si bien défendu, Paul, merci beaucoup. Donc on a un petit temps de questions et de réponses, évidemment.

40:06 Donc on a dix minutes devant nous. Y a-t-il des questions dans la salle? Ah, une main se lève. Donc comme d'habitude, vous connaissez le process. On se lève, on donne son prénom et c'est parti. Bonjour, je m'appelle Maxime et merci beaucoup pour cette présentation. Il y a une question que je me pose, moi je travaille dans le domaine de la santé et donc du coup on essaye aussi d'itérer sur l'utilisation de la Geni, mais on a toujours cette problématique de données un peu sensibles, j'imagine que vous aussi c'est le cas un peu partout. Vous avez trouvé quoi comme solution qui vous permet de leverager un peu les différentes options qui existent sur le marché aujourd'hui, mais d'une manière un peu... Sécurisé slash responsable? Ça c'est une très bonne question et pour être tout à fait honnête, ce n'est pas un sujet qui est complètement craqué. Le gros sujet qu'on voit par exemple, si on voit dans les hôpitaux, ce programme qu'on annonce, on va le faire avec une première saison qui va se dérouler au sein de la PHP, la grande question c'est comment est-ce qu'on fait tourner de l'inférence sur des données de santé. Et ça évidemment c'est extrêmement compliqué, donc il y a plusieurs options. Soit on fait carrément du on-premise, ils incensent leur propre modèle sur des GPU qu'ils contrôlent et ainsi de suite.

41:12 Ça c'est... C'est ce qu'il y a de plus sécurisant en termes d'accès aux données. Le problème, c'est que ça rajoute tout de suite, d'un point de vue MLOps, LLMops, toute une charge de travail supplémentaire. Là où on aimerait juste pouvoir dire, mettez le docteur sur« fais-le écrire des promptes» et puis ils vont trouver des... des petits outils pour aller se faire gagner du temps. Donc ça c'est un des vrais sujets, c'est comment est-ce qu'on place cette infrastructure-là pour qu'on puisse faire tourner l'inférence sur des données sensibles. On attend avec impatience qu'on ait gagné en maturité sur le Secnum Cloud et sur d'autres outils. Et aussi l'avancée des modèles ouverts, ça c'est une vraie différence parce que nous, sur les versions cloud de ce qu'on a, notre objectif c'est avant tout de faire en sorte que l'IA soit la plus puissante possible pour donner les meilleures recommandations à ceux qui en ont besoin. Donc on va plutôt dire qu'on va prendre les modèles frontières et ce ne sont pas des modèles aujourd'hui qui vont tourner sur des GPU. Sauf que là, plus ça avance, plus on arrive quand même à parité et puis on commence à se dire que finalement pour ce type de tâches-là, c'est ok d'aller prendre un plus petit modèle.

42:13 Et du coup, là où ce n'était pas possible, même il y a six mois, de faire tourner ça avec un trade-off acceptable en termes de performance, maintenant on est capable de se dire qu'on va prendre des modèles ouverts qui tournent sur du on-prem. Merci Paul. On a un DJ, tu as vu, qui scratch en même temps, c'est top. Est-ce qu'il y a une autre question dans la salle? C'est vrai qu'on pourrait même au-dessus, mais on n'a personne pour vous tendre les micros si vous avez des questions au premier étage. Non, une autre question. Bien sûr, Éphine. Bonjour, merci pour la présentation. J'ai une petite question un peu basique. Pourquoi est-ce que dans la mission, il y a AI, alors qu'en fait, il faut juste aider à optimiser les process? Est-ce qu'il faut mettre de l'AI sur les process existants ou est-ce qu'il faut changer les process pour qu'ils soient plus efficients? Une excellente question, il faut les deux. La grande vision, c'est qu'il faut changer les process, c'est l'équivalent de la transformation. On se dit, on est super, on a numérisé l'état, on a mis les serfas existants en PDF, sans se dire, le problème, c'est peut-être la paperasse initiale.

43:19 Ce qu'on a quand même vu en termes de compte du changement, c'est que si on prend des process existants et qu'on dit toujours qu'il y a une sorte de quick win en termes de gain de temps, c'est déjà quand même pas mal. Moi j'en suis un peu revenu parce qu'on avait des grandes idées, surtout forcément à 20 ans on a envie de changer le monde. Mais même à 49! Et même à 49 et même à 33 aujourd'hui. Et j'ai appris à prendre un peu plus ce mal en patience en disant comment est-ce qu'on fait en sorte qu'on donne des coucouines pour aller acquérir les gens à cette idée que l'IA peut aider à faire gagner du temps au quotidien pour derrière dire... On dérisque un peu tout ça, on rassure aussi, le but c'est pas de remplacer des emplois, le but à la fin de toute façon il y a une pénurie cruente et cruelle de travailleurs sociaux. Il y a quelque chose là à faire et de toute façon il n'y a pas assez de personnes. Donc il n'y a pas vraiment de risque pour ces métiers-là. Mais ça, effectivement, on l'a appris à la dure. Et puis j'ai montré un peu les... Toutes les différentes phases de hype, réalité, et puis derrière un peu plus de maturité également.

44:21 Je pense que j'ai suivi moi-même à titre personnel la courbe de hype de Gartner. J'en avais un peu chié pour dire ça. Désolé pour le montage. Il n'y en aura pas. Non, pas parfait. Mais ça a permis en tout cas de se dire comment est-ce qu'on navigue de manière un peu à droite. Des fois, il faut quand même aller faire un coup de pied dans la formulaire et c'est aussi l'intérêt qu'on a nous en tant qu'extérieur. On est une ONG, ça veut dire qu'on est très très libre de ce qu'on fait, on n'est pas soumis à un cahier des charges parce qu'on n'est pas prestataire. On n'est pas soumis à la rentabilité d'un projet parce qu'il y a plein de projets qui sont utiles mais pas rentables. Dans la santé, on en parle. Évidemment, il y a plein de choses où... S'il n'y a pas un chemin direct vers un remboursement sécu, même si on sait que c'est hyper utile de faire de l'éducation thérapeutique, il n'y aura jamais d'argent dedans. Il y a plein de choses qui sont importantes, mais pas rentables, sur lesquelles on a cette liberté-là de par notre modèle associatif. De se mettre dessus et ça, ça permet un peu de jouer sur ces deux tableaux. Ça nous permet parfois de jouer sur le côté, en fait, on est gentil, on est mignon, on est là pour aider, et des fois de dire, attendez, nous on est avant tout des citoyens, donc on va pousser ça, et puis tant pis si c'est un peu disruptif.

45:32 Il faut trouver le bon équilibre. Et puis souvent la rentabilité, on la prévoit à très court terme, alors que dans ces modèles-là, elle est plutôt très long terme, parce que c'est autant de coûts évités pour la société quand on traite à la racine et qu'on permet d'accompagner dans un parcours de soins qui va être très personnalisé, ou même celui que tu as fait avec Bob l'employeur, comme on l'appellera, et pas Bob le bricoleur, mais Bob l'employeur. Tout à fait. D'ailleurs, j'en profite juste parce que sur Bob, c'est quelque chose qui me touche personnellement, c'est qu'en fait, avec tout ça, évidemment, tous les apprentissages, les échecs, les réussites, ce qu'on a réussi à faire dans Bob, on s'est dit, tiens, on va le mettre à profit dans notre nouvelle mouture qui s'appelle Kézei. Du coup, on a changé, on a arrêté Bob il y a quelques années, parce que le modèle économique, le modèle opérationnel, en tout cas, on avait un peu du mal à trouver comment pérenniser tout ça. Et au final... On s'est dit on va faire plutôt l'approche B2B2C avec ESEA et ça, ça marche très bien. Mais ce dont je suis très ému, c'est que finalement, depuis six mois, il y a France Travail qui est revenu nous voir. On rediscute à nouveau en se disant comment est-ce que finalement on peut intégrer tout ce qu'on a appris. et explorer des collaborations ensemble. Donc finalement, à partir du moment où on est persévérant et on tient ce temps long, et en fait on surfe cette vague, on surfe cette courbe de Gartner, finalement il y a beaucoup de belles choses qu'on peut faire, mais ça implique finalement de la persévérance et de la patience.

46:47 Mais sans naïveté aucune, parce qu'on sait que le taux de chômage est remonté très récemment, et qu'on est bientôt dans une campagne présidentielle. Donc on garde tout ça bien en tête avec nos politiques qu'on aime beaucoup, évidemment. Merci infiniment, Paul. Merci Elsa, merci à vous. A très bientôt.