Reply, entreprise italienne d’innovation numérique, présente une proposition ambitieuse pour transformer le savoir tacite des entreprises en véritables modèles d’intelligence artificielle adaptés : la Reply Model Factory. L’enjeu est simple et pourtant colossal : rendre exploitables par des systèmes IA les connaissances souvent invisibles qui font fonctionner une entreprise — procédures, règles métier, standards techniques et expertises humaines — afin de créer des agents et des services d’IA réellement utiles au quotidien des équipes.
Pourquoi le « savoir d’entreprise » est un problème
Dans beaucoup d’entreprises, les informations les plus précieuses ne sont pas correctement formalisées. Elles existent dans des bases de données, des documents épars, ou — plus souvent encore — dans la tête des collaborateurs. Ce savoir « oral » se transmet par pratique, par tradition ou par mentors, mais il n’est pas structuré pour être consommé par une machine. Résultat : les grands modèles génériques, bien qu’impressionnants, peinent à produire un comportement précis et conforme aux règles propres à chaque organisation.
La promesse de la Model Factory
Reply propose une démarche en plusieurs étapes. D’abord, un audit et un triage des sources de données : où se trouvent les informations pertinentes ? Sont‑elles structurées ? Faut‑il les nettoyer ? Ensuite, une décision stratégique : vaut‑il mieux entraîner un modèle spécifique sur ces données ou intégrer des technologies prêtes à l’emploi ? Si l’option retenue est l’entraînement, la Model Factory prend en charge le développement du système d’IA, son entraînement sur le savoir du client, puis son déploiement au sein de l’entreprise.
Le but est de formaliser un « état cognitif » de l’entreprise — une représentation structurée des principes, règles et procédures — que l’IA pourra exploiter. Lorsqu’un tel état est bien défini, il devient possible de « nourrir » l’IA avec une compréhension fidèle du fonctionnement interne, rendant le modèle utile dans des scénarios concrets plutôt que de livrer des réponses générales et parfois hors sujet.
Small models versus grands modèles : une question de pertinence
Le débat actuel autour des small models (modèles compacts) et des LLM massifs montre que la taille seule ne suffit pas. Pour une PME, un modèle plus petit, entraîné localement sur des données internes, peut surpasser un grand modèle généraliste dès qu’il s’agit de tâches très spécifiques à l’entreprise. Reply mise sur cette idée : l’avantage compétitif ne viendra pas forcément de la puissance brute, mais de la qualité du « fit » entre modèle et contexte métier.
Au‑delà de la technologie : repenser l’organisation
Reply ne s’arrête pas à la livraison d’un modèle. L’entreprise souligne qu’il faut repenser les processus et l’organisation du travail autour des agents IA. Qui supervise les agents ? Quelles interactions humains‑machines sont prévues ? Comment intégrer la maintenance et la mise à jour du savoir ? Ces questions impliquent des changements culturels et organisationnels : formation des équipes, redéfinition des rôles et gouvernance de l’IA. La technologie ne remplace pas les compétences humaines ; elle les amplifie, à condition que l’entreprise s’en donne les moyens.
Des opportunités pour les petites structures
Un point clé avancé par Reply est démocratique : la Model Factory pourrait niveler les inégalités historiques entre grandes entreprises et PME. Pendant des années, seules les grandes organisations pouvaient se permettre de développer des logiciels sur mesure. Aujourd’hui, l’industrialisation des outils d’IA et des processus d’entraînement réduit les coûts d’entrée. Dès lors, une petite entreprise peut se doter d’un outil aussi personnalisé qu’une solution maison de grande société, sans en payer l’ampleur financière d’autrefois.
Les implications industrielles et la recherche
Reply illustre aussi une appétence pour l’innovation disruptive : l’entreprise a exposé, lors de son événement Xchange à Milan, un biocomputer CL1 de Cortical Labs. Il s’agit d’une machine expérimentale où des organoïdes humains sont utilisés pour étudier des mécanismes d’apprentissage. Ce type de collaboration recherche‑industrie montre l’ambition de Reply : explorer des voies radicales pour comprendre et potentiellement accélérer les méthodes d’entraînement basé sur des systèmes non conventionnels. Ces expérimentations sont encore tôt, mais elles placent Reply dans une dynamique R&D avancée.
Quels cas d’usage concrets ?
Risques et limites
Construire un « état cognitif » pertinent n’est pas simple : il faut nettoyer des données hétérogènes, gérer les absences d’information, et accepter que certains savoirs ne se traduisent pas facilement en règles explicites. De plus, le déploiement d’agents capables d’agir sur des processus sensibles impose des garanties de sécurité, d’auditabilité et de conformité. Enfin, il existe un risque compétitif : en facilitant l’accès à des logiciels sur mesure, la barrière d’entrée se réduit, et des nouveaux acteurs peuvent émerger très rapidement.
Vers un futur où l’IA structure le patrimoine immatériel
Reply Model Factory illustre une tendance plus large : l’IA cesse d’être seulement un outil d’optimisation pour devenir un moyen de capitaliser et de pérenniser le patrimoine immatériel des entreprises. Formaliser le savoir, le transformer en modèles réutilisables et le faire vivre au cœur des processus quotidiens redéfinit la façon dont les organisations créent de la valeur. Les premières entreprises qui réussiront cette transformation bénéficieront d’un avantage stratégique notable — non plus seulement fondé sur des logiciels propriétaires, mais sur une intelligence métier numérisée et opérationnelle.
L’effort de Reply montre aussi qu’en Italie et en Europe, l’expertise locale et la recherche peuvent jouer un rôle central dans la course mondiale à l’IA d’entreprise. Reste à voir comment la Model Factory se traduira concrètement dans des déploiements à grande échelle et quelles garanties seront mises en place pour assurer robustesse, transparence et éthique autour de ces nouveaux agents.