Si vous recrutez une équipe IA, ou si vous en avez déjà une, il y a une chose à savoir avant la prochaine embauche : le titre du poste ne dit pas ce que la personne fera, et l’équipe qu’il vous faut n’est pas celle de votre voisin. Elle dépend de votre secteur, de ce que vous voulez en faire, et de l’endroit où tourneront vos modèles. Cet article ne vous dira pas que la plupart des projets échouent, vous l’avez lu cent fois. Il vous dit qui recruter, dans quel ordre, et comment piloter. Et il commence par une histoire.
Une histoire, d’abord
Je l’appellerai Karim. Il dirige une entreprise de distribution, quelques centaines de salariés, trois pays. En janvier, il recrute son premier responsable IA : un docteur, des publications, un passage dans un laboratoire connu. C’est le salaire le plus élevé de l’organigramme hors direction. Karim est fier, et il a raison d’être exigeant.
Six mois plus tard, il a vu quatre démonstrations. Toutes impressionnantes : un modèle adapté à ses catalogues, un assistant qui répond en trois langues, un tableau de bord. Rien ne tourne en production. Quand il demande pourquoi, la réponse est honnête. Les données de commande vivent dans trois systèmes, personne n’a le droit d’y accéder, et les équipes de vente n’ont jamais été consultées sur ce qu’elles voulaient.
Le responsable IA n’est pas mauvais. C’est le mauvais premier recrutement. On lui a demandé de construire le dernier étage d’une maison dont personne n’avait coulé les fondations.
Ce qui a changé tient en trois décisions, prises en un mois. Un ingénieur données, recruté en second, qui a relié les trois systèmes en six semaines. Une responsable des ventes nommée propriétaire du sujet, jugée sur une seule chose : le délai de réponse aux clients qui demandent où est leur commande. Et un périmètre réduit à cette seule question, avec deux cents courriels réels comme jeu d’essai, relus à la main par son équipe.
La première version a répondu juste sur cent soixante-dix-huit des deux cents. La deuxième sur cent quatre-vingt-quatorze. Elle est en production depuis. Le docteur, lui, travaille aujourd’hui sur le sujet pour lequel il avait été recruté sans que personne ne le dise : un modèle de prévision de stock, avec une date de fin et un budget.
Cette histoire est un montage. Les personnes, le secteur et les chiffres viennent de plusieurs situations que j’ai rencontrées, et rien n’y est identifiable. La mécanique, elle, est exacte, et elle se répète.
Ce que ces entreprises ont en commun
Karim est un montage. Les entreprises qui suivent ne le sont pas : ce sont des cas publics, datés, que j’ai vérifiés à la source avant de les écrire ici. Elles ont un point commun qui devrait rassurer tout dirigeant : elles avaient les moyens. Les budgets, les équipes, parfois les meilleurs profils du marché. Ce n’est pas le talent qui a manqué. C’est l’ordre des décisions.
Trois familles d’erreurs reviennent, et elles se lisent dans l’ordre où un dirigeant les commet.
Le prestige avant le besoin. Element AI, à Montréal, est le cas le plus pur. Fondée avec l’un des pères de l’apprentissage profond, elle lève environ 257 millions de dollars et réunit une centaine de docteurs, la plus forte concentration de chercheurs qu’une jeune entreprise ait connue. Elle dépose 84 brevets et en obtient un. Elle nomme son premier directeur financier le jour où elle licencie quinze pour cent de ses effectifs, en mai 2020, et se vend six mois plus tard pour moins que ce qu’elle avait levé. Le Globe and Mail résume : elle n’a pas réussi à transformer ses preuves de concept en produits. C’est l’histoire de Karim, à l’échelle d’un quart de milliard.
Le déploiement avant la mesure. C’est la famille la plus fournie, et la plus rassurante, parce qu’elle ne concerne que des entreprises qui avaient tout : Klarna annonce en février 2024 que son assistant fait « l’équivalent du travail de 700 agents », puis son PDG reconnaît en mai 2025 que le coût a trop pesé et que la qualité a baissé. La Commonwealth Bank supprime 45 postes sur une projection de baisse des appels, puis s’excuse trois semaines plus tard : les appels montaient. McDonald’s teste la commande vocale pendant trois ans dans plus de cent restaurants sans jamais atteindre le seuil de précision qu’il s’était lui-même fixé. Zillow achète des maisons sur un modèle de prix et en déprécie pour 408 millions de dollars. Dans les quatre cas, l’équipe était bonne. Ce qui manquait, c’est un chiffre regardé avant de décider.
L’oubli que la machine engage l’entreprise, et que la donnée décide avant l’équipe. Air Canada a soutenu devant un tribunal que son chatbot était une entité distincte, responsable de ses propres actes. Le tribunal n’a pas ri, mais il a condamné. Et Amazon, avec une équipe d’une douzaine de personnes, a construit un outil de tri de CV qui pénalisait le mot « women’s », parce que dix ans de CV masculins le lui avaient appris. Personne n’avait fixé le critère d’acceptation avant de commencer.
- 2014 à 2018Amazon
Un outil de tri de CV qui pénalise le mot « women’s »
La donnée décide avant l’équipe
Une équipe d’une douzaine de personnes construit un moteur qui note les candidats de une à cinq étoiles, entraîné sur dix ans de CV reçus. Dès 2015, Amazon constate qu’il dégrade les profils contenant le mot « women’s » et les diplômées de deux colleges féminins : l’historique était masculin, le modèle l’a appris. L’équipe est dissoute au plus tard début 2017, l’affaire révélée par Reuters en octobre 2018.
Une équipe compétente ne rattrape pas un historique biaisé. Le critère d’acceptation, ici la neutralité, se fixe avant de lancer le chantier.
- 2016 à 2020Element AI, Montréal
Plus de 500 salariés, une centaine de docteurs, un seul brevet accordé
Le prestige avant le besoin
Fondée avec Yoshua Bengio, l’entreprise lève environ 257 millions de dollars et recrute une concentration de chercheurs rare dans le monde. Elle dépose 84 brevets, en obtient un, et peine, selon le Globe and Mail, à transformer ses preuves de concept en produits vendables. Elle nomme son premier directeur financier et son premier directeur des revenus en mai 2020, le jour où elle licencie quinze pour cent de ses effectifs. Six mois plus tard, elle est vendue à ServiceNow pour environ 230 millions de dollars, moins que ce qu’elle avait levé. Les actions des quatre fondateurs ne valent plus rien.
Les chercheurs sans direction produit, ventes et finance produisent des brevets et des démonstrations. L’intégration se recrute en même temps que la recherche, pas trois ans après.
- Novembre 2021Zillow
Un modèle de prix qui achète des maisons trop cher, « involontairement »
Déployer avant de mesurer
Zillow Offers achetait des maisons sur la foi d’un modèle de prix. Le 2 novembre 2021, le conseil d’administration décide l’arrêt de l’activité : le PDG explique que l’imprévisibilité des prix « dépasse de loin » ce qui était anticipé. Le rapport annuel chiffre la dépréciation à 407,9 millions de dollars sur des maisons achetées, selon ses propres mots, « involontairement » au-dessus de leur valeur de revente, et un quart des effectifs est supprimé.
Un modèle qui engage le bilan exige un plafond d’exposition, un critère d’arrêt et une revue humaine des écarts. Pas seulement une bonne équipe données.
- Février 2024Air Canada
Le chatbot invente une règle de remboursement, le tribunal la fait appliquer
Ce que la machine dit vous engage
Le jour du décès de sa grand-mère, un client demande au chatbot du site comment obtenir le tarif deuil. Le robot lui répond qu’il peut le réclamer dans les 90 jours après l’achat, ce que la politique officielle, liée dans la même réponse, contredit. Devant le tribunal, Air Canada soutient que le chatbot est une « entité distincte, responsable de ses propres actes ». Le tribunal rejette l’argument et condamne la compagnie.
Un chatbot est un canal de l’entreprise au même titre que le site. Quelqu’un doit être responsable de la cohérence de ses réponses avec vos politiques.
- Juin 2024McDonald’s et IBM
Trois ans de test au drive, et une précision qui ne dépasse pas 85 pour cent
Déployer avant de mesurer
La prise de commande vocale est testée dans plus de cent restaurants à partir de 2021. McDonald’s s’était fixé 95 pour cent de précision avant tout déploiement ; un analyste la mesure dans le bas des 80 pour cent en 2022, et toujours là au printemps 2024. Le système bute sur les accents, les erreurs nourrissent des vidéos virales. Le 13 juin 2024, un mémo aux franchisés annonce la fin du partenariat.
Le seuil de précision et la durée limite se fixent avant le pilote. McDonald’s a eu raison de couper, mais après trois ans sans jamais atteindre son propre objectif.
- Février 2024 à mai 2025Klarna
« L’équivalent de 700 agents », puis le retour de l’humain
Déployer avant de mesurer
En février 2024, Klarna annonce que son assistant a tenu 2,3 millions de conversations en un mois, deux tiers de son service client, l’équivalent du travail de 700 agents. En mai 2025, son PDG reconnaît à Bloomberg que le coût a trop pesé dans l’arbitrage et que « ce qu’on obtient, c’est une qualité plus basse ». L’entreprise relance un recrutement d’agents humains, avec l’idée qu’il y aura « toujours un humain si vous le voulez ».
Un indicateur de coût seul ne pilote pas un service. La mesure de qualité et le seuil qui ramène l’humain se fixent au lancement.
- Juillet à août 2025Commonwealth Bank of Australia
Quarante-cinq postes supprimés sur une projection, puis des excuses
Déployer avant de mesurer
La banque supprime 45 postes de son centre d’appels, expliquant que son agent vocal a réduit le volume de 2 000 appels par semaine. Le syndicat conteste : selon les équipes, les appels augmentaient et les chefs d’équipe décrochaient eux-mêmes. Trois semaines plus tard, la banque reconnaît une « erreur », présente ses excuses et propose aux salariés de rester.
On ne supprime pas un poste sur une projection. On mesure les volumes réels pendant plusieurs semaines après le déploiement, puis on décide.
Un dernier mot sur cette liste, parce qu’il inverse un réflexe : aucune de ces entreprises n’a manqué de démonstrations réussies. La démonstration optimise le cas qui marche. La production se joue sur les cas qui ratent, et personne ne fait de démonstration de ceux-là.
Ce que personne ne vous a dit
Quatre choses que je n’entends jamais dans la bouche des dirigeants que je rencontre, et qui changent pourtant la façon de recruter.
Vous ne posséderez jamais le modèle. Vous pouvez posséder la mesure. Le modèle que votre équipe utilise aujourd’hui est loué, et le fournisseur le retirera : GPT-4, celui qui a lancé toute la vague, a été retiré de ChatGPT en avril 2025, deux ans après son lancement, et son successeur GPT-4o l’a suivi en février 2026. Chaque retrait force une migration, et sans mesure, chaque migration est un nouveau projet : personne ne sait dire si le nouveau modèle fait mieux ou moins bien sur vos cas. Avec un jeu d’évaluation, c’est une après-midi. Voilà pourquoi je dis que le jeu d’évaluation est le seul actif IA qui vous appartient : le modèle se remplace, vos deux cents cas vérifiés à la main restent. Element AI a laissé quatre-vingt-quatre dépôts de brevet. Aucun n’a survécu à l’entreprise. Un jeu d’évaluation métier, lui, se serait vendu avec.
Google vous a donné l’ordre des recrutements en 2015.L’article le plus cité sur les systèmes d’apprentissage en production, écrit par des chercheurs de Google, tient en un schéma : le code du modèle est une petite boîte au centre, et tout ce qui l’entoure, la collecte, la vérification des données, les accès, la supervision, le service, occupe la surface. Il a dix ans. Il décrivait déjà pourquoi votre docteur brillant ne peut rien sans ingénieur données. Le voici.
Le goulot d’étranglement, c’est votre agenda. Voici ce qui bloque réellement une équipe IA en semaine trois : quelles erreurs sont acceptables, lesquelles sont interdites, que répond-on quand le client demande un remboursement hors politique, qui tranche. Ce ne sont pas des questions d’ingénieur, ce sont des décisions de direction, et elles n’arrivent jamais assez vite. Une équipe IA sans trente minutes de décisions par semaine, garanties et tenues, produit exactement ce que produisait Element AI : des démonstrations en attente d’un avis. Avant de recruter qui que ce soit, réservez le créneau.
L’humain est en train de devenir l’offre de luxe.Relisez la fin du cas Klarna : le patron n’a pas dit « nous revenons aux humains ». Il a dit que parler à un humain serait « toujours une offre VIP ». Les deux tiers des conversations restent traitées par la machine ; l’humain redevient un avantage réservé. Que vous approuviez ou non, posez-vous la question pour votre propre service : dans trois ans, qui, parmi vos clients, aura encore droit à un humain, et est-ce un choix que vous voulez faire par défaut ou par décision ?
Trois réponses avant la première embauche
La question qu’on me pose le plus souvent est « qui dois-je recruter en premier ? ». La réponse honnête est qu’elle n’a pas de réponse sans trois informations. Votre secteur, parce qu’un hôpital et un distributeur n’ont pas le même premier risque. Votre objectif, parce qu’un outil pour vos équipes, un produit pour vos clients et un produit nouveau ne demandent pas les mêmes mains. Et l’endroit où tourneront vos modèles, parce qu’un modèle loué par API et un modèle installé chez vous ne coûtent pas les mêmes personnes.
Plutôt que de vous décrire les dix-huit combinaisons, je vous laisse les manipuler. Choisissez vos trois réponses : la figure vous donne l’ordre des trois premiers recrutements, celui qu’il ne faut pas faire tout de suite, le risque que vous ne voyez pas, et la règle de pilotage qui va avec.
Votre secteur
Votre objectif
Où tournent vos modèles
Vos trois premiers recrutements, dans l’ordre
- 1Ingénieur IA
Il branche les modèles sur vos systèmes : recherche documentaire, agents, appels d’outils. C’est un métier d’intégration, pas de recherche.
- 2Ingénieur données
Il rend vos données accessibles, propres et traçables. Sans lui, le reste de l’équipe attend.
- 3Un propriétaire métier
Ce n’est pas une embauche : une personne du métier qui tranche, et qui est jugée sur le résultat.
À ne pas recruter tout de suite
Chercheur en apprentissageEntraîner ou adapter un modèle. Utile quand le problème est nouveau, et seulement là.
Le risque que vous ne voyez pas
Sans mesure, vous saurez que ça marche le jour où quelqu’un se plaindra. Le jeu d’évaluation se construit avant la première démo.
La règle de pilotage
Un cas d’usage, deux semaines, un propriétaire métier qui tranche. Le deuxième cas attend que le premier soit mesuré.
Vous aurez remarqué deux constantes. Le chercheur n’apparaît en premier que dans un seul cas, celui où vous construisez quelque chose qui n’existe pas encore. Partout ailleurs, il arrive après, ou pas du tout, parce que les modèles se louent et que votre travail consiste à les brancher sur votre réalité, pas à les inventer. Et le propriétaire métier n’est jamais une embauche : c’est quelqu’un de chez vous, qui tranche, et qui est jugé sur le résultat. Une équipe IA sans propriétaire métier est une équipe qui livre des démonstrations.
Pour ceux que la mécanique intéresse
Pourquoi l’infrastructure pèse autant sur l’équipe. Un modèle appelé par API, c’est un contrat, une région d’hébergement et une facture à l’usage : la compétence à recruter est l’intégration et la maîtrise des coûts. Un modèle installé chez vous, c’est des GPU, du déploiement, de la supervision et quelqu’un qui répond quand ça tombe : la compétence à recruter est la plateforme, et elle passe devant parce que rien ne tourne sans elle. L’hybride cumule les deux jeux d’accès, et c’est précisément là que la frontière de la donnée doit être écrite, pas décidée au cas par cas.
Pourquoi le secteur décide du troisième siège. En secteur réglementé, la conformité n’est pas une relecture de fin de projet, c’est un périmètre posé avant la première ligne de code : ce qui entre, ce qui n’entre jamais, ce qu’on peut prouver. La faire entrer dans les trois premiers recrutements coûte un poste. La faire entrer après coûte le projet.
Les rôles, en clair
Les intitulés varient d’une offre à l’autre et se recouvrent. Voici ce que chaque rôle fait réellement, et le moment où il devient nécessaire.
- L’ingénieur données. Il rend vos données accessibles, propres et traçables. C’est le recrutement le moins visible et le plus souvent sauté. Sans lui, tous les autres attendent. À recruter dès que vos données vivent dans plus d’un système, c’est-à-dire presque toujours.
- L’ingénieur IA. Il branche les modèles sur vos systèmes : recherche dans vos documents, agents, appels d’outils. C’est un métier d’intégration, proche du développement logiciel, pas de la recherche. C’est presque toujours le premier ou le deuxième poste.
- Le responsable de l’évaluation. Il construit le jeu de cas qui dit si une version est meilleure que la précédente, et il tranche aux chiffres. Au début, c’est souvent l’ingénieur IA qui porte ce chapeau. Dès que le modèle parle à un client, c’est un poste à part entière.
- L’ingénieur plateforme. Il fait tourner les modèles sur vos machines : GPU, déploiement, astreinte. Nécessaire dès que les modèles sont chez vous. C’est le coût que les devis oublient.
- La sécurité et la conformité. Ce qui entre dans l’outil, ce qui n’y entre jamais, ce qu’on peut prouver à un régulateur. En secteur réglementé, dans les trois premiers. Ailleurs, au moins une personne nommée responsable, même à temps partiel.
- Le propriétaire métier. Pas une embauche. Quelqu’un de chez vous, qui connaît le travail réel, qui tranche les arbitrages et qui est jugé sur le résultat. C’est le rôle dont l’absence tue le plus de projets.
- Le chercheur en apprentissage. Il entraîne ou adapte un modèle. Indispensable quand le problème est nouveau. Coûteux et frustré partout ailleurs, parce que le travail qu’on lui demande n’est pas le sien.
Recruter : l’exercice qui remplace les cinq ans
Les offres d’emploi en IA générative demandent couramment cinq ans d’expérience. La pratique telle qu’on la connaît, les agents, la recherche documentaire, les évaluations, date de 2023. Personne n’a cinq ans. Une offre qui les exige ne filtre donc pas les meilleurs, elle filtre ceux qui acceptent d’arrondir. Le tri se fait à l’envers, et c’est involontaire.
Ce que vous cherchez en réalité, c’est quelqu’un qui sait où ça casse. Et ça, un entretien classique ne le montre pas. Un exercice sur vos vrais documents, si.
L’exercice de quarante-cinq minutes
Donnez au candidat un vrai document de votre entreprise, anonymisé, et une vraie question qu’un client ou un collègue pose dessus. Puis trois consignes. Un : dites-moi tout ce qui peut mal se passer si une machine répond à cette question. Deux : écrivez dix cas de test, dont trois où la bonne réponse est « je ne sais pas ». Trois : dites-moi ce que vous refuseriez d’automatiser ici, et pourquoi. Vous n’évaluez pas la réponse, vous évaluez la manière de poser le problème. Les meilleurs passent la moitié du temps sur la consigne deux.
Ce que vous verrez en quarante-cinq minutes, et que dix entretiens ne montrent pas :
- Le bon signe. Le candidat demande d’où vient le document, qui le lit, et ce qui se passe quand la réponse est fausse. Il parle de mesure avant de parler de modèle.
- Le mauvais signe. Il parle du dernier modèle sorti, de ce qu’il ferait avec, et n’a pas une seule question sur vos données. Il promet. Un profil qui promet en entretien promettra en réunion de direction.
- Le signe qui ne trompe pas. Il vous dit ce qu’il ne faut pas faire. Quelqu’un qui sait dire non à un cas d’usage vous fera économiser plus que quelqu’un qui sait dire oui à tous.
Piloter : décider aux chiffres
Recruter juste ne suffit pas, et c’est la moitié des cas cités plus haut : de bonnes équipes, bien payées, qui ont déployé avant d’avoir mesuré. Avant de vous donner les règles, faites l’expérience vous-même. Vous êtes la personne qui décide.
Question du client
« J’ai commandé hier, mon colis est déjà expédié. Je peux encore annuler ? »
Vous êtes la personne qui décide. Laquelle de ces deux réponses part en production ?
Réponse A
Oui, tout à fait. Vous disposez de 48 heures après l’expédition pour annuler gratuitement depuis votre espace client, rubrique « Mes commandes ». Le remboursement intervient sous 3 à 5 jours ouvrés.
Réponse B
Une fois le colis expédié, l’annulation n’est plus possible. Vous pourrez en revanche le retourner à réception, les frais de retour étant pris en charge dans les 14 jours. Souhaitez-vous que je vous prépare l’étiquette de retour ?
Cinq règles, qui tiennent sur une page et qui viennent toutes d’un des cas ci-dessus.
- L’évaluation avant la fonctionnalité. Un jeu de cas réels, relus par le métier, existe avant la première démonstration. Sans lui, chaque version est une opinion.
- Un périmètre qu’on peut mesurer en deux semaines. Une question, un service, un type de document. Le deuxième périmètre attend que le premier soit chiffré.
- Un humain dans la boucle tant que le taux d’erreur est inconnu. On retire l’humain quand les chiffres le permettent, pas quand le calendrier le demande.
- Un critère d’arrêt écrit le premier jour. Ce qui fera dire « on arrête » sans que ce soit un échec. Les projets qui n’en ont pas ne s’arrêtent jamais, ils s’éteignent.
- Le propriétaire métier tranche, et il est jugé sur le résultat. Pas sur le nombre de démonstrations.
Selon votre secteur
Tout ce qui précède se décline. Voici ce qui change selon votre secteur, et dans chaque cas la colonne qui décide de la première embauche.
| Secteur | Ce qui change | Le premier recrutement | Le piège |
|---|---|---|---|
| Santé | Donnée de patient, secret médical, responsabilité en cas d’erreur | Sécurité et conformité, avant toute démo | Le modèle qui « aide au diagnostic » sans qu’un médecin ait signé le périmètre |
| Banque, assurance | Traçabilité de chaque décision, régulateur, modèles installés en interne | Ingénieur plateforme si les données ne sortent pas, sinon ingénieur données | Le fournisseur cloud choisi avant d’avoir lu le contrat sur la région des données |
| Juridique, conseil | Confidentialité client, citations exactes, zéro invention | Responsable de l’évaluation : un cabinet vit de la précision | Le résumé brillant qui cite un article de loi qui n’existe pas |
| Administration, public | Transparence, égalité de traitement, souveraineté | Ingénieur données : le patrimoine est grand et dispersé | Un agent qui répond aux citoyens avant que l’on sache ce qu’il répond |
| Industrie, logistique | Donnée de machines, sécurité physique, systèmes anciens | Ingénieur données, loin devant | Recruter un profil recherche pour un problème d’accès aux données |
| Commerce, services | Volume, client final, ton de la marque | Ingénieur IA, avec un propriétaire métier nommé | La réponse inventée face au client, qui vous engage (Air Canada) |
Ce que ça change chez vous
Trois choses concrètes, si vous recrutez ou si vous avez déjà une équipe.
Si vous n’avez encore personne, répondez aux trois questions avant d’écrire la première offre, et retirez « cinq ans d’expérience » du texte. Recrutez la personne qui rend vos données accessibles, ou celle qui mesure, avant celle qui impressionne.
Si vous avez déjà une équipe et que rien n’est en production, ne recrutez personne. Nommez un propriétaire métier, réduisez le périmètre à une question, et demandez le jeu d’évaluation. Si on ne peut pas vous le montrer, vous venez de trouver le problème.
Si vos modèles doivent rester chez vous, pour des raisons réglementaires ou parce que vos données ne doivent pas sortir, l’ingénieur plateforme passe devant tout le monde, et c’est le cœur de mon métier : installer des modèles sur votre infrastructure, et former l’équipe qui les tiendra.
Parlons de votre équipe
Une heure, vos trois réponses, et un ordre de recrutement. Je réponds moi-même, sous un jour ouvré.
Pour vérifier
Chaque cas cité est public et daté. J’ai tenu à les vérifier à la source plutôt que dans leurs reprises, parce qu’un dirigeant qui trouve une erreur ne lit pas la suite. Les références sont ici, repliées.
Les sources, cas par cas
Amazon. Reuters, 10 octobre 2018, « Amazon scraps secret AI recruiting tool that showed bias against women ».
Element AI. The Globe and Mail, décembre 2020, à partir de la circulaire de vente ; rapport annuel 2020 de ServiceNow déposé à la SEC (acquisition pour environ 230 millions de dollars, clôturée le 8 janvier 2021) ; BetaKit, 5 mai 2020, sur les licenciements et les nominations.
Zillow. Formulaire 8-K du 2 novembre 2021 et lettre aux actionnaires du troisième trimestre 2021 ; rapport annuel 2021 (dépréciation de 407,9 millions de dollars, effectifs, coûts de restructuration).
Air Canada. Moffatt v. Air Canada, 2024 BCCRT 149, décision du Civil Resolution Tribunal de Colombie-Britannique du 14 février 2024, texte intégral public.
McDonald’s et IBM. CNBC, 17 juin 2024, et Restaurant Business, 14 juin 2024, citant le mémo de McDonald’s USA aux franchisés ; notes de l’analyste BTIG, 2022 et 2024, sur la précision mesurée.
Klarna. Communiqué Klarna du 27 février 2024 ; Bloomberg, 8 mai 2025, entretien avec le PDG ; Fortune et CX Dive, 9 mai 2025 ; TechCrunch, 4 juin 2025, pour « toujours une offre VIP » et les deux tiers maintenus.
La petite boîte. D. Sculley et coll., « Hidden Technical Debt in Machine Learning Systems », NeurIPS 2015. Le retrait de GPT-4 de ChatGPT, le 30 avril 2025, est documenté par OpenAI.
Commonwealth Bank of Australia. Australian Financial Review, 28 juillet 2025 ; ABC News, 29 juillet et 21 août 2025.
Vous recrutez en ce moment et vous hésitez sur un profil ? Écrivez-moi, je vous dirai ce que j’en pense.