Transcription

• Speaker #0

  Bienvenue dans AI Impact, le podcast qui s'intéresse aux applications concrètes de l'IA et du Machine Learning dans un contexte business. Je suis Kemon Bey, fondateur et CEO de Quickscale AI. Après plus de 12 ans à déployer des solutions IA dans différents secteurs et à faire grandir des équipes, j'ai décidé de créer AI Impact. Ici, je vous emmène au cœur des projets déployés en production avec celles et ceux qui les construisent, pour que vous puissiez tirer parti, vous aussi, de leur expérience. Que vous soyez simplement intéressé par ces sujets qui montrent que vous soyez un décideur. Vous soyez un expert qui est déjà à la manœuvre sur ces sujets. On décortique pour vous la valeur créée, les défis, les galères et les choix techniques, organisationnels, humains, derrière la réussite de ces projets. Alors installez-vous confortablement et place à l'épisode du jour. Bonjour Olivier.

• Speaker #1

  Bonjour.

• Speaker #0

  Hyper content de t'avoir avec nous sur le podcast AI Impact.

• Speaker #1

  Super content d'être là.

• Speaker #0

  Merci d'avoir répondu à l'invitation. Olivier Meunier, tu es groupe AI Officer. pour le groupe La Matmut, qui est une société d'assurance mutualiste et généraliste française.

• Speaker #1

  On ne peut rien te cacher.

• Speaker #0

  Et donc, tu vas nous raconter un petit peu à la fois ton parcours, ce que vous faites et vos enjeux aujourd'hui avec l'IA dans ce beau secteur d'activité.

• Speaker #1

  Ça me va bien, c'est plutôt mon domaine.

• Speaker #0

  Merci. Alors, question traditionnelle, qu'est-ce que toi, tu aurais aimé faire étant petit ? J'imagine que tu n'imaginais pas être CIDEO.

• Speaker #1

  Écoute, non, quand j'étais tout petit, J'aurais rêvé d'être prof, puis après je me suis dit, c'est idiot, c'est pas mal quand même.

• Speaker #0

  Prof dans quel domaine ?

• Speaker #1

  Alors comme je ne suis pas très doué pour apprendre par cœur, je ne fais que comprendre, et donc prof en maths. J'ai passé la grecque d'ailleurs.

• Speaker #0

  C'est vrai ? Ok.

• Speaker #1

  Et puis après je me suis rendu compte que prof, ça n'a rien à voir avec la pédagogie.

• Speaker #0

  Donc tu as quand même enseigné un petit peu ou tu as juste passé la grecque ? J'ai passé la grecque,

• Speaker #1

  j'ai fait un an. Et après j'ai démissionné de la grecque et j'ai commencé mon doctorat en ce qu'on appelait des probabilités à l'époque.

• Speaker #0

  Ok, transition parfaite. Est-ce que tu peux nous raconter un petit peu ton parcours, ce qui t'a amené à être à la MathMut ? Ça fait cinq ans maintenant. Qu'est-ce que tu as fait un petit peu avant, avant qu'on rentre dans le détail ?

• Speaker #1

  Ouais, je vais faire ça rapidement parce que sinon on va y passer tout le podcast. Donc ouais, je suis issu de la filière mathématique, donc pas informatique mais vraiment mathématique, voire mathématique pure. J'ai commencé ma carrière comme chargé d'études statistiques à l'époque. J'ai fait à peu près toutes les sociétés de crédit qui existent sur la place. Et puis après, j'ai commencé à travailler un peu plus à l'international.

• Speaker #0

  Donc sur du risque de crédit ?

• Speaker #1

  Alors sur du risque et sur du marketing, j'avais les deux casquettes. Donc à la fois l'eau chaude, à la fois l'eau froide. Donc du risque et du marketing. Donc score d'appétence et score d'octroi. Donc ça, j'en ai fait beaucoup. Et puis après, je suis parti chez Score. Score Global Life, donc le réassureur. L'assureur des assureurs. Pendant quelques temps, j'ai bossé aussi pour HSBC.

• Speaker #0

  D'accord.

• Speaker #1

  Donc on en reparlera, il y a un peu l'ironie du sort parce que Matmut s'est un peu marié avec HSBC récemment. J'ai fait un petit passage dans l'industrie avant de revenir chez Matmut. Il y a exactement 5 ans comme tu disais.

• Speaker #0

  D'accord. Super. Est-ce qu'il y a des choses dans ton expérience ? précédentes avant d'entrer en entreprise qui te servent. Donc on voit souvent des profils assez cantimes, athées, qui ont fait une thèse. Ensuite, intégrer le monde de l'entreprise, ça peut parfois être challenging quand on a vécu un sujet de fond pendant X années. Ensuite, d'être attendu sur des livrables plus court terme où il faut faire parfois des shortcuts, etc. Je ne sais pas s'il y a des choses que tu gardes de cette ancienne vie.

• Speaker #1

  Plein de choses que je garde de cette ancienne vie. La première chose, c'est que je voulais être prof, parce que j'adore la pédagogie, j'adore transmettre. Et maintenant, en tant que CIDIO ou directeur, la transmission, et encore plus maintenant avec l'IA, elle est hyper importante. Vulgariser les principes, c'est important. Et aujourd'hui, le rôle de CIDIO, c'est de moins en moins un rôle technique, c'est de plus en plus un rôle de traducteur, faire comprendre à l'entreprise ce qu'est l'IA, ce qu'il n'est pas l'IA, ce qu'on peut s'en servir. La pédagogie, ça m'est très utile. Le côté PhD, ça m'est utile aussi dans les recrutements. Parce que comme tu disais, quand on est PhD, on est très bon en profondeur, pas forcément en surface. Et donc, quand je recrute, je m'assure d'avoir le bon compromis entre la connaissance en profondeur et la largeur d'esprit.

• Speaker #0

  Tu ne te fais pas avoir facilement quelques mots-clés. Intéressant. super et du coup là depuis cinq ans à la matmut est ce que tu peux nous expliquer peut-être aussi mais c'est assez marrant cette temporalité puisque effectivement tu as dû voir maintenant depuis un peu plus de trois ans trois ans et demi cette vague de l'IA générative mais toi tu as connu aussi Aussi, on va dire ce qu'on appelait la data IA avec du ML plus traditionnel.

• Speaker #1

  La direction a été nommée direction data analytics. Elle a bien mal nommé maintenant. Mais historiquement, c'est la direction data analytics qui a évolué. L'analytics, on est parti à data science. Le data science, on est parti à IA. Aujourd'hui, on parle bien d'IA, mais d'IA au sens large. C'est-à-dire que l'IA générative est une forme d'IA. mais en intégrer l'IA. que je vais appeler classique, machine learning, tout ça, on l'intègre dedans. Donc oui, l'évolution, la vue, technique, technologique aussi. On en reparlera peut-être après, mais dans les profils de recrutement qu'on va chercher, sur cinq ans, les profils qu'on cherche ont évolué aussi. Et puis, la partie adoption dans l'entreprise. Il y a cinq ans, quand j'allais voir les métiers, alors disons, on fait du machine learning, bon.

• Speaker #0

  Ça parle moyen.

• Speaker #1

  Ça parle moyen. par le moyen, voire ça n'intéresse pas trop. Aujourd'hui, quand on dit qu'on développe de l'IA, ça intéresse tout le monde. Donc on est visible.

• Speaker #0

  Super. Donc là, est-ce que tu peux nous dresser dans les grandes lignes ton mandat, tes responsabilités sur ton poste ?

• Speaker #1

  Alors, je vais refaire un petit peu d'historique sur la MatMut. Donc ça fait cinq ans que j'y suis. Quand je suis arrivé il y a cinq ans, on a créé la direction Data Analytics, Data IA.

• Speaker #0

  D'accord.

• Speaker #1

  sur un sol fertile de Data Lab qui était à l'IT. La direction Data a été sortie de l'IT, rattachée au COMEX via les métiers, dans un mode où on va avoir un rythme de start-up pour tirer de la valeur rapidement du patrimoine de données de la Matmut. On a une assurance, on a beaucoup de données, mais l'idée était d'en tirer de la valeur. Donc on a été sortis, on a créé la direction. Donc cette phase de build s'est faite sur trois ans et demi, quatre ans. Et depuis six mois, la direction a été de nouveau rattachée à la direction du numérique, qui est l'IT, mais l'IT élargie, pour concentrer tous les talents de l'IA au sein de la même direction centrale. Donc je rapporte toujours au COMEX, mais d'une voie différente. Avant c'était métier. Donc on était agile, rapide, fluide, mais pas très propre et pas très process. Donc ça a été bien, on était dans une phase de build, donc ça allait très bien. Aujourd'hui qu'on est sur du run, on est plutôt du côté... IT, D&I, direction numérique. Et on apprend aux équipes à se structurer un peu plus, à faire des choses qui rentrent dans les process, pour être plus stable et pour passer à l'échelle. Aujourd'hui, il y a côté Matmut... on commence à être mature, on a une gouvernance qui se met en place, donc tout ça fait sens donc il y a vraiment deux pans le premier pan qui était la construction, le build sur 3 ans et demi, 4 ans et là la phase un peu plus de maturité où on intègre aussi nos collègues IT sur l'industrialisation des IA parce qu'on était très fort pour faire des prototypes, mais ce temps là est fini, donc on est dans l'ère du déploiement donc on fait union avec les collègues IT Super intéressant,

• Speaker #0

  et du coup ce virage vers l'IT où tu disais qu'en fait il y avait quand même le bénéfice de la vélocité, de pouvoir itérer rapidement etc malgré tout il y a avec l'émergence de nouveaux cas d'usage j'imagine liés à l'IA générative vous avez encore besoin de tester plein de choses est-ce que vous avez quand même trouver cet équilibre entre l'IT qui a ses process où il faut faire les choses de façon structurée séquentielle l'équilibre on l'a mais c'est toujours un équilibre instable il n'y a pas de formule magique j'ai entendu personne avoir

• Speaker #1

  craqué complètement on est un petit peu trop à droite, un petit peu trop à gauche mais globalement on est dans les clous donc oui on a une spécificité à la Matmut que j'instaurais quand je suis arrivé c'est On répond à des besoins et pas à des envies. Donc on n'a pas la philosophie POC. J'en ai fait beaucoup quand j'étais notamment chez Scores, c'était l'époque du big data, on a fait beaucoup de POC. Et je prends toujours l'expression de dire que j'étais POCophile. est devenu pocophobes, dans le sens où on ne va pas tester quelque chose pour savoir si on peut le faire. La réponse est oui. On saura le faire. La question, c'est est-ce que c'est rentable ? Est-ce que ça apporte de la valeur à l'entreprise ? Ça, c'est la vraie question. Et à partir du moment où on se pose la question de est-ce que c'est rentable ? rentable pour l'entreprise, on parle déjà d'industrialisation derrière. Parce que si c'est rentable et qu'on ne l'industrialise pas, c'est un peu con. Donc l'idée, c'est ça.

• Speaker #0

  Dès la phase de framing, vous avez déjà en tête le big case de savoir combien ça peut rapporter si on devait passer à l'échelle ce cas d'usage.

• Speaker #1

  On a toujours trois questions. Ça fait cinq ans qu'on les pose et on commence à le structurer un peu plus avec l'IA, mais les trois questions qu'on pose aux métiers quand ils viennent nous voir, c'est... Pourquoi vous voulez développer ce use case ? Ça, c'est simple. Quel est le risque à ne pas faire ? Et quelle est la valeur pour l'entreprise, le collaborateur ou le sociétaire ? Si la réponse n'est pas claire... C'est que l'enjeu n'est peut-être pas si important que ça.

• Speaker #0

  OK. Ça, c'est des réponses dont vous attendez que les métiers se positionnent dessus ou que vous construisez ? OK. De toute façon,

• Speaker #1

  facialement, on leur pose la question. Si vous n'êtes pas capable. Sur le pourquoi, quand même. On les aide à construire ça. Ça, c'est ce qu'on avait mis en place il y a cinq ans. Quand on gérait la partie, quand on était en phase de start-up interne, on faisait essentiellement des prototypes. pré-industrialisé. Aujourd'hui, sur le fait qu'on structure notre approche IA globale pour le groupe, on est reparti un peu de ce mode de fonctionnement en se disant « Ok, on ne va pas développer des IA, on ne va pas en faire 500 dans l'année » . On va les choisir sous plein d'angles différents. Est-ce que ça correspond à nos valeurs ? Est-ce qu'on sait les faire ? Est-ce qu'on a la capacité à le faire ? Est-ce que c'est éthique ? Est-ce que c'est RSE ? Il y a plein d'aspects différents. Et une fois qu'on a répondu à ça et que dans un comité, on est OK pour le faire, on va le planifier et on va l'exécuter. Tout ça chapeauté par une stratégie globale, une groupe qui est sponsorisée au niveau COMEX. On est vraiment dans une boule. gouvernance, groupe de l'IA. L'idée, ce n'est pas que chacun développe une petite IA dans son coin. On interdit à personne de le faire. Mais on veut avoir un catalogue de SIA exhaustif.

• Speaker #0

  Très bien. Et du coup, toi, ton rôle, c'est de jouer... En fait, d'être un peu chef d'orchestre, il y a cette stratégie quand même vision groupe de là où on veut aller. Il y a des besoins qui émergent des métiers. Il y a cette capacité d'ataïa au sein de l'IT maintenant. Et toi, ta responsabilité, c'est d'infuser, d'être acteur dans... Comment tout ça fonctionne, tout ça est bien huilé, comment on priorise, on se met sur les bons sujets ? C'est ça.

• Speaker #1

  Alors il y a plusieurs directeurs à la direction du numérique, donc chacun a un rôle dans cette gouvernance. Le mien est sur le premier comité où on va sélectionner les... les cas d'usage. Donc on accompagne les métiers, on a fait venir les filiales de risque pour être sûr que les cas d'usage qu'on va choisir, le RSI est validé, le DPO est validé, que le légal a validé. Et puis on fait venir les métiers pour discuter ensemble et puis parce qu'un use case qui est développé pour la Yard, pour l'assurance auto est peut-être capitalisable pour une autre direction. Plutôt que chacun pose ses demandes d'usage. On les centralise, on en discute. Et ça fait grandir un peu tout le monde parce que ce comité-là, on sélectionne et on discute les cas d'usage. Mais après, quand ça redescend, quand ça ruisselle, pour reprendre l'expression à la mode, dans les métiers, ça fait partie de la culturation aussi, ça.

• Speaker #0

  C'est-à-dire,

• Speaker #1

  OK, ce cas d'usage-là n'a pas été choisi, voilà les raisons. Donc, sur le prochain cas d'usage qu'on va proposer, réfléchissons à ces problématiques-là. Ou à l'inverse, on a développé une IA qui est super intéressante tu vois. un cas d'usage précis, sur un usage précis, sur lequel on pourrait mutualiser ou capitaliser sur une autre chose.

• Speaker #0

  Intéressant. Est-ce que vous donnez une timeline entre le moment où ces cas d'usage sont à l'état d'idéation ou le moment où il y a ce go-no-go de dire on y va, on n'y va pas, pour telle et telle raison ?

• Speaker #1

  On essaie d'être rapide, parce que les métiers sont toujours passés. Et puis, l'idée, c'est d'éviter le shadow IA qui émerge un peu partout. Donc on se doit de donner une réponse relativement rapidement. C'est toujours trop lent pour le métier, c'est toujours trop rapide pour les gens qui développent. Mais les comités qu'on appelle comités de transformation IA ont lieu tous les mois. Donc on a des AI business partners qui font le lien entre tous les comités, qui portent des fiches. Donc avant d'arriver au comité, le AI BP voit que le métier remplit la fiche pour que quand ils viennent pitcher au comité on ait les informations suffisantes pour dire go no go, l'idée c'est pas de venir pitcher et de se dire ah oui mais il me manque ça comme élément puis ça vous avez pas regardé donc tout est quand même bien balisé c'est des comités de décision c'est ça, comme je dis souvent je voulais pas des comités salantés, c'est pas là où on discute et on se dit oui ça peut être une bonne idée on présente,

• Speaker #0

  on pitch on a vu des éléments en amont et puis là l'idée s'est tranchée Ok. Super. Et tu as parlé de cet enjeu aussi d'acculturation. Donc j'imagine qu'à la fois, tu as ce rôle d'aider le groupe à prioriser et se mettre sur les bons sujets. Et comment ça se traduit aujourd'hui, ton rôle d'infuser aussi une culture IA, de ce qui est possible, quelles sont les limites aussi ? Dans un monde où tout le monde utilise l'IA au quotidien, chez soi, projette aussi des attentes en entreprise, comment toi tu navigues là-dedans ?

• Speaker #1

  Alors pour les CIO, je pense avoir parlé à pas mal qui peuvent regarder, il y a eu un petit changement de paradigme entre avant l'IAgène et après l'IAgène. Avant l'IA générative, on parlait un peu plus de machine learning, deep learning, etc. Des choses un peu plus techniques, pas très fun. C'était, on allait... voir les opérationnels et les décideurs pour convaincre de faire. En disant, mais si ça va vous apporter de la valeur, mais si, vous allez voir. Après l'IAGN, c'était un peu l'inverse. Ce qui est un peu paradoxal pour un CIDIO, on allait voir à la fois les opérationnels et à la fois les décideurs en disant, attention, l'IAGN, ça fait beaucoup de choses, y compris des conneries. Donc, il a fallu un peu changer la casquette et montrer les risques de l'IA générative. Alors, ça a plein d'avantages. Mais quand je fais des conférences, j'ai un slide qui parle de l'IA du samedi soir versus l'IA du lundi matin.

• Speaker #0

  Ah, sympa.

• Speaker #1

  Et c'est exactement ça, en fait. Quand on est décideur ou opérationnel, le samedi soir, on s'amuse sur le Gemini en se disant, oui, on va faire ça, Et le lundi matin, c'était le défilé dans mon bureau en disant, ah, j'ai testé ça, ce serait bien qu'on le mette en place. Ok, pose-toi. Toi, on va s'asseoir. Je vais t'expliquer les potentiels risques, le temps, le coût de développement d'une telle idée. Est-ce que c'est rentable ? Toujours une bonne question. Et donc, du coup, il y a eu un petit changement de paradigme, mais ça commence à s'instaurer. On fait beaucoup de réunions en interne. Je pense que j'ai vu quasiment toutes les directions métiers, avec des présentations qui peuvent paraître simples, même si elles ne sont pas simplistes, sur OK. qu'est-ce que l'IA, quels sont les risques, comment c'est utilisé aujourd'hui de façon sociétale, pas que Matmut, sociétale, et comment la Matmut a décidé d'en faire une déclinaison. Typiquement, si tu vas sur les réseaux, il n'y a pas de grande communication de la Matmut en disant on a fait ça en IA, etc. On a été très pragmatiques, on s'est posés, on a vu l'IA comme une couleur supplémentaire sur la palette de couleurs de l'IA globale.

• Speaker #0

  Bien sûr.

• Speaker #1

  et on y allait de façon progressive. On n'est pas parti à développer des IA dans tous les sens, parce que je pense que c'est un des enjeux de 2026 et de 2027, c'est qu'à un moment donné, les CFO vont arriver en se disant « Ok, l'IA, on en fait, on en fait beaucoup, je sais combien ça coûte, j'aimerais savoir combien ça rapporte. » Et là, ça va être un peu plus compliqué, parce que l'IA, ça coûte très cher. Et je pense qu'il faut faire la preuve de ce que ça rapporte. Alors, ce n'est pas forcément du ROI. C'est comme le machine learning à l'époque, le deep learning. Calculer un ROI direct, c'est un peu compliqué. Mais il faut un minima que ça apporte de la valeur. Faites-moi la preuve que ça apporte de la valeur. Et ce n'est pas si simple. Il y a des cas d'usage quand tu es développé où tu te poses la question de est-ce que vraiment ça apporte de la valeur ?

• Speaker #0

  Il y a l'enjeu de la valeur et aussi, je ne sais pas si c'est un enjeu que tu vois, le fait que ça évolue à un rythme tellement rapide que parfois, il peut y avoir la tentation de se dire « Ok, comme tu dis, c'est possible, donc en fait, on y va, on commence à construire quelque chose. » et en fait petit à petit il y a des solutions qui font à peu près la même chose qui deviennent une commodité et que t'as pas forcément envie de maintenir quelque chose que t'as bu de toi même est-ce que c'est une tension ça que vous voyez ?

• Speaker #1

  ça commence typiquement sur le choix du make or buy alors le make j'ai pas 50k scientist donc il faut qu'on sélectionne les 4 usages et sur le buy ouais il faut être vigilant Merci. Parce que sur les deux dernières années, il y a quand même quelques entreprises, je ne vais pas dire toutes, mais certaines entreprises du marché, des solution providers, qui mettaient un petit logo IA sur leur offre, augmentait de 30% les prix. Et quand tu soulèves un peu le capot, tu te dis, OK, les gars, c'est du deep learning d'il y a trois ans. Donc, il y a cet aspect vigilance à se dire, OK, si on prend une solution du marché, vérifions bien que la promesse sera tenue. Et puis après, Matmut a grandi progressivement. On a plusieurs SI, on a des bases qui sont... On n'a pas une start-up, on est une société historique. Donc on a des données un peu partout, pas forcément de toute bonne qualité. Il faut être sûr que les solutions du marché soient pluggables sur notre SI. avec un coût raisonnable parce que ça peut être les solutions sont toujours plug and play mais on cherche un peu toujours la prise quoi donc il ya cet aspect là sur laquelle il faut qu'on soit vigilant et puis il y a toujours cet aspect de retour de la rentabilité des outils et comme tu dis technologiquement il y a des startups ou des boîtes qui proposaient des services il y a un an qui ne valent plus rien aujourd'hui en fait parce que ça fait partie de Google ou des choses comme ça. Donc il faut être vigilant aux tendances du marché.

• Speaker #0

  Et votre politique là-dessus, est-ce que... Voilà, environnement régulé, est-ce que vous vous autorisez à être régulé ? Voilà, quelle est votre stratégie en termes justement de partenariat vis-à-vis d'acteurs technologiques ? et des enjeux de confidentialité, de souveraineté de la donnée, etc. Est-ce que vous avez un peu craqué ça ? Vous avez déjà... Vous êtes encore en phase d'exploration là-dessus ou est-ce que vous avez des partenariats ?

• Speaker #1

  Là-dessus, j'ai un biais parce que j'ai beaucoup bossé pour des sociétés internationales, hors européennes, en Asie, pour ne pas les nommer. Matmut, on est une société financière, assurancielle, mutualiste française. A chaque mot que je viens de te donner, il y a une couche supplémentaire de frilosité. A un point où tu peux à la fin penser qu'on est limite paranoïaque, mais c'est aussi l'avantage et la force de l'Europe. c'est de se prémunir un peu des dérapages. Alors quand on est développeur, on se dit toujours qu'on est en train de nous mettre des boulets au pied et que ça va être compliqué de faire le marathon. C'est frustrant, on n'est pas assez vite. Mais après, quand je rentre le soir chez moi et que je reprends ma casquette de citoyen, je me dis heureusement qu'on est là. Donc, concernant la contractualisation avec la Matmut, on est en effet extrêmement vigilants. Là, on est très sensibles en ce moment à l'IA Act, évidemment. RGPD, c'est presque notre ADN aujourd'hui. Donc oui, on est très vigilants sur les sociétés avec lesquelles on va contractualiser.

• Speaker #0

  mais concrètement est-ce que ça veut dire que vous avez vos propres serveurs sur lesquels vous déployez des modèles on a ça aussi

• Speaker #1

  On a nos propres GPU parce qu'on veut être souverain. On est une des rares, peut-être même la seule mutuelle en France à être souveraine. On ne dépend d'aucune banque. On n'est rattaché à aucune banque. Donc oui, on est vigilant. On a nos propres GPU. On a aussi contractualisé avec Sense, qui est la contreprise Google Thales. Ce qui fait aussi qu'on est extrêmement... sécurisé sur cette partie-là. Donc, on est ceinture et bretelle. Donc, on se pose la question toujours de est-ce qu'on développe sur sens ou est-ce qu'on développe en interne ? Ça, c'est des choix au cas par cas.

• Speaker #0

  Merci pour ça. Olivier, est-ce que tu peux nous parler, si c'est possible, d'un exemple de cas d'usage de ce que vous avez décidé de construire en interne ?

• Speaker #1

  Oui. Alors, je vais parler du premier cas d'usage. Comme ça, ça permettra de... de comprendre comment on fonctionne. Donc, il faut bien se rappeler que le premier cas d'usage, il date d'il y a pratiquement deux ans maintenant.

• Speaker #0

  D'accord.

• Speaker #1

  C'était le début de l'IAGN. Tout le monde en France parlait de l'IAGN avec soit c'est génial, soit attention, ça va voler mon job. Donc, à la Matmut, même problème. L'adoption de l'IAGN, ça faisait un peu peur en se disant, si on le développe, attention les ETP, etc. Bon. Matmut étant quand même une société qui s'intéresse à ce qui se passe, on a décidé de faire de l'IA. Il a fallu choisir le premier cas d'usage. Donc là, la direction financière s'est rapprochée de nous. L'idée du premier cas d'usage était d'utiliser l'IA générative pour rédiger nos rapports réglementaires. Comme tu l'as dit, on est très régulé, donc on a beaucoup de rapports réglementaires à faire qui sont assez structurés et qui sont épais. Donc, cas d'usage parfait pour faire de l'IA génératif, ça fait pour faire du contenu, donc ça tombe bien. En discutant avec les métiers, au début ils étaient un peu frileux quand même. À se dire ok, on va utiliser l'IA, mais je ne veux pas que les collaborateurs deviennent les esclaves de l'IA. Et surtout, je ne veux pas que ça me prenne des ETP. Donc en discutant avec les métiers, on s'est dit ok, on ne va rédiger que 50% du rapport. Et puis le reste, à la main des collaborateurs et des humains. Très bien. On a commencé à itérer avec les collaborateurs. Et puis à force de collaborer, elles leur montraient ce que ça pouvait faire. De 50%, on est passé à 60%, à 75%, à 80%. Aujourd'hui, on fait 98% du rapport avec une IA. Et c'est le métier qui a demandé, c'est pas nous. Parce qu'ils se sont rendus compte que c'était pas l'IA, enfin ils devenaient pas esclaves de l'IA, c'était toujours l'inverse, c'est-à-dire que c'est eux qui disaient si l'IA avait bien rédigé ou pas, en gros c'est eux qui donnaient les claques à l'IA. Donc ça a bien plu en disant ok, on garde la main, et ça nous évite de rédiger, on a que la relecture critique du document. Donc on est plutôt efficace là-dessus. Et donc, on a fait ça. Donc, ça a été assez long, parce qu'il y a eu ces itérations. Mais c'est aussi ce qui a apporté la culturation et l'appropriation de l'outil par les métiers. Et on a beaucoup communiqué en interne là-dessus, en disant, voilà, on a un outil, alors qu'on l'appelle un rapporteur. On est bon pour trouver les outils. Donc, rapporteur fait des rapports. Et on a communiqué là-dessus. Donc c'est le premier outil qu'on a fait, qui est utilisé, et qui est toujours en évolution. Et dans ces rapports, évidemment, à la fin, il y a une synthèse. Je ne vais pas aller dans les détails de l'outil, mais on a une IA spécifique pour faire la synthèse. Et on s'est dit, mais cette IA, elle fait des synthèses de documents. Pourquoi pas en faire un spin-off ? Donc, on l'a sorti. On a créé une nouvelle IA qui s'appelle Bref. Toujours aussi bon sur les noms. Et Bref fait des résumés de tout type de documents. Donc, des PDF, des PowerPoint, ce que vous voulez. On met dedans. Et ça sort un résumé plus ou moins long, contextualisé, etc. C'est un outil qui a commencé à être utilisé par les membres du COMEX, qu'on trouvait ça bien. Et donc on s'est dit, ok, il faut démocratiser. Donc cet outil-là a eu vocation à être le premier outil déployé dans le groupe entier, pour tous les utilisateurs en fait. Donc techniquement, on l'avait fait, ça fonctionne, il fonctionne très bien. Et on a été confronté à une autre question, qui est de dire, OK, là, moi, je vais faire des... le COMEX fait des résumés de documents, ça passe plutôt bien. On est 7000 collaborateurs à la Matmut. Si j'ouvre à 7000 collaborateurs en une fois, en disant que c'est votre première IA, le grand risque qu'on a eu... La peur d'avoir, c'est que le lundi matin, tout le monde décide d'envoyer des documents d'embrief. Et là, les serveurs, ça l'échauffait.

• Speaker #0

  Là, c'est sur l'infra dédié maison.

• Speaker #1

  Et c'est chez nous, parce qu'on peut envoyer tous les documents internes. Donc c'est sécurisé, etc. Donc on s'est dit, nos H100, elles vont faire cramer le sous-sol si tout le monde s'y met dedans. Donc, on a décidé de faire un peu machine arrière en disant, OK, on va ouvrir par vagues. Il y a des gens qui ont l'utilité de faire des rapports, donc les assistantes, le juridique, les choses comme ça. On a ouvert à 600 personnes. Ça se passe bien. Les gens sont raisonnables. Ils n'envoient pas un bouquin de 400 pages pour avoir un résumé. On est vraiment sur une utilisation professionnelle. Là, on a mis à disposition l'outil, comme n'importe quel outil de la maison, où les gens, quand ils veulent, font une demande d'habilitation et ils l'ont directement. Ça s'est passé vraiment de façon très fluide. Personne n'est venu dire qu'on a une IA. Attention, ça peut être... être dangereux pour le... etc. Bref, c'est une IA qui prend le job de personne, qui est utile à tout le monde et qui a été développée. Rapporteur, ça simplifie le travail des gens qui rédigent, donc ça a été aussi adopté par le métier.

• Speaker #0

  Donc, c'est comme ça qu'on travaille, en fait.

• Speaker #1

  C'est hyper important ce que tu dis sur, en fait, assez tôt, dérisquer les projets, ces enjeux d'adoption et ces peurs. Je pense qu'effectivement, encore plus il y a deux ou trois ans que maintenant, mais de se dire, en fait, ce n'est pas l'IA où tu appuies sur un bouton et il y a quelque chose qui se fait complètement en black box et qui prend ta place. Et du coup, tu peux te sortir effectivement de déposséder du livrable, mais c'est quelque chose que tu vas construire et tu vas gagner du temps et c'est ton intention. que tu vas pouvoir matérialiser plus rapidement grâce à l'IA plutôt que quelque chose qui sort ex nihilo. Et donc, c'est hyper important ce truc d'IA en tant que sparring partner et pas juste comme outil de délégation.

• Speaker #0

  Il y en a fait beaucoup d'acculturation et d'évangélisation en disant l'IA, OK, ça peut faire peur. Et je comprends que ça puisse faire peur parce qu'on regarde l'actualité et en France, on est un peu paranoïaque là-dessus. Mais oui, ça peut faire peur, mais ce n'est qu'un outil. Je prends toujours, et ça parlera aux gens de la MatMut qui m'ont vu, je prends toujours l'exemple du couteau, où ce n'est qu'un outil. Je pose toujours la question, est-ce que vous pensez que ce serait bien d'interdire le couteau ? Tout le monde te dit non, et moi je leur dis, moi ma vision c'est que c'est extrêmement dangereux un couteau. C'est avec ça que nos adolescents se tuent à la sortie des collèges, on devrait l'interdire. Et les gens te disent, oui mais non, on en a besoin pour manger, c'est utile, etc. L'IA c'est exactement la même chose. Il y a de l'IA en médecine, il y a de l'IA qui va nous aider. Et puis oui, il y a des IA dangereuses, mais ce n'est pas l'IA qui est dangereuse, c'est la personne derrière qui l'utilise. Donc Matmut, on utilise les IA comme un outil d'aide à la décision et pas un outil de décision. Il y a vraiment le mot au milieu, c'est un outil qui aide à prendre une décision. Mais il ne prend aucune décision.

• Speaker #1

  Est-ce que sur... Aujourd'hui, je comprends ces cas d'usage plutôt sur la partie efficacité opérationnelle, donc gagner du temps, peut-être réduire les coûts. Est-ce que vous avez aussi des cas d'usage sur de l'incrément sur le revenu du chiffre d'affaires ?

• Speaker #0

  Oui. Alors, on a une backlog de cas d'usage qui est assez importante pour une entreprise de notre taille. Et donc, là où on a tiré pour l'instant... Pas mal de valeurs de l'IA, c'est sur la lutte anti-fraude, au sens large. Parce qu'aller chercher du chiffre d'affaires, aller chercher de la rentabilité, juste avec de l'IA, c'est compliqué. On avait déjà tout un panel de scores qui faisait cette sélection-là. Donc on était plutôt bons là-dessus. L'IA va nous aider à aller plus vite. Par contre, sur la lutte anti-fraude, oui, il y a clairement, il y a au sens large, nous apporte de la valeur. On arrive à détecter des faux documents ou des documents modifiés, dont certains passaient en dehors des filtres humains. Elle s'oppose à la problématique inverse des risques, des peurs actuelles. Typiquement aujourd'hui... Quand on a développé notre IA pour détecter des suspicions de fraude, on ne dit pas que c'est une fraude, on dit que c'est une suspicion, et c'est l'humain derrière qui dit oui ou non, c'est une fraude. On a été plutôt bon, et donc on a remonté un nombre de suspicions de fraude assez important, qui fait que derrière, les équipes opérationnelles humaines qui vérifiaient, en avaient limite trop. La bonne nouvelle, c'est que ce qui veut dire que... il va falloir embaucher des gens pour filtrer. Donc l'IA peut aussi générer des emplois, en fait. Ce n'est pas juste, est-ce que ça va détruire des emplois ? Oui, il y a des emplois. Alors, à la Matmut, on fera en sorte que ça n'arrive pas. Mais clairement, nous, ça va aussi nous apporter des embauches. Pas que des embauches chez moi de techniciens, d'IA scientifiques. Ça, c'est oui, évidemment, mais des embauches indirectes. Donc l'usage de l'IA crée de l'emploi.

• Speaker #1

  Super. Est-ce que tu peux nous parler un petit peu justement de ces talents dans ton équipe ? Comment vous les recrutez et comment vous les retenez ? On sait que c'est un marché hyper compétitif.

• Speaker #0

  Oui, c'est tendu. Alors, on a plusieurs types de talents. On a la chaîne globale. On part du business slash data analyst, du data scientist slash IA scientist. Machine Learning Engineer, Data Engineer, et après on bascule dans le monde de l'IT. Donc on embauche tous ces profils-là. Data analyst, IA scientist, c'était des embauches très faciles il y a 4-5 ans. C'est un peu plus rare aujourd'hui en fait parce que tout le monde veut être data scientist. Les data scientist, IA scientist, ça se trouve assez facilement et on reviendra sur les profils de ces data scientist qui ont beaucoup évolué. Et puis après la partie data analyst. et mélanges qui sont des talents un peu plus compliqués à trouver, beaucoup plus volatiles. Et puis tout ce monde-là, c'est un peu le monde des divas. Ils sont en plein emploi. On ne peut pas trop les vexer. Il faut être gentil avec eux. Mais la matemute, ce qui pourrait étonner, on arrive à embaucher relativement facilement. Plus facilement que ce que je pensais à l'origine. Parce qu'il ne faut pas oublier, Matt Muth, on est une grand-mère si on se compare aux start-up. Le siège social est à Rouen. Donc faire venir des talents à Rouen, dans une société plutôt ancienne, avec beaucoup de legacy, etc. A priori, ce n'est pas évident. Finalement, à force de communiquer un peu sur les réseaux, en conférence, etc., on a réussi à montrer que la Matmut, on est relativement mature sur le sujet. On est équipé. On a une IT, merci au CITIO d'ailleurs, qui nous offre un écosystème. hyper intéressants pour venir bosser chez nous. Donc, on a la robustesse et la capacité d'une grande entreprise et on a l'agilité des startups. On a le meilleur des deux mondes. Donc, venez bosser chez nous.

• Speaker #1

  Je disais qu'il y avait assez peu de turnover.

• Speaker #0

  Et il y a assez peu de turnover parce qu'on a des sujets intéressants. On a pile poil la bonne taille, en fait. On est suffisamment gros pour avoir pas mal de sujets et d'avoir des outils importants. Mais on n'est pas... On n'est pas si gros que ça pour se noyer dans des process. Donc, les personnes chez moi, quand elles prennent un sujet, elles le voient vivre du berceau à la tombe. Donc, c'est plutôt intéressant. On n'est pas juste un pion où on met un code et on ne sait pas ce qui va se passer derrière. On suit les sujets de bout en bout. Il y en a des sujets qui sont hyper intéressants parce qu'on travaille pour le groupe. Donc, on est un groupe entier. C'est vie, non vie, santé. Donc en janvier, vous allez peut-être faire de la lutte. d'utentifraude. En février, vous allez faire de l'assurance de personnes. En mars, vous allez faire de l'assurance auto. C'est assez large. Donc, on a des sujets variés, un écosystème riche et une stabilité. C'est vraiment top. Après, dans les recrutements, on choisit aussi. C'est-à-dire que moi, j'ai créé l'équipe il y a 4 ans, enfin 5 ans, quand je suis arrivé. L'idée n'était pas de prendre le meilleur dans chaque domaine. L'idée, ce n'était pas de recréer le PSG, le Messi et compagnie. L'idée, c'était vraiment de créer une équipe. Donc, on prenait des gens avec des hard skills. confirmés. Et on choisit de façon très précise les soft skills. On veut être sûr que les personnes s'adaptent à la matemute, à l'équipe, et qu'on crée cette cohésion. Aujourd'hui, dans l'équipe, ça se passe super bien parce que c'est une petite famille. Tous les gens s'entendent bien et on avance ensemble. Ça se passe plutôt bien. Donc il y a tout ça qui fait... On se sent bien à la Matmut. Si on revient sur l'idée des PhD, j'ai embauché des PhD. On a volé des talents chez Meta qui viennent bosser à la Matmut. Mais on les choisit. On sait que les gars sont super bons sur des sujets très précis. Mais on s'assure que ces gens-là soient capables d'en parler, soient capables de travailler avec un data scientist classique, avec un data ingé, et d'expliquer ce qu'ils font à un métier. Donc, on cherche des talents

• Speaker #1

  360. Oui. Et ce n'est pas si évident que ça, parce que finalement, trouver des gens qui aiment la chose technique et qui sont relativement bons dedans, en fait, ça se trouve. Mais à la fois, des gens qui ont cette capacité-là et cette appétence et cette capacité à faire... à restituer des travaux, vulgariser parfois, s'adapter à son audience, c'est un challenge.

• Speaker #0

  Et on les accompagne.

• Speaker #1

  Oui.

• Speaker #0

  C'est-à-dire qu'on prend des gens qu'on va accompagner. Les managers qui sont dans mon équipe ont aussi ce rôle d'accompagner leurs équipes.

• Speaker #1

  Très bien. Mais est-ce que tu peux donner quelques actions ? Parce qu'effectivement, là, vous avez construit quelque chose qui est solide. Il y a déjà un track record de cas d'usage. Donc, à la limite, il y a des gens dans l'équipe qui peuvent en parler autour d'eux pour attirer d'autres personnes. mais à la Fondation. de l'équipe, comment toi t'as fait pour... Pour un fusée, créer cette dynamique avec, comme tu le disais, une perception de l'extérieur qui est bossée dans l'IA, je ne vais pas forcément m'orienter vers la matmut.

• Speaker #0

  Alors quand on a créé la direction, c'était une de mes préoccupations. C'était de faire venir les gens à Rouen. Donc la direction au départ, la moitié des recrutements étaient des recrutements en interne. Donc on a pris les gens du data lab qui avaient vocation à, ou l'appétence, à tirer de la valeur de la donnée. pas à la gérer. Donc je les ai fait venir dans mon équipe. Donc il y avait cet historique. Donc on partait avec la connaissance des bases, etc. Et puis j'ai la chance d'avoir un réseau plutôt étendu. Donc du coup, quand j'ai mis sur LinkedIn que j'embauchais, j'ai eu des talents que je connaissais qu'on a fait venir. Et donc qui ont créé assez rapidement. Cette dynamique. Donc on avait ce momentum. Et puis après, une fois que... C'est ça. Voilà. T'en parles un peu en conférence, tu fais brûter la chose. Et puis tu vends ce que tu fais. C'est-à-dire que tu ne vends pas que tu vas travailler pour la Matmut, tu vas faire de l'IA de façon productive. Donc vous n'allez pas intégrer un data lab, vous n'allez pas faire de POC, vous allez bosser pour des choses qui ont de l'impact pour l'entreprise. En général, les gens aiment bien ça.

• Speaker #1

  Bien sûr, de voir... En tout cas, l'ambition, je pense, pour que tu sois un data scientist ou quelqu'un qui bulle quelque chose, c'est de voir la solution utilisée et avoir des retours concrets.

• Speaker #0

  Il n'y a rien de plus frustrant. On cherche des gens curieux, disruptifs, qui ne sont pas faciles à gérer. Les data scientists, au sens naturel, ce sont des gens pas faciles à manager parce qu'ils ont plein d'emplois, donc ils vont un peu n'importe où. Ceux qu'on embauche chez moi, c'est les profils qu'on embauche chez moi encore maintenant. Récemment on en a embauché il n'y a pas longtemps. Je sais que ce sont des gens avec une mentalité un peu électron libre, mais c'est fait par design, dans la direction. Après c'est compliqué, aller faire rentrer dans les cadres de l'IT, je sais que c'est compliqué, ça fait râler, mais c'est aussi notre plus-value en fait, d'avoir ce petit pas de côté, qui fait qu'on va aller... On va aller bousculer un petit peu tout le monde.

• Speaker #1

  Super. Est-ce que tu as des recommandations pour des CDO de groupe de taille variée ? Qu'est-ce que tu recommanderais à un CDO qui rentre en poste sur peut-être des choses que toi, rétrospectivement, tu aurais fait un peu différemment ?

• Speaker #0

  Sur les embauches ?

• Speaker #1

  Pas forcément, ça peut être sur... Tu parlais d'acculturation, ou les facteurs clés de succès des projets, ou les bonnes questions à se poser, remettre en cause, comme tu dis, le statu quo, des choses qui paraissent importantes.

• Speaker #0

  Je pense que le CIDIO moderne, la moitié de son temps, c'est d'expliquer. Il y a 5-6 ans, Insidio était très technique. Il devait comprendre ce que faisaient ses data scientists, il devait être capable de lire des codes Python, etc. Aujourd'hui, je pense que le rôle d'Insidio, c'est d'accompagner l'acculturation de l'IA au sein de l'université. de l'entreprise. Donc il va s'appuyer sur ses équipes pour faire du développement mais il va être le messager qui va porter la réussite de ses développements au sein de l'entreprise. Parce que si tu développes des outils qui ne sont pas utilisés, tout le monde va être hurté en fait. rôle des CIDIO, il faut vraiment le voir comme le messager qui vient porter l'explication de qu'est-ce que l'IA ? Ce n'est pas de l'intelligence, c'est des algorithmes et n'ayez pas peur. À l'inverse, ne soyez pas complètement fous de l'IA. Je pense que c'est ça en fait. La priorité, ce n'est pas de voir l'IA comme quelque chose de technologique ou technique. Contrairement à ce que disent beaucoup de gens, je pense que l'IA est en train de créer du lien et du liant entre humains. Typiquement, à la Matmut, il y a quatre ans, quand on ne parlait pas d'IA, le lien et le liant entre les équipes techniques et les métiers, c'est compliqué. Aujourd'hui, tout le monde se parle. Tout le monde veut faire de l'IA, tout le monde veut comprendre. Mais c'est quoi un RAG ? Pourquoi je dois prendre un pied comme ça, etc. Comme je dis,

• Speaker #1

  ça allait dans l'autre sens, parce qu'effectivement, il y avait peut-être une prise de conscience côté data qui ont... on peut faire des choses avec ces méthodes mais en face il y avait quand même un coup d'entrée pour expliquer comment ça fonctionne et comment ça peut apporter de la valeur alors que là il n'y a plus cette barrière à l'entrée, en tout cas moins sur la partie générative.

• Speaker #0

  Il y a moins alors il y a les avantages et les inconvénients et c'est pour ça que nous on a mis cette gouvernance en place on a senti que on est 7000 donc dans les 7000 il y a forcément des gens qui aiment bien prompter Et on voulait absolument éviter le shadow IA, parce qu'il y a acte l'interdit, que ça peut coûter cher. Donc c'est pour ça que cette année, un des grands enjeux de fin 2025 et 2026 a été de mettre en place une gouvernance au groupe pour avoir une vision exhaustive des SIA développés à Matmut. Ce qui ne veut pas dire qu'on ralentit les développements. Les prototypes, on les fait toujours de façon aussi fluide, aussi agile. Mais tout doit être référencé. Donc on part toujours du métier. La gouvernance chez nous, on a des domaines métiers. On est une boîte d'assurance, je le rappelle. On n'est pas une boîte de tech. On n'a pas de projet IA. J'ai pas de projet IA. J'ai que des projets métiers où à l'intérieur il y a des briques plus ou moins grosses d'IA. Donc tous les projets naissent dans les domaines métiers. Les fameux AI Business Partners dont je parlais tout à l'heure font partie de ces domaines. Dès qu'on parle d'IA, ils ont l'oreille qui frise et on part dans un cycle où on va sélectionner cette brique d'IA, on va regarder si elle est éthique, etc. On va la passer dans la gouvernance pour être sûr que ça correspond bien à ce que la Matmut veut faire. on la planifie, on la programme, on l'exécute, tout ça de façon exhaustive. Donc c'est une gouvernance qui est en place depuis le 1er janvier, alors qu'on a testé déjà l'année dernière, mais 100% des cas d'usage aujourd'hui passent par cette gouvernance. Que ce soit AI for IT ou AI for Business, ça passe tout par les mêmes filtres.

• Speaker #1

  Est-ce que Olivier, tu peux nous partager des habitudes ? que toi tu as prises, des choses que tu as mises en place et qui pour toi fonctionnent alors ça peut être des habitudes professionnelles mais aussi dans le cadre privé en tout cas des choses qui te rendent plus efficace au quotidien ouais j'ai mis dans ma vie privée ce que je conseille

• Speaker #0

  de ne pas faire dans la vie pro en fait j'ai siloté la vie pro Et la vie privée. Donc quand je sors du bureau, j'essaie au maximum d'arrêter de penser à l'IA, de redevenir un citoyen français, donc de décorréler parce que l'IA peut vite t'emmener à y penser jour et nuit. Donc l'idée c'est de garder un équilibre entre vie privée et vie pro. Et c'est essentiellement ça. La routine du lundi matin, parce que j'arrive très tôt la matinée, le lundi matin. À 6h du matin, je suis dans les bureaux.

• Speaker #1

  Ah oui ?

• Speaker #0

  En dehors des dizaines de cafés que je peux boire pour maintenir, c'est de me faire ma petite veille technologique et sociétale concernant l'IA le lundi matin.

• Speaker #1

  Avant que tout le monde arrive.

• Speaker #0

  Ça ouvre les chakras et on est reparti pour une semaine où on repart à fond la tête dans le guidon.

• Speaker #1

  Intéressant.

• Speaker #0

  Mais l'idée, c'est de couper. ce que je faisais très peu avant, où j'avais tendance à répondre au mail le samedi, le dimanche, à 22h, etc. Dans les boîtes internationales, c'est un peu la règle. Mais à la Matmut, et surtout quand on a commencé à être dans le développement de l'IA, où ça prenait beaucoup de temps. Je me suis dit, ok, stop, on va garder l'équilibre entre vie privée et vie pro. Donc, pour durer, il faut... T'as senti,

• Speaker #1

  ouais, c'est un marathon. Ouais, c'est ça. Il faut pouvoir ménager sa monture pour aller loin.

• Speaker #0

  Exactement.

• Speaker #1

  Top. Merci pour ça. Est-ce que tu aurais un film, une série, une pièce de théâtre, un bouquin que tu aimerais partager, qui toi t'inspire ou t'a marqué ?

• Speaker #0

  Alors, il y en a plein. Celle qui me vient en tête, qui m'a fait marrer en fait, elle n'est pas de cette année, mais c'est la série Tool Sacking avec Sylvester Stallone dans une série. Comme quoi... Le revival, ça existe quand même. Donc du coup, voilà, il faut...

• Speaker #1

  Est-ce que tu peux nous faire le pitch un peu ? Le pitch,

• Speaker #0

  c'est un vieux parrain de la mafia, enfin un vieil exécuteur de la mafia qui sort de prison après je ne sais plus combien d'années, qui est envoyé à Toulsat, donc une ville... provinciale américaine pour gérer les affaires de la mafia et qui devient un des plus grands boss de la mafia qui reprend le lead sur les parrains à New York. Donc voilà, l'histoire est un éternel recommencement.

• Speaker #1

  Merci pour ça Olivier, c'était super de t'avoir sur le podcast.

• Speaker #0

  Avec plaisir,

• Speaker #1

  à bientôt.

• Speaker #0

  Faites de l'IA.

• Speaker #1

  Merci d'avoir écouté cet épisode d'AI Impact. Si cet épisode vous a plu, n'hésitez pas à liker, mettre 5 étoiles, commenter et à partager autour de vous. Si vous avez la moindre question, vous pouvez me contacter sur LinkedIn ou nous retrouver sur le site quickscale.ai. On se retrouve très vite dans un nouvel épisode d'AI Impact. D'ici là, restez curieux, restez lucide et surtout, mettez l'IA au service de vos projets.