Comment la data et l’IA ont-elles vraiment évolué en dix ans ? Pour ma thèse, j’ai interrogé un responsable data et IA de mon entreprise, Epsilon France. Il retrace une décennie de ruptures, des entrepôts de données aux modèles génératifs, avec un recul précieux sur ce qui change vraiment nos métiers.

Dans le cadre de ma thèse sur l’IA, je voulais le regard de quelqu’un qui a vu l’évolution de l’intérieur, sur le temps long. Un des experts data et IA avec qui je travaille chez Epsilon France était la personne idéale : il évolue dans cet écosystème depuis des années et a accompagné les grandes bascules technologiques du secteur. Par discrétion, je ne le nommerai pas ici, mais voici ce que j’ai retenu de notre échange sur la data et l’IA.

Des entrepôts de données aux premiers usages de la donnée

Pour comprendre où on en est, mon interlocuteur remonte aux années 2000. Il explique qu’à cette époque, les entreprises les plus matures ont investi dans des entrepôts de données et des systèmes de Business Intelligence pour centraliser et exposer leurs données. L’objectif était alors le reporting et les études métier, avec des statisticiens et des data miners qui exploitaient la donnée pour répondre à des questions concrètes et opérationnelles.

Ce qui frappe dans son récit, c’est que l’exploitation de la donnée n’a rien de nouveau. Bien avant l’IA telle qu’on en parle aujourd’hui, des secteurs entiers faisaient déjà parler leurs chiffres.

L’arrivée de Python et la démocratisation du machine learning

La première grande bascule qu’il décrit, c’est celle des années 2010 avec l’avènement des langages open source. Il souligne l’importance de R puis surtout de Python, qui ont progressivement remplacé les logiciels propriétaires. Selon lui, Python s’est imposé grâce à son efficacité et son orientation vers l’IA, facilitant le développement de modèles de machine learning.

Puis vient le deep learning. Il raconte que les réseaux de neurones profonds, longtemps limités par la puissance de calcul disponible, se sont démocratisés grâce au cloud et à des frameworks comme Keras. Cela a permis d’intégrer le deep learning dans de vrais projets, et il cite l’exemple concret d’un projet mené pour une grande compagnie d’assurance en 2019.

Le vrai tournant : l’architecture Transformers

C’est le cœur technique de notre échange. Il explique que les modèles génératifs existaient déjà, mais qu’ils étaient peu performants, jusqu’à l’arrivée de l’architecture Transformers en 2017, développée par Google. C’est elle qui a révolutionné la compréhension et la génération du langage.

Il pointe une ironie intéressante : c’est OpenAI, et non Google, qui a popularisé cette technologie auprès du grand public avec ChatGPT. Selon lui, l’IA était déjà bien présente dans les années 2000, mais le grand public n’en a pris conscience qu’avec ChatGPT. Il note d’ailleurs qu’après avoir été devancé, Google a repris le leadership technologique en 2026 avec des avancées majeures dans l’IA générative.

Toutes les entreprises ne sont pas égales devant la data

Je l’ai interrogé sur la maturité data des entreprises, et sa réponse est éclairante. Il détaille des différences sectorielles très nettes. La banque, les télécoms et le retail sont, selon lui, très en avance. Il explique que la banque et les télécoms sont des secteurs pionniers, qui utilisent la data et la statistique depuis des décennies, avec des modèles décisionnels en place depuis quarante ans pour des usages comme l’octroi de crédit.

Il donne des exemples concrets et parlants. Les opérateurs télécom, explique-t-il, exploitent les données de cartes SIM pour analyser les déplacements, et monétisent ces statistiques auprès d’acteurs comme la SNCF ou Keolis pour comprendre les flux de mobilité. De son côté, le retail, grâce à la donnée des tickets de caisse, possède une forte maturité et revend ces informations aux marques pour affiner leurs analyses.

À l’inverse, il souligne que les marques sans circuit de distribution propre ont moins de données directes sur leurs clients et doivent passer par des partenariats. Il note aussi que le marketing est historiquement très mature dans l’exploitation de la data, avec des budgets dédiés, tandis que des métiers comme les RH s’y intéressent plus récemment.

Les surprises et les limites de l’IA aujourd’hui

Quand je lui demande ce qui l’a marqué récemment, il évoque plusieurs ruptures. Il parle de l’autonomie des assistants de développement comme Claude Code ou GitHub Copilot, devenus si puissants qu’ils génèrent des prototypes fonctionnels à partir d’un simple cahier des charges, bouleversant le métier de développeur.

Il mentionne aussi les avancées de Google Gemini dans la génération d’images et de vidéos réalistes, avec une capacité inédite à conserver intacts des éléments comme un logo ou un produit, ce qui révolutionne le secteur créatif. Pour lui, ces évolutions imposent aux métiers créatifs une adaptation rapide et permanente.

Un regard lucide sur les enjeux éthiques

J’ai voulu finir sur son ressenti face à cette révolution. Sa réponse est nuancée, et c’est ce qui la rend juste. Il exprime une dualité : la rapidité des avancées suscite à la fois de l’inquiétude, notamment sur les enjeux éthiques et sociétaux, et de la motivation, par l’intérêt et le plaisir d’utiliser de nouveaux outils.

Il insiste sur un point qui me reste : tous les métiers intellectuels, y compris les créatifs et les journalistes, doivent se réinventer pour s’adapter à l’IA. Non pas rester figés dans les anciennes pratiques, mais composer avec des évolutions constantes. Interrogé sur ses outils du quotidien, il cite d’ailleurs Google Cloud Platform et Vertex AI pour la conception, Gemini et Mistral pour l’usage courant, et Copilot pour la bureautique.

Ce que je retiens de cet échange

Ce qui m’a le plus marqué, c’est son recul. Là où beaucoup vivent l’IA comme un big bang soudain, lui la replace dans une histoire longue de vingt ans, faite de bascules successives. L’IA générative n’est pas tombée du ciel : elle est l’aboutissement d’une accumulation de progrès. Et sa conclusion vaut pour nous, étudiants qui arrivons sur le marché : l’enjeu n’est pas de subir ces ruptures, mais d’apprendre à évoluer avec elles.

Note méthodologique -> https://blog.mbadmb.com/note-methodologique-darticle-entretien-data-et-ia-10-ans-devolution-vus-par-un-expert-depsilon/