Prédire sans entraîner : l’IA qui apprend de vos données en les lisant

Pendant vingt ans, « faire de l’IA » sur des données d’entreprise a voulu dire la même chose : rassembler un historique, le nettoyer, entraîner un modèle, le régler, recommencer, puis le maintenir. Des semaines de travail par problème, une équipe de data scientists, et assez de données pour que l’apprentissage ait un sens. Beaucoup d’entreprises de taille moyenne n’ont ni l’un ni l’autre.

Depuis quelques années, une autre approche s’impose dans un domaine après l’autre : des modèles entraînés une fois pour toutes, sur des quantités de données gigantesques, qui s’adaptent ensuite à un nouveau problème simplement en lisant quelques exemples. On les appelle « modèles de fondation », et leur usage sans réentraînement, « zéro apprentissage » ou « apprentissage en contexte ».

Les grands modèles de langage en ont été la première démonstration. Mais le principe gagne aujourd’hui les tableaux de données, les courbes de ventes ou de consommation, les images. Cet article fait le point sur ce qui marche, ce que ça change pour une entreprise, et ce que « sans entraînement » ne veut pas dire.

01 · Le principe

Apprendre une fois, servir partout.

Prenez un expert-comptable qui a vu passer des milliers de dossiers. Devant un nouveau client, il n’a pas besoin de reprendre ses études : il lit les comptes, reconnaît des situations familières et en tire des conclusions en quelques minutes. Un stagiaire, lui, devrait apprendre le métier avant de pouvoir dire quoi que ce soit.

L’apprentissage classique fonctionne comme le stagiaire : chaque problème repart de zéro. Un modèle de fondation fonctionne comme l’expert. Il a été entraîné une fois, à grands frais, sur une variété immense de situations ; face à vos données, il ne réapprend rien. Il les lit comme des exemples et s’en sert pour répondre, dans le même calcul.

Ce phénomène a été mis en évidence en 2020, avec GPT-3 : on s’est aperçu qu’un modèle de langage assez grand pouvait accomplir une tâche nouvelle à partir de deux ou trois exemples placés dans sa consigne, sans aucune modification de ses paramètres. Les chercheurs ont ensuite compris qu’on pouvait provoquer cette capacité délibérément, en entraînant un modèle non pas sur une tâche, mais sur l’art d’apprendre des tâches.

02 · Le texte

Les LLM, premiers modèles sans entraînement.

C’est l’usage le plus répandu, souvent sans qu’on le nomme. Classer des demandes clients en dix catégories, repérer les clauses d’un contrat, extraire les champs d’une facture, résumer un compte rendu : il y a cinq ans, chacune de ces tâches demandait un modèle entraîné sur des milliers d’exemples annotés à la main. Aujourd’hui, une consigne précise et quelques exemples bien choisis suffisent souvent à obtenir un résultat comparable.

La connaissance propre à l’entreprise suit le même chemin. Plutôt que de réentraîner un modèle sur vos procédures, on va chercher les bons passages au moment de la question et on les place dans son contexte : c’est le RAG. Le modèle reste le même ; c’est ce qu’on lui donne à lire qui change.

Un exemple : trier les demandes d’un service client.

Un service client reçoit chaque jour quelques centaines de messages : réclamations, questions de facturation, demandes de résiliation, changements d’adresse. Hier, pour les router automatiquement, il fallait étiqueter à la main deux ou trois mille messages passés, entraîner un classifieur, puis le réentraîner à chaque nouvelle catégorie.

Aujourd’hui, on écrit une consigne qui décrit les catégories en une phrase chacune, on y ajoute deux exemples réels par catégorie, et le modèle classe les nouveaux messages. Pour ajouter une catégorie, on ajoute une phrase. Le travail se déplace : il ne s’agit plus d’entraîner, mais de bien décrire le métier et de vérifier le résultat sur un échantillon dont on connaît la bonne réponse.

Le réentraînement, le « fine-tuning », garde sa place, mais elle s’est réduite : un vocabulaire très spécialisé, un format de sortie très strict, ou un volume d’appels tel qu’un petit modèle spécialisé devient bien moins cher qu’un grand modèle généraliste.

03 · Les tableaux

TabPFN : prévoir sur un tableau en quelques secondes.

Les données d’entreprise sont avant tout des tableaux : des clients et leurs caractéristiques, des commandes, des interventions, des dossiers. Prévoir une colonne à partir des autres — ce client va-t-il résilier ? ce dossier est-il à risque ? combien de temps durera cette intervention ? — est le problème le plus courant de la science des données. Et c’est le dernier domaine où l’apprentissage profond peinait à battre les méthodes classiques, les arbres de décision optimisés.

C’est là qu’un modèle allemand, TabPFN, a fait date. Publié dans la revue Nature en janvier 2025 par une équipe de l’université de Fribourg, il a été entraîné sur des millions de jeux de données entièrement synthétiques, générés pour couvrir une immense variété de structures possibles. Il n’a jamais vu de vraies données d’entreprise ; il a appris ce qu’est une relation entre des colonnes.

Face à votre tableau, il lit les lignes connues et prédit les autres en une seule passe. Dans l’article de Nature, il dépasse en 2,8 secondes un ensemble de méthodes de référence réglées pendant quatre heures, sur des jeux allant jusqu’à dix mille lignes. Sa version 2.5, publiée en novembre 2025, monte à cinquante mille lignes et deux mille colonnes, et se classe en tête du banc d’essai de référence du domaine face aux arbres optimisés.

Pour quoi faire ?

• La prévision de résiliation à partir de l’historique des contrats et des interactions.
• L’estimation d’un délai ou d’un coût — une intervention, un dossier, un chantier — à partir des cas passés.
• Le repérage des dossiers atypiques à vérifier en priorité.
• Le premier jet d’un modèle de risque, pour savoir en quelques jours si les données contiennent un signal, avant d’investir davantage.

Un exemple, pas à pas.

Une entreprise de services veut savoir quelles factures risquent d’être payées en retard, pour relancer plus tôt les bons clients. Elle dispose de trois ans d’historique : quelques milliers de factures, avec le client, son secteur, le montant, l’échéance, le nombre de relances passées et la date de paiement réelle.

Avec un modèle comme TabPFN, on prépare le tableau, on met de côté la dernière année pour vérifier, et on lui donne les deux premières comme exemples. Il prédit, pour chaque facture de la dernière année, la probabilité d’un retard. On compare ces prédictions à ce qui s’est réellement passé, puis à une règle simple, du type « clients déjà en retard deux fois ». En quelques jours, on sait si le modèle apporte un vrai gain, de combien, et sur quels clients.

Le gain le plus important n’est pas toujours la précision. C’est la vitesse à laquelle on sait si un projet vaut la peine : ce qui demandait un mois de mise au point pour obtenir une première réponse en demande désormais quelques jours.

04 · Les courbes

Prévoir une courbe qu’il n’a jamais vue.

Même principe pour les séries temporelles : ventes par semaine, consommation d’énergie par heure, appels reçus par un service client, niveau d’un stock. En 2024, Google a publié TimesFM, un modèle pré-entraîné sur cent milliards de points de mesure réels ; Amazon a publié Chronos, qui traite les valeurs successives d’une courbe comme les mots d’une langue. Les deux prévoient une courbe nouvelle sans réentraînement, avec des résultats proches de modèles entraînés spécifiquement sur chaque jeu de données.

Ces modèles reconnaissent les saisonnalités, les tendances et les ruptures qu’ils ont rencontrées des millions de fois. Ils donnent aussi une marge d’incertitude, aussi utile que la prévision elle-même : prévoir 1 200 commandes « à plus ou moins 50 » ou « à plus ou moins 400 » ne conduit pas aux mêmes décisions.

Ils ont pourtant une faiblesse de taille : ils ne connaissent de votre activité que la courbe. Une promotion prévue, un jour férié qui tombe un lundi, un contrat signé la semaine dernière, ils l’ignorent si on ne le leur dit pas. Dans nos projets de prévision, plusieurs modèles reposent d’ailleurs sur des méthodes mathématiques classiques : quand les mathématiques suffisent, elles passent avant l’IA.

05 · Les images

Reconnaître sans avoir vu d’exemples.

La vision par ordinateur a connu la même évolution. En 2021, le modèle CLIP a montré qu’on pouvait classer des images en décrivant simplement les catégories avec des mots : « une photo de pare-brise fissuré », « une photo de carrosserie rayée ». En 2023, le modèle Segment Anything a appris à détourer n’importe quel objet dans n’importe quelle image, sans entraînement spécifique.

Pour un premier tri de photos de sinistres, le repérage d’objets dans des images de chantier ou la recherche d’images par leur contenu, ces modèles donnent un résultat utilisable en quelques jours. Mais dès que la différence à voir est fine et propre à un métier — un défaut de soudure de quelques dixièmes de millimètre, une lésion sur une image médicale —, un apprentissage spécifique, conçu avec les experts du domaine, reste nécessaire. C’est le travail de notre Vision Sphère.

06 · Les limites

Ce que « sans entraînement » ne veut pas dire.

• Pas sans données. Le modèle ne réapprend rien, mais il lit vos données : si elles sont incomplètes, mal codées ou biaisées, ses prédictions le seront aussi. Le travail de préparation reste entier.
• Pas sans limite de taille. Ces modèles lisent toutes les données d’exemple à chaque prédiction ; au-delà de quelques dizaines de milliers de lignes, les méthodes classiques reprennent l’avantage, en coût comme en précision.
• Pas gratuit à l’usage. Ce qu’on économise en entraînement se paie en partie en calcul à chaque prédiction. Pour un usage intensif, on peut transférer ce que sait le grand modèle dans un petit modèle rapide, une technique que l’équipe de TabPFN propose elle-même.
• Pas toujours explicable. Pour une décision qui touche des personnes — un crédit, un recrutement, un tarif d’assurance —, l’AI Act exige de pouvoir expliquer et contrôler le système. Un modèle de fondation se prête moins bien à l’exercice qu’un modèle simple dont on lit les règles.
• Pas éternel. Une prévision juste aujourd’hui peut dériver si l’activité change. Il faut mesurer la qualité dans la durée, comme pour n’importe quel modèle.
• Pas sans conditions d’usage. Plusieurs de ces modèles sont publiés en libre accès et peuvent tourner sur vos propres serveurs, ce qui règle la question de la confidentialité. Mais chacun a sa licence, et certaines encadrent l’usage commercial : on la lit avant de s’engager.

07 · La méthode

Commencer simple, mesurer, puis choisir.

Ces modèles ne remplacent pas la démarche ; ils la raccourcissent. Celle que nous suivons tient en quatre temps :

• Une référence simple d’abord. Une moyenne saisonnière, une règle métier, un modèle statistique classique : la méthode la plus économe, et le point de comparaison de tout le reste.
• Un modèle de fondation ensuite. Sans entraînement, il donne en quelques jours la mesure de ce qu’une méthode plus puissante peut apporter.
• Une comparaison honnête. Sur des données mises de côté, que ni l’un ni l’autre n’a vues, et avec la mesure qui compte pour le métier : l’erreur en euros, en jours, en clients perdus, pas seulement un score abstrait.
• Un modèle sur mesure en dernier, seulement si l’écart restant justifie son coût de construction et de maintenance.

Dans bien des cas, le projet s’arrête à la deuxième étape, avec un résultat en production en quelques semaines. Dans d’autres, la première suffit, et c’est une bonne nouvelle : le calcul le moins cher est celui qu’on ne fait pas.

Sources : Brown et al., « Language Models are Few-Shot Learners », 2020 ; Radford et al., « Learning Transferable Visual Models From Natural Language Supervision » (CLIP), 2021 ; Kirillov et al., « Segment Anything », 2023 ; Das et al., « A decoder-only foundation model for time-series forecasting » (TimesFM), ICML 2024 ; Ansari et al., « Chronos: Learning the Language of Time Series », 2024 ; Hollmann et al., « Accurate predictions on small data with a tabular foundation model », Nature, janvier 2025 ; Prior Labs, « TabPFN-2.5: Advancing the State of the Art in Tabular Foundation Models », novembre 2025.