Data / IA
Sommet de l’IA en Inde : ce que révèle le terrain sur l’agentique, les jumeaux numériques et la data
Par Thierry Derouet, publié le 24 février 2026
La semaine dernière, à New Delhi, le Sommet mondial de l’IA a surtout mis en lumière un contraste : l’IA se raconte beaucoup, mais se démontre rarement. Responsable de l’industrialisation de l’IA chez Klee Group (et directeur de business unit), Damien Tabusse a suivi l’événement depuis les coulisses. Il en revient avec une lecture très opérationnelle : peu de cas d’usage réellement nouveaux, un virage net vers l’agentique et l’orchestration, et quelques démonstrations — CMA-CGM, Thales, un implant médical — qui rappellent que la valeur naît d’abord de la data, de l’instrumentation et de la méthode.
Il y a le Sommet, ses halls et ses déclarations. Et puis il y a ce que retiennent ceux qui ne vivent pas l’IA en conférence, mais en chaîne de delivery. Damien Tabusse appartient à cette seconde catégorie : chez Klee Group, il dirige une business unit — donc des projets, des équipes, des engagements — et pilote, en parallèle, l’industrialisation de l’IA pour les usages internes. Sa perspective n’est pas celle d’un observateur happé par les projecteurs : elle est celle d’un responsable de maîtrise d’œuvre, pour qui la question n’est jamais « est-ce que ça impressionne ? », mais « est-ce que ça tient dans la durée ? »
Sur place, l’intéressé le reconnaît : il est resté plutôt cantonné au pavillon France. Il n’a donc pas vu défiler « les messages des grands annonceurs » et les keynotes attendues. Sa matière première est ailleurs : ce qu’il a entendu, ce qu’il a comparé, et ce qu’il a pu questionner — parfois en insistant : « Oui, mais quel cas d’usage ? Sur quoi vous l’avez expérimenté ? »
Offshore : le débat n’est pas seulement le coût, c’est le niveau… et le pilotage
Premier constat : l’offshore demeure un terrain de contradictions. « En déclaratif », des interlocuteurs expliquent que la main-d’œuvre indienne ne serait plus une main-d’œuvre « à bas coût ». Dans le même temps, une phrase rapportée d’une intervention entendue sur le pavillon France tranche net : « pour un salarié européen, on en a 10 en Inde ! ».
Damien Tabusse déplace alors la discussion vers un critère souvent sous-estimé : l’écart de niveau. Il le formule sans détour : un abonnement mis « dans les mains d’un expert » peut être rentable ; un abonnement mis « dans les mains de quelqu’un qui est moins bon n’apportera rien ». L’IA ne gomme pas l’expertise : elle la rend plus visible, parfois plus indispensable.
Il rappelle surtout une réalité organisationnelle : l’offshore ne « suffit » pas, il se pilote. Sa phrase est claire : « pour avoir une personne qui délivre en Inde, il en faut quasiment un en Europe qui le drive ». À l’heure où les entreprises arbitrent entre make, buy et externalisation, cette question de gouvernance rejoint des débats déjà vifs côté DSI sur la maîtrise de bout en bout — un sujet que nous avons aussi abordé à travers les tensions autour des agents IA et leurs effets de bord dans le SI.
Beaucoup d’IA annoncée, peu d’IA démontrée
Deuxième observation, plus dérangeante : l’impression d’un Sommet saturé de transformation proclamée, mais pauvre en démonstrations réellement nouvelles. L’intéressé parle d’un retour « un peu décevant » : « peu finalement de cas d’usage concrets », beaucoup de déclarations d’intérêt.
Il cite Infosys pour poser l’échelle : 330 000 employés, dont les deux tiers en Inde ; environ 20 milliards de dollars de chiffre d’affaires, très orienté vers les États-Unis. Le discours est celui de la préparation : l’entreprise se dit prête à transformer, pour elle et pour ses clients. Mais les cas d’usage présentés lui paraissent « très basiques » : fraude, usages « classiques », rien de « révolutionnaire ».
La conclusion, contre-intuitive, est presque un enseignement de méthode : malgré l’écart de taille, une ESN française d’environ mille personnes peut estimer qu’elle « n’a pas à rougir » au regard de ce qui est effectivement montré.
Le signal faible devenu fort : l’agentique, l’orchestration, le « workflow »
En revanche, un marqueur ressort de ses échanges : la montée de l’IA agentique et des plateformes d’orchestration. Dans son récit, on perçoit une bascule : après l’époque où l’IA générative faisait surtout « effet waouh », l’attention se déplace vers l’enchaînement des tâches, l’exécution pilotée, la coordination de workflows — ce qui rejoint, côté éditeurs, la mise en scène d’un « monde où l’on embauche des intelligences artificielles », formule emblématique de Parker Harris (Salesforce).
Lorsqu’il reformule, l’idée est précise : « le virage est assez prononcé sur l’agentique », et l’agentique renvoie bien à « l’aspect automatisation de workflow ». Une logique d’industrialisation, plus qu’un spectacle.
L’iceberg : la générative fait le spectacle, la data fait le système
Pour décrire ce qui se joue, Damien Tabusse utilise une image simple : l’iceberg. La face émergée, c’est la générative — notamment pour le code — capable de produire vite et de donner un effet « magique ». Mais l’essentiel reste sous l’eau : « de la donnée », structurer, organiser, répondre à des règles, tenir dans le temps.
Son point clé est une exigence d’ingénierie : construire des applications « qualitatives, fiables », avec un engagement dans la durée. Les IA génératives « peuvent aider », dit-il, mais « ce n’est pas magique ». Il réfute aussi les promesses de plateformes « révolutionnaires » capables de tout : quand on demande « quel cas d’usage ? », « sur quoi vous l’avez expérimenté ? », « ça retombe ».
Ce qui a réellement impressionné : CMA-CGM et un jumeau numérique complet
Dans cet environnement souvent très déclaratif, une démonstration l’a « bluffé » : celle de CMA-CGM et d’un jumeau numérique décrit comme complet.
Le scénario commence par une vue cartographique : la Terre, les routes maritimes, les navires affrétés, les ports. Puis le zoom : un bateau, son chargement. Et surtout, des capteurs : combien de conteneurs, la vitesse, la consommation en temps réel, la vitesse des courants autour du navire. L’intérêt, ici, est l’action : jouer sur les paramètres pour optimiser la consommation, réduire la durée, arbitrer.
Le même principe s’applique aux ports : grues de déchargement, fréquence de rotation des camions, paramètres multiples. La démonstration mêle données temps réel, algorithmie, machine learning pour du prédictif. Et l’IA générative, dans cette architecture, reste « assez anecdotique » : un conseiller en situation pour le capitaine, « en fonction des conditions qu’il vit ». Le message implicite est net : la générative n’est pas le moteur du système ; elle se greffe sur une colonne vertébrale faite de data et d’instrumentation.
Thales : la computer vision et l’Inde qui « saute » des étapes
Autre cas cité : une démonstration de Thales autour des contrôles aux frontières. L’angle n’est pas la générative, mais la trajectoire. Selon Damien Tabusse, l’Inde illustre une évolution qui ne repasse pas par les mêmes étapes qu’en Occident : du passeport papier à la reconnaissance faciale plus directement.
Il insiste sur un point utile pour les DSI : il s’agit de computer vision, donc d’IA non générative — et cela n’a rien d’un détail. La leçon est plutôt de méthode : l’IA utile n’est pas celle qui « parle », mais celle qui s’intègre dans un processus complet, déployé, opérationnel.
Un implant contre l’apnée : l’IA comme composant, pas comme promesse
Troisième exemple : un cas évoqué lors d’une présentation Capgemini, un implant luttant contre l’apnée du sommeil, « comme un pacemaker ». Le principe décrit repose sur l’analyse de signaux (vibrations, flux sanguin…) et un mécanisme qui « pousse une petite languette » pour éviter l’apnée.
Là encore, l’IA est présentée comme un élément parmi d’autres. Et c’est précisément ce qui intéresse l’industriel : la valeur ne se décrète pas, elle s’assemble.
Et chez Klee Group, concrètement : accélérer la conception, relever l’exigence
Ce retour d’Inde, Damien Tabusse le relie à ce qu’il observe chez Klee Group. D’abord, un effet tangible : l’accélération des cycles de conception. L’IA rend possible un prototypage plus rapide et des interactions plus fréquentes avec les métiers, donc une meilleure perception du besoin et une proposition de solution plus précise. Il parle d’une amélioration du time-to-market et d’une interactivité renforcée, au service de la valeur livrée.
Ensuite, un point qu’il juge décisif : les gains ne se résument pas à des « jours-hommes économisés », ils se réinvestissent. Là où l’on ne faisait pas systématiquement certains contrôles, il évoque l’automatisation — via des agents — de tests de sécurité et de performance « à chaque version ». Et de la même manière, un périmètre fonctionnel auparavant relégué peut redevenir livrable dans la même enveloppe budgétaire.
Cette logique de réinvestissement — faire mieux, plus sûr, plus testable — rejoint une question plus large sur la valeur dans les services : comment facturer, comment négocier, comment éviter que l’IA ne se traduise uniquement par une pression tarifaire ? Un débat que nous suivons aussi à travers les évolutions du modèle ESN, par exemple dans cette analyse : ESN : de nouveaux modèles de valeur à l’horizon 2028.
Reste la supervision : l’IA générative, dit-il, n’est pas déterministe. Il cite la formule employée par certains leaders techniques : « l’IA générative, c’est un stagiaire sous amphétamine » — une production continue, pas toujours fiable, qui exige canalisation, architecture, séquençage et contrôle systématique. En creux, une idée simple : industrialiser l’IA, c’est industrialiser la vérification.
Le Sommet promettait une vague. Il en revient avec une mécanique. L’IA, vue depuis les coulisses, n’est ni une religion ni une baguette : c’est une usine à hypothèses qui ne vaut que si l’on garde la main sur la donnée, la méthode et le contrôle. Et peut-être est-ce là le vrai basculement : moins de miracles attendus, plus de responsabilité assumée.
À LIRE AUSSI :
