Olivier Abou. Depuis 1991, je fais parler les machines.
Linguiste de formation, docteur en traitement automatique du langage (IA), auteur de plus de 100 livres techniques et journaliste high-tech pendant 15 ans. J’ai traversé toutes les vagues du numérique (vulgarisation, presse, marketing digital, e-commerce) avant de me consacrer aux outils d’IA appliqués au travail réel des entreprises.
Ma différence : je viens de l’IA des linguistes, celle des règles et des dictionnaires. Je l’applique aux modèles d’aujourd’hui pour construire des agents encadrés, qui respectent vos règles, s’appuient sur vos sources et se trompent beaucoup moins.
Vos règles d’abord. Le modèle ensuite.
J’ai fait mes débuts dans l’IA quand le linguiste en était le pivot : on représentait le sens avec des règles et des dictionnaires. Aujourd’hui, les modèles apprennent sur des milliards de données, et les linguistes ont laissé la place aux mathématiciens et aux ingénieurs. Je garde la rigueur de la première école et la puissance de la seconde.
Des dictionnaires et des règles
Des connaissances écrites à la main, des raisonnements explicites. Prévisible et vérifiable, mais rigide face au langage courant.
Des milliards de données
Une compréhension souple du langage, une rédaction fluide. Puissant, mais capable d’inventer une réponse avec aplomb.
Le meilleur des deux, dans chaque agent.
Je travaille un peu « à l’ancienne », avec des outils modernes. Je définis le domaine, les sources, les règles et le mode de raisonnement. Le modèle de langage n’intervient que là où il excelle : comprendre et formuler.
Un domaine précis
Chaque agent a une mission délimitée : ce qu’il traite, ce qu’il refuse, à qui il passe la main.
Des connaissances maîtrisées
Il puise dans des dictionnaires métier et des bases de connaissance validées avec vous, pas dans tout Internet.
Des règles écrites et testées
Ce qui doit toujours, ou jamais, être fait est défini à l’avance. Le comportement est déterministe là où il doit l’être.
Un mode de raisonnement imposé
Je fixe les étapes : vérifier la demande, chercher la source, appliquer la règle, puis répondre.
Le modèle, pour comprendre et formuler
Le grand modèle de langage comprend une question posée librement et rédige une réponse claire.
Des réponses vérifiables, nettement moins d’erreurs
Beaucoup moins d’« hallucinations » (ces réponses inventées avec assurance), une source citée, et un « je ne sais pas » quand l’information manque.
Approche hybride, dite neuro-symbolique : règles explicites et modèles statistiques travaillent ensemble.
| Assistant IA générique | Agent encadré Libreo | |
|---|---|---|
| Ce qu’il sait | Tout ce qu’il a lu, sans distinction | Vos sources, validées et délimitées |
| Les règles | Implicites, variables d’une réponse à l’autre | Écrites, testées, toujours appliquées |
| Quand il ne sait pas | Il peut inventer une réponse plausible | Il le dit et passe la main à un humain |
| Les calculs | Estimés par le modèle | Faits par du code, au centime près |
| La vérification | Difficile | Chaque réponse cite sa source |
+Sous le capot pour les directions techniques
- Représentation du sens
- Dictionnaires, glossaires et relations entre notions du métier, construits avec vos équipes.
- Recherche
- Recherche augmentée (RAG) sur un corpus fermé : l’agent ne répond qu’à partir des documents autorisés.
- Règles
- Conditions codées, calculs et contrôles déterministes ; les sorties sont vérifiées avant d’être envoyées.
- Raisonnement
- Enchaînement d’étapes imposé, avec vérifications intermédiaires et seuils de confiance.
- Modèles
- Grands modèles via API, ou modèles open source installés chez vous selon la confidentialité.
- Contrôle qualité
- Jeux de questions de test rejoués à chaque évolution, relecture humaine des cas sensibles.
Des mots aux machines, puis aux agents.
Je n’ai pas commencé par le code, j’ai commencé par les mots. C’est ce qui fait la différence quand on conçoit des outils qui doivent comprendre, expliquer et dialoguer.
- 1991-1995
Doctorat en traitement automatique du langage
Premiers travaux sur une question centrale : comment une machine peut comprendre, raisonner et décider, à partir de règles et de dictionnaires.
- 1996-2011
Journalisme high-tech et radio
Quinze ans à décrypter l’actualité numérique : l’habitude d’expliquer le complexe simplement.
- 1999-2016
Plus de 100 livres de vulgarisation
Microsoft Press, Micro Application, Eyrolles et d’autres : Windows, Linux, développement web, bases de données.
- Depuis 2011
Marketing digital et e-commerce
Acquisition, conversion, publicité, SEO : comprendre le business en ligne de l’intérieur.
- Depuis 2019
Libreo
Conception de systèmes d’IA : analyse de données, agents, automatisation, formation.
- 2026
Logiciels métier et agents IA en production
Assistantes de formation, agence digitale automatisée, setter IA, agent d’analyse comptable, IA installée chez le client : des systèmes qui tournent chez leurs utilisateurs.
Trois convictions.
L’IA la plus utile est celle qu’on ne remarque pas : elle s’intègre au quotidien, respecte votre façon de travailler et vous rend du temps.
Comprendre le métier avant la technique
Je pars de vos usages, de vos documents et de vos contraintes. La technologie vient ensuite.
Expliquer chaque choix
Vous savez ce que fait l’outil, pourquoi il le fait, et comment le faire évoluer. Pas de boîte noire.
Mesurer ce que ça rapporte
Pas de tokenmaxxing : un outil se juge au temps rendu et aux résultats obtenus, pas à la quantité d’IA consommée.
Expert IA et automatisation du collectif 3Xpansion
Au sein de 3Xpansion, agence de croissance pour les PME de plus de 500 000 € de chiffre d’affaires, je travaille aux côtés d’experts du business, du marketing et de l’acquisition.
Parlons de votre projet.
Un échange sans engagement pour voir si je suis la bonne personne pour vous aider.