00 /Cambon AI · Intelligence artificielle appliquée
La R&D d'un grand groupe, à l'échelle de votre entreprise.
Vos problèmes difficiles sont ceux qui rapportent le plus. Optimiser, prévoir, cibler, robotiser : ils étaient réservés aux grands groupes. Docteur en IA, entrepreneur, vingt-cinq ans dans le domaine : je les rends accessibles aux PME et aux ETI, avec un retour sur investissement chiffré dès le départ.
01 /Le constat
L'offre remonte.
Hier, optimiser des tournées ou prévoir finement sa demande demandait une équipe de R&D. Aujourd'hui, une PME peut s'y attaquer.
Tout le marché monte d'un cran. Les fonctions support passent du logiciel aux agents IA. Le développement sur mesure devient plus rapide et moins cher. Et des problèmes autrefois réservés aux laboratoires et aux grands groupes deviennent accessibles.
Moi aussi, je dois monter d'un cran. J'ai passé ma carrière à consacrer 5 % de mon temps à la recherche et 95 % à l'exécution : écrire du code, rédiger des spécifications, livrer. Aujourd'hui, l'IA prend en charge une grande partie de cette exécution. Je peux enfin inverser la proportion, et consacrer l'essentiel de mon temps à ce qui crée la valeur : comprendre votre problème et trouver la solution qui rapporte.
Le marché de l'IA en trois couches
Couche 3 · Problèmes difficiles
Gain : marge, nouveaux marchés, nouveaux produits
Exemples de problèmes
- optimiser des tournées, ordonnancer un atelier
- prévoir la demande, fixer les prix
- robotiser un atelier, automatiser un labo
Avant
Labos, cabinets spécialisés, R&D des grands groupes
Maintenant
commencent à monter
Couche 2 · Problèmes de production
Gain : productivité sur le cœur de métier
Exemples de problèmes
- mettre en place une data stack
- développer un logiciel métier sur mesure
- brancher l'IA sur la documentation interne : assistance, génération d'appels d'offres
Avant
Développement sur mesure, long et coûteux
Maintenant
développent, désormais à façon
Couche 1 · Fonctions support
Gain : productivité sur les coûts de structure
Exemples de problèmes
- relancer les clients, facturer
- trier les mails, rédiger les comptes rendus
- compta : saisir les factures, rapprocher la banque
Avant
Un logiciel par fonction
Maintenant
Mis en place par de petits intervenants, ou par les équipes elles-mêmes après une formation
Couche 3 · Problèmes difficilesGain : marge, nouveaux marchés, nouveaux produits
Exemples de problèmes
- optimiser des tournées, ordonnancer un atelier
- prévoir la demande, fixer les prix
- robotiser un atelier, automatiser un labo
Avant
Labos, cabinets spécialisés, R&D des grands groupes
Maintenant
commencent à monter
Couche 2 · Problèmes de productionGain : productivité sur le cœur de métier
Exemples de problèmes
- mettre en place une data stack
- développer un logiciel métier sur mesure
- brancher l'IA sur la documentation interne : assistance, génération d'appels d'offres
Avant
Développement sur mesure, long et coûteux
Maintenant
développent, désormais à façon
Couche 1 · Fonctions supportGain : productivité sur les coûts de structure
Exemples de problèmes
- relancer les clients, facturer
- trier les mails, rédiger les comptes rendus
- compta : saisir les factures, rapprocher la banque
Avant
Un logiciel par fonction
Maintenant
Mis en place par de petits intervenants, ou par les équipes elles-mêmes après une formation
02 /L'offre
Ce que je fais
Problèmes difficiles
Objectif : de la marge, de nouveaux marchés, de nouveaux produits.
- Optimiser des tournées, ordonnancer un atelier
- Prévoir la demande, fixer les prix
- Cibler la bonne offre, au bon client, au bon moment
- Anticiper les pannes
- Robotiser un atelier, automatiser un laboratoire
- Modélisation et statistiques : comprendre ce qui pilote vos résultats
Problèmes de production à forte composante R&D
Objectif : de la productivité sur votre cœur de métier.
- Mettre en place une data stack
- Développer un logiciel métier sur mesure
- Connecter vos logiciels entre eux
- Brancher l'IA sur votre documentation interne : assistance, réponses aux appels d'offres
- Déployer des outils IA en environnement régulé
Ce que je ne fais pas : former vos équipes aux outils grand public, ni déployer des agents pour les fonctions support. D'autres le font très bien.
03 /La méthode
Comment je travaille
Cadrer. Un premier échange de 30 minutes, gratuit. Puis je formalise le problème et j'estime le retour sur investissement attendu, avant d'engager la réalisation. On décide ensemble d'y aller ou non.
Prototyper. Une preuve sur vos données, en quelques semaines. On mesure le ROI réel avant d'investir davantage.
Livrer. Je développe la solution et la mets en production, ou je la transmets à vos équipes.
Déployer et aller sur le marché. Je fais adopter la solution par vos équipes. Et quand elle devient un nouveau produit, je construis avec vous le go-to-market : positionnement, prix, premiers clients. J'ai été entrepreneur pendant onze ans et j'ai vendu mes propres solutions : je sais ce qu'il faut pour qu'un produit trouve ses clients.
Je peux aussi vous accompagner dans la durée, quelques jours par mois, comme Chief AI Officer à temps partagé.
04 /La différence
Pourquoi moi
Chercheur.
Je formalise le problème et je prouve que la solution tient. Docteur en IA, spécialiste de la planification sous contraintes, de l'optimisation, du machine learning, de la data science et des systèmes autonomes, j'applique ces méthodes partout où elles font la différence : aéronautique, santé, jeu vidéo, médias, logistique, biotech.
Entrepreneur.
Je sais où se trouve le retour sur investissement, et je sais vendre ce qui en sort. J'ai vécu toutes les étapes d'une start-up : la fondation, les premiers clients, les levées de fonds et le financement non dilutif, le go-to-market, la relation client, la conduite des projets, jusqu'à la cession de la société et son intégration chez l'acquéreur.
Bâtisseur.
Je développe et je livre, sans intermédiaire. Vingt ans d'expérience en développement logiciel et en création de produits : modèles d'IA, logiciels SaaS, clients lourds, systèmes embarqués, de la première maquette à la mise en production.
05 /Le parcours
Qui je suis
Stéphane Cambon, docteur en intelligence artificielle et entrepreneur.
J’ai fondé et dirigé Ownpage pendant onze ans. Nous avons construit, vendu et déployé une plateforme de recommandation personnalisée pour les sites, les applications et surtout les newsletters, adoptée par une grande partie des médias français. L’entreprise a été revendue en 2024. J’ai ensuite été directeur des opérations chez Opper Marketing.
Ownpage était déjà une start-up d’IA, mais cela fait vingt-cinq ans que je travaille dans ce domaine. Ma thèse portait sur la planification sous contraintes multiples en robotique, et mon post-doctorat sur le machine learning appliqué à la reconnaissance de plans. J’ai ensuite confronté l’IA au terrain, dans des secteurs très différents : l’aéronautique, avec la maintenance prédictive sur Rafale et A320 ; le grand public, avec un système de recommandation pour une application B2C ; le jeu vidéo, avec l’intelligence artificielle du jeu de stratégie R.U.S.E.
À côté, je poursuis mes propres projets : des travaux de recherche sur la sécurité en robotique, et le développement d’applications. Je participe aussi au débat public sur l’avenir de la presse et sur la sécurité de l’IA.
06 /Réalisations
Projets
Production à forte composante R&D · Maîtrise d'ouvrage
Répondre aux appels d'offres en deux jours au lieu de trois semaines
- Problème
- Des réponses longues à produire, malgré un historique déjà rédigé.
- Approche
- Un assistant IA construit à partir des réponses passées.
- Résultat
- 3 semaines → 2 jours
Problèmes difficiles · Biotech
Choisir les prochaines expériences au lieu de les deviner
- Problème
- Trouver les bons paramètres demande de nombreuses séries d'expériences.
- Approche
- Modéliser les expériences passées pour choisir les prochains paramètres à tester.
- Résultat
- Expériences ciblées, validation en cours
Problèmes difficiles · Robotique · Recherche
Prouver qu'un robot ne peut pas atteindre sa cible
- Problème
- Savoir avec certitude qu'un bras robotique ne peut pas atteindre un objet.
- Approche
- Des preuves mathématiques vérifiables, sur un bras industriel à 7 articulations.
- Résultat
- Papier en accès libre
Problèmes difficiles · Économie des médias
Modéliser un abonnement unique à toute la presse française
- Problème
- Multiplier les abonnements décourage les lecteurs, et l'IA réduit le trafic.
- Approche
- Un modèle ouvert d'abonnement unique, sur données publiques, avec simulateur.
- Résultat
- 82 titres sur 84 y gagnent
Logiciel SaaS · Emploi
Un produit SaaS complet, conçu et mis en ligne en trois jours
- Problème
- Trier les offres d'emploi et préparer chaque candidature prend du temps.
- Approche
- Un digest quotidien personnalisé, et l'aide à la candidature jusqu'à l'entretien.
- Résultat
- Conçu et développé en 3 jours
Logiciel SaaS · Éducation
Une plateforme d'échange de jouets entre familles, utilisée par une école pilote
- Problème
- Les jouets dorment dans les placards, et aucune plateforme n'est pensée pour une école.
- Approche
- Un système de points, dans une communauté fermée par école.
- Résultat
- En ligne, utilisée par une école pilote
07 /Contact
Un problème qui résiste ?
Décrivez-le-moi en 30 minutes. Si je ne suis pas la bonne personne pour le résoudre, je vous le dirai.
Prendre rendez-vous